基于磁致伸缩传感器的智能桥梁健康监测系统，采用机器学习技术

《IEEE Transactions on Circuits and Systems for Artificial Intelligence》：Magnetostrictive Sensor-Based Smart Monitoring System for Bridge Health Using Machine Learning

　　结构健康监测中提出基于Galfenol磁致伸缩传感器的自供电系统，结合机器学习实现无标注数据下的健康状态识别，实验表明XGBoost监督分类准确率82%，DBSCAN无监督聚类Silhouette系数0.49，验证了系统有效性及创新性。

　　

摘要：

近年来，由于结构退化事件的增加以及传统检测方法的局限性，对民用基础设施进行连续和实时监测的需求日益迫切。结合智能传感器和机器学习的结构健康监测（SHM）系统已成为应对这些挑战的有前景的解决方案。本文提出了一种基于Galfenol材料的磁致伸缩传感器的SHM综合框架，该传感器能够将机械振动转换为电信号，从而实现自供电监测。实验结果表明，在监督学习分类器中，XGBoost的准确率最高，达到82%；而在无监督学习类别中，DBSCAN凭借0.49的轮廓系数表现出良好的聚类效果。这些发现验证了所提出系统在仅需少量数据标注的情况下识别基础设施健康状态和不健康状态的有效性。本研究的新颖之处在于将非线性磁致伸缩能量采集器与基于机器学习的SHM框架相结合，提供了一种无需电池、可扩展且适应性强的实时基础设施监测方案。