cri que 5
play

Cri$que #5 Due November 27 th (Tuesday) O. Chipara, C. - PowerPoint PPT Presentation

Jun 22, 2023 •278 likes •500 views

Cri$que #5 Due November 27 th (Tuesday) O. Chipara, C. Lu, T.C. Bailey and G.-C. Roman, Reliable Clinical Monitoring using Wireless Sensor Networks:

  1. Cri$que ¡#5 ¡ Due ¡November ¡27 th ¡(Tuesday) ¡  O. ¡Chipara, ¡C. ¡Lu, ¡T.C. ¡Bailey ¡and ¡G.-­‑C. ¡Roman, ¡Reliable ¡Clinical ¡  Monitoring ¡using ¡Wireless ¡Sensor ¡Networks: ¡Experience ¡in ¡a ¡Step-­‑ down ¡Hospital ¡Unit, ¡ACM ¡Conference ¡on ¡Embedded ¡Networked ¡Sensor ¡ Systems ¡(SenSys'10), ¡November ¡2010. ¡ 1 ¡

  2. Video ¡of ¡the ¡Day ¡ Cisco ¡to ¡Buy ¡Meraki ¡for ¡$1.2 ¡Billion ¡  CEO ¡Sanjit ¡Biswas ¡talks ¡about ¡founding ¡and ¡developing ¡Meraki ¡  2 ¡

  3. Cyber-­‑Physical ¡Codesign ¡of ¡ ¡ Distributed ¡Structural ¡Health ¡Monitoring ¡ with ¡Wireless ¡Sensor ¡Networks ¡ Chenyang ¡Lu ¡ Computer ¡Science ¡and ¡Engineering ¡

  4. Structural ¡Health ¡Monitoring ¡ Wireless ¡Sensor ¡Networks ¡ Detect ¡and ¡localize ¡damages ¡  to ¡structures ¡ Wireless ¡sensor ¡networks ¡  monitor ¡at ¡high ¡temporal ¡and ¡ spaWal ¡granulariWes ¡ Key ¡Challenges ¡  ComputaWonally ¡intensive ¡  Resource ¡constraints ¡  Long-­‑term ¡monitoring ¡  ¡ 4 ¡

  5. Related ¡Work ¡  Wisden ¡[Xu, ¡SenSys ¡04] ¡ Services ¡for ¡reliable ¡transmission ¡of ¡raw ¡data ¡   Golden ¡Gate ¡Bridge ¡[Kim, ¡IPSN ¡07] ¡ 46-­‑hop ¡network ¡deployed ¡along ¡Golden ¡Gate ¡Bridge ¡   BriMon ¡[Chebrolu, ¡MobiSys ¡08] ¡ Trains ¡as ¡data ¡mules ¡   Torre ¡Aquila ¡[Ceriob, ¡IPSN ¡09] ¡ Heterogeneous ¡sensors, ¡most ¡with ¡low ¡data ¡rate ¡   Key ¡limitaWon: ¡separate ¡the ¡designs ¡of ¡ Cyber ¡ (data ¡transport) ¡components ¡  Physical ¡(damage ¡detecWon) ¡components ¡  5 ¡

  6. Cyber-­‑Physical ¡Codesign ¡Approach ¡  Centralized ¡approaches ¡suffer ¡high ¡energy ¡consumpWon ¡  But ¡damage ¡detecWon ¡is ¡too ¡complex ¡to ¡run ¡enWrely ¡on ¡ sensors ¡  Co-­‑design ¡WSN ¡architecture ¡and ¡SHM ¡approach ¡ Embed ¡processing ¡into ¡a ¡hierarchical ¡architecture ¡  Send ¡(smaller!) ¡parWal ¡results ¡between ¡layers ¡of ¡hierarchy ¡  MulW-­‑level ¡damage ¡localizaWon ¡  6 ¡

