近日，曾柱,、鄭強(qiáng)團(tuán)隊(duì)成果以“Towards a Sustainable Monitoring: A Self-Powered Smart Transportation Infrastructure Skin”為題,，在NanoEnergy（IF=17.8）雜志上發(fā)表學(xué)術(shù)論文。該論文第一單位為貴州醫(yī)科大學(xué)生物與工程學(xué)院,，合作單位包括北京工業(yè)大學(xué),、北京納米能源與系統(tǒng)研究所、北京科技大學(xué),、東南大學(xué)等,。

可持續(xù)的實(shí)時(shí)交通流監(jiān)測(cè)是目前道路工程師們關(guān)心的一大問題，它不僅可以獲取實(shí)時(shí)動(dòng)態(tài)交通數(shù)據(jù),，干預(yù)道路擁堵,，還可以與交通云平臺(tái)互補(bǔ)，記錄不規(guī)范駕車。現(xiàn)有交通傳感器一般需要外部電源,，這使得長(zhǎng)期服務(wù)幾乎不可能,。此外，許多傳感器需要埋在道路結(jié)構(gòu)內(nèi),，由于傳感器和道路材料間存在剛性差異,，因此在交通負(fù)荷下，傳感器和道路材料的變形是不一致的,，可能由此導(dǎo)致傳感器精度降低甚至失效,。而這種埋入式的安裝方式也會(huì)改變基礎(chǔ)設(shè)施的材料的一致性、均勻性和連續(xù)性,。

受人體皮膚構(gòu)造和工作原理啟發(fā),，曾柱、鄭強(qiáng)教授團(tuán)隊(duì)基于摩擦納米發(fā)電機(jī)技術(shù)（TENG）提出了一種自供能的智能交通基礎(chǔ)設(shè)施仿生電子皮膚系統(tǒng)(SSTIS),，從而實(shí)現(xiàn)智能城市的可持續(xù)實(shí)時(shí)交通流監(jiān)測(cè),。該系統(tǒng)包括：可方便粘貼在道路表面的自供能、近零功耗柔性傳感器,、基于人工智能(AI)開發(fā)的智能分析系統(tǒng)和基于云平臺(tái)和Android框架的移動(dòng)交通信號(hào)信息監(jiān)測(cè)反饋系統(tǒng),。該研究也是首次將TENG技術(shù)用于真實(shí)條件下主干道大規(guī)模車輛信息傳感，并表現(xiàn)出相當(dāng)?shù)姆€(wěn)定性,、靈敏性和智能性,，具有良好的實(shí)用價(jià)值，有利于構(gòu)建分布式城市物聯(lián)網(wǎng)傳感系統(tǒng),。

通過該研究提出的SSTIS系統(tǒng),，可以實(shí)現(xiàn)對(duì)車輛、道路,、橋梁,、建筑物等民用基礎(chǔ)設(shè)施的自供能、可持續(xù),、實(shí)時(shí)準(zhǔn)確監(jiān)測(cè)，可以用于輔助自動(dòng)駕駛輔助決策,、交通基礎(chǔ)設(shè)施損壞預(yù)警,、高效改善交通流等常規(guī)公共功能。

圖1.智慧城市中的自供能智能交通基礎(chǔ)設(shè)施皮膚(SSTIS)系統(tǒng),。a. 將TENG傳感器粘貼并固定在路面上,，構(gòu)建智能交通基礎(chǔ)設(shè)施表皮系統(tǒng)。傳感器收集車輛信號(hào),，然后這些數(shù)據(jù)可以通過無線系統(tǒng)（4G/5G/6G）傳輸?shù)街腔鄢鞘械拇竽X,。大腦使用基于人工智能的方法，如深度學(xué)習(xí)方法，來處理,、分析并向道路使用者提供實(shí)時(shí)交通信息,。 b. TENG結(jié)構(gòu)示意圖。從上到下使用的材料是橡膠（上）,、PET,、PTFE、FPCB和橡膠（下）,。 c. TENG傳感器的工作機(jī)制,。本研究中使用了單電極模式的TENG。傳感器的兩種不同材料（橡膠和PTFE）通過相互摩擦攜帶等量的異種電荷,。該裝置在外力條件下完成了壓縮-釋放循環(huán),。當(dāng)兩種材料之間的距離發(fā)生變化時(shí)，在底部摩擦層（PTFE層）的外部產(chǎn)生了一個(gè)感應(yīng)電場(chǎng),。d. 基于TENG的仿生傳感器陣列封裝圖像,。 e. f. TENG傳感器的性能表征結(jié)果，即開路電壓（藍(lán)色）和短路電流（紅色）,。

