ETD

• Anomaly Detection
• Bridge Damage Detection
• Edge Artificial Intelligence
• Resonate-and-Fire Neurons
• Spiking Neural Networks
• Structural Health Monitoring
• Ultra-Low-Power Sensing
• Vibration-Based Monitoring

Bridge Structural Health Monitoring (SHM) encompasses several approaches for identifying structural changes from measured responses. Vibration-based SHM is one such approach, using acceleration signals to detect changes in the dynamic behaviour of a bridge that may be associated with damage. This thesis investigates whether spiking neural networks, and specifically Resonate-and-Fire (RaF) neurons, can support this task under ultra-low-power sensing constraints.

RaF neurons are used as a frequency-sensitive signal-processing stage. Rather than processing complete vibration recordings centrally, they transform short acceleration segments into compact features that describe how strongly the measured vibration activates multiple resonant frequency channels. The resulting representation is evaluated as input for bridge damage detection.

The investigated architecture consists of distributed accelerometer nodes installed at different bridge locations and an on-site gateway. Each node performs local signal processing and transmits compact features to the gateway, which combines information from multiple sensors and evaluates deviations from a reference condition. The approach is assessed offline using ambient and forced vibration measurements from the Z24 Bridge and Ponte Moesa Campagnola datasets. The work evaluates the potential of RaF-based spiking processing as a component of Edge-AI bridge damage-detection systems based on ultra-low-power vibration sensors.

Il monitoraggio della salute strutturale dei ponti, noto come Structural Health Monitoring (SHM), comprende diversi approcci per individuare variazioni della struttura a partire dalle sue risposte misurate. Il monitoraggio basato sulle vibrazioni è uno di questi approcci e utilizza segnali accelerometrici per rilevare cambiamenti nel comportamento dinamico del ponte potenzialmente associati a fenomeni di danneggiamento. Questa tesi analizza se le reti neurali spiking, e in particolare i neuroni Resonate-and-Fire (RaF), possano supportare tale compito in presenza di vincoli di sensing a consumo ultra-ridotto.

I neuroni RaF sono impiegati come stadio di elaborazione del segnale sensibile alla frequenza. Invece di elaborare centralmente registrazioni vibrazionali complete, essi trasformano brevi segmenti di accelerazione in caratteristiche compatte che descrivono quanto il segnale misurato attivi più canali risonanti a diverse frequenze. La rappresentazione ottenuta viene quindi valutata come input per il rilevamento del danno nei ponti.

L’architettura considerata comprende nodi accelerometrici distribuiti in diversi punti del ponte e un gateway installato in sito. Ogni nodo esegue l’elaborazione locale del segnale e trasmette al gateway caratteristiche compatte; il gateway combina le informazioni provenienti da più sensori e valuta gli scostamenti rispetto a una condizione di riferimento. L’approccio è valutato offline mediante misure in vibrazione ambientale e forzata dei dataset Z24 Bridge e Ponte Moesa Campagnola. Il lavoro esamina il potenziale dell’elaborazione spiking basata su RaF come componente di sistemi Edge-AI per il rilevamento del danno nei ponti mediante sensori vibrazionali a consumo ultra-ridotto.