  7. Prior ¡Work: ¡DLAC ¡ ¡  Pushed ¡porWons ¡of ¡Damage ¡LocaWon ¡Assurance ¡Criterion ¡ (DLAC) ¡algorithm ¡into ¡network ¡[Hackmann, ¡RTSS ¡08] ¡  Highlights ¡potenWal ¡gains ¡for ¡cyber-­‑physical ¡co-­‑design ¡ 66% ¡lower ¡latency ¡and ¡71% ¡lower ¡energy ¡consumpWon ¡than ¡  centralized ¡scheme ¡  But ¡a ¡limited ¡architecture ¡with ¡no ¡collaboraWon ¡among ¡ sensors ¡=> ¡limitaWons ¡in ¡SHM ¡capabiliWes ¡ 7 ¡

  8. Flexibility-­‑Based ¡Methods ¡  Structures ¡flex ¡slightly ¡when ¡a ¡force ¡is ¡applied ¡ ¡  Structural ¡weakening ¡=> ¡decreased ¡sWffness ¡  Flexibility ¡acts ¡as ¡a ¡“signature” ¡of ¡the ¡structure’s ¡health ¡  Two ¡flexibility-­‑based ¡methods ¡of ¡interest ¡for ¡our ¡work ¡ Beam-­‑like ¡structures: ¡Angles-­‑Between-­‑String-­‑and-­‑Horizon ¡  flexibility ¡method ¡(ASHFM) ¡[Duan, ¡ J. ¡Structural ¡Engineering ¡and ¡ Mechanics ¡09] ¡ Truss-­‑like ¡structures: ¡Axial ¡Strain ¡flexibility ¡method ¡(ASFM) ¡[Yan, ¡ J. ¡  Smart ¡Structures ¡and ¡Systems ¡09] ¡ θ 8 ¡

  9. Hierarchical ¡Architecture ¡1 ¡  Sensors ¡form ¡physically ¡co-­‑located ¡ Base ¡ groups ¡ Sta$on ¡  Group ¡members ¡ collect ¡raw ¡ vibraWon ¡data ¡  ¡power ¡spectrum ¡ Group ¡ Group ¡  Group ¡leaders ¡ collect ¡and ¡ Leader ¡ Leader ¡ correlate ¡power ¡spectrum ¡from ¡ children ¡  ¡modal ¡parameters ¡ Group ¡ (natural ¡frequencies ¡+ ¡mode ¡ Group ¡ Member ¡ Member ¡ shapes) ¡ Group ¡ Member ¡ Group ¡ Group ¡ Member ¡ Member ¡ 9 ¡

  10. Hierarchical ¡Architecture ¡2 ¡  Base ¡sta<on ¡collects ¡modal ¡ parameters ¡from ¡group ¡ leaders ¡  ¡structural ¡ flexibility ¡  Output ¡is ¡compared ¡against ¡ “baseline” ¡collected ¡when ¡ structure ¡was ¡known ¡to ¡be ¡ healthy ¡  Differences ¡in ¡flexibility ¡can ¡ be ¡used ¡to ¡detect ¡and ¡ localize ¡damage ¡ 10 ¡

  11. Distributed ¡Data ¡Flow ¡ Group Member Group Leader Base Station Sensing ¡ Flexibility ¡ Cross ¡Spectral ¡ 2 x D Density ¡ ints FFT ¡ D matrices D: # of samples D P: # of natural freq. floats Singular ¡Value ¡ (D » P) Power ¡Spectrum ¡ DecomposiWon ¡ D P natural frequencies + floats mode shapes 11 ¡

  12. Enhanced ¡Distributed ¡Data ¡Flow ¡ Group Member Group Leader Base Station Sensing ¡ 2 x D Flexibility ¡ Cross ¡Spectral ¡ ints Density ¡ FFT ¡ P D matrices D: # of samples floats P: # of natural freq. Singular ¡Value ¡ Power ¡Spectrum ¡ (D » P) DecomposiWon ¡ D floats P Peak ¡Picking ¡ P natural frequencies + floats mode shapes 12 ¡

  13. Mul$-­‑Level ¡Damage ¡Localiza$on ¡  Under ¡ASHFM ¡and ¡ASFM, ¡only ¡a ¡handful ¡of ¡sensors ¡are ¡ needed ¡to ¡ detect ¡ damage ¡  As ¡more ¡sensors ¡are ¡added, ¡localizaWon ¡gets ¡more ¡fine-­‑ grained ¡  Significant ¡energy ¡savings ¡by ¡exploiWng ¡localized ¡nature ¡of ¡ flexibility-­‑based ¡approach ¡ 13 ¡

