⚡ electrical engineering

Reducing Energy Consumption in Energy Harvesting WSNs via Indirect Measurements for Structural Health Monitoring

Dieses Papier schlägt eine energieeffiziente Messstrategie für das Structural Health Monitoring in Energy-Harvesting-basierten drahtlosen Sensornetzwerken vor, die indirekte Umgebungsparameter nutzt, um prädiktive Modelle zu aktualisieren, wodurch die Messfrequenz um bis zu 92,18 % und den Gesamtenergieverbrauch um bis zu 58 % reduziert wird, indem neue Messungen nur dann ausgelöst werden, wenn die Vorhersagefehler einen Schwellenwert überschreiten und ausreichend Energie verfügbar ist.

Ursprüngliche Autoren: Nursultan Daupayev, Paul Reber, Soeren Hirsch

Veröffentlicht 2026-06-25

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Nursultan Daupayev, Paul Reber, Soeren Hirsch

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der „immer präsente“ Wächter

Stellen Sie sich vor, Sie versuchen, eine sehr alte, empfindliche Holzbrücke zu überwachen, um sicherzustellen, dass sie nicht Risse bekommt oder sich verzieht. Sie stellen einen Sicherheitswachmann (einen Sensor) ein, der dort rund um die Uhr steht.

Bei der traditionellen Strukturüberwachung (Structural Health Monitoring – SHM) wird diesem Wachmann befohlen, die Brücke jede einzelne Sekunde zu überprüfen, egal was passiert. Er schreibt alle 15 Sekunden einen Bericht, selbst wenn die Brücke völlig stillsteht und sich nichts verändert hat.

Der Haken: Dieser Wachmann wird mit einer Batterie betrieben. Da er ständig prüft und Berichte schreibt, verbraucht er sehr schnell seine Energie. Wenn die Brücke in einem abgelegenen Wald steht, in dem man die Batterien nicht einfach austauschen kann, schläft der Wachmann irgendwann ein (die Batterie ist leer) und hört auf aufzupassen.

Die neue Idee: Der „schlaue“ Wachmann

Die Autoren dieser Arbeit schlagen einen klügeren Weg vor. Anstatt eines Wachmanns, der die Brücke ständig kontrolliert, schlagen sie einen prädiktiven (vorhersagenden) Wachmann vor, der „indirekte Hinweise“ nutzt.

Die Analogie: Der Wetterdetektiv
Stellen Sie sich vor, Sie möchten wissen, ob ein Stück Holz verbiegen wird. Sie müssen das Holz nicht jede Sekunde berühren, um zu sehen, ob es sich biegt. Stattdessen können Sie auf das Wetter (Temperatur und Luftfeuchtigkeit) schauen.

Wenn die Luft sehr feucht wird, wissen Sie, dass das Holz wahrscheinlich Wasser aufnimmt und sich eventuell ausdehnt.
Wenn die Luft heiß wird, wissen Sie, dass sich das Holz eventuell ausdehnen wird.

Das neue System funktioniert so:

Die Vorhersage: Der Sensor agiert wie ein Wetterdetektiv. Er betrachtet die Temperatur und die Luftfeuchtigkeit und sagt: „Basierend auf dem Wetter ist das Holz im Moment wahrscheinlich in Ordnung.“
Der Schlafmodus: Da der Sensor sich seiner Vorhersage sicher ist, geht er schlafen. Er hört auf, teure, energiehungrige Messungen durchzuführen.
Der Weckruf: Der Sensor wacht nur dann auf, um eine echte, direkte Messung vorzunehmen, wenn zwei Dinge passieren:
- Die Vorhersage ist falsch: Das Wetter ändert sich so stark, dass die Vermutung des Sensors nicht mehr genau ist (der „Fehler“ wird zu groß).
- Die Batterie ist voll: Der Sensor überprüft seinen „Kraftstofftank“ (die durch Energiegewinnung gewonnene Energie aus der Sonne) und wacht nur auf, wenn er genug Energie hat, um die Aufgabe zu bewältigen.

Wie sie es getestet haben

Die Forscher bauten eine kleine, versiegelte Kammer (eine Klimakammer), die als Miniaturwald fungiert. Darin platzierten sie einen Holzblock.

Sie erzeugten in dem Raum „Stürme“, indem sie Hitze und Luftfeuchtigkeit rapide veränderten.
Sie verglichen drei Arten von Wachmännern:
1. Der konstante Wachmann: Prüft alle 15 Sekunden (traditionelle Methode).
2. Der Schwellenwert-Wachmann: Prüft nur, wenn die Temperatur einen bestimmten Wert erreicht (ältere smarte Methode).
3. Der prädiktive Wachmann: Die oben beschriebene neue Methode.

Die Ergebnisse: Energie und Daten sparen

Die Ergebnisse waren beeindruckend, vergleichbar mit der Entdeckung, wie man ein Auto mit 58 % weniger Treibstoff fahren kann.

