基于物聯(lián)網(wǎng)的建筑健康監(jiān)測(cè)方法研究

摘 要：將物聯(lián)網(wǎng)技術(shù)應(yīng)用在建筑健康監(jiān)測(cè)中，對(duì)于掌握建筑工作狀態(tài)、及時(shí)發(fā)現(xiàn)結(jié)構(gòu)損傷、評(píng)估建筑安全情況有著重要意義。文中提出了一種基于安裝在建筑環(huán)境內(nèi)的加速度傳感器、結(jié)合信號(hào)處理方法與機(jī)器學(xué)習(xí)方法進(jìn)行事件檢測(cè)的框架，并設(shè)計(jì)了較完整的事件檢測(cè)流程，以應(yīng)用于建筑健康實(shí)時(shí)監(jiān)測(cè)系統(tǒng)中。

關(guān)鍵詞：物聯(lián)網(wǎng)；建筑健康監(jiān)測(cè)；加速度傳感器；事件監(jiān)測(cè)

中圖分類號(hào)：TP277 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302(2014)06-0086-02

0引言

利用物聯(lián)網(wǎng)技術(shù)對(duì)物理世界進(jìn)行動(dòng)態(tài)、精細(xì)的感知，能夠?yàn)楣I(yè)生產(chǎn)等提供重要信息，成為近年來的研究熱點(diǎn)。將物聯(lián)網(wǎng)技術(shù)應(yīng)用在建筑健康監(jiān)測(cè)中，對(duì)于掌握建筑工作狀態(tài)、及時(shí)發(fā)現(xiàn)結(jié)構(gòu)損傷、評(píng)估建筑安全情況有著重要意義。其中一種重要手段是用加速度傳感器采集建筑振動(dòng)數(shù)據(jù)，從而獲取建筑健康狀態(tài)信息。而傳感器數(shù)據(jù)受到建筑環(huán)境內(nèi)干擾事件的影響，直接從中分析建筑健康狀態(tài)容易導(dǎo)致誤判的發(fā)生。因此，如何從傳感器數(shù)據(jù)中獲取建筑健康關(guān)鍵信息是利用物聯(lián)網(wǎng)進(jìn)行建筑健康監(jiān)測(cè)的重要挑戰(zhàn)。

本文提出了一種建筑環(huán)境事件檢測(cè)的方法，能夠從含有干擾和噪聲的傳感器數(shù)據(jù)中提取事件信息，提供關(guān)于建筑健康狀態(tài)的知識(shí)。

1基于物聯(lián)網(wǎng)的建筑健康監(jiān)測(cè)研究現(xiàn)狀

在建筑健康監(jiān)測(cè)方法中，基于建筑結(jié)構(gòu)振動(dòng)狀況的間接建筑健康監(jiān)測(cè)方法能較好地與新興的傳感和通信技術(shù)相結(jié)合，得到了極大的關(guān)注。其基本思想是建筑結(jié)構(gòu)的振動(dòng)參數(shù)與建筑結(jié)構(gòu)的物理狀況相關(guān)，故通過觀測(cè)建筑結(jié)構(gòu)振動(dòng)頻率，就能對(duì)建筑結(jié)構(gòu)狀況進(jìn)行評(píng)估，從而實(shí)現(xiàn)建筑健康監(jiān)測(cè)。

對(duì)建筑結(jié)構(gòu)振動(dòng)狀況的監(jiān)測(cè)通過加速度傳感器網(wǎng)絡(luò)進(jìn)行。該方面最早的完整系統(tǒng)是80年代安裝在英國Foyle大橋上的橋梁結(jié)構(gòu)監(jiān)測(cè)系統(tǒng)。隨著無線傳感器網(wǎng)絡(luò)的迅速發(fā)展，利用無線傳感器網(wǎng)絡(luò)取代傳統(tǒng)有線組網(wǎng)方式的工作開始出現(xiàn)。加州大學(xué)伯克利分校的研究人員在舊金山金門大橋上布置了64個(gè)連接加速度傳感器的無線節(jié)點(diǎn)來收集大橋的振動(dòng)數(shù)據(jù)，并進(jìn)行了初步的頻域分析，得到了大橋常規(guī)工作下的幾個(gè)振動(dòng)頻率值，這是利用物聯(lián)網(wǎng)技術(shù)對(duì)建筑狀況進(jìn)行監(jiān)測(cè)的代表性工作。