圖2.對(duì)SSTI系統(tǒng)的測(cè)試,。a. APT實(shí)驗(yàn)裝置的圖像。 b. 傳感器實(shí)物的圖像,。c. 藍(lán)牙模塊,。 d. e. TENG傳感器產(chǎn)生的8組實(shí)時(shí)車輛信號(hào)信息。 f. 實(shí)驗(yàn)室的室內(nèi)疲勞測(cè)試結(jié)果,。傳感器在超過10000次的疲勞測(cè)試中表現(xiàn)出穩(wěn)定的輸出性能,。 g. 環(huán)境溫度測(cè)試的結(jié)果。TENG傳感器在溫度持續(xù)變化時(shí)輸出了穩(wěn)定的電壓結(jié)果,。 h. 室內(nèi)疲勞測(cè)試的檢測(cè)儀器,。 i. APT測(cè)試結(jié)果。TENG仿生傳感器陣列的輸出變化結(jié)果隨速度和壓力條件的變化而變化,。 j. TENG傳感數(shù)據(jù)在50次循環(huán)測(cè)試中的標(biāo)準(zhǔn)化輸出,。

圖3.算法分析不同車輛軸重類型的數(shù)據(jù)分析。a. 手工標(biāo)記后的不平衡車輛信號(hào)數(shù)據(jù)集（包括670輛乘用車或兩軸,、四輪胎和單體車輛,，377輛兩軸、六輪胎和單體車輛,，97輛三軸單體卡車,，181輛四軸或以下單體卡車和849輛六軸或以上單體卡車）。 b. 信號(hào)預(yù)處理-可視化和基準(zhǔn)測(cè)試,。c. 由WGAN-GP模型增強(qiáng)的平衡車輛信號(hào)數(shù)據(jù)集（包括1268輛乘用車或兩軸,、四輪胎和單體車輛，1151輛兩軸、六輪胎和單體車輛,，1039輛三軸單體卡車,，1073輛四軸以下單體卡車和1340輛六軸以上單體卡車）。 d. ResNet-50深度學(xué)習(xí)算法用于分析不同車輛的軸載類型,。訓(xùn)練,、驗(yàn)證和測(cè)試集的組成（包括5000張訓(xùn)練圖像、438張驗(yàn)證圖像和433張測(cè)試圖像）,。 e. ResNet-50殘余神經(jīng)網(wǎng)絡(luò)的每種車輛軸載類型的混淆矩陣,。

圖4.云平臺(tái)構(gòu)建和應(yīng)用構(gòu)建。a. 應(yīng)用程序的開發(fā)過程,。開發(fā)過程包括轉(zhuǎn)換TFLite,，在Android Studio平臺(tái)上建立Android項(xiàng)目，生成APK包,，安裝移動(dòng)應(yīng)用,。 b. 云平臺(tái)主頁。頂部欄目,，系統(tǒng)信息,，終端設(shè)備數(shù)量，APP用戶和運(yùn)行結(jié)果,。中間,，CPU使用率和內(nèi)存使用率的展示。底部餅狀圖,，不同軸載的車輛數(shù)量和各軸載類型的車輛占比,。在APP中，可以實(shí)時(shí)獲取車輛軸載信號(hào)的分類結(jié)果,。 d. 模型結(jié)果,。e. ROC和AUC展示了分類模型的整體性能和每種類型車輛軸載的分類效果。 f. 還展示了訓(xùn)練集和驗(yàn)證集的精度曲線,。該模型的最終測(cè)試精度達(dá)到81.06%,。