Energieeinsparung: Der neue „prädiktive Wachmann“ verbrauchte bis zu 58 % weniger Energie als der konstante Wachmann. In einigen Batterie-Aufbauten sparte er sogar noch mehr.
Datenreduktion: Der konstante Wachmann schrieb 2.786 Berichte auf. Der neue Wachmann schrieb nur etwa 218 Berichte auf. Das ist eine Reduktion der Daten um 92 %!
Genauigkeit: Obwohl der neue Wachmann die Brücke viel seltener kontrollierte, erfasste er dennoch alle wichtigen „Anomalien“ (die Zeiten, in denen das Holz begann, sich zu verziehen). Er hat die wichtigen Ereignisse nicht verpasst; er hat lediglich aufgehört, Energie an den langweiligen, ruhigen Momenten zu verschwenden.

Die Hardware: Eine solarbetriebene Uhr

Die Sensoren, die im Experiment verwendet wurden, waren winzig und wurden durch Energy Harvesting (Energiegewinnung aus der Umgebung) betrieben.

Stellen Sie sie sich wie Uhren vor, die keinen Batteriewechsel benötigen, weil sie ein winziges Solarpanel besitzen.
Sie speichern diese Sonnenenergie in einem „Superkondensator“ (einer sehr schnell ladenden Batterie) oder einer regulären Lithium-Batterie.
Das System ist intelligent genug, zwischen diesen Energiequellen zu wechseln, je nachdem, wie viel Sonnenlicht verfügbar ist.

Das Fazit

Diese Arbeit zeigt, dass wir für die Überwachung von Strukturen wie Brücken oder Gebäuden nicht jede Sekunde auf sie starren müssen. Indem wir indirekte Hinweise (wie Temperatur und Luftfeuchtigkeit) nutzen und vorhersagen, was eine Struktur tut, können wir die Sensoren die meiste Zeit schlafen lassen. Sie wachen nur auf, wenn etwas Interessantes passiert oder wenn sie über reichlich Solarenergie verfügen.

Dies ermöglicht es, Sensoren in entlegenen Gebieten, in denen man Batterien nicht leicht austauschen kann, viel länger zum Einsatz zu bringen, was die langfristige Überwachung unserer Infrastruktur wesentlich praktikabler macht.

Technisches Resümee: Reduzierung des Energieverbrauchs in Energy-Harvesting-basierten WSNs mittels indirekter Messungen für das Structural Health Monitoring

Problemstellung

Drahtlose Sensornetzwerke (WSNs), die für das Structural Health Monitoring (SHM) eingesetzt werden, stehen vor einem kritischen Kompromiss zwischen Datentreue und energetischer Nachhaltigkeit. Traditionelle SHM-Systeme verlassen sich auf kontinuierliche direkte Messungen struktureller Parameter (z. B. Dehnung und Spannung), was einen intensiven Energieaufwand und einen kontinuierlichen Betrieb erfordert. Dies ist besonders problematisch für Langzeiteinsätze an entlegenen oder schwer zugänglichen Standorten, an denen ein Batteriewechsel schwierig ist. Während Energy Harvesting (EH) eine Lösung zur Verlängerung der Lebensdauer von Sensoren bietet, begrenzt die Variabilität der Umweltenergiequellen die Zuverlässigkeit der kontinuierlichen Datenerfassung. Zudem führen bestehende adaptive Strategien oft zu einem zusätzlichen Rechenaufwand (z. B. komplexe Filter- oder Clustering-Algorithmen), der zusätzliche Energie verbraucht, oder sie verlassen sich auf einfache Schwellenwertverfahren, die kritische dynamische Ereignisse möglicherweise übersehen. Es besteht ein Bedarf an einer Messstrategie, die Datenerfassung, Zustandsprädiktion und Energieverfügbarkeit ausbalanciert, ohne übermäßige Rechenressourcen oder eine kontinuierliche direkte Sensorik zu erfordern.

Methodik

Die Autoren schlagen einen indirekten Messansatz vor, bei dem Umweltparameter (Temperatur und Luftfeuchtigkeit) als beobachtbare Indikatoren dienen, um den verborgenen dynamischen Zustand des überwachten Materials (speziell eines Holzblocks) zu schätzen. Das System arbeitet auf einem Energy-Harvesting-Knoten, der mit einem Zustandsraummodell ausgestattet ist, um den Zustand des Materials vorherzusagen.

