用于结构异常检测的边缘部署式电机械特性融合技术，采用双通道能量采集压电传感技术

《ADVANCED ENGINEERING INFORMATICS》：Edge-deployable electro-mechanical feature fusion for structural anomaly detection using dual-pathway energy-harvesting piezoelectric sensing

　　摘要
持续的结构健康监测（SHM）对于老化民用基础设施的监测仍然受到电力供应有限、动态传感数据高带宽传输以及故障前标记损伤示例稀缺的限制。尽管压电传感、基于振动的能量收集和边缘机器学习已经得到了广泛研究，但它们集成到一个可复制的、可在边缘部署的诊断工作流中的程度仍然有限。本研究开发并评估了一个基于边缘的双路径压电框架，该框架结合了主动结构遥测和被动能量收集路径，通过受控的实验室概念验证实现了机电特征融合。该框架在5 Hz谐波激励下的螺栓连接悬臂板上进行了评估，其中振動响应使用信号调节放大器和Adafruit Feather微控制器获取，而收集到的电响应则通过ADI ADP5091电源管理电路和0.1 F超级电容器进行整流和存储。收集到的能量路径被视为部分能量收集演示和补充诊断特征，而不是整个从传感到边缘系统的唯一电源。诊断特征使用包含15个激励周期的3.0秒滚动窗口计算得出。统计分析表明，局部2毫米的凹槽在空间振動响应比和收集到的电压特征上产生了可测量的变化，收集到的电压分布在完好和无凹槽条件下显示出显著差异。这种紧凑的机电特征表示使用Leave-One-Run-Out验证、消融分析和NVIDIA Jetson Nano上的硬件在环边缘部署进行了评估。无监督的隔离森林与Schmitt触发器决策逻辑实现了大约82%的零样本准确率，而监督学习提供了大约93%的更高性能基准。每个诊断窗口形成后所需的端到端计算处理时间为5.369毫秒。SHAP解释和消融结果表明，结合机械和收集到的电特征提高了诊断分离性，并在测试的实验室条件下支持了物理可解释的、考虑电池的边缘SHM。

引言
持续监测民用基础设施对于提高公共安全、支持基于生命周期的维护以及降低老化资产突然结构故障的风险至关重要。结构健康监测（SHM）系统通过测量环境或操作载荷条件下的振动、应变和其他动态响应来自动评估结构完整性[1]、[2]、[3]、[4]、[5]。通过提供异常行为的早期警告，SHM可以支持主动维护，减少昂贵的停机时间和紧急修复。然而，尽管在传感、无线通信和机器学习方面取得了显著进展，但密集和连续的SHM网络的广泛部署仍然受到三个持久挑战的限制：依赖电池、高频数据传输的成本以及在实际操作结构中标记损伤示例的稀缺性。首先，大多数无线传感器节点依赖于化学电池，这限制了它们在难以到达的基础设施（如长跨度桥梁、高层结构和风力涡轮机塔）中的长期使用[6]、[7]。更换电池会增加维护成本，并可能降低大规模SHM部署的实用性。其次，高频振动或应变数据的连续传输需要大量的能量和带宽，特别是在结构上部署了许多传感器的情况下[8]、[9]、[10]。因此，以云为中心的SHM系统可能效率低下，因为在进行任何诊断决策之前必须传输大量冗余的原始数据。第三，在正常使用寿命期间，严重的结构异常很少见，这意味着通常没有标记的损伤数据用于训练监督机器学习模型。这一限制激发了使用无监督或零样本异常检测方法的需求，这些方法可以从健康状态基线数据中学习并识别偏差，而不需要大量的损坏条件示例。

为了减少对外部电池的依赖，压电能量收集作为一种可持续SHM的有希望的方法出现了。压电材料可以将结构振动、机械应变或循环变形转化为电荷，从而开发出低功耗或借助能量收集的传感器节点[11]、[12]、[13]、[14]、[15]。最近的研究证明了在铁路和桥梁环境中压电能量收集器的可行性，在这些环境中，交通引起的振动提供了重复的机械激励源[16]、[17]、[18]、[19]。同时，低功耗微控制器、紧凑型数据采集系统和边缘计算平台的进步创造了在本地处理结构响应数据的新机会，而不是将所有原始测量数据传输到云端[20]、[21]、[22]、[23]、[24]。这些发展为结合能量收集信息的传感和本地诊断智能的电池意识SHM系统指明了方向。

