Fehlertolerantes, drahtloses Bauwerksmonitoring basierend auf Frameanalyse und Deep Learning

Problemstellung
Drahtlose Sensornetze haben sich im Bauwerksmonitoring zu einer vielversprechenden Alternative zu konventionellen, kabelgebundenen Systemen entwickelt. Die Zuverlässigkeit von drahtlosen Bauwerksmonitoringsystemen hängt weitgehend von der Toleranz gegenüber fehlerhaften Sensoren bzw. fehlerhaften oder unvollständigen Messdaten ab. Aktuelle Ansätze für fehlertolerante Bauwerksmonitoringsysteme basieren häufig auf der klassischen Fehlerdiagnostik nach dem Prinzip „analytischer Redundanz“. Hierbei sind fehlertolerante Sensorknoten in der Lage, ohne zusätzlich installierte Sensoren die Fehlerdiagnostik autonom durchzuführen und die fehlerhaften Messdaten zu ersetzen. Trotz der Vorteile dieses klassischen Konzepts der Fehlerdiagnostik ist diese Prozedur rechenaufwendig, da fehlerhafte Messdaten automatisch detektiert, isoliert, identifiziert und schließlich ersetzt werden müssen. Der Berechnungsaufwand kann über Methoden der Signalanalyse und der Angewandten Harmonischen Analyse signifikant reduziert werden, da hierbei direkt mit fehlerhaften oder unvollständigen Messdaten gearbeitet wird.

Zielsetzung und Methodik
Das Ziel dieses Projekts ist die Entwicklung und Validierung einer Methodik für fehlertolerante, drahtlose Bauwerksmonitoring auf Grundlage der Angewandten Harmonischen Analyse unter Verwendung von (i) Frameanalyse und (ii) Deep Learning. Zum einen soll in diesem Projekt der Ansatz der Frameanalyse (genauer: Fusion Frame Analysis) mit Generalized Sampling gekoppelt werden, was selbst bei fehlerhaften oder unvollständigen Messdaten eine effiziente Rekonstruktion von Signalen ermöglicht. Darüber hinaus ermöglicht die Frameanalyse die Rekonstruktion von dünn besetzten Signalen, bei der nur eine Teilmenge der Messdaten verwendet wird. Die Rekonstruktion von dünn besetzten Signalen bedeutet geringeren Rechenaufwand und erhöht zugleich die Fehlertoleranz der entsprechenden Sensorknoten, da die Robustheit der Signalrekonstruktion nicht durch das Fehlen von Messdaten beeinträchtigt wird. Zum anderen soll in diesem Projekt die Toleranz gegenüber systematisch fehlerhaften Messdaten erhöht werden. Hierzu wird ein Ansatz basierend auf Deep Learning-Algorithmen vorgeschlagen, wobei die Frameanalyse um so genannte Convolutional Neural Networks ergänzt wird, um den Einfluss fehlerhafter Messdaten auf die Monitoringqualität zu reduzieren. Im Ergebnis wird erwartet, dass eine effiziente und robuste Methodik für das fehlertolerante, drahtlose Bauwerksmonitoring bereitgestellt werden kann.

Internationale Kooperation
Um die Ziele dieses Projekts zu erreichen, arbeitet die Bauhaus-Universität Weimar mit der University of Aveiro (Portugal) zusammen, wobei dieses Projekt dem Aufbau der internationalen Kooperation dient. Es sollen Kompetenzen einerseits auf den Gebieten der konzeptuellen und mathematischen Modellierung drahtloser Bauwerksmonitoringsysteme und andererseits auf den Gebieten der Angewandten Harmonischen Analyse und der Approximationstheorie miteinander verzahnt werden.

Herkömmlicher Ansatz der Fehlerdiagnostik und verbesserter Ansatz in diesem Projekt.

Projektart
Deutsche Forschungsgemeinschaft (DFG): Aufbau internationaler Kooperationen
Antragsteller: Prof. Smarsly, Dr. Legatiuk

Projektdauer
2019 - 2020

Publikationen
Coming soon...

Kontakt
Prof. Dr.-Ing. Kay Smarsly
Bauhaus-Universität Weimar
Informatik im Bauwesen
Coudraystraße 7, Raum 518
99423 Weimar
E-Mail: kay.smarsly[at]uni-weimar.de

Dr. rer. nat. Dmitrii Legatiuk
Bauhaus-Universität Weimar
Informatik im Bauwesen
Coudraystraße 7, Raum 514
99423 Weimar
E-Mail: dmitrii.legatiuk[at]uni-weimar.de

Kooperationspartner
Prof. Dr.-Ing. Uwe Kähler
Universidade de Aveiro
Departamento de Matematica
P-3810-193 Aveiro
Portugal

Associate Professor Paula Cerejeiras
Universidade de Aveiro
Departamento de Matematica
P-3810-193 Aveiro
Portugal