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

Resumo Técnico: Localização de Danos Próximos ao Sensor em Edifícios de Múltiplos Andares com Codificação de Espículas por Cruzamento de Nível e uma Rede Neural de Espículas Compacta

Definição do Problema
Nós de acelerômetros sem fio e alimentados por bateria são o padrão para o Monitoramento da Integridade Estrutural (SHM) baseado em vibração. No entanto, sua vida útil operacional é limitada pelos custos energéticos da conversão analógico-digital (ADC) contínua, inferência no próprio nó e transmissão via rádio. Métodos tradicionais baseados em dados, como Redes Neurais Convolucionais 1D (1D-CNNs), realizam computações densas e fixas independentemente de a estrutura estar ativa ou quiescente, vinculando o consumo de energia ao tempo de relógio em vez do conteúdo da informação. O desafio é localizar danos de degradação de rigidez em edifícios de múltiplos andares usando uma abordagem orientada a eventos, onde o custo computacional e o volume de dados escalam com a atividade do sinal, aumentando assim a vida útil da bateria sem sacrificar a precisão da localização.

Metodologia
Os autores propõem um pipeline próximo ao sensor consistindo em três estágios: um banco de filtros modais, um codificador de cruzamento de nível e uma Rede Neural de Espículas (SNN) compacta.

1. Modelo Estrutural e Geração de Dados: O estudo simula um edifício de cisalhamento de cinco andares sob excitação ambiente (0,5–20 Hz). O dano é modelado como uma redução fracionária localizada (15–40%) da rigidez entre andares. A tarefa de classificação envolve seis classes: um estado saudável e cinco estados danificados (um por andar).
2. Front-end do Sensor:
   • Banco de Filtros Modais: O sinal de aceleração de cada andar passa por um banco de quatro filtros passa-faixa de quarta ordem causais (0,8–14 Hz). Isso separa o sinal em subfaixas para expor o conteúdo modal e a informação de forma de modo, atuando como um estágio de pré-processamento analógico.
   • Codificação por Cruzamento de Nível: Cada subfaixa filtrada é digitalizada por um codificador de cruzamento de nível (contraste temporal). Um evento (espícula ON ou OFF) é emitido apenas quando o sinal se desvia de uma referência móvel por um limiar fixo $\theta$. Isso gera um tensor de espículas binárias esparsas onde o limiar $\theta$ serve como um único controle para o equilíbrio entre precisão, custo computacional e taxa de dados.
3. Classificador: Uma SNN compacta, feed-forward, processa o fluxo de espículas. Ela consiste em uma camada de entrada projetando para 64 neurônios Leaky Integrate-and-Fire (LIF), que projetam para uma leitura de 6 unidades de integrador de fuga (leaky-integrator). A rede é treinada usando retropropagação através do tempo com um gradiente substituto para lidar com a função de espícula não diferenciável.
4. Contabilidade de Energia: As estimativas de energia baseiam-se em contagens de operações (MACs para CNNs, operações sinápticas para SNNs) em tecnologia CMOS de 45 nm. O estudo exclui explicitamente o consumo de energia do banco de filtros analógicos, sensores, movimentação de memória e transmissão de rádio, focando exclusivamente na comparação da energia de computação dos algoritmos de inferência.

Principais Contribuições

1. Pipeline Orientado a Eventos: O artigo introduz uma arquitetura específica onde um banco de filtros modais precede a codificação de cruzamento de nível e uma pequena SNN. Demonstra-se que um único parâmetro de limiar ($\theta$) controla conjuntamente a precisão, o custo computacional e a taxa de dados.
2. Caracterização Precisão-Energia: Os autores mapeiam sistematicamente o desempenho da SNN contra uma linha de base de 1D-CNN densa e classificadores de características modais clássicos (SVM e Random Forest). Eles traçam uma fronteira de Pareto mostrando que o consumo de energia pode variar em uma ordem de magnitude enquanto mantém uma precisão competitiva.
3. Análise de Ablação: O estudo isola os componentes críticos do pipeline, provando que o banco de filtros modais é o habilitador essencial para o desempenho, enquanto conexões recorrentes são desnecessárias e energeticamente custosas para esta tarefa específica.
4. Interpretabilidade Mecanística: Os autores vinculam a atividade de espículas aprendida à mecânica estrutural, mostrando que o dano produz mudanças estruturalmente organizadas na atividade de espículas por andar que o classificador utiliza, em vez de depender de padrões opacos de "caixa-preta".

