基于物聯網的建筑健康監測方法研究

摘 要：將物聯網技術應用在建筑健康監測中，對于掌握建筑工作狀態、及時發現結構損傷、評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境內的加速度傳感器、結合信號處理方法與機器學習方法進行事件檢測的框架，并設計了較完整的事件檢測流程，以應用于建筑健康實時監測系統中。

關鍵詞：物聯網；建筑健康監測；加速度傳感器；事件監測

中圖分類號：TP277 文獻標識碼：A文章編號：2095-1302(2014)06-0086-02

0引言

利用物聯網技術對物理世界進行動態、精細的感知，能夠為工業生產等提供重要信息，成為近年來的研究熱點。將物聯網技術應用在建筑健康監測中，對于掌握建筑工作狀態、及時發現結構損傷、評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數據，從而獲取建筑健康狀態信息。而傳感器數據受到建筑環境內干擾事件的影響，直接從中分析建筑健康狀態容易導致誤判的發生。因此，如何從傳感器數據中獲取建筑健康關鍵信息是利用物聯網進行建筑健康監測的重要挑戰。

本文提出了一種建筑環境事件檢測的方法，能夠從含有干擾和噪聲的傳感器數據中提取事件信息，提供關于建筑健康狀態的知識。

1基于物聯網的建筑健康監測研究現狀

在建筑健康監測方法中，基于建筑結構振動狀況的間接建筑健康監測方法能較好地與新興的傳感和通信技術相結合，得到了極大的關注。其基本思想是建筑結構的振動參數與建筑結構的物理狀況相關，故通過觀測建筑結構振動頻率，就能對建筑結構狀況進行評估，從而實現建筑健康監測。

對建筑結構振動狀況的監測通過加速度傳感器網絡進行。該方面最早的完整系統是80年代安裝在英國Foyle大橋上的橋梁結構監測系統。隨著無線傳感器網絡的迅速發展，利用無線傳感器網絡取代傳統有線組網方式的工作開始出現。加州大學伯克利分校的研究人員在舊金山金門大橋上布置了64個連接加速度傳感器的無線節點來收集大橋的振動數據，并進行了初步的頻域分析，得到了大橋常規工作下的幾個振動頻率值，這是利用物聯網技術對建筑狀況進行監測的代表性工作。

盡管有大量工作利用有線或無線傳感器網絡實現了對建筑結構振動數據的獲取，但這些數據本身并不足以滿足建筑健康監測的需求。這是因為其采集的數據不僅受到建筑結構狀態的影響，還很容易受到傳感器附近的局部活動的影響。以安裝在橋梁結構中的傳感器為例，其振動不僅來自橋梁結構的自振，也很可能來自傳感器附近的人類活動、重載車輛等的影響。簡單地以傳感器數據研究建筑結構狀態，會產生相當大的偏差，甚至出現頻繁的誤檢、漏檢等狀況。

掌握導致傳感器數據出現變化的原因是獲取可靠的傳感器數據的重要環節。實現這個環節的途徑之一就是將加速度傳感器數據與其周圍發生的事件形成準確的對應，以提供關于該數據的知識，進而為建筑健康監測提供可靠的信息。

2基于加速度傳感器的事件檢測框架

下面重點介紹基于安裝在建筑環境內的加速度傳感器、結合信號處理方法與機器學習方法進行事件檢測的框架。

圖1所示是基于加速度傳感器進行建筑環境事件檢測框架示意圖。在該框架下，加速度傳感器數據幀作為事件檢測系統的輸入，數據幀的檢測結果作為系統輸出；而事件檢測的手段則先采用信號處理方法對原數據進行特征提取，再利用機器學習方法對不同特征所代表的事件進行學習和檢測。

圖1基于加速度傳感器進行建筑環境事件檢測框架示意圖

2.1信號處理與特征提取

信號處理方法的目的是提取傳感器數據的特征，并對檢測事件的信號進行區分。經典的信號處理算法有離散傅里葉變換與功率譜估計，多重信號分類和小波變換等。下面分析這三種信號處理方法的優缺點。

