Multimodale Sensorplattformen

In mehreren Projekten hat unser Team multimodale Sensorplattformen entwickelt, um verschiedene Parameter in der Umgebung zu messen und Prozesse zu bewerten. Das Design dieser Plattformen hängt von der jeweiligen Fallstudie und der Messmethode ab.

Stationäre Plattformen ermöglichen eine kontinuierliche Überwachung und Erkennung langfristiger Schwankungen der Messparameter. Stationäre Außenplattformen sind autark und verwenden ein energieeffizientes Kommunikationsmodul (LoRaWAN). Diese Plattformen benötigen keine externe Stromquelle, stattdessen wird Sonnenenergie in eingebauten Batterieeinheiten gespeichert, was eine hohe Flexibilität bei der Installation ermöglicht. Stationäre Innenplattformen werden für Anwendungen eingesetzt, die große Datenmengen und hohe Abtastraten erfordern, wie z. B. die Aufzeichnung von Audioaufnahmen zur Überwachung von Prozessen und Objekten in verschiedenen Bereichen, darunter städtische Umgebungen, Landwirtschaft und Tierschutz.

Für kurzfristige Messungen sind teilstationäre und tragbare Varianten konzipiert, um die lokale Verteilung von Messwerten zu bewerten und gemessene Parameter wie Luftqualität und Lärm in städtischen Umgebungen mit ihren geografischen Standorten zu verknüpfen oder Transportprozesse zu überwachen.

Die aufgezeichneten Daten reichen von Umweltdaten wie Temperatur, Luftfeuchtigkeit, UV-Index oder Luftqualität bis hin zu äußeren Einflüssen wie Beschleunigung und Lärm aus der Umgebung. Bei einigen Plattformen werden zusätzlich zu Bild- und Videodaten auch Umgebungsgeräusche aufgezeichnet.

Je nach Fallstudie können alle aufgezeichneten Daten auf verschiedene Weise übertragen und gespeichert werden. Einzelne numerische Datenpunkte werden über MQTT direkt an eine Datenbank übertragen, während für große Datenmengen wie Audio- und Bildaufzeichnungen Breitband-Netzwerkverbindungen, leistungsstarke Server und Übertragungsprotokolle wie WebDAV verwendet werden.

Zur Auswertung der Parameter und Prozesse am überwachten Standort werden verschiedene Filter- und Analysetechniken auf die gesammelten Daten angewendet. Dazu gehören intelligente Auswertungs-, Sensorfusions- und Deep-Learning-Verfahren zur Entwicklung stationärer und dynamischer Modelle des untersuchten Falls.