基于物联网的建筑健康监测方法研究

引言

利用物联网技术对物理世界进行动态、精细的感知，能够为工业生产等提供重要信息，成为近年来的研究热点。将物联网技术应用在建筑健康监测中，对于掌握建筑工作状态、及时发现结构损伤、评估建筑安全情况有着重要意义。其中一种重要手段是用加速度传感器采集建筑振动数据，从而获取建筑健康状态信息。而传感器数据受到建筑环境内干扰事件的影响，直接从中分析建筑健康状态容易导致误判的发生。因此，如何从传感器数据中获取建筑健康关键信息是利用物联网进行建筑健康监测的重要挑战。

本文提出了一种建筑环境事件检测的方法，能够从含有干扰和噪声的传感器数据中提取事件信息，提供关于建筑健康状态的知识。

1基于物联网的建筑健康监测研究现状

在建筑健康监测方法中，基于建筑结构振动状况的间接建筑健康监测方法能较好地与新兴的传感和通信技术相结合,得到了极大的关注。其基本思想是建筑结构的振动参数与建筑结构的物理状况相关，故通过观测建筑结构振动频率，就能对建筑结构状况进行评估，从而实现建筑健康监测。

对建筑结构振动状况的监测通过加速度传感器网络进行。该方面最早的完整系统是80年代安装在英国Foyle大桥上的桥梁结构监测系统。随着无线传感器网络的迅速发展，利用无线传感器网络取代传统有线组网方式的工作开始出现。加州大学伯克利分校的研究人员在旧金山金门大桥上布置了64个连接加速度传感器的无线节点来收集大桥的振动数据，并进行了初步的频域分析，得到了大桥常规工作下的几个振动频率值，这是利用物联网技术对建筑状况进行监测的代表性工作。

尽管有大量工作利用有线或无线传感器网络实现了对建筑结构振动数据的获取，但这些数据本身并不足以满足建筑健康监测的需求。这是因为其采集的数据不仅受到建筑结构状态的影响，还很容易受到传感器附近的局部活动的影响。以安装在桥梁结构中的传感器为例，其振动不仅来自桥梁结构的自振，也很可能来自传感器附近的人类活动、重载车辆等的影响。简单地以传感器数据研究建筑结构状态，会产生相当大的偏差，甚至出现频繁的误检、漏检等状况。

掌握导致传感器数据出现变化的原因是获取可靠的传感器数据的重要环节。实现这个环节的途径之一就是将加速度传感器数据与其周围发生的事件形成准确的对应，以提供关于该数据的知识，进而为建筑健康监测提供可靠的信息。

2基于加速度传感器的事件检测框架

下面重点介绍基于安装在建筑环境内的加速度传感器、结合信号处理方法与机器学习方法进行事件检测的框架。

图1所示是基于加速度传感器进行建筑环境事件检测框架示意图。在该框架下，加速度传感器数据帧作为事件检测系统的输入，数据帧的检测结果作为系统输出；而事件检测的手段则先采用信号处理方法对原数据进行特征提取，再利用机器学习方法对不同特征所代表的事件进行学习和检测。

2.1信号处理与特征提取

信号处理方法的目的是提取传感器数据的特征，并对检测事件的信号进行区分。经典的信号处理算法有离散傅里叶变换与功率谱估计，多重信号分类和小波变换等。下面分析这三种信号处理方法的优缺点。

由离散傅里叶变换得到离散的能量谱密度，可以得到对有限长信号序列的能量随频率的分布。离散傅里叶变换反映了目标信号和不同频率正弦信号之间的相似程度（以一个复系数的形式），但当目标信号内存在间歇性的频率分量时，它却无法分辨出该分量的开始和结束位置，使得频率分量的时间信息无法反映在傅里叶变换域中，可能会导致对目标事件的检测准确性下降。

多重信号分类技术是一种具有许多优点的现代谱估计方法，其谱分辨率远高于以傅里叶分析为代表的传统谱估计方法，且抗噪声干扰性能也较好，但该方法假设目标信号是一个平稳正弦过程，这对于高度动态的加速度传感器信号并非总能适用。此外，多重信号分类方法复杂度较高，会影响到系统的实时性能。

小波变换是指用时域和频域均为快速衰减的，被称作“母小波”的振荡波形来表示原信号的变换操作。它适用于分析高度动态的加速度传感器信号，能够有效提取其中的慢变、低频成分和快速变化的、短时的高频分量。同时实现这种方法的复杂度较低。

因此，需要结合实际场景中上述三种方法在特征提取能力，特征监测，物理含义以及计算复杂度等方面的优劣来决定采用的信号处理手段。

2.2机器学习与事件检测

根据学习算法的不同，机器学习主要分为监督学习、无监督学习和半监督学习三类。

监督学习要求算法能从训练数据中推断出尽可能合理的函数，这在训练数据是有噪、不充分的情况下显得尤为重要。监督学习算法包括贝叶斯分析，决策树，回归分析等。其主要的难点在于如何获得充足的、高质量的训练数据，因为只有训练数据足够准确、数量足够多、特征区分足够明显，才能通过监督学习算法得到性能良好的分类器。

无监督学习是一类从无标记数据中推断隐藏的结构的算法。最典型的就是聚类操作，将集合中不同的对象分配到不同的组（称为一个聚类）中，使得同一个组内的对象比不同组的对象之间更为相似。探究传感器数据是否存在明显的聚集性,对于难以获取训练数据的事件进行异常检测具有很大价值。

半监督学习同时利用标记数据和无标记数据进行训练的机器学习算法。结合相对少量的标记数据和大量无标记数据,可以对学习算法的性能进行有效提升。

一般地，在建筑物健康监测应用场景中，机器学习方法的输入来自于经过特征提取的数据，属于一类标记数据，可以进行有监督学习。而无监督学习能检测出异常、小概率事件,可以扩展算法的适用范围。

3事件检测实现流程

在上述信号处理方法和机器学习分析的基础上，完整的事件检测流程如图2所示。

图2包括两个部分，图中上方是离线训练阶段，对应于信号特征提取和机器学习算法训练，主要采用Matlab和Weka平台实现，其输出为一个结构固定的分类器，包含了事件检测的判决方法；下方是在线检测阶段，对应于下文中的实时建筑健康监测系统，注重效率，采用C语言及相关工具进行实现,其输出为在线数据的检测结果。

4实时建筑健康监测系统

在基于安装在建筑环境内的加速度传感器、结合信号处理方法与机器学习方法进行事件检测的框架基础上，利用建筑物内布设的传感器（加速度传感器，应力传感器，温度传感器等），以及楼内的网络基础设施（有线/无线局域网），设计了一套如图3所示的实时建筑健康监测系统。

5结语

在利用传感器网络进行建筑健康监测的背景下，本文提出了一种建筑环境事件检测框架，能够从含有干扰和噪声的传感器数据中提取事件信息，提供关于建筑健康状态的知识。该框架输入数据来源于建筑环境内的加速度传感器，结合信号处理方法与机器学习方法，实时地输出数据检测的结果，能够应用于实时性要求很高的场景中，提供实时、准确的建筑健康信息服务。

20211121_619a494193aee__基于物联网的建筑健康监测方法研究