盡管有大量工作利用有線或無線傳感器網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)建筑結(jié)構(gòu)振動(dòng)數(shù)據(jù)的獲取，但這些數(shù)據(jù)本身并不足以滿足建筑健康監(jiān)測(cè)的需求。這是因?yàn)槠洳杉臄?shù)據(jù)不僅受到建筑結(jié)構(gòu)狀態(tài)的影響，還很容易受到傳感器附近的局部活動(dòng)的影響。以安裝在橋梁結(jié)構(gòu)中的傳感器為例，其振動(dòng)不僅來自橋梁結(jié)構(gòu)的自振，也很可能來自傳感器附近的人類活動(dòng)、重載車輛等的影響。簡(jiǎn)單地以傳感器數(shù)據(jù)研究建筑結(jié)構(gòu)狀態(tài)，會(huì)產(chǎn)生相當(dāng)大的偏差，甚至出現(xiàn)頻繁的誤檢、漏檢等狀況。

掌握導(dǎo)致傳感器數(shù)據(jù)出現(xiàn)變化的原因是獲取可靠的傳感器數(shù)據(jù)的重要環(huán)節(jié)。實(shí)現(xiàn)這個(gè)環(huán)節(jié)的途徑之一就是將加速度傳感器數(shù)據(jù)與其周圍發(fā)生的事件形成準(zhǔn)確的對(duì)應(yīng)，以提供關(guān)于該數(shù)據(jù)的知識(shí)，進(jìn)而為建筑健康監(jiān)測(cè)提供可靠的信息。

2基于加速度傳感器的事件檢測(cè)框架

下面重點(diǎn)介紹基于安裝在建筑環(huán)境內(nèi)的加速度傳感器、結(jié)合信號(hào)處理方法與機(jī)器學(xué)習(xí)方法進(jìn)行事件檢測(cè)的框架。

圖1所示是基于加速度傳感器進(jìn)行建筑環(huán)境事件檢測(cè)框架示意圖。在該框架下，加速度傳感器數(shù)據(jù)幀作為事件檢測(cè)系統(tǒng)的輸入，數(shù)據(jù)幀的檢測(cè)結(jié)果作為系統(tǒng)輸出；而事件檢測(cè)的手段則先采用信號(hào)處理方法對(duì)原數(shù)據(jù)進(jìn)行特征提取，再利用機(jī)器學(xué)習(xí)方法對(duì)不同特征所代表的事件進(jìn)行學(xué)習(xí)和檢測(cè)。

圖1基于加速度傳感器進(jìn)行建筑環(huán)境事件檢測(cè)框架示意圖

2.1信號(hào)處理與特征提取

信號(hào)處理方法的目的是提取傳感器數(shù)據(jù)的特征，并對(duì)檢測(cè)事件的信號(hào)進(jìn)行區(qū)分。經(jīng)典的信號(hào)處理算法有離散傅里葉變換與功率譜估計(jì)，多重信號(hào)分類和小波變換等。下面分析這三種信號(hào)處理方法的優(yōu)缺點(diǎn)。

由離散傅里葉變換得到離散的能量譜密度，可以得到對(duì)有限長(zhǎng)信號(hào)序列的能量隨頻率的分布。離散傅里葉變換反映了目標(biāo)信號(hào)和不同頻率正弦信號(hào)之間的相似程度（以一個(gè)復(fù)系數(shù)的形式），但當(dāng)目標(biāo)信號(hào)內(nèi)存在間歇性的頻率分量時(shí)，它卻無法分辨出該分量的開始和結(jié)束位置，使得頻率分量的時(shí)間信息無法反映在傅里葉變換域中，可能會(huì)導(dǎo)致對(duì)目標(biāo)事件的檢測(cè)準(zhǔn)確性下降。

