⚡ electrical engineering

Reducing Energy Consumption in Energy Harvesting WSNs via Indirect Measurements for Structural Health Monitoring

本文提出了一种用于能量采集无线传感器网络中结构健康监测的节能测量策略，该策略利用间接环境参数来更新预测模型，从而通过仅在预测误差超过阈值且有足够能量可用时才触发新测量，将测量频率降低高达 92.18%，并将总能耗降低高达 58%。

原作者： Nursultan Daupayev, Paul Reber, Soeren Hirsch

发布于 2026-06-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Nursultan Daupayev, Paul Reber, Soeren Hirsch

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心问题：那个“全天候待命”的守卫

想象一下，你正在监视一座非常古老且脆弱的木桥，以确保它不会出现裂缝或变形。你雇佣了一名保安（传感器）在那里进行 24/7 全天候值守。

在传统的结构健康监测（SHM）中，这名保安被要求每秒钟都要检查一次桥梁，无论情况如何。即使桥梁纹丝不动、没有任何变化，他也要每 15 秒写一份报告。

代价： 这名保安依靠电池工作。因为他一直在不停地检查和记录，他的电量消耗得非常快。如果这座桥位于一个无法轻易更换电池的偏远森林里，保安最终会因为没电而“睡着”（耗尽电量），从而停止值守。

新思路：一位“聪明”的守卫

本文的作者提出了一种更聪明的方法。他们不再使用那种需要不断检查桥梁的保安，而是提议使用一位利用“间接线索”的预测型守卫。

类比：天气侦探
想象一下，你想知道一块木头是否会发生翘曲（弯曲）。你并不需要每秒钟都去触摸木头来观察它是否弯曲。相反，你可以观察天气（温度和湿度）。

如果空气变得非常潮湿，你就会知道木头很可能正在吸收水分并可能发生膨胀。
如果空气变热，你就会知道木头可能会发生热胀冷缩。

这个新系统是这样运作的：

预测： 传感器扮演着天气侦探的角色。它观察温度和湿度，然后说：“根据天气情况，木头现在看起来应该没问题。”
睡眠模式： 因为传感器对自己的预测很有信心，它就会进入睡眠状态。它停止进行那些昂贵且耗能的直接测量。
唤醒机制： 只有当以下两种情况发生时，传感器才会醒来进行真实的、直接的测量：
- 预测出错： 天气发生了剧烈变化，导致传感器的猜测不再准确（“误差”变得太大）。
- 电量充足： 传感器检查其“燃料箱”（从太阳能中收集的能量），并且只有在拥有足够能量完成任务时才会醒来。

他们是如何测试的

研究人员建造了一个小型密封室（气候室）来模拟微型森林。他们在里面放置了一块木头。

他们通过快速改变热量和湿度，在房间内制造了“风暴”。
他们对比了三种类型的守卫：
1. 常驻守卫： 每 15 秒检查一次（传统方法）。
2. 阈值守卫： 仅在温度达到特定数值时才进行检查（较旧的智能方法）。
3. 预测型守卫： 上文所述的新方法。

结果：节省能量与数据

实验结果令人印象深刻，就像是找到了一种能让汽车减少 58% 油耗的方法。

节能效果： 新型的“预测型守卫”比常驻守卫节省了高达 58% 的能量。在某些电池设置下，节省的比例甚至更高。
数据精简： 常驻守卫记录了 2,786 份报告。而新守卫仅记录了约 218 份报告。这意味着 92% 的数据削减！
准确性： 尽管新守卫检查桥梁的频率低得多，但它仍然捕捉到了所有重要的“异常情况”（即木头开始发生翘曲的时刻）。它没有错过重大事件；它只是停止了在无聊、平静时刻的能量浪费。

硬件：一款太阳能手表

实验中使用的传感器非常微小，且依靠能量采集技术运行。

把它们想象成不需要更换电池的手表，因为它们自带微型太阳能板。
它们将收集到的太阳能存储在“超级电容器”（一种充电极快的电池）或普通的锂电池中。
系统足够聪明，能够根据阳光照射情况在这些电源之间进行智能切换。

总结

本文表明，对于监测桥梁或建筑等结构，我们并不需要每秒钟都盯着它们看。通过利用间接线索（如温度和湿度）并预测结构的动态，我们可以让传感器在大部分时间里处于睡眠状态。只有当有趣的事情发生，或者当它们拥有充足的太阳能时，它们才会醒来。