由離散傅里葉變換得到離散的能量譜密度，可以得到對有限長信號序列的能量隨頻率的分布。離散傅里葉變換反映了目標信號和不同頻率正弦信號之間的相似程度（以一個復系數的形式），但當目標信號內存在間歇性的頻率分量時，它卻無法分辨出該分量的開始和結束位置，使得頻率分量的時間信息無法反映在傅里葉變換域中，可能會導致對目標事件的檢測準確性下降。

多重信號分類技術是一種具有許多優點的現代譜估計方法，其譜分辨率遠高于以傅里葉分析為代表的傳統譜估計方法，且抗噪聲干擾性能也較好，但該方法假設目標信號是一個平穩正弦過程，這對于高度動態的加速度傳感器信號并非總能適用。此外，多重信號分類方法復雜度較高，會影響到系統的實時性能。

小波變換是指用時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的變換操作。它適用于分析高度動態的加速度傳感器信號，能夠有效提取其中的慢變、低頻成分和快速變化的、短時的高頻分量。同時實現這種方法的復雜度較低。

因此，需要結合實際場景中上述三種方法在特征提取能力，特征監測，物理含義以及計算復雜度等方面的優劣來決定采用的信號處理手段。

2.2機器學習與事件檢測

根據學習算法的不同，機器學習主要分為監督學習、無監督學習和半監督學習三類。

監督學習要求算法能從訓練數據中推斷出盡可能合理的函數，這在訓練數據是有噪、不充分的情況下顯得尤為重要。監督學習算法包括貝葉斯分析，決策樹，回歸分析等。其主要的難點在于如何獲得充足的、高質量的訓練數據，因為只有訓練數據足夠準確、數量足夠多、特征區分足夠明顯，才能通過監督學習算法得到性能良好的分類器。

無監督學習是一類從無標記數據中推斷隱藏的結構的算法。最典型的就是聚類操作，將集合中不同的對象分配到不同的組（稱為一個聚類）中，使得同一個組內的對象比不同組的對象之間更為相似。探究傳感器數據是否存在明顯的聚集性，對于難以獲取訓練數據的事件進行異常檢測具有很大價值。

半監督學習同時利用標記數據和無標記數據進行訓練的機器學習算法。結合相對少量的標記數據和大量無標記數據，可以對學習算法的性能進行有效提升。

一般地，在建筑物健康監測應用場景中，機器學習方法的輸入來自于經過特征提取的數據，屬于一類標記數據，可以進行有監督學習。而無監督學習能檢測出異常、小概率事件，可以擴展算法的適用范圍。

3事件檢測實現流程

在上述信號處理方法和機器學習分析的基礎上，完整的事件檢測流程如圖2所示。

圖2完整的事件檢測算法流程圖

圖2包括兩個部分，圖中上方是離線訓練階段，對應于信號特征提取和機器學習算法訓練，主要采用Matlab和Weka平臺實現，其輸出為一個結構固定的分類器，包含了事件檢測的判決方法；下方是在線檢測階段，對應于下文中的實時建筑健康監測系統，注重效率，采用C語言及相關工具進行實現，其輸出為在線數據的檢測結果。

4實時建筑健康監測系統

在基于安裝在建筑環境內的加速度傳感器、結合信號處理方法與機器學習方法進行事件檢測的框架基礎上，利用建筑物內布設的傳感器（加速度傳感器，應力傳感器，溫度傳感器等），以及樓內的網絡基礎設施（有線/無線局域網），設計了一套如圖3所示的實時建筑健康監測系統。

圖3實時建筑健康監測系統示意圖

5結語

在利用傳感器網絡進行建筑健康監測的背景下，本文提出了一種建筑環境事件檢測框架，能夠從含有干擾和噪聲的傳感器數據中提取事件信息，提供關于建筑健康狀態的知識。該框架輸入數據來源于建筑環境內的加速度傳感器，結合信號處理方法與機器學習方法，實時地輸出數據檢測的結果，能夠應用于實時性要求很高的場景中，提供實時、準確的建筑健康信息服務。

參 考 文 獻

[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.基于加速度信號幾何特征的動作識別[J].上海交通大學學報，2008，42（2）：219-222.

[5]汪世義，陶亮，王華彬，等.幾種機器學習方法在IDS中的性能比較[J].計算機仿真，2010，27（8）：92-94.

作者簡介：劉天龍（1988—），男，河南人，碩士研究生。研究方向為物聯網，實時數據庫。