与此同时，机器学习在基于振动的损伤检测方面取得了显著进展。包括一维卷积神经网络在内的深度学习模型在从时间序列响应数据中提取损伤敏感特征方面显示出强大的能力[25]、[26]、[27]、[28]、[29]。然而，监督深度学习方法通常需要来自健康和损坏状态的标记示例，这些示例在真实基础设施应用中很少见。此外，直接在原始高维波形上操作的深度模型可能会为边缘部署引入额外的计算和能量需求。因此，基于紧凑、物理可解释特征的轻量级模型可以为电池意识的边缘SHM提供实用的替代方案。在本研究中，使用无监督的隔离森林进行零样本异常筛选，而在有标签可用时使用轻量级多层感知器（MLP）作为监督基准。这种策略允许研究在不依赖连续原始数据传输的情况下评估基于基线的异常检测和基于特征的监督分类。

近期文献越来越强调边缘计算在减少通信延迟和提高结构状况评估响应性方面的作用。已提出了自适应边缘智能框架和数字孪生辅助的触发感觉机制，以提高能量效率并管理无线传感器网络中的动态环境[30]、[31]。同时，能量收集和自供电状态监测的最新发展为将压电和混合摩擦电-压电传感概念集成到机械组件中以实现局部故障检测提供了可能性[32]、[33]。虽然最近在能量收集传感、边缘智能和数据驱动的SHM方面取得了重要进展，但这些方向通常作为独立组件开发或在不同系统假设下进行评估。这为在一个可复制的实验室框架内结合能量收集信息的压电传感、紧凑型机电特征表示、零样本异常筛选、可解释的解释和硬件在环边缘部署提供了机会。表1总结了所提出的框架相对于最近的边缘SHM和能量收集传感研究的位置。

基于表1中的比较，本研究专注于电池意识SHM中的一个具体未解决的挑战：如何在不依赖连续原始数据传输的情况下结合能量收集信息的传感和紧凑型边缘可部署的诊断。在实际的监测系统中，无线通信和嵌入式处理是主要的能量消耗者。因此，简单地将压电传感器与传统的原始数据流结合可能不足以实现长期自主监测。这一挑战进一步复杂化了，因为许多民用结构的振动幅度很低。对于标准的全波AC/DC桥式整流器来说，要传导和存储能量，压电元件的开路电压Voc必须超过二极管阈值：Voc>2Vd，其中Vd是每个导通二极管的正向电压降。由于产生的压电电压与诱导的机械应变和连接的电路条件有关，低幅度结构振动可能无法一致满足这一条件。这促使开发了一种SHM架构，该架构将高保真结构传感与能量收集测量分开，并在一个共同的诊断特征空间内评估机械和电响应特征。

本研究开发了一个双路径机电SHM框架，用于早期阶段刚度降低的零样本边缘诊断。该框架在受到5 Hz谐波激励的螺栓连接复合材料悬臂板上进行了实验测试。在提出的架构中，一个压电路径捕获主动结构响应，而第二个路径整流并存储振动产生的电能。引入了一个局部2毫米的机械凹槽来模拟早期阶段刚度退化，并检查这种变化如何影响机械振动响应和收集到的电压特征。然后，获取的振动特征、空间响应比和收集到的电压测量值被整合到一个紧凑的机电特征空间中，并使用边缘可部署的异常检测模型进行评估。本研究的主要贡献是在系统级别集成和实验验证了一个适用于实验室规模SHM的边缘可部署机电诊断工作流。这项工作将双路径压电传感、紧凑型机电特征融合、零样本异常筛选、机器学习、基于SHAP的解释和硬件在环边缘部署结合在一个统一框架中。在本手稿中，“物理信息”一词指的是使用物理可解释的结构响应和收集到的电特征、简化的结构响应推理以及事后解释。本研究的具体贡献总结如下：
1. 开发了一种双路径压电传感和收集架构，以便在受控的实验室激励下分别捕获主动结构响应和收集到的电响应。
2. 通过结合振动响应指标、空间响应比和收集到的电压特征，制定了一个紧凑的机电特征表示。
3. 实现了一个使用Schmitt触发器决策逻辑的零样本隔离森林异常检测器，用于边缘可部署的异常筛选，无需标记损伤示例进行训练。
4. 使用监督多层感知器（MLP）模型作为基准，以评估在有标签数据可用时紧凑型机电特征空间的诊断价值。
5. 进行了统计、消融、鲁棒性和延迟分析，以评估收集到的电压敏感性、特征融合效益、决策稳定性、可重复性和边缘部署的可行性。
通过这一集成框架，本研究支持在受控实验室条件下实现物理可解释的、考虑电池的边缘SHM的可行性。结果为在更广泛的损伤状态、激励条件、环境变化和现场部署下的未来测试提供了可复制的概念验证和基础。

