Near-Sensor Damage Localization in Multi-Story Buildings with Level-Crossing Spike Encoding and a Compact Spiking Neural Network

Technische Samenvatting: Nabij-sensor Schade Lokalisatie in Meerverdiepingsgebouwen met Level-Crossing Spike Encoding en een Compact Spiking Neuraal Netwerk

Probleemstelling
Draadloze, op batterijen werkende versnellingsmeter-nodes zijn de standaard voor trillingsgebaseerde Structurele Gezondheidsmonitoring (SHM). De operationele levensduur van deze nodes wordt echter beperkt door de energiekosten van continue analoge-naar-digitale conversie (ADC), on-node inferentie en radiotransmissie. Traditionele datagestuurde methoden, zoals 1D Convolutionele Neurale Netwerken (1D-CNN's), voeren vaste, dichte berekeningen uit ongeacht of de structuur actief of rustig is, waardoor het energieverbruik gekoppeld is aan de wandkloktijd in plaats van aan de informatie-inhoud. De uitdaging bestaat in het lokaliseren van stijfheid-degraderende schade in gebouwen met meerdere verdiepingen met behulp van een event-gestuurde aanpak, waarbij de rekenkosten en datavolume schalen met de signaalactiviteit, waardoor de batterijduur wordt verlengd zonder de lokalisatienauwkeurigheid op te offeren.

Methodologie
De auteurs stellen een nabij-sensor pijplijn voor bestaande uit drie stadia: een modale filterbank, een level-crossing encoder en een compact Spiking Neuraal Netwerk (SNN).

1. Structureel Model en Datageneratie: De studie simuleert een vijfverdiepings scheef gebouw onder ambient excitatie (0,5–20 Hz). Schade wordt gemodelleerd als een gelokaliseerde fractionele reductie (15–40%) van de stijfheid tussen de verdiepingen. De classificatietaak omvat zes klassen: één gezonde staat en vijf beschadigde staten (één per verdieping).
2. Sensor Front-End:
   • Modale Filterbank: Het versnellingssignaal van elke verdieping gaat door een bank van vier causale vierde-orde banddoorlaatfilters (0,8–14 Hz). Dit scheidt het signaal in subbanden om modale inhoud en mode-vorm informatie bloot te leggen, wat fungeert als een analoge pre-processing fase.
   • Level-Crossing Encoding: Elke gefilterde subband wordt gedigitaliseerd door een level-crossing (temporele contrast) encoder. Een event (ON of OFF spike) wordt uitgezonden wanneer het signaal afwijkt van een lopende referentie met een vaste drempelwaarde $\theta$. Dit genereert een ijle binaire spike-tensor waarbij de drempelwaarde $\theta$ dient als één enkele controleknop voor de afweging tussen nauwkeurigheid, rekenkosten en databedrag.
3. Classifier: Een compact, feed-forward SNN verwerkt de spike-stroom. Het bestaat uit een inputlaag die projecteert naar 64 Leaky Integrate-and-Fire (LIF) neuronen, die projecteren naar een 6-unit leaky-integrator readout. Het netwerk wordt getraind met backpropagation through time met een surrogate gradiënt om de niet-differentieerbare spike-functie te hanteren.
4. Energie-accounting: Energie-inschattingen zijn gebaseerd op operatietellingen (MACs voor CNN's, synaptische operaties voor SNN's) bij 45 nm CMOS technologie. De studie sluit expliciet de energie van de analoge filterbank, sensing, geheugenverplaatsing en radiotransmissie uit, en focust uitsluitend op de vergelijkbare rekenenergie van de inferentie-algoritmen.

Belangrijkste Bijdragen

1. Event-Gestuurde Pijplijn: Het artikel introduceert een specifieke architectuur waarbij een modale filterbank voorafgaat aan de level-crossing encoding en een klein SNN. Het toont aan dat een enkele drempelparameter ($\theta$) gezamenlijk de nauwkeurigheid, de rekenkosten en het databedrag regelt.
2. Nauwkeurigheid-Energie Karakterisering: De auteurs brengen systematisch de prestaties van de SNN in kaart tegenover een dichte 1D-CNN baseline en klassieke modale-feature classifiers (SVM en Random Forest). Ze traceren een Pareto-front die laat zien dat het energieverbruik met een orde van grootte kan variëren terwijl een concurrerende nauwkeurigheid behouden blijft.
3. Ablatie-analyse: De studie isoleert de kritieke componenten van de pijplijn en bewijst dat de modale filterbank de essentiële enabler is voor prestaties, terwijl recurrente verbindingen onnodig en energetisch kostbaar zijn voor deze specifieke taak.
4. Mechanistische Interpreteerbaarheid: De auteurs koppelen de geleerde spike-activiteit aan structurele mechanica, waarbij ze laten zien dat schade zorgt voor ruimtelijk gestructureerde veranderingen in de per-verdieping spike-activiteit die de classifier gebruikt, in plaats van te vertrouwen op opake black-box patronen.

