与传统的有线 SHM 系统相比，基于无线传感器网络 (WSN) 的 SHM 系统在成本、准确性和监测可靠性方面有显著改善。然而，由于传感器节点的资源受限，实时处理大量感测到的振动数据是一项挑战。现有的数据处理机制是集中式的，使用云或远程服务器来分析数据以表征桥梁的状态，即健康或受损。这些方法对于有线 SHM 系统是可行的，然而，在 WSN 中传输大量数据集已被发现是艰巨的。在本文中，我们提出了一种名为“网络内边缘损伤检测 (INDDE)”的机制，该机制从原始加速度测量中提取与桥梁健康状况相对应的统计特征，并使用它们来训练概率模型，即估计多元高斯分布的概率密度函数 (PDF)。训练后的模型有助于实时识别从桥梁未知状况中收集的新数据点的异常行为。每个边缘设备根据其各自的训练模型将桥梁状况分类为部署区域周围的“健康”或“受损”。实验结果展示了约 96-100% 的损伤检测准确率，其优势是无需从传感器节点传输数据到云端进行处理。