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

技术摘要：基于层级交叉脉冲编码与紧凑型脉冲神经网络的多层建筑近传感器损伤定位研究

问题陈述
无线、电池供电的加速度计节点是基于振动结构健康监测（SHM）的标准配置。然而，其运行寿命受限于连续模数转换（ADC）、节点内推理以及无线电传输的能量成本。传统的数据驱动方法（如一维卷积神经网络 1D-CNN）无论结构处于活跃状态还是静止状态，都会进行固定的密集计算，导致能耗与时钟时间而非信息量挂钩。挑战在于如何利用事件驱动的方法，在多层建筑中定位刚度退化导致的损伤，使计算成本和数据量随信号活性而缩放，从而在不牺牲定位精度的情况下延长电池寿命。

方法论
作者提出了一种由三个阶段组成的近传感器流水线：模态滤波器组、层级交叉编码器以及紧凑型脉冲神经网络（SNN）。

1. 结构模型与数据生成： 研究模拟了一个在环境激励（0.5–20 Hz）下的五层剪切型建筑。损伤被建模为层间刚度的局部分数化降低（15%–40%）。分类任务包含六个类别：一个健康状态和五个损伤状态（每层一个）。
2. 传感器前端：
   • 模态滤波器组： 每层的加速度信号通过一个由四个因果四阶带通滤波器（0.8–14 Hz）组成的滤波器组。它将信号分解为子带，以暴露模态内容和模态形状信息，起到模拟预处理的作用。
   • 层级交叉编码： 每个滤波后的子带由层级交叉（时间对比度）编码器进行数字化。只有当信号偏离固定阈值 $\theta$ 的运行参考值时，才会发射一个事件（ON 或 OFF 脉冲）。这生成了一个稀疏的二进制脉冲张量，其中阈值 $\theta$ 作为控制精度、计算成本和数据速率的单一控制旋钮。
3. 分类器： 一个紧凑的前馈 SNN 处理脉冲流。它由一个将输入层投影到 64 个 Leaky Integrate-and-Fire (LIF) 神经元的层组成，随后投影到一个 6 单元的漏积分读出层。网络使用带有代理梯度的随时间反向传播算法进行训练，以处理不可微的脉冲函数。
4. 能量核算： 能量估计基于 45 nm CMOS 工艺下的操作计数（CNN 为 MAC，SNN 为突触操作）。本研究明确排除了模拟滤波器组功耗、传感、内存移动和无线电传输，仅关注推理算法的比较计算能量。

核心贡献

1. 事件驱动流水线： 本文引入了一种特定的架构，其中模态滤波器组位于层级交叉编码和微型 SNN 之前。研究证明，一个单一的阈值参数 ($\theta$) 可以共同控制精度、计算成本和数据速率。
2. 精度-能量特性表征： 作者系统地绘制了 SNN 相对于密集 1D-CNN 基准线以及经典模态特征分类器（SVM 和随机森林）的性能曲线。他们展示了一条帕累托前沿（Pareto frontier），表明在保持竞争性精度的同时，能耗可以变化一个数量级。
3. 消融分析： 研究隔离了流水线的关键组件，证明了模态滤波器组是性能的核心驱动力，而循环连接对于该特定任务而言是不必要且高能耗的。
4. 机制可解释性： 作者将学习到的脉冲活动与结构力学联系起来，表明损伤会产生空间结构化的每层脉冲活动变化，分类器正是利用了这一点，而非依赖于不透明的黑盒模式。

结果

• 精度： 在六类定位任务中，所提出的前馈 SNN 在工作阈值 ($\theta=0.6$) 下实现了 87.2% 的测试准确率。这与密集 1D-CNN 基准线（89.2%）的差距仅为 2 个百分点。
• 能量效率： 在该工作点，SNN 每轮推理所需的估计能量（等效 FP32）为 49.1 nJ，相比之下，1D-CNN 为 317.5 nJ，代表了 6.5 倍的计算能量降幅。
• 帕累托前沿： 通过对 $\theta$ 进行扫描，SNN 实现了多种工作点。在 $\theta=0.8$ 时，准确率保持在 86.0%，而能量降至 35.5 nJ（8.9 倍降幅）。在 $\theta=1.8$ 时，能量降至 9.5 nJ，但准确率下降至 66.7%。
• 数据缩减： 与密集的 Nyquist 采样相比，层级交叉前端将离开传感器的比特数据量最高减少了 13.7 倍，具体取决于阈值。
• 基准测试： 经过调优的经典 SVM 在模态特征上的准确率最高（94.3%），而随机森林达到 86.3%。INT8 量化的 CNN 在 89.2% 的准确率下消耗 13.8 nJ。
• 消融实验： 移除滤波器组导致准确率从 87.2% 骤降至 59.7%。在 SNN 中加入循环连接会使能量增加 3.4 倍，且无法提高准确率（反而降至 83.8%）。应用于相同滤波器组特征的密集 CNN 达到了 93.5% 的准确率，但其能量是所提 SNN 的 18.6 倍。
• 鲁棒性： 在 15–40 dB 的信噪比下，SNN 保持了 79–87% 的准确率。对于初期损伤（15–20% 刚度损失）定位较为困难，但对于严重损伤（35–40% 损失）则接近 100%。

意义与主张
本文明确将其贡献界定为并非在原始精度上的突破，而是在具有竞争性的精度下实现事件驱动、低数据速率感知的演示。

• 价值主张： 该流水线的主要价值在于其与活动成比例的操作特性。不同于持续消耗能量的密集型流水线，这种方法仅在结构运动产生事件时才消耗能量。这对于经常处于静止状态的常开式传感器至关重要。
• 对主张的审慎态度： 作者明确指出，所提出的 SNN 并不超越经过调优的经典 SVM (94.3%) 或密集 1D-CNN (89.2%)。其优势在于感知模态（稀疏事件流）以及由此带来的数据传输和计算负载的减少。
• 研究范围： 本研究是在五层剪切框架上的受控模拟。作者并未声称其具备实地应用的通用性，并指出在实验基准（如 IASC-ASCE、Z24 桥梁）以及包含环境变异性的全尺寸现场数据上进行验证仍是必要的下一步工作。
• 未来工作： 文中建议，单旋钮权衡（$\theta$）可以实现自适应监测策略，使节点能够根据实时情况动态调整阈值，以平衡能量与分辨率。