Sintesi Tecnica: Riduzione del Consumo Energetico nelle WSN con Energy Harvesting tramite Misurazioni Indirette per il Monitoraggio della Salute Strutturale

Definizione del Problema

Le reti di sensori wireless (WSN) impiegate per il monitoraggio della salute strutturale (SHM) affrontano un critico compromesso tra fedeltà dei dati e sostenibilità energetica. I sistemi SHM tradizionali si affidano a misurazioni dirette continue di parametri strutturali (ad esempio, deformazione e tensione), che richiedono un consumo energetico intensivo e un funzionamento continuo. Questo è particolarmente problematico per le installazioni a lungo termine in località remote o difficili da raggiungere, dove la sostitazione delle batterie è complicata. Sebbene l'Energy Harvesting (EH) offra una soluzione per estendere la durata dei sensori, la variabilità delle fonti di energia ambientale limita l'affidabilità della raccolta dati continua. Inoltre, le strategie adattive esistenti spesso introducono un overhead computazionale (ad esempio, complessi algoritmi di filtraggio o clustering) che consuma energia aggiuntiva, oppure si affidano a un semplice superamento di soglia che può mancare eventi dinamici critici. È necessaria una strategia di misurazione che bilanci la raccolta dati, la predizione dello stato e la disponibilità energetica senza richiedere risorse computazionali eccessive o un rilevamento diretto continuo.

Metodologia

Gli autori propongono un approccio di misurazione indiretta in cui i parametri ambientali (temperatura e umidità) fungono da indicatori osservabili per stimare lo stato dinamico nascosto del materiale monitorato (specificamente un blocco di legno). Il sistema opera su un nodo dotato di energy harvesting dotato di un modello a spazio di stato per predire le condizioni del materiale.

Algoritmo Core:

1. Stima dello Stato: Il sistema utilizza un modello a spazio di stato per stimare lo stato strutturale nascosto ($x_k$) basandosi su osservazioni ambientali indirette ($y_k$).
2. Predizione e Calcolo dell'Errore: Dopo ogni misurazione, il sensore aggiorna la stima dello stato e esegue una predizione a un passo in avanti. L'errore di predizione ($e_k$) viene calcolato rispetto a una soglia predefinita ($e_{th}$).
3. Triggering Sensibile all'Energia: Una nuova misurazione diretta viene avviata solo quando due condizioni sono soddisfatte simultaneamente:
   • L'errore di predizione supera una soglia predefinita ($|e_k| > e_{th}$) OPPURE la traccia della covarianza dell'errore di predizione supera una soglia ($P_k > P_{th}$).
   • È disponibile energia sufficiente nell'elemento di accumulo ($E_k > E_{min}$).
4. Modello Energetico: Il sistema modella la dinamica dell'energia dove l'energia raccolta ($E_{h,k}$) viene immagazzinata, ed energia viene consumata ($E_s$) solo quando viene attivato un trigger ($\delta_k = 1$). L'obiettivo è minimizzare il numero totale di eventi di misurazione ($\sum \delta_k$) mantenendo l'accuratezza della stima entro un limite ($\epsilon$).

Configurazione Sperimentale:
Il metodo è stato validato in una camera climatica controllata utilizzando un blocco di legno strumentato con una cella di carico (ground truth) e sensori ambientali (SHT31). I nodi sensore erano alimentati da un modulo di energy harvesting AEM10941 capace di gestire l'accumulo ibrido (supercondensatori e batterie LiPo) e l'input solare. Lo studio ha confrontato tre strategie:

1. Misurazione periodica (intervallo di 15 secondi).
2. Triggering classico basato su soglia.
3. L'algoritmo adattivo proposto indipendente dall'energia.

Queste strategie sono state testate attraverso quattro configurazioni di potenza: Hybrid, LiPo, LiPo + Solar e Supercapacitor-only.

Risultati Chiave

La valutazione sperimentale condotta in un periodo di 1 ora ha prodotto i seguenti risultati quantitativi:

• Riduzione delle Misurazioni: La strategia adattiva proposta ha ridotto il numero di misurazioni del 92,18% rispetto al campionamento periodico continuo. Mentre una strategia periodica ha generato 2.786 passi decisionali, il metodo adattivo ha attivato solo 218 misurazioni effettive.
• Consumo Energetico:
  • Rispetto alla baseline periodica, l'algoritmo proposto ha ridotto il consumo energetico totale fino al 58,27% (specificamente nella configurazione a supercondensatore, scendendo da circa 30,63 mWh a 12,94 mWh).
  • La sola strategia basata sulla soglia ha ridotto l'energia di circa il 14,7% rispetto alla baseline periodica.
• Volume dei Dati: L'approccio ha ridotto significativamente il volume dei dati, trattenendo solo gli eventi più critici (475 punti evento filtrati in 218 misurazioni effettive) pur catturando le principali dinamiche della risposta di deformazione del materiale.
• Consistenza delle Prestazioni: Nonostante le variazioni significative nelle configurazioni di alimentazione (ad esempio, fluttuazioni di tensione nei supercondensatori rispetto alla tensione stabile nelle LiPo), l'algoritismo proposto ha mantenuto prestazioni di rilevamento stabili e ha catturato con successo eventi anomali corrispondenti a deformazioni strutturali.

Significato e Rivendicazioni

Il documento sostiene che la strategia di misurazione indiretta proposta dimostra che il monitoraggio a lungo termine delle strutture in aree remote è fattibile senza l'eccessivo consumo di potenza associato al rilevamento diretto continuo. Sfruttando le correlazioni ambientali e il triggering consapevole dell'energia, il sistema raggiunge un equilibrio tra accuratezza della stima ed efficienza energetica.

Gli autori sottolineano che questo approccio consente:

1. Riduzione dell'Attività del Sensore: Abbassando drasticamente la frequenza delle misurazioni e della trasmissione dei dati, si estende la durata operativa dei nodi con energy harvesting.
2. Scalabilità: Il metodo evita l'overhead computazionale complesso (come i filtri di Kalman distribuiti o le trasformate wavelet) che potrebbe essere proibitivo per nodi sensore compatti e con risorse limitate.
3. Affidabilità: Il sistema ha identificato con successo anomalie strutturali (picchi di deformazione) nonostante una massiccia riduzione della frequenza di campionamento.

Il documento conclude con moderazione, osservando che, sebbene i risultati siano promettenti in condizioni controllate di laboratorio, sono necessari ulteriori lavori per validare l'approccio in scenari di implementazione reali a lungo termine e per perfezionare la ricostruzione degli stati del materiale da osservazioni sparse.