TU BRAUNSCHWEIG
| Carl Friedrich Gauß Faculty | Department of Computer Science
Informatikzentrum

Dynamic Sample Rate Adaptation through Machine Learning in Multisensor WSNs

SupervisorJan Schlichter
Daniel Bräckelmann
ProfessorProf. Dr.-Ing. Lars Wolf
Project3demo
IBR GroupCM (Prof. Wolf)
TypeMaster Thesis
Statusopen

Einleitung und Motivation

Die Sensorknoten in Wireless Sensor Networks (WSNs) nehmen häufig verschiedene Daten durch verschiedene Sensoren auf. Hierbei kann die für eine Messung notwendige Energie je nach Sensor stark variieren. Bei mit vielen Sensoren ausgerüsteten Sensorknoten kann so ein erheblicher Energieverbrauch entstehen.

Da sich bei Batteriebetriebenen Sensorknoten ein erhöhter Energieverbrauch direkt auf die Lebensdauer auswirkt, sollte er so gering wie möglich gehalten werden. Um dