[論文レビュー] Damage Detection in Bridge Structures: An Edge Computing Approach

Rahul Kumar Verma, K. K. Pattanaik+4 more|ArXiv.org|Aug 15, 2020

Structural Health Monitoring Techniques参考文献 43被引用数 10

ひとこと要約

本稿では、無線センサネットワーク（WSN）を用いた構造健康モニタリング（SHM）を対象として、エッジコンピューティングに基づく損傷検出メカニズムINDDEを提案する。各センサノードは、健全な振動データからの統計的特徴量を用いて、多次元ガウス確率密度関数（PDF）モデルを独立に学習する。本システムは、新たなデータポイントを異常と分類することで、リアルタイムに損傷を検出する。クラウドへの生データ送信が不要なため、リソース制約のあるWSNにおけるエネルギー消費とネットワークトラフィックを削減し、96–100%の精度を達成する。

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.

研究の動機と目的

• 大規模な生振動データの送信に起因する、集中型WSNベースのSHMシステムにおける高いエネルギー消費とネットワークオーバーヘッドの課題に対処すること。
• クラウドやリモート処理に依存せずに、リソース制約のある無線センサネットワークにおいて、リアルタイムでノード内での損傷検出を可能にすること。
• 健全状態からのローカルな学習データのみを用いて、構造的異常を検出可能な分散型で確率論的なモデルを開発すること。
• ノード間通信およびクラウドベースのデータ処理を排除することで、誤検知を低減し、ネットワークトラフィックを削減すること。
• 実際のブリッジデータおよび変動する損傷シナリオ下でのラボスケール実験セットアップを用いて、手法の有効性を検証すること。

提案手法

• エッジデバイスは、トレーニングフェーズ中に30秒間の生加速度データから6つの統計的特徴量（例：平均、分散、歪度、尖度、エネルギー、尖度に基づく特徴量）を抽出する。
• 12個のトレーニングサンプル（6分間の健全データ）を用いて式10により、多次元ガウス確率密度関数（PDF）を推定し、正常な構造的挙動をモデル化する。
• 訓練されたPDFモデルを用いて、新たな入力データポイントの尤度を計算する。尤度が低い場合、潜在的な損傷を示唆する。
• 損傷検出は各センサノードでローカルに実行され、確率のしきい値に基づき「健全」または「損傷あり」と分類する。
• すべての処理をエッジで実行することで、クラウドへのデータ送信を回避し、エネルギー消費と遅延を顕著に削減する。
• 性能評価は、実データおよびラボスケールのテストデータに対して、混同行列および標準指標（正解率、適合率、再現率、Fスコア）を用いて実施する。

実験結果

リサーチクエスチョン

• RQ1 分散型でエッジベースの損傷検出メカニズムは、集中型データ処理やクラウド送信に依存せずに、高い精度を達成できるか？
• RQ2 ローカルに学習された多次元ガウスPDFモデルは、リアルタイムで振動データからの構造的異常を検出するのにどの程度有効か？
• RQ3 提案されたINDDEメカニズムは、WSNベースのSHMシステムにおいて、ネットワークトラフィックとエネルギー消費をどの程度削減できるか？
• RQ4 限られたトレーニングデータのもとで、異なる損傷シナリオにおける検出精度はどのように変化するか？
• RQ5 損傷パターンの事前知識がなく、健全状態のデータでのみ学習された場合、システムは誤検知率を低く維持できるか？

主な発見

• INDDEは、YongheブリッジSHMシステムの実世界データにおいて96–100%の損傷検出精度を達成し、実運用における高い信頼性を示した。
• ラボスケール実験では、2つのセンサノードでそれぞれ85%および96%の精度を達成し、誤検知率が低かった（第一種誤り：0.04–0.15）。
• 両方のテストケースにおいて、システムは100%の再現率を維持した。これは、損傷検出が見逃されなかった（第二種誤り = 0）ことを示している。
• ローカルPDFモデリングの活用により、クラウドへのデータ送信が不要となり、エネルギー消費とネットワーク負荷が顕著に削減された。
• Q-Qプロットにより、トレーニングデータからの統計的特徴量が正規分布に従うことが確認され、多次元ガウスモデルの妥当性が裏付けられた。
• 限られたトレーニングデータでも損傷を効果的に検出できたため、損傷データがモデル学習時に入手不可能な実世界のシナリオに適していることが示された。