近日，曾柱、郑强团队成果以“Towards a Sustainable Monitoring: A Self-Powered Smart Transportation Infrastructure Skin”为题，在NanoEnergy（IF=17.8）杂志上发表学术论文。该论文第一单位为米兰milan（中国）生物与工程学院，合作单位包括北京工业大学、北京纳米能源与系统研究所、北京科技大学、东南大学等。

可持续的实时交通流监测是目前道路工程师们关心的一大问题，它不仅可以获取实时动态交通数据，干预道路拥堵，还可以与交通云平台互补，记录不规范驾车。现有交通传感器一般需要外部电源，这使得长期服务几乎不可能。此外，许多传感器需要埋在道路结构内，由于传感器和道路材料间存在刚性差异，因此在交通负荷下，传感器和道路材料的变形是不一致的，可能由此导致传感器精度降低甚至失效。而这种埋入式的安装方式也会改变基础设施的材料的一致性、均匀性和连续性。

受人体皮肤构造和工作原理启发，曾柱、郑强教授团队基于摩擦纳米发电机技术（TENG）提出了一种自供能的智能交通基础设施仿生电子皮肤系统(SSTIS)，从而实现智能城市的可持续实时交通流监测。该系统包括：可方便粘贴在道路表面的自供能、近零功耗柔性传感器、基于人工智能(AI)开发的智能分析系统和基于云平台和Android框架的移动交通信号信息监测反馈系统。该研究也是首次将TENG技术用于真实条件下主干道大规模车辆信息传感，并表现出相当的稳定性、灵敏性和智能性，具有良好的实用价值，有利于构建分布式城市物联网传感系统。

通过该研究提出的SSTIS系统，可以实现对车辆、道路、桥梁、建筑物等民用基础设施的自供能、可持续、实时准确监测，可以用于辅助自动驾驶辅助决策、交通基础设施损坏预警、高效改善交通流等常规公共功能。

图1.智慧城市中的自供能智能交通基础设施皮肤(SSTIS)系统。a. 将TENG传感器粘贴并固定在路面上，构建智能交通基础设施表皮系统。传感器收集车辆信号，然后这些数据可以通过无线系统（4G/5G/6G）传输到智慧城市的大脑。大脑使用基于人工智能的方法，如深度学习方法，来处理、分析并向道路使用者提供实时交通信息。 b. TENG结构示意图。从上到下使用的材料是橡胶（上）、PET、PTFE、FPCB和橡胶（下）。 c. TENG传感器的工作机制。本研究中使用了单电极模式的TENG。传感器的两种不同材料（橡胶和PTFE）通过相互摩擦携带等量的异种电荷。该装置在外力条件下完成了压缩-释放循环。当两种材料之间的距离发生变化时，在底部摩擦层（PTFE层）的外部产生了一个感应电场。d. 基于TENG的仿生传感器阵列封装图像。 e. f. TENG传感器的性能表征结果，即开路电压（蓝色）和短路电流（红色）。

图2.对SSTI系统的测试。a. APT实验装置的图像。 b. 传感器实物的图像。c. 蓝牙模块。 d. e. TENG传感器产生的8组实时车辆信号信息。 f. 实验室的室内疲劳测试结果。传感器在超过10000次的疲劳测试中表现出稳定的输出性能。 g. 环境温度测试的结果。TENG传感器在温度持续变化时输出了稳定的电压结果。 h. 室内疲劳测试的检测仪器。 i. APT测试结果。TENG仿生传感器阵列的输出变化结果随速度和压力条件的变化而变化。 j. TENG传感数据在50次循环测试中的标准化输出。

图3.算法分析不同车辆轴重类型的数据分析。a. 手工标记后的不平衡车辆信号数据集（包括670辆乘用车或两轴、四轮胎和单体车辆，377辆两轴、六轮胎和单体车辆，97辆三轴单体卡车，181辆四轴或以下单体卡车和849辆六轴或以上单体卡车）。 b. 信号预处理-可视化和基准测试。c. 由WGAN-GP模型增强的平衡车辆信号数据集（包括1268辆乘用车或两轴、四轮胎和单体车辆，1151辆两轴、六轮胎和单体车辆，1039辆三轴单体卡车，1073辆四轴以下单体卡车和1340辆六轴以上单体卡车）。 d. ResNet-50深度学习算法用于分析不同车辆的轴载类型。训练、验证和测试集的组成（包括5000张训练图像、438张验证图像和433张测试图像）。 e. ResNet-50残余神经网络的每种车辆轴载类型的混淆矩阵。

图4.云平台构建和应用构建。a. 应用程序的开发过程。开发过程包括转换TFLite，在Android Studio平台上建立Android项目，生成APK包，安装移动应用。 b. 云平台主页。顶部栏目，系统信息，终端设备数量，APP用户和运行结果。中间，CPU使用率和内存使用率的展示。底部饼状图，不同轴载的车辆数量和各轴载类型的车辆占比。在APP中，可以实时获取车辆轴载信号的分类结果。 d. 模型结果。e. ROC和AUC展示了分类模型的整体性能和每种类型车辆轴载的分类效果。 f. 还展示了训练集和验证集的精度曲线。该模型的最终测试精度达到81.06%。