Strukturer som er i nærheten av å nå utformet levetid, for eksempel en betydelig andel av europeiske broer, krever nøye og kontinuerlig kontroll og tilsyn for å sikre sikker bruk. Etter hvert som broer eldes, kan de bli stadig mer sårbare for skader og feil på grunn av nedbrytningsmekanismer og økende belastningskrav. Strukturell helseovervåking (SHM) av broer er prosessen med å bruke ulike sensorer og måleteknikker for å overvåke tilstanden til en bro og oppdage eventuelle endringer eller skader som kan oppstå over tid. Dette kan inkludere overvåking av den strukturelle integriteten til broen, samt overvåking av miljøet rundt broen, som temperatur, fuktighet og vind. Dataene som samles inn av sensorene blir deretter analysert for å identifisere potensielle problemer eller problemer og for å hjelpe ingeniører med å ta beslutninger om vedlikehold og reparasjoner. SHM kan bidra til å øke sikkerheten og levetiden til broer og kan også bidra til å redusere kostnadene knyttet til vedlikehold og reparasjoner.

Maskinlæring har en betydelig rolle i vibrasjonsbaserte databaserte SHM-systemer. Den kan brukes til å analysere de store datamengdene som samles inn av sensorene, identifisere mønstre og oppdage anomalier. Maskinlæringsalgoritmer kan også brukes til å utvikle statistiske modeller av en bros normale dynamiske respons, som deretter kan brukes til å oppdage når responsen avviker fra denne grunnlinjen, noe som indikerer et problem eller skade. Kort sagt, sensorer brukes til å måle vibrasjonene til en bro, mens maskinlæringsalgoritmer brukes til å analysere dataene og identifisere mønstre og anomalier. Denne tilnærmingen kan gi et kraftig verktøy for å overvåke tilstanden til broer og sikre deres sikkerhet og integritet over tid.