Resumen Técnico: Reducción del Consumo de Energía en WSN con Recolección de Energía mediante Mediciones Indirectas para el Monitoreo de la Salud Estructural

Planteamiento del Problema

Las Redes de Sensores Inalámbricos (WSN, por sus siglas en inglés) desplegadas para el Monitoreo de la Salud Estructural (SHM) enfrentan un compromiso crítico entre la fidelidad de los datos y la sostenibilidad energética. Los sistemas tradicionales de SHM dependen de mediciones directas continuas de parámetros estructurales (por ejemplo, deformación y tensión), lo que demanda una energía intensiva y una operación continua. Esto es particularmente problemático para despliegues a largo plazo en ubicaciones remotas o de difícil acceso donde el reemplazo de baterías es difícil. Si bien la Recolección de Energía (EH) ofrece una solución para extender la vida útil de los sensores, la variabilidad de las fuentes de energía ambiental limita la confiabilidad de la recolección continua de datos. Además, las estrategias adaptativas existentes suelen introducir una sobrecarga computacional (por ejemplo, algoritmos complejos de filtrado o agrupamiento) que consume energía adicional, o dependen de un umbral simple que puede omitir eventos dinámicos críticos. Existe la necesidad de una estrategia de medición que equilibre la recolección de datos, la predicción de estado y la disponibilidad de energía sin requerir recursos computacionales excesivos o un sensado directo continuo.

Metodología

Los autores proponen un enfoque de medición indirecta donde los parámetros ambientales (temperatura y humedad) sirven como indicadores observables para estimar el estado dinámico oculto del material monitoreado (específicamente un bloque de madera). El sistema opera en un nodo de recolección de energía equipado con un modelo de espacio de estados para predecir la condición del material.

Algoritmo Central:

1. Estimación de Estado: El sistema utiliza un modelo de espacio de estados para estimar el estado estructural oculto ($x_k$) basado en observaciones ambientales indirectas ($y_k$).
2. Predicción y Cálculo de Error: Después de cada medición, el sensor actualiza su estimación de estado y realiza una predicción de un paso adelante. El error de predicción ($e_k$) se calcula contra un umbral predefinido ($e_{th}$).
3. Disparo Consciente de la Energía: Se inicia una nueva medición directa solo cuando se cumplen simultáneamente dos condiciones:
   • El error de predicción excede un umbral predefinido ($|e_k| > e_{th}$) O la traza de la covarianza del error de predicción excede un umbral ($P_k > P_{th}$).
   • Existe suficiente energía disponible en el elemento de almacenamiento ($E_k > E_{min}$).
4. Modelo de Energía: El sistema modela la dinámica de la energía donde la energía recolectada ($E_{h,k}$) se almacena, y la energía se consume ($E_s$) solo cuando se activa un disparo de medición ($\delta_k = 1$). El objetivo es minimizar el número total de eventos de medición ($\sum \delta_k$) manteniendo la precisión de la estimación dentro de un límite ($\epsilon$).

Configuración Experimental:
El método fue validado en una cámara climática controlada utilizando un bloque de madera instrumentado con un extensómetro (verdad de terreno o ground truth) y sensores ambientales (SHT31). Los nodos de sensores fueron alimentados por un módulo de recolección de energía AEM10941 capaz de gestionar un almacenamiento híbrido (supercapacitores y baterías de LiPo) y entrada solar. El estudio comparó tres estrategias:

1. Medición periódica (intervalo de 15 segundos).
2. Disparo basado en umbrales clásicos.
3. El algoritmo adaptativo propuesto, independiente de la energía.

Estas estrategias fueron probadas a través de cuatro configuraciones de potencia: Híbrida, LiPo, LiPo + Solar y Solo Supercapacitor.

Resultados Clave

La evaluación experimental durante un período de 1 hora arrojó los siguientes resultados cuantitativos:

• Reducción de Mediciones: La estrategia adaptativa propuesta redujo el número de mediciones en un 92.18% en comparación con el muestreo periódico continuo. Mientras que una estrategia periódica generó 2,786 pasos de decisión, el método adaptativo activó solo 218 mediciones reales.
• Consumo de Energía:
  • Comparado con la línea base periódica, el algoritmo propuesto redujo el consumo total de energía hasta en un 58.27% (específicamente en la configuración de supercapacitor, bajando de ~30.63 mWh a 12.94 mWh).
  • La estrategia basada únicamente en umbrales redujo la energía aproximadamente un 14.7% en comparación con la línea base periódica.
• Volumen de Datos: El enfoque redujo significativamente el volumen de datos, reteniendo solo los eventos más críticos (475 puntos de eventos filtrados a 218 mediciones reales) mientras capturaba la dinámica principal de la respuesta de deformación del material.
• Consistencia del Desempeño: A pesar de las variaciones significativas en las configuraciones de suministro de potencia (por ejemplo, fluctuaciones de voltaje en supercapacitores frente a un voltaje estable en LiPo), el algoritmo propuesto mantuvo un desempeño de sensado estable y capturó con éxito eventos anómalos correspondientes a deformaciones estructurales.

Significancia y Reivindicaciones

El artículo afirma que la estrategia de medición indirecta propuesta demuestra que el monitoreo a largo plazo de estructuras en áreas remotas es factible sin el consumo excesivo de energía asociado con el sensado directo continuo. Al aprovechar las correlaciones ambientales y el disparo consciente de la energía, el sistema logra un equilibrio entre la precisión de la estimación y la eficiencia energética.

Los autores enfatizan que este enfoque permite:

1. Reducción de la Actividad del Sensor: Disminuyendo drásticamente la frecuencia de las mediciones y la transmisión de datos, lo que extiende la vida operativa de los nodos de recolección de energía.
2. Escalabilidad: El método evita la sobrecarga computacional compleja (como filtros de Kalman distribuidos o transformadas de wavelet) que podría ser prohibitiva para nodos de sensores compactos y con recursos limitados.
3. Confiabilidad: El sistema identificó con éxito anomalías estructurales (picos de deformación) a pesar de una reducción masiva en la frecuencia de muestreo.

El artículo concluye modestamente, señalando que si bien los resultados son prometedores bajo condiciones controladas de laboratorio, se requiere trabajo futuro para validar el enfoque en escenarios de despliegue real a largo plazo y para refinar la reconstrucción de los estados del material a partir de observaciones dispersas.