【讲座回顾】基于边缘智能的结构快速状态评估

导读

华南理工大学土木学科海外学者前沿讲座第六十五期，我们邀请到来自新加坡南洋理工大学土木与环境工程系的助理教授傅宇光为大家带来题为“基于边缘智能的结构快速状态评估”的报告。本期讲座录播链接见文末或点击阅读原文。

建筑物的服役年限长达几十年，例如美国二战时期建设的许多房屋工程目前仍在使用，然而随着使用时间的增加，结构内部的损伤和恶化也在不断增加，这些都会影响建筑物的安全性。近年来，人口的不断增长也给基础设施带来了更大的压力，极端自然灾害亦会导致工程结构严重受损。为了减轻灾害事件对生活的影响，智能基础设施的建设是不可或缺的。减轻灾害事件需要智能基础设施具有高保真度和高速率测量的感应信息数据的能力，大规模通信直播能力和云服务，收集有意义的信息低同步误差，低噪声，保证数据质量，同时能够进行可靠并且高吞吐量的数据传输以及高效的数据收集计算，支持复杂的数据分析实时数据分析/可视化，以及具备快速决策控制能力，运用自适应、稳健和高效的硬件和算法，以减轻危害影响普及仪器的成本效益长期部署的电源管理网络容错和自主运行。在本次讲座中，傅老师将为我们分享一些相关的研究成果。

01

深度学习模型通常需要占用大量的计算机资源，使用先进的修剪技术压缩深度学习模型，从而使之适用于边缘计算。该策略已应用于数据异常检测以确保高质量数据和桥梁索损伤检测，使用IPC-SHM竞赛数据集进行评估，在应用QAT后可以在保证准确率几乎不变的情况下大幅减小模型占用的资源。

02

第二种策略是使用盲源分离和shapelet变换，从而实现自动实时的快速损伤检测。如果数据信号中含有噪声，原始数据的特征信号可能会完全被噪声干扰信号覆盖，因此需要将原始信号在不同频段上进行多层分解，从而得到特征信号所在频段的数据。根据处理后的数据信号，我们能够更容易的识别出特征信号的位置，从而判断破坏发生的可能位置。傅老师在前人工作的基础上，通过增加信噪比，对比了不同方法数据处理的效果，发现在变换前进行多组合（VMD-WT-ICA），可以提升特征信号的识别效果。

傅老师进一步探索能够实时自动检测特征信号发生时间及位置的方法。他采用机器学习的方法，加入了domain knowledge，进行特征学习，包括最大能量比、从小波变换估计信噪比以及最大破坏时间差；接着对感兴趣的样本源进行shapelet变换，将训练好的SVM应用于自主损伤识别。傅老师将策略应用于实验室测试模型和现实世界建筑物的突发损伤检测。试验结果表明，采用VMD-WT-ICA能够正确检测出破坏发生的楼层。此外，实时自动检测结果能够给出可能破坏发生的位置及时间。

03

第三种策略是无参考的动态位移估计(Reference-free dynamic displacement estimation)。将加速度数据转换为动态位移估计，这是一个很经典的问题，很多研究人员尝试用不同的方法来处理，比如深度学习或者其它方法。但傅老师采用的是先进的信号处理方法，发展了一种FIR滤波器，即进行高通滤波和二重积分的方法，可以直接将加速度数据两次积分得到位移。但对于有噪声的情况，二次积分的结果则不准确，故不能直接积分。如果滤波器能压缩噪声，就能对加速度数据进行估计，这就是无参考。因此不需要参考基准，只需要加速度数据，就可以精确估计位移。该提出算法的关键是用FIR滤波器进行时间卷积，从而可以进一步提高处理的精度；同时，用不同方法对不同来源的数据进行处理，从对比结果来看，傅老师提出方法大幅降低了计算时间（相对时间：由3353.35s缩减到0.03s），比其他方法都要快速。因此可以将这个过程整合到传感中，在有限资源的边缘设备中同时进行传感变换和处理计算，具有很好的应用前景。由于该策略是将加速度数据变换为位移数据，这更契合工业界对数据的需求。因此，傅老师在地震结构的损伤识别应用中进行了层间位移估测的试验，以及在铁路桥梁损伤评估中，以一座位于北美的钢桥为例，发展了一种数据驱动的自动检测框架用于快速状态评估。

总结

智能基础设施将传感、通信计算和控制功能深度嵌入物理基础设施，以提高其效率、韧性和安全性。随着硬件和软件的创新，新一代无线物联网传感器可以支持按需传感，以捕捉不可预测的事件，并在无需人工介入的情况下收集数据。傅老师的团队正在基于此类物联网基础设施开发有效的算法来支持轻量级的边缘智能计算，以用于基础设施结构的快速状态评估。

END

相关论文请到傅老师主页下载：

https://www.yfulift.org/

讲座录播链接：https://b23.tv/oMbJkJ1

来源于多样化结构实验室VSL

排版 | 李嘉晨

审核 | 胡   楠