Resultos

• Precisão: Em uma tarefa de localização de seis classes, a SNN feed-forward proposta alcançou 87,2% de precisão de teste em um limiar de operação ($\theta=0,6$). Isso está dentro de 2 pontos percentuais da linha de base 1D-CNN densa (89,2%).
• Eficiência Energética: No ponto de operação, a SNN exigiu um estimado de 49,1 nJ por inferência (equivalente a FP32), comparado a 317,5 nJ para a 1D-CNN, representando uma redução de 6,5× na energia de computação estimada.
• Fronteira de Pareto: Ao varrer $\theta$, a SNN alcançou uma gama de pontos de operação. Em $\theta=0,8$, a precisão permaneceu em 86,0% com a energia caindo para 35,5 nJ (redução de 8,9×). Em $\theta=1,8$, a energia caiu para 9,5 nJ, embora a precisão tenha caído para 66,7%.
• Redução de Dados: O front-end de cruzamento de nível reduziu o volume de dados saindo do sensor em até 13,7× em bits comparado à amostragem Nyquist densa, dependendo do limiar.
• Linhas de Base: Um SVM clássico ajustado sobre características modais alcançou a maior precisão (94,3%), enquanto um Random Forest alcançou 86,3%. Uma CNN quantizada em INT8 atingiu 89,2% de precisão a 13,8 nJ.
• Ablações: Remover o banco de filtros fez a precisão colapsar de 87,2% para 59,7%. Adicionar recorrência à SNN aumentou a energia em 3,4× sem melhorar a precisão (caindo para 83,8%). Uma CNN densa aplicada às mesmas características do banco de filtros atingiu 93,5% de precisão, mas com 18,6× a energia da SNN proposta.
• Robustez: A SNN manteve 79–87% de precisão em relações sinal-ruído de 15–40 dB. A localização foi mais difícil para danos incipientes (perda de rigidez de 15–20%), mas atingiu quase 100% para danos severos (perda de 35–40%).

Significância e Alegações
O artigo enquadra explicitamente sua contribuição não como um avanço em precisão bruta, mas como uma demonstração de sensoriamento orientado a eventos e de baixa taxa de dados com precisão competitiva.

• Proposta de Valor: O principal valor do pipeline é sua operação proporcional à atividade. Diferente de pipelines densos que consomem energia continuamente, esta abordagem gasta energia apenas quando o movimento estrutural gera eventos. Isso é crítico para sensores que devem estar sempre ligados (always-on), onde a estrutura frequentemente está quiescente.
• Modéstia nas Alegações: Os autores afirmam claramente que a SNN proposta não supera a precisão de um SVM clássico ajustado (94,3%) ou de uma 1D-CNN densa (89,2%). A vantagem reside na modalidade de sensoriamento (fluxos de eventos esparsos) e na consequente redução da transmissão de dados e da carga computacional.
• Escopo: O estudo é uma simulação controlada em um quadro de cisalhamento de cinco andares. Os autores não alegam generalização pronta para o campo, observando que a validação em benchmarks experimentais (ex: IASC-ASCE, ponte Z24) e dados de campo em escala total com variabilidade ambiental permanece como um próximo passo necessário.
• Trabalho Futuro: O artigo sugere que o equilíbrio de um único controle ($\theta$) permite estratégias de monitoramento adaptativas, onde os nós podem ajustar dinamicamente os limiares para equilibrar energia e resolução com base nas condições em tempo real.