Kernalgorithmus:

Zustandsschätzung: Das System verwendet ein Zustandsraummodell, um den verborgenen strukturellen Zustand ( $x_k$ ) basierend auf indirekten Umweltbeobachtungen ( $y_k$ ) zu schätzen.
Prädiktion und Fehlerberechnung: Nach jeder Messung aktualisiert der Sensor seine Zustandsschätzung und führt eine Ein-Schritt-Vorhersage durch. Der Prädiktionsfehler ( $e_k$ ) wird gegen einen vordefinierten Schwellenwert ( $e_{th}$ ) berechnet.
Energiebewusstes Triggering: Eine neue direkte Messung wird nur initiiert, wenn zwei Bedingungen gleichzeitig erfüllt sind:
- Der Prädiktionsfehler überschreitet einen vordefinierten Schwellenwert ( $|e_k| > e_{th}$ ) ODER die Spur der Prädiktionsfehlerkovarianz überschreitet einen Schwellenwert ( $P_k > P_{th}$ ).
- Genügend Energie im Speicherelement vorhanden ist ( $E_k > E_{min}$ ).
Energiemodell: Das System modellierte die Energiedynamik, wobei geerntete Energie ( $E_{h,k}$ ) gespeichert wird und Energie ( $E_s$ ) nur dann verbraucht wird, wenn ein Messereignis ausgelöst wurde ( $\delta_k = 1$ ). Ziel ist es, die Gesamtzahl der Messereignisse ( $\sum \delta_k$ ) zu minimieren, während die Schätzgenauigkeit innerhalb einer Grenze ( $\epsilon$ ) gehalten wird.

Experimenteller Aufbau:
Die Methode wurde in einer Klimakammer validiert, in der ein mit einem Dehnungsmessstreifen (Ground Truth) und Umweltsensoren (SHT31) bestückter Holzblock platziert war. Die Sensorknoten wurden durch ein AEM10941 Energy-Harvesting-Modul gespeist, das in der Lage ist, hybride Speicherung (Superkondensatoren und LiPo-Batterien) sowie Solareingänge zu verwalten. Die Studie verglich drei Strategien:

Periodische Messung (1tes Intervall).
Klassisches schwellenwertbasiertes Triggering.
Der vorgeschlagene energieunabhängige adaptive Algorithmus.

Diese Strategien wurden über vier Leistungskonfigurationen getestet: Hybrid, LiPo, LiPo + Solar und Superkondensator-only.

Kernergebnisse

Die experimentelle Auswertung über einen Zeitraum von 1 Stunde lieferte die folgenden quantitativen Ergebnisse:

Messreduktion: Die vorgeschlagene adaptive Strategie reduzierte die Anzahl der Messungen im Vergleich zur kontinuierlichen periodischen Abtastung um 92,18 %. Während eine periodische Strategie 2.786 Entscheidungsschritte generierte, löste die adaptive Methode nur 218 tatsächliche Messungen aus.
Energieverbrauch:
- Im Vergleich zur periodischen Baseline reduzierte der vorgeschlagene Algorithmus den Gesamtenergieverbrauch um bis zu 58,27 % (speziell in der Superkondensator-Konfiguration, ein Rückgang von ca. 30,63 mWh auf 12,94 mWh).
- Die rein schwellenwertbasierte Strategie reduzierte die Energie im Vergleich zur periodischen Baseline um etwa 14,7 %.
Datenvolumen: Der Ansatz senkte das Datenvolumen signifikant, indem er nur die kritischsten Ereignisse beibehielt (475 Ereignispunkte wurden auf 218 tatsächliche Messungen gefiltert) und dabei die Hauptdynamik der Deformationsantwort des Materials erfasste.
Leistungskonsistenz: Trotz erheblicher Variationen in den Stromversorgungskonfigurationen (z. B. Spannungsschwankungen bei Superkondensatoren gegenüber stabiler Spannung bei LiPo) behielt der vorgeschlagene Algorithmus eine stabile Sensorleistung bei und erfasste erfolgreich anomale Ereignisse, die mit strukturellen Deformationen korrespondieren.

Bedeutung und Ansprüche

Das Paper behauptet, dass die vorgeschlagene indirekte Messstrategie zeigt, dass eine langfristige Überwachung von Strukturen in entlegenen Gebieten ohne den mit kontinuierlicher direkter Sensorik verbundenen übermäßigen Energieverbrauch möglich ist. Durch die Nutzung von Umweltkorrelationen und energiebewusstem Triggering erreicht das System ein Gleichgewicht zwischen Schätzgenauigkeit und Energieeffizienz.

Die Autoren betonen, dass dieser Ansatz folgendes ermöglicht:

Reduzierte Sensoraktivität: Eine drastische Senkung der Häufigkeit von Messungen und Datenübertragungen, was die Betriebsdauer von Energy-Harvesting-Knoten verlängert.
Skalierbarkeit: Die Methode vermeidet komplexen Rechenaufwand (wie verteilte Kalman-Filter oder Wavelet-Transformationen), der für kompakte, ressourcenbeschränkte Sensorknoten prohibitiv sein könnte.
Zuverlässigkeit: Das System identifizierte strukturelle Anomalien (Deformationsspitzen) trotz einer massiven Reduktion der Abtastfrequenz erfolgreich.

Das Paper schließt bescheiden mit dem Hinweis, dass die Ergebnisse unter kontrollierten Laborbedingungen zwar vielversprechend sind, jedoch zukünftige Arbeiten erforderlich sind, um den Ansatz unter realen Langzeiteinsätzen im Feld zu validieren und die Rekonstruktion von Materialzuständen aus spärlichen Beobachtungen zu verfeinern.