基于边缘AI和机器学习的桥梁损坏检测维护方案

前言
根据美国土木工程师学会（ASCE）发布的2017年基础设施报告卡，美国614,387座桥梁中近40％至少有半个世纪的历史。2016年，近10％的车辆在结构上存在缺陷。平均每天有1.88亿辆车跨越结构上不足的桥梁。桥梁的管理者们不断寻找更能减小成本效益的方法来保持桥梁的良好维修。

面对人们总是需要主动修复破损桥梁的现状，需要有切实可行的方案进行桥梁损坏情况的维护与检测方式。

导致桥梁出现故障和倒塌的主要问题是：

• 基建失败
• 结构崩溃
• 缺乏良好的维护
• 磨损
• 洪水
• 意外事件

解决方案
我们的解决方案是在桥梁中策略性地放置一对振动传感器（加速度计或IMU），以执行连续监测。通过边缘的AI和机器学习，我们将生成桥梁磨损的预测模型，并建议用户安排预防性维护。我们将使用这些算法，然后通过Ultra96顶部的强大FPGA加速它们，以获得最佳性能。

程序逻辑图

分别配置Ultra96、树莓派和Arduino，然后将它们连接在一起。借助树莓派作为主要的操作界面，将Arduino中读取得到的数据和树莓派自带的传感器的数据作为比对放入Ultra96中加速运算得到结果，借助IoT仪表盘来可视化所得到的数据结果。

测试

借助模型装置和实际场景中的数据测试得到最大振幅处为桥梁的固有频率，而进一步测量的目的是分析桥梁是否有通过维护降低其固有频率的幅度。

如图中所示的测试得到的桥梁的固有频率为0.3Hz，而振幅可以达到接近0.5，而提醒修复的目的是将0.5的这个幅度进一步降低，从而减少在固有频率上对于桥的负担，从而可以对于桥梁的损坏程度和维护情况进行相应的参照比较，从而达到对于桥梁的保护。