Recent advances both in hardware and software have facilitated the embedded intelligence (EI) research field, and enabled machine learning and decision making integration in resource-scarce IoT devices and systems, realizing “conscious” and self-explanatory objects (smart objects). In the context of the broad use of WSNs in advanced IoT applications, this is the first work to provide an extreme-edge system, to address Structural Health Monitoring (SHM) on Polymethyl Methacrylate (PPMA) thin-plate. To the best of our knowledge, state-of-the-art solutions primarily utilize the triangulation method based on the time of arrival feature to estimate the location of the impact, while in the last decade machine learning data analysis is performed, by more expensive and resources abundant equipment than a general/development purpose IoT device, both for the collection and the inference stages of the monitoring system. Different, to the existing systems we propose a methodology and a system, implemented by low-cost device, to perform online and on device impact localization service in an agnostic perspective, regarding the material and the sensors’ location (as none of those attributes are used). Thus, a design of experiments and the corresponding methodology to build an experimental time-series dataset for impact detection and localization is proposed, using ceramic piezoelectric transducers (PZTs). The system is excited with a steel ball, varying the height from which it is released. Based on TinyML technology for embedding intelligence in low-power devices, we implement and validate Random Forest and Shallow Neural Network models to localize in real time (less than 400µs latency) any occurring impacts on the structure, achieving higher than 90% accuracy.
Οι πρόσφατες εξελίξεις τόσο στο υλικό όσο και στο λογισμικό έχουν διευκολύνει το ερευνητικό πεδίο της ενσωματωμένης νοημοσύνης και έχουν επιτρέψει τη χρήση της μηχανικής μάθησης σε συσκευές και συστήματα IoT περιορισμένων πόρων, υλοποιώντας «συνειδητά» και αυτοεξηγούμενα αντικείμενα (έξυπνα αντικείμενα). Στο πλαίσιο της ευρείας χρήσης των ασύρματων δικτύων αισθητήρων σε προηγμένες εφαρμογές IoT, αυτή είναι η πρώτη εργασία που παρέχει ένα σύστημα στο edge, για την παρακολούθηση της υγείας μίας κατασκευής (SHM) από πολυμεθυλομεθακρυλικό (PPMA). Σύμφωνα με την μέχρι τώρα βιβλιογραφία, οι σύγχρονες λύσεις χρησιμοποιούν κυρίως τη μέθοδο τριγωνισμού με βάση το χρόνο άφιξης του κύματος στον αισθητήρα για την εκτίμηση της θέσης της πρόσκρουσης, ενώ την τελευταία δεκαετία πραγματοποιείται ανάλυση δεδομένων μηχανικής μάθησης, από πιο ακριβό και άφθονο σε πόρους εξοπλισμό από μια συσκευή IoT γενικού/αναπτυξιακού σκοπού, τόσο για τα στάδια συλλογής δεδομένων όσο και για τα στάδια εξαγωγής συμπερασμάτων. Σε αντίθεση με τα υπάρχοντα συστήματα, προτείνεται μια μεθοδολογία και ένα σύστημα, που υλοποιείται από συσκευή χαμηλού κόστους, για την εκτέλεση του εντοπισμού των κρούσεων επί της συσκευής με μια αγνωστικιστική προοπτική, όσον αφορά το υλικό και τη θέση των αισθητήρων (καθώς δεν χρησιμοποιείται κανένα από αυτά τα χαρακτηριστικά). ΄Ετσι, προτείνεται ένας σχεδιασμός πειραμάτων και η αντίστοιχη μεθοδολογία για τη δημιουργία ενός πειραματικού συνόλου δεδομένων χρονοσειρών για την ανίχνευση και τον εντοπισμό κρούσεων, με τη χρήση κεραμικών πιεζοηλεκτρικών αισθητήρων. Το σύστημα διεγείρεται με μια χαλύβδινη σφαίρα, μεταβάλλοντας το ύψος από το οποίο απελευθερώνεται. Χρησιμοποιώντας τη τεχνολογία TinyML για την ενσωμάτωση νοημοσύνης σε συσκευές χαμηλής κατανάλωσης ενέργειας, υλοποιούνται και επικυρώνονται μοντέλα Random Forest και Shallow Neural Network για τον εντοπισμό της τοποθεσίας σε πραγματικό χρόνο (λιγότερο από 400µs) οποιωνδήποτε κρούσεων που συμβαίνουν στη δομή, επιτυγχάνοντας ακρίβεια μεγαλύτερη από 90%.
Πανεπιστήμιο Πατρών
