[论文解读] 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 10

一句话总结

该论文提出INDDE，一种基于边缘计算的无线传感器网络（WSN）结构健康监测（SHM）损伤检测机制，其中每个传感器节点独立地基于健康振动数据的统计特征训练一个多元高斯概率密度函数（PDF）模型。系统通过将新数据点分类为异常来实现实时损伤检测，准确率达96–100%，且无需将原始数据传输至云端，从而在资源受限的WSN中显著降低能耗和网络流量。

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.

研究动机与目标

• 为解决集中式WSN-SHM系统中因传输大量原始振动数据而导致的高能耗和网络开销问题。
• 实现在资源受限的无线传感器网络中，无需依赖云端或远程处理的实时本地损伤检测。
• 开发一种去中心化、基于概率的模型，仅使用健康状态下本地训练数据即可检测结构异常。
• 通过消除节点间通信和基于云端的数据处理，最大限度减少误报并降低网络流量。
• 在真实桥梁数据和不同损伤场景下的实验平台中验证该方法的有效性。

提出的方法

• 在训练阶段，每个边缘设备从30秒的原始加速度数据窗口中提取六种统计特征（例如：均值、方差、偏度、峰度、能量以及基于峰度的特征）。
• 使用公式10，基于12个训练样本（6分钟健康数据）估计多元高斯概率密度函数（PDF），以建模正常结构行为。
• 利用训练好的PDF模型计算新输入数据点的似然值；低似然值表示可能存在损伤。
• 损伤检测在每个传感器节点本地完成，根据概率阈值将状态分类为“健康”或“受损”。
• 通过在边缘端完成所有处理，避免向云端传输数据，显著降低能耗和延迟。
• 性能通过混淆矩阵及标准指标（准确率、精确率、召回率、F1分数）在真实数据和实验平台数据上进行评估。

实验结果

研究问题

• RQ1 去中心化、基于边缘的损伤检测机制是否能在不依赖集中式数据处理或云端传输的情况下实现高准确率？
• RQ2 本地训练的多元高斯PDF模型在实时检测振动数据中的结构异常方面效果如何？
• RQ3 所提出的INDDE机制在WSN-SHM系统中在多大程度上减少了网络流量和能耗？
• RQ4 在训练数据有限的情况下，检测准确率在不同损伤场景下如何变化？
• RQ5 当仅使用健康状态数据进行训练且缺乏损伤模式先验知识时，系统能否保持较低的误报率？

主要发现

• INDDE在永和大桥SHM系统的真实数据上实现了96–100%的损伤检测准确率，证明了其在实际部署中的高可靠性。
• 在实验平台中，该方法在两个传感器节点上分别实现了85%和96%的准确率，且误报率较低（I类错误：0.04–0.15）。
• 在两种测试情况下，系统均保持100%的召回率，表明未发生任何漏检（II类错误 = 0）。
• 通过本地PDF建模，消除了向云端传输数据的需求，显著降低了能耗和网络负载。
• Q-Q图证实，训练数据中的统计特征符合正态分布，验证了多元高斯模型的适用性。
• 该方法在极少训练数据下成功检测出损伤，适用于实际场景中训练阶段缺乏损伤数据的情况。