[논문 리뷰] Damage Detection in Bridge Structures: An Edge Computing Approach

Rahul Kumar Verma, K. K. Pattanaik외 4명|ArXiv.org|2020. 08. 15.

Structural Health Monitoring Techniques참고 문헌 43인용 수 10

한 줄 요약

이 논문은 무선 센서 네트워크(Wireless Sensor Network, WSN) 기반 구조물 건강 모니터링(SHM)을 위한 엣지 컴퓨팅 기반 손상 탐지 메커니즘인 INDDE를 제안한다. 여기서 각 센서 노드는 건강한 진동 데이터의 통계적 특징에서 다변량 정규 확률 밀도 함수(PDF) 모델을 독립적으로 학습한다. 시스템은 새로운 데이터 포인트를 이질적인 것으로 분류함으로써 실시간으로 손상을 탐지하며, 원시 데이터를 클라우드로 전송하지 않아도 되므로 자원이 제한된 WSN에서 에너지 소비와 네트워크 트래픽을 줄이고, 96–100%의 정확도를 달성한다.

ABSTRACT

Wireless sensor network (WSN) based SHM systems have shown significant improvement as compared to traditional wired-SHM systems in terms of cost, accuracy, and reliability of the monitoring. However, due to the resource-constrained nature of the sensor nodes, it is a challenge to process a large amount of sensed vibration data in real-time. Existing mechanisms of data processing are centralized and use cloud or remote servers to analyze the data to characterize the state of the bridge, i.e., healthy or damaged. These methods are feasible for wired-SHM systems, however, transmitting huge data-sets in WSNs has been found to be arduous. In this paper, we propose a mechanism named as ``in-network damage detection on edge (INDDE)" which extracts the statistical features from raw acceleration measurements corresponding to the healthy condition of the bridge and use them to train a probabilistic model, i.e., estimating the probability density function (PDF) of multivariate Gaussian distribution. The trained model helps to identify the anomalous behaviour of the new data points collected from the unknown condition of the bridge in real-time. Each edge device classifies the condition of the bridge as either "healthy" or "damaged" around its deployment region depending on their respective trained model. Experimentation results showcase a promising 96-100% damage detection accuracy with the advantage of no data transmission from sensor nodes to the cloud for processing.

연구 동기 및 목표

• 대규모 원시 진동 데이터 전송으로 인해 중심화된 WSN 기반 SHM 시스템에서 에너지 소비와 네트워크 오버헤드 문제가 발생하는 문제를 해결하기 위해.
• 클라우드나 원격 처리에 의존하지 않고 자원이 제한된 무선 센서 네트워크에서 실시간으로 노드 수준에서 손상 탐지를 가능하게 하기 위해.
• 지역 학습 데이터만을 사용하여 구조적 이질성을 탐지할 수 있는 탈중앙화된 확률 모델을 개발하기 위해.
• 노드 간 통신과 클라우드 기반 데이터 처리를 제거함으로써 거짓 경보를 최소화하고 네트워크 트래픽을 줄이기 위해.
• 실제 다리 데이터와 다양한 손상 시나리오 하에서 실험실 규모의 실험 설정에서 접근 방식을 검증하기 위해.

제안 방법

• 각 엣지 장치는 학습 단계 동안 30초 간격의 원시 가속도 데이터에서 여섯 가지 통계적 특징(예: 평균, 분산, 왜도, 첨도, 에너지, 첨도 기반 특징)을 추출한다.
• 식 (10)을 사용하여 12개의 학습 샘플(6분간의 건강한 데이터)에서 다변량 정규 확률 밀도 함수(PDF)를 추정하여 정상적인 구조적 거동을 모델링한다.
• 학습된 PDF 모델을 사용하여 새로운 도착 데이터 포인트의 가능도를 계산하며, 낮은 가능도는 잠재적 손상으로 간주된다.
• 손상 탐지는 각 센서 노드에서 현지에서 수행되며, 가능도 임계값에 기반하여 상태를 '건강' 또는 '손상됨'으로 분류한다.
• 모든 처리를 엣지에서 수행함으로써 클라우드로의 데이터 전송을 피함으로써 에너지 소비와 지연을 크게 줄인다.
• 성능 평가는 실재 및 실험실 규모의 테스트 데이터에서 혼동 행렬 및 표준 지표(정확도, 정밀도, 재현율, F-스코어)를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 탈중앙화된 엣지 기반 손상 탐지 메커니즘이 중앙 집중식 데이터 처리나 클라우드 전송에 의존하지 않고도 높은 정확도를 달성할 수 있는가?
• RQ2 현지에서 학습된 다변량 정규 PDF 모델이 실시간으로 진동 데이터에서 구조적 이질성을 탐지하는 데 얼마나 효과적인가?
• RQ3 제안된 INDDE 메커니즘이 WSN 기반 SHM 시스템에서 네트워크 트래픽과 에너지 소비를 어느 정도 줄이는가?
• RQ4 제한된 학습 데이터로 인해 다양한 손상 시나리오에서 탐지 정확도가 어떻게 변하는가?
• RQ5 손상 패턴에 대한 사전 지식 없이도 건강 상태 데이터만으로 학습된 시스템이 거짓 경보율을 낮게 유지할 수 있는가?

주요 결과

• INDDE는 Yonghe 교량 SHM 시스템의 실세계 데이터에서 96–100%의 손상 탐지 정확도를 달성하여 실용적 구현에서 높은 신뢰성을 입증했다.
• 실험실 규모의 실험에서, 두 개의 센서 노드에서 각각 85%와 96%의 정확도를 기록했으며, 낮은 유형 I 오류율(0.04–0.15)을 유지했다.
• 두 테스트 케이스 모두에서 100%의 재현율을 유지하여 손상 탐지 누락이 없음을 나타내었으며(유형 II 오류 = 0),
• 지역 PDF 모델링을 사용함으로써 클라우드로의 데이터 전송이 필요 없어져 에너지 소비와 네트워크 부하를 크게 줄였다.
• Q-Q 플롯을 통해 학습 데이터의 통계적 특징이 정규 분포를 따르는 것으로 확인되어 다변량 정규 모델의 사용이 타당함을 검증했다.
• 손상 데이터가 모델 학습 시기에 이용 가능하지 않은 실세계 시나리오에 적합하도록, 최소한의 학습 데이터로도 손상을 성공적으로 탐지했다.