多重信號(hào)分類技術(shù)是一種具有許多優(yōu)點(diǎn)的現(xiàn)代譜估計(jì)方法，其譜分辨率遠(yuǎn)高于以傅里葉分析為代表的傳統(tǒng)譜估計(jì)方法，且抗噪聲干擾性能也較好，但該方法假設(shè)目標(biāo)信號(hào)是一個(gè)平穩(wěn)正弦過程，這對(duì)于高度動(dòng)態(tài)的加速度傳感器信號(hào)并非總能適用。此外，多重信號(hào)分類方法復(fù)雜度較高，會(huì)影響到系統(tǒng)的實(shí)時(shí)性能。

小波變換是指用時(shí)域和頻域均為快速衰減的，被稱作“母小波”的振蕩波形來表示原信號(hào)的變換操作。它適用于分析高度動(dòng)態(tài)的加速度傳感器信號(hào)，能夠有效提取其中的慢變、低頻成分和快速變化的、短時(shí)的高頻分量。同時(shí)實(shí)現(xiàn)這種方法的復(fù)雜度較低。

因此，需要結(jié)合實(shí)際場(chǎng)景中上述三種方法在特征提取能力，特征監(jiān)測(cè)，物理含義以及計(jì)算復(fù)雜度等方面的優(yōu)劣來決定采用的信號(hào)處理手段。

2.2機(jī)器學(xué)習(xí)與事件檢測(cè)

根據(jù)學(xué)習(xí)算法的不同，機(jī)器學(xué)習(xí)主要分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)三類。

監(jiān)督學(xué)習(xí)要求算法能從訓(xùn)練數(shù)據(jù)中推斷出盡可能合理的函數(shù)，這在訓(xùn)練數(shù)據(jù)是有噪、不充分的情況下顯得尤為重要。監(jiān)督學(xué)習(xí)算法包括貝葉斯分析，決策樹，回歸分析等。其主要的難點(diǎn)在于如何獲得充足的、高質(zhì)量的訓(xùn)練數(shù)據(jù)，因?yàn)橹挥杏?xùn)練數(shù)據(jù)足夠準(zhǔn)確、數(shù)量足夠多、特征區(qū)分足夠明顯，才能通過監(jiān)督學(xué)習(xí)算法得到性能良好的分類器。

無監(jiān)督學(xué)習(xí)是一類從無標(biāo)記數(shù)據(jù)中推斷隱藏的結(jié)構(gòu)的算法。最典型的就是聚類操作，將集合中不同的對(duì)象分配到不同的組（稱為一個(gè)聚類）中，使得同一個(gè)組內(nèi)的對(duì)象比不同組的對(duì)象之間更為相似。探究傳感器數(shù)據(jù)是否存在明顯的聚集性，對(duì)于難以獲取訓(xùn)練數(shù)據(jù)的事件進(jìn)行異常檢測(cè)具有很大價(jià)值。

半監(jiān)督學(xué)習(xí)同時(shí)利用標(biāo)記數(shù)據(jù)和無標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練的機(jī)器學(xué)習(xí)算法。結(jié)合相對(duì)少量的標(biāo)記數(shù)據(jù)和大量無標(biāo)記數(shù)據(jù)，可以對(duì)學(xué)習(xí)算法的性能進(jìn)行有效提升。

一般地，在建筑物健康監(jiān)測(cè)應(yīng)用場(chǎng)景中，機(jī)器學(xué)習(xí)方法的輸入來自于經(jīng)過特征提取的數(shù)據(jù)，屬于一類標(biāo)記數(shù)據(jù)，可以進(jìn)行有監(jiān)督學(xué)習(xí)。而無監(jiān)督學(xué)習(xí)能檢測(cè)出異常、小概率事件，可以擴(kuò)展算法的適用范圍。

