物理引导的流动性条件傅里叶神经算子用于反演人群感知运营模态分析中行人失真

《Journal of Infrastructure Intelligence and Resilience》：Physics-guided mobility-conditioned fourier neural operator for inverting pedestrian distortion in crowdsensing-based operational modal analysis

　　

土木基础设施日益劣化，亟需可扩展且经济高效的结构健康监测（SHM）方案。虽然利用行人携带的消费级设备（如智能手机与智能手表）进行人群感知，为永久传感器网络提供了高度可及的替代路径，但所采数据受到人-结构相互作用的严重污染。行走、慢跑与骑行等行人运动学特征，结合生物力学传递路径，引入复杂频谱失真，掩盖结构模态，阻碍可靠的运营模态分析（OMA）。为填补这一关键空白，研究人员提出一种物理引导、流动性条件的傅里叶神经算子（PG-MC-FNO），用于反演由流动性引起的运动学噪声。该架构通过融合流动性状态条件机制与物理引导损失函数，学习从失真人感知奇异值谱到基准谱的映射。所提网络在一座运营人行桥上利用口袋智能手机与腕戴智能手表完成实验验证。结果表明，PG-MC-FNO成功滤除生物力学干扰，恢复桥梁模态频率，与静止基准的谱相关系数超过0.99。组件消融与基线对比确认物理引导优化、流动性条件与FNO架构对可靠谱恢复均不可或缺。该方法最终推进了日常消费可穿戴设备用于连续可扩展人群感知SHM的可行性。

研究背景与问题提出

土木基础设施劣化加剧，传统结构健康监测（SHM）因安装维护成本高而难以普及，绝大多数桥梁仅在定期人工巡检间隙处于无监测状态。移动传感与人群感知利用车辆、智能手机等既有平台提取结构响应，具备低成本广覆盖潜力。然而在行人携带场景下，设备并非刚性附着于结构，信号须经“人-传感器-结构”传递路径，受步态节律、肢体运动、软组织柔顺性及设备佩戴位姿影响，产生宽带谐波与模态频移，常规数学滤波无法稳定分离生物力学噪声与真实结构响应。现有文献缺乏对不同日常流动性（行走、慢跑、骑行）与佩戴位置（口袋手机、腕部手表）联合失真的定量基准，亦无成熟计算框架从失真谱逆映射回基准谱。为此，研究人员在运营人行桥上系统采集三类场景数据，提出物理引导流动性条件傅里叶神经算子（PG-MC-FNO）以实现谱域反演。

主要研究内容与结论意义

研究人员于一座14 m单跨预制混凝土人行桥布置三场景：场景0以6台IOLITE-S三轴加速度计（1000 Hz）获真值基线；场景1将10台三星A36手机（ICM-42632M）与10台三星Galaxy Watch 7（LSM6DSO）固结于桥面作静止硬件基准；场景2由6名受试者以行走、慢跑、骑行携相同设备过桥。经去趋势、0.6–20 Hz带通、Welch互谱密度（CSD）与奇异值分解（SVD）取首奇异值（SV₁）入OMA（频域分解法，FDD）。结果显示静止消费MEMS可识别第2–5阶模态，相对真值误差低于7.5 %；而场景2中高阶模态频移达7.46 %（手机）与8.35 %（手表），证实原始人群感知数据不可直接用于OMA。PG-MC-FNO以6通道输入（3 SV曲线+3 one-hot流动性编码）经编码器、4个FNO块（截断前64傅里叶模）、解码器输出3通道SV谱，配合振幅加权MSE与有限差分斜率惩罚的物理引导损失训练，在时序外测试集上SV₁谱相关系数r>0.99，聚合后恢复模态频率与静止基准完全一致。该文发表于《Journal of Infrastructure Intelligence and Resilience》，意义在于首次给出日常流动性失真定量基准，并提供可学习的生物力学逆滤波范式，使普通可穿戴设备具备连续人群感知SHM能力。

关键技术方法概括

研究人员采用三场景现场对照采集（真值SHM、静止消费设备基准、行人携带失真），对三轴加速度做去趋势与0.6–20 Hz Butterworth带通，按1024点滑窗（重叠75 %）算Welch-CSD并SVD取SV_1–3转dB限带0.6–15 Hz；以同设备类型场景1同期窗口为监督目标，场景2窗口嵌one-hot流动性标签成6×F张量；构建编码器-FNO处理器-解码器，FNO块含实FFT截断模乘与逐点卷积分支，隐宽512、保64模、Dropout 0.5；损失为振幅加权MSE（峰值权重1.5）加0.1倍有限差分斜率惩罚，AdamW训150轮。样本来自路易斯安那州立大学伦理审批下6人队列（行走/慢跑/骑行各2）于同一人行桥重复过桥。

研究结果分述

4.1 真值与硬件基准验证：IOLITE-S辨出1.33、2.64、5.29、7.11、10.61 Hz五阶；手机与手表基准辨出2–5阶，误差随频率升高收窄至<2 %，确认消费MEMS静置可捕结构主模态，第1阶因幅值低于噪声底未现。

4.2 人群感知验证：场景2相对场景1平均频移手机3.76 %、手表3.85 %，第5阶恶化至7.46 %与8.35 %，证明高阶模态对步态谐波与朝向变化更敏感。

4.3 训练与窗口重建：150轮损快速收敛，时序外测试无发散；随机窗口显示PG-MC-FNO将灰线失真输入（含步态谐波）映为红虚线近蓝实线基准，手机与手表各流动性状态SV₁谱心化相关系数均>0.99。

4.4 聚合模态辨识：将测试窗SV₁转线性平均回dB平滑，手机恢复2.49、4.93、6.99、10.46 Hz，手表恢复2.45、4.90、7.01、10.42 Hz，与静止基准峰位重合。

4.5 消融与基线：去流动性条件（PG-FNO）自行车态r降至0.28；去物理损失（MC-FNO+MSE）自行车态r=0.18；1D-CNN与ResNet-1D几乎失效（r≤0.37），证成FNO全局谱重分配+流动性条件+物理引导三者缺一不可。

讨论与结论翻译

讨论指出当前映射以静止消费设备为基准而非地震级SHM，故属“基准引导的数据驱动逆失真”而非事件同步物理逆算子；范围限于模态频率恢复，未含振型与阻尼；跨桥泛化待扩语料；后续可融连续小波预处理解耦瞬态步态爆发。

结论：①消费MEMS静置可捕2–5阶（误<7.5 %，高阶<2 %），1阶没入噪声底；②行人流动性致平均频移~3.8 %，但第5阶失真超7.5 %，原始人群感知不可直用；③PG-MC-FNO在时序外集SV₁谱r>0.99；④聚合谱模态频率与静止基准匹配；⑤消融证成流动性条件、物理引导损失与FNO架构协同生效，CNN/ResNet失效。该研究打通了“人-设备-结构”路径下的生物力学失真反演链路，使日常可穿戴设备迈向连续可扩展人群感知SHM。