  14. Implementa$on ¡  Hardware ¡platorm: ¡Intel/Crossbow ¡ Imote2 ¡+ ¡ITS400 ¡sensorboard ¡ 13 ¡– ¡416 ¡MHz ¡PXA271 ¡XScale ¡CPU ¡  32 ¡MB ¡ROM, ¡32 ¡MB ¡SDRAM ¡  CC2420 ¡802.15.4-­‑compliant ¡radio ¡  3-­‑axis ¡accelerometer ¡on ¡sensor ¡board ¡   Sowware ¡platorm ¡ TinyOS ¡1.1 ¡operaWng ¡system ¡  UIUC’s ¡ISHM ¡toolsuite ¡used ¡for ¡sensing, ¡  reliable ¡communicaWon, ¡and ¡Wme ¡sync ¡ ¡ 14 ¡

  15. Evalua$on: ¡Truss ¡  SimulaWon ¡of ¡5.6 ¡m, ¡14-­‑member ¡steel ¡truss ¡structure ¡at ¡ UIUC ¡  Simulated ¡sensor ¡data ¡generated ¡in ¡MATLAB ¡and ¡injected ¡ into ¡live ¡applicaWon ¡using ¡“fake” ¡sensor ¡driver ¡ Intact ¡data ¡set: ¡no ¡damages ¡  Damaged ¡data ¡set: ¡three ¡members ¡reduced ¡on ¡lew ¡side ¡of ¡truss, ¡  four ¡on ¡right ¡side ¡ 15 ¡

  16. Evalua$on: ¡Truss ¡  Level ¡1: ¡nine ¡sensors ¡at ¡uniform ¡points ¡along ¡truss’s ¡length ¡ − 6 4x 10 Damage identified on right half Damage Indicator 3 2 Damage identified on left half 1 0 0 2 4 6 8 Element Number 16 ¡

  17. Evalua$on: ¡Truss ¡  Level ¡2: ¡move ¡all ¡nine ¡sensors ¡to ¡respecWve ¡halves ¡(higher ¡ density) ¡ 3 3 Damage Indicator Damage Indicator 2 2 Damage localized correctly to all seven members 1 1 0 0 1 2 3 4 5 6 7 8 9 10111213 1 2 3 4 5 6 7 8 9 10111213 Element Number Element Number 17 ¡

  18. Evalua$on: ¡Truss ¡  Codesigned ¡architecture ¡reduces ¡ Cluster ¡Member ¡ communicaWon ¡latency ¡from ¡ SynchronizaWon ¡ 12.1 ¡J ¡ esWmated ¡87 ¡s ¡to ¡0.21 ¡s ¡ Sensing ¡ 23.0 ¡J ¡ ComputaWon ¡ 9.28 ¡J ¡  78.9% ¡of ¡energy ¡axributable ¡to ¡ CommunicaWon ¡ 0.08 ¡J ¡ synchronizaWon ¡and ¡sensing ¡ Cluster ¡Head ¡ SynchronizaWon ¡ 16.2 ¡J ¡  Compare ¡to ¡theoreWcal ¡energy ¡ Sensing ¡ 21.2 ¡J ¡ supply ¡of ¡20,250 ¡J ¡(3x ¡1.5 ¡V, ¡1250 ¡ ComputaWon ¡ 8.52 ¡J ¡ mAh ¡AAA ¡baxeries) ¡ CommunicaWon ¡ 0.76 ¡J ¡ 18 ¡

  19. Image source: Zhuoxiong Sun, Purdue University Full-­‑Scale ¡Truss ¡ 19 ¡

  20. Test ¡Results: ¡Full-­‑Scale ¡Truss ¡  Two ¡levels ¡of ¡damage ¡localizaWon ¡ − 6 2 x 10  Level ¡1: ¡localized ¡ 1.8 1.6 damage ¡to ¡bay ¡9 ¡ AS Flexibility Damage Indicator 1.4 1.2  Level ¡2: ¡localized ¡ 1 damage ¡to ¡element ¡42 ¡ 0.8 0.6 0.4 0.2 0 2 3 4 5 6 7 8 910 20 31 32 42 Truss Element Number 20 ¡

Recommend

More recommend