3事件檢測(cè)實(shí)現(xiàn)流程

在上述信號(hào)處理方法和機(jī)器學(xué)習(xí)分析的基礎(chǔ)上，完整的事件檢測(cè)流程如圖2所示。

圖2完整的事件檢測(cè)算法流程圖

圖2包括兩個(gè)部分，圖中上方是離線訓(xùn)練階段，對(duì)應(yīng)于信號(hào)特征提取和機(jī)器學(xué)習(xí)算法訓(xùn)練，主要采用Matlab和Weka平臺(tái)實(shí)現(xiàn)，其輸出為一個(gè)結(jié)構(gòu)固定的分類器，包含了事件檢測(cè)的判決方法；下方是在線檢測(cè)階段，對(duì)應(yīng)于下文中的實(shí)時(shí)建筑健康監(jiān)測(cè)系統(tǒng)，注重效率，采用C語言及相關(guān)工具進(jìn)行實(shí)現(xiàn)，其輸出為在線數(shù)據(jù)的檢測(cè)結(jié)果。

4實(shí)時(shí)建筑健康監(jiān)測(cè)系統(tǒng)

在基于安裝在建筑環(huán)境內(nèi)的加速度傳感器、結(jié)合信號(hào)處理方法與機(jī)器學(xué)習(xí)方法進(jìn)行事件檢測(cè)的框架基礎(chǔ)上，利用建筑物內(nèi)布設(shè)的傳感器（加速度傳感器，應(yīng)力傳感器，溫度傳感器等），以及樓內(nèi)的網(wǎng)絡(luò)基礎(chǔ)設(shè)施（有線/無線局域網(wǎng)），設(shè)計(jì)了一套如圖3所示的實(shí)時(shí)建筑健康監(jiān)測(cè)系統(tǒng)。

圖3實(shí)時(shí)建筑健康監(jiān)測(cè)系統(tǒng)示意圖

5結(jié)語

在利用傳感器網(wǎng)絡(luò)進(jìn)行建筑健康監(jiān)測(cè)的背景下，本文提出了一種建筑環(huán)境事件檢測(cè)框架，能夠從含有干擾和噪聲的傳感器數(shù)據(jù)中提取事件信息，提供關(guān)于建筑健康狀態(tài)的知識(shí)。該框架輸入數(shù)據(jù)來源于建筑環(huán)境內(nèi)的加速度傳感器，結(jié)合信號(hào)處理方法與機(jī)器學(xué)習(xí)方法，實(shí)時(shí)地輸出數(shù)據(jù)檢測(cè)的結(jié)果，能夠應(yīng)用于實(shí)時(shí)性要求很高的場(chǎng)景中，提供實(shí)時(shí)、準(zhǔn)確的建筑健康信息服務(wù)。

參 考 文 獻(xiàn)

[1] Chan T H T；Yu L；Tam H Y.Fiber Bragg grating sensors for structural health monitoring of Tsing Ma bridge：Background and experimental observation[J].Engineering Structures， 2006（28）：648-659.

[2] Ling Bao，Stephen S. Intille.Activity Recognition from User-Annotated Acceleration Data[C]. Pervasive computing ：2004：1-17.

[3] Liju Joshua，Koshy Varghese.Accelerometer-Based Activity Recognition in Construction[J]. Journal of computing in civil engineering，2011，25（5）：370-379.

[4]陳雷，楊杰，沈紅斌，等.基于加速度信號(hào)幾何特征的動(dòng)作識(shí)別[J].上海交通大學(xué)學(xué)報(bào)，2008，42（2）：219-222.

[5]汪世義，陶亮，王華彬，等.幾種機(jī)器學(xué)習(xí)方法在IDS中的性能比較[J].計(jì)算機(jī)仿真，2010，27（8）：92-94.

作者簡(jiǎn)介：劉天龍（1988—），男，河南人，碩士研究生。研究方向?yàn)槲锫?lián)網(wǎng)，實(shí)時(shí)數(shù)據(jù)庫。