实验设置和机电数据采集
构建了一个硬件在环实验平台，以在真实的传感、收集和边缘计算约束下验证所提出的混合机电诊断框架，如图1所示。该设置旨在同时捕获结构振动响应与刚度相关的变化，并评估在实时循环载荷下的环境振动能量收集，从而将所提出的诊断算法与物理可部署的自供电系统联系起来。

提出的诊断框架概述
本研究的主要目标是将来自物理测试平台的同步机械振动测量和收集到的电压响应特征转换为可用于结构异常筛选的边缘可部署诊断工作流。如图2所示，所提出的方法包括五个连续阶段：双路径机械和电数据采集、时间重采样和诊断窗口划分、物理可解释的机电特征提取。

悬臂板的简化模态形状参考
理论模态形状分析为解释实验观察到的振动响应变化提供了简化的机械参考。如图3所示，使用一维有限元素表示法可视化了悬臂板的前五种弯曲模态形状。类似梁的结构构件的横向振动可以用欧拉-伯努利控制方程描述：?2w(x,t)/?x2 = EI(x) - ?2w(x,t)/?t2 + ρA?w(x,t)/?t2 = 0，其中E是杨氏模量，I(x)是截面惯性矩。

在提取统计和机电特征之前，检查了原始时间响应，以确定是否可以直接从测量波形中区分完好和无凹槽的结构状态。为了可视化，图7突出显示了响应的一个代表性2秒片段。然而，用于模型训练和边缘推断的诊断特征是从之前描述的3.0秒窗口中计算得出的。

数据驱动的诊断建模和验证
将第5节讨论的机电响应模式转换为自动化的边缘诊断系统需要一个既具有诊断效果又适合嵌入式部署的计算框架。使用同步的机械和电特征空间，实现了三种算法架构并进行比较评估：用于零样本异常筛选的无监督隔离森林，用于...

结果和性能评估
诊断架构使用运行级Leave-One-Run-Out（LORO）验证协议进行了评估。与其依赖单一的随机训练-测试分割，每次独立的实验尝试都被暂缓一次作为测试集，而剩余的尝试用于训练。这种策略提供了更严格的运行到运行泛化评估，并降低了时间窗口数据泄露的风险。

结论
本研究解决了连续SHM中的一个关键挑战：开发能够在电力供应有限、数据传输减少和对标记损伤数据依赖最小的情况下运行的诊断工作流。为了解决这一挑战，在受控的5 Hz循环激励下开发并评估了一个双路径机电框架。该框架将主动压电传感与被动部分能量收集路径物理分离，并在共同的诊断特征空间内评估机械和电响应特征。

CRediT作者贡献声明
Hadi Salehi：写作——审查和编辑、监督、方法论、资金获取、形式分析、概念化。阿丽娜·乔汉（Arina Chauhan）：负责撰写原始草稿、进行数据调查及数据整理工作。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢
H.S. 感谢美国国家科学基金会（National Science Foundation，NSF）土木、机械与制造业创新部门（Division of Civil, Mechanical and Manufacturing Innovation，CMMI）的支持，项目编号为2502138。
哈迪·萨莱希（Hadi Salehi）| 阿丽娜·乔汉（Arina Chauhan）