Resultaten

• Nauwkeurigheid: Bij een zes-klasse lokalisatietaak bereikte de voorgestelde feed-forward SNN een testnauwkeurigheid van 87,2% bij een werkingsdrempel ($\theta=0,6$). Dit ligt binnen 2 procentpunten van de dichte 1D-CNN baseline (89,2%).
• Energie-efficiëntie: Bij het werkingspunt vereiste de SNN een geschatte 49,1 nJ per inferentie (FP32 equivalent), vergeleken met 317,5 nJ voor de 1D-CNN, wat een 6,5× reductie in geschatte rekenenergie vertegenwoordigt.
• Pareto-front: Door $\theta$ te variëren, bereikte de SNN een reeks werkingspunten. Bij $\theta=0,8$ bleef de nauwkeurigheid op 86,0% terwijl de energie daalde naar 35,5 nJ (8,9× reductie). Bij $\theta=1,8$ daalde de energie naar 9,5 nJ, hoewel de nauwkeurigheid viel naar 66,7%.
• Datareductie: De level-crossing front-end verminderde het datavolume dat de sensor verliet met tot wel 13,7× in bits vergeleken met dichte Nyquist-sampling, afhankelijk van de drempelwaarde.
• Baselines: Een getunede klassieke SVM op modale features behaalde de hoogste nauwkeurigheid (94,3%), terwijl een Random Forest 86,3% behaalde. Een INT8 gekwantiseerde CNN behaalde 89,2% nauwkeurigheid bij 13,8 nJ.
• Ablaties: Het verwijderen van de filterbank zorgde ervoor dat de nauwkeurigheid instortte van 87,2% naar 59,7%. Het toevoegen van recurrentie aan de SNN verhoogde de energie met 3,4× zonder de nauwkeurigheid te verbeteren (dalend naar 83,8%). Een dichte CNN toegepast op dezelfde filterbank-features bereikte 93,5% nauwkeurigheid maar tegen 18,6× de energie van de voorgestelde SNN.
• Robuustheid: De SNN behield een nauwkeurigheid van 79–87% over signaal-ruisverhoudingen van 15–40 dB. Lokalisatie was het moeilijkst voor beginnende schade (15–20% stijfheidsverlies) maar bereikte bijna 100% voor ernstige schade (35–40% verlies).

Betekenis en Claims
Het artikel formuleert de bijdrage expliciet niet als een doorbraak in ruwe nauwkeurigheid, maar als een demonstratie van event-gestuurde, lage-dataraat sensing met concurrerende nauwkeurigheid.

• Waardepropositie: De primaire waarde van de pijplijn is de activiteit-proportionele werking. In tegenstelling tot dichte pijlijnen die continu energie verbruiken, verbruikt deze aanpak alleen energie wanneer structurele beweging events genereert. Dit is cruciaal voor altijd-aan sensoren waar de structuur vaak rustig is.
• Bescheidenheid van Claims: De auteurs stellen duidelijk dat de voorgestelde SNN de nauwkeurigheid van een getunede klassieke SVM (94,3%) of een dichte 1D-CNN (89,2%) niet overtreft. Het voordeel ligt in de sensing-modaliteit (ijle event-stromen) en de resulterende reductie in datatransmissie en rekenlast.
• Scope: De studie is een gecontroleerde simulatie op een vijfverdiepings scheef frame. De auteurs beweren niet dat dit direct in het veld inzetbaar is, en merken op dat validatie op experimentele benchmarks (bijv. IASC-ASCE, Z24 brug) en volledige veldgegevens met omgevingsvariabiliteit een noodzakelijke volgende stap blijven.
• Toekomstig Werk: Het artikel suggereert dat de enkele-knop afweging ($\theta$) adaptieve monitoringsstrategieën mogelijk maakt waarbij nodes dynamisch drempelwaarden kunnen aanpassen om een balans te vinden tussen energie en resolutie op basis van real-time condities.