资源受限边缘计算中结构健康监测异常数据处理算法的性能评估

《Sensors》:Performance Evaluation of Structural Health Monitoring Anomaly Data Processing Algorithms in Resource-Constrained Edge Computing

【字体: 大 中 小 】 时间:2026年07月23日 来源:Sensors 4.0

编辑推荐:

  边缘计算在交通基础设施的结构健康监测(SHM)中发挥着重要作用,因为它能够实现本地数据处理和低延迟决策支持。然而,SHM系统面临着由传感器故障、传输错误或结构行为异常引起的数据异常挑战。研究人员评估了在资源受限边缘设备上部署SHM异常数据处理工作流的性能。该工

  
边缘计算在交通基础设施的结构健康监测(SHM)中发挥着重要作用,因为它能够实现本地数据处理和低延迟决策支持。然而,SHM系统面临着由传感器故障、传输错误或结构行为异常引起的数据异常挑战。研究人员评估了在资源受限边缘设备上部署SHM异常数据处理工作流的性能。该工作流包括数据清洗、响应分离和异常检测。缺失数据使用三次样条插值处理。跳点和漂移使用拉伊达准则(Laida criterion)进行校正,噪声使用小波阈值去噪进行降低。然后,基于时间窗口的去趋势方法、3σ准则或小波包分解用于响应分离。随后,使用带有解释变量的自回归积分滑动平均模型(ARIMAX)、支持向量机(SVM)和循环神经网络(RNN)进行异常检测。使用来自桥梁位移和高速公路路面应变的仿真数据和现场监测数据来评估该工作流。评估重点包括运行时间、内存使用率、中央处理器(CPU)使用率和数据处理吞吐量代理。该分析有助于理解在SHM应用典型的资源约束下,算法在边缘设备上的性能和权衡。
**论文解读:资源受限边缘计算中结构健康监测异常数据处理算法的性能评估**

**研究背景与问题**
结构健康监测(SHM)是保障交通基础设施长期稳定性的关键技术。然而,SHM系统常因传感器故障、传输错误或结构行为异常而产生数据异常,影响监测可靠性。传统云计算架构存在延迟高、带宽压力大等问题,边缘计算通过本地数据处理提供低延迟决策支持,但资源受限的边缘设备对算法部署提出了挑战。现有研究多聚焦于算法创新或离线准确性,缺乏对算法在资源受限边缘设备上部署性能(如运行时间、内存占用、CPU利用率)的系统评估。因此,研究人员开展了一项部署导向的基准评估,旨在为SHM应用中算法与边缘硬件的匹配选择提供实践依据。该论文发表在《Sensors》期刊。

**主要技术方法**
研究人员将数据清洗、响应分离和异常检测方法集成为统一工作流,在两种轻量级工业边缘平台(RK3588和RV1126)上评估。数据清洗包括:三次样条插值处理缺失值;拉伊达准则(Laida criterion)校正跳点和漂移;小波阈值去噪(sym3小波基、3层分解、VisuShrink规则、软阈值法)降低噪声。响应分离采用两种方法:方法1基于时间窗口和3σ准则的去趋势法;方法2使用小波包分解(Daubechies 6母小波、分解层数N=9)。异常检测模型包括:带有解释变量的自回归积分滑动平均模型(ARIMAX)、线性核支持向量机(SVMlin)、径向基核支持向量机(SVMRBF)、长短期记忆网络(LSTM)和门控循环单元(GRU)。评估指标为运行时间、内存使用、CPU使用率和数据处理吞吐量代理。数据来源包括仿真数据以及两个现场监测数据集:南京句容河大桥位移监测(光电挠度计)和G2高速公路路面应变监测(传感器)。

**研究结果**
**数据清洗算法**
通过仿真和现场实验,数据清洗算法能有效处理缺失、跳点、漂移和噪声。在两种边缘设备上,运行时间一般低于0.5秒,CPU使用率低于1.5%,内存使用大多低于1600 KB。RK3588在各项指标上均优于RV1126,数据规模越大优势越明显。缺失处理算法运行时间最短,跳点和漂移处理算法随数据量增加运行时间显著上升。

**响应分离算法**
方法1(基于时间窗口和3σ准则)和方法2(小波包分解)均能成功分离温度诱导和车辆诱导响应。方法1计算成本低,运行时间保持在0.01秒以下,内存使用低;方法2运行时间随数据量增加(RK3588上0.06~0.12秒,RV1126上0.17~0.26秒),内存占用更高,但分离曲线更平滑。RK3588的吞吐量代理值高于RV1126,方法1的吞吐量高于方法2。CPU使用率无明显变化趋势。

**异常检测算法**
由于RV1126系统资源限制,异常检测模型仅能在RK3588上部署。在两种现场数据上,SVMlin和SVMRBF运行时间最短(低于20秒或10秒),内存占用低于1 MB,适合低延迟低内存部署。LSTM和GRU内存占用较高(GRU 20~40 MB,LSTM 10~30 MB),但批量处理吞吐量随数据量增加而上升,适合资源充足且需要时间建模能力的场景。ARIMAX运行时间随数据量显著增加(接近50秒),且CPU使用率波动大,不适合实时边缘部署。通过均方根误差(RMSE)和稳定性系数(|μR?μr|)评估预测行为,SVMRBF在早期误差最小,LSTM和GRU稳定性最优,SVMlin稳定性最差。

**讨论与结论**
讨论指出,数据清洗和响应分离算法可高效运行于两种边缘设备。RK3588支持完整工作流,RV1126适合轻量预处理。异常检测模型选择需权衡计算资源与检测需求:SVM模型适合低延迟场景,RNN模型适合时间建模重要性高且内存充足的情况。硬件-算法匹配策略应根据处理等级、延迟约束、内存预算、检测需求和软件生态兼容性决定。研究结论(翻译自Section 5)总结如下:本研究对资源受限边缘设备上的SHM异常数据处理算法进行了部署导向评估。工作流包括数据清洗、响应分离和异常检测。结果显示了两种边缘平台的不同部署特性:RK3588提供更强计算能力和软件库兼容性,适合完整工作流;RV1126更适合轻量预处理任务。仿真和现场实验表明,数据清洗和响应分离算法可在两种设备上高效执行;异常检测中,SVM模型运行时间和内存占用低,适合低延迟部署;RNN模型内存需求高,但在时间建模能力重要时有用。研究局限性包括仅测试两种设备、现场数据缺乏独立验证的真实异常标签、内存测量为相对差值而非绝对峰值、软件生态兼容性影响模型部署。未来工作应扩展至更多硬件平台,使用专家标注数据集,进行峰值内存分析,并探索C/C++优化、模型压缩和知识蒸馏等低层实现。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号