In-Network-Datenanalyse r?umlich verteilter Gr??en
Motivation und Ziele
Mit Hilfe von Sensornetzen ist es m?glich, die r?umliche Verteilung einer physikalischen Gr??e in hoher Aufl?sung zu messen. Z.B. zur Temperaturüberwachung in einem mit gekühlten Lebensmitteln beladenen Container oder zur Messung der Konzentration von Schadstoffen in einem Gew?sser. Sensornetze sollen für 澳门皇冠_皇冠足球比分-劲爆体育ere Monate oder Jahre ohne Wartung im Einsatz sein. Die Menge der per Funk übertragenen Daten muss daher eingeschr?nkt werden, um eine lange Batterielebensdauer zu erreichen.
Der Anwender ben?tigt in der Regel eine Interpretation oder eine geeignete modellhafte Beschreibung der Daten, wie z.B. die Lage und Ausdehnung von Regionen mit Extremwerten der Messgr??e, so genannte Hotspots oder die Quellen einer St?rung.
Ziel des Projektes ist es, direkt auf den Sensoren ein derartiges Modell der Messgr??e zu berechnen. Der dazu notwendige Datenaustausch mit Nachbarsensoren soll so gering wie m?glich gehalten werden. Die Au?enkommunikation beschr?nkt sich auf die gesch?tzten Parameter des Modells oder abgeleitete Gr??en. Durch diese In-Network-Datenanalyse kann das Kommunikationsvolumen erheblich reduziert werden.
Arbeitsprogramm
Es ist zwar naheliegend, ein Model zu verwenden, das auf der ?berlagerung von Zonen mit Extremwerten basiert. Andere Modelle bieten jedoch m?glicherweise eine günstigere L?sung in Hinblick auf die erzielbare Datenreduktion im Verh?ltnis zum Vorhersagefehler des Modells.
Die Eignung der Modelle zur verteilten Sch?tzung durch In-Network Datenanalyse muss ebenfalls geprüft werden. Das Kommunikationsvolumen soll nicht nur in Bezug auf die ?bertragung des Ergebnisses der Parametersch?tzung optimiert werden, sondern auf den Sch?tzvorgang selber.
Es werden verschiedene Modellans?tze verglichen, u.a. bekannte Verfahren aus der Bildverarbeitung wie die Diskrete Cosinus- und die Wavelet-Transformation, sowie Interpolationsverfahren für Geostatistische Daten.
Die Verfahren werden anhand von realen Szenarien verglichen. Dazu werden Messdaten aus Vorl?uferprojekten und ?ffentlichen Datenbanken zusammengestellt. Die Szenarien werden erg?nzt durch eine mathematische Simulation der Str?mungs- und Temperaturverh?ltnisse in einem beladenen Kühlcontainer.
Algorithmik
Die für die oben genannten Modelle bekannten parametrischen Sch?tzalgorithmen sind jedoch nicht ohne weiteres zur verteilten Implementierung in einem Netzwerk geeignet. Verallgemeinert l?sst sich die Sch?tzung der Modellparameter auf ein mathematisches Optimierungsproblem zurückführen. Für lineare Probleme existieren bereits Verfahren zur verteilten Sch?tzung. Die für unseren Anwendungsfall relevanten Modelle sind in der Regel jedoch nicht-linear, wodurch sich deutlich komplexere Kopplungen der Variablen ergeben, die eine Aufteilung des Algorithmus erschweren.
Netzwerkstruktur
Das Netzwerk soll in die Lage versetzt werden, selbstst?ndig eine geeignete Struktur zu bilden, z.B. die Sensorknoten in entsprechende Cluster aufzuteilen. Eine Aktualisierung der Modellparameter bei jedem Iterationsschritt erfolgt dann nur noch innerhalb der lokalen Cluster. Die Auswirkungen solcher hierarchischer Kommunikationsstrukturen auf die Konvergenzgeschwindigkeit der Sch?tzung soll durch entsprechende theoretische Modelle und Simulationsstudien bewertet werden.
Erkennung von St?rungsereignissen
Anhand der Abweichung zwischen Modellvorhersage und Messwert lassen sich physikalische Ereignisse, wie eine neue W?rmequelle oder das Auslaufen einer Chemikalie an einen bestimmten Ort erkennen und klassifizieren. Diese müssen von Messfehlern unterschieden werden, die sich nur lokal auf einen Sensor auswirken. Letztere sollen von der Modellsch?tzung ausgeschlossen werde.
Proof of Concept
Die entwickelten Algorithmen werden in einem realen Netz aus ca. 20 Sensorknoten getestet. Die Algorithmen müssen an die beschr?nkten Ressourcen des Zielsystems, wie Batterielaufzeit und Rechenleistung angepasst werden. Die Effizienz unserer L?sung wird anhand verschiedener Kriterien wie Anzahl der versendeten Nachrichten, Konvergenzgeschwindigkeit, ben?tigte Rechenleistung und Strombedarf bewertet und mit einer zentralen Auswertung der Daten verglichen.
Mitarbeitende
Dr.-Ing. Reiner Jedermann arbeitet seit 2004 am IMSAS an der Universit?t Bremen. Im Projekt ?Intelligenter Container‘ hat er die Feldtests geleitet und Sensordaten aus der ?berwachung von Lebensmittelcontainern ausgewertet.
Dr.-Ing. Henning Paul ist seit 2007 im ANT an der Universit?t Bremen besch?ftigt. Seit 2011 befasst er sich schwerpunktm??ig mit der verteilten Signalverarbeitung in drahtgebundenen und drahtlosen Netzwerken.
Kontakt:
Dr.-Ing. Reiner Jedermann
IMSAS, NW1, Raum O 2130
Tel: +49 421 218 62603
E-mail: Kontakt
Dr.-Ing. Henning Paul
ANT NW1, Raum N 2360
Tel: +49 421 218 62399
E-mail: Kontakt
Das Projekt wurde seit November 2014 über 2 Jahre von der Deutschen Forschungsgemeinschaft (DFG) mit 2 Post-Doc Stellen gef?rdert.