这使得传感器能够在难以更换电池的偏远地区长期存在，使这种长期的基础设施监测变得更加可行。

技术摘要：通过间接测量降低用于结构健康监测的能量采集型无线传感器网络中的能耗

问题陈述

部署于结构健康监测（SHM）中的无线传感器网络（WSN）面临着数据保真度与能量可持续性之间的关键权衡。传统的 SHM 系统依赖于对结构参数（如应变和应力）的连续直接测量，这需要高强度的能量消耗和持续运行。对于那些电池更换困难的远程或难以到达的长期部署场景，这一问题尤为突出。虽然能量采集（EH）技术为延长传感器寿命提供了解决方案，但环境能源的波动性限制了连续数据采集的可靠性。此外，现有的自适应策略往往会引入额外的计算开销（例如复杂的滤波或聚类算法），从而消耗更多能量，或者依赖于简单的阈值法，这可能会错过关键的动态事件。因此，需要一种能够在不要求过度计算资源或连续直接感测的情况下，平衡数据采集、状态预测与能量可用性的测量策略。

方法论

作者提出了一种间接测量方法，其中环境参数（温度和湿度）作为观测指标，用于估计被监测材料（具体为木块）的隐藏动态状态。该系统运行在一个配备了状态空间模型的能量采集节点上，用以预测材料的状态。

核心算法：

状态估计： 系统使用状态空间模型，基于间接的环境观测值（ $y_k$ ）来估计隐藏的结构状态（ $x_k$ ）。
预测与误差计算： 在每次测量后，传感器更新其状态估计值并进行一步前向预测。预测误差（ $e_k$ ）根据预设阈值（ $e_{th}$ ）进行计算。
能量感知触发： 仅当以下两个条件同时满足时，才会启动新的直接测量：
- 预测误差超过预设阈值（ $|e_k| > e_{th}$ ）或者预测误差协方差迹超过阈值（ $P_k > P_{th}$ ）。
- 储能元件中有足够的可用能量（ $E_k > E_{min}$ ）。
能量模型： 系统对能量动态进行建模，其中采集的能量（ $E_{h,k}$ ）被存储，而能量（ $E_s$ ）仅在触发测量时（ $\delta_k = 1$ ）才被消耗。目标是在保持估计精度在界限（ $\epsilon$ ）内的情况下，最小化总测量事件数（ $\sum \delta_k$ ）。

实验设置：
该方法在受控气候室中进行了验证，实验中使用了一个装有应变计（地面真值）和环境传感器（SHT31）的木块。传感器节点由 AEM10941 能量采集模块供电，该模块能够管理混合存储（超级电容器和锂聚合物电池）以及太阳能输入。研究对比了三种策略：

周期性测量（15 秒间隔）。
经典的基于阈值的触发。
所提出的能量无关自适应算法。

这些策略在四种功率配置下进行了测试：混合模式、锂聚合物（LiPo）模式、锂聚合物+太阳能模式以及仅超级电容器模式。

关键结果

经过 1 小时的实验评估，得到了以下定量结果：

测量减少： 与连续周期性采样相比，所提出的自适应策略减少了 92.18% 的测量次数。周期性策略产生了 2,786 个决策步骤，而自适应方法仅触发了 218 次实际测量。
能量消耗：
- 与周期性基准相比，所提出的算法降低了高达 58.27% 的总能量消耗（特别是在超级电容器配置下，从约 30.63 mWh 降至 12.94 mWh）。
- 仅使用基于阈值的触发策略，相比周期性基准降低了约 14.7% 的能量。
数据量： 该方法显著降低了数据量，仅保留了最关键的事件（将 475 个事件点过滤并精简为 218 次实际测量），同时捕捉到了材料变形响应的主要动态特性。
性能一致性： 尽管电源配置存在显著差异（例如超级电容器中的电压波动与锂聚合物电池的稳定电压），所提出的算法仍保持了稳定的感知性能，并成功捕捉到了与结构变形相关的异常事件。

重要性与主张

本文声称，所提出的间接测量策略证明了在远程区域进行长期结构监测是可行的，且不会产生与连续直接感测相关的过度功耗。通过利用环境相关性和能量感知触发，该系统实现了估计精度与能量效率之间的平衡。

作者强调，这种方法可以实现：

减少传感器活动： 大幅降低测量和数据传输的频率，从而延长能量采集节点的运行寿命。
可扩展性： 该方法避免了复杂的计算开销（如分布式卡尔曼滤波或小波变换），这些开销对于紧凑、资源受限的传感器节点来说可能难以承受。
可靠性： 尽管大幅降低了采样频率，系统仍成功识别出了结构异常（变形峰值）。

论文的结论较为审慎，指出虽然在受控实验室条件下结果令人鼓舞，但未来仍需在长期、真实的部署场景下验证该方法，并进一步完善从稀疏观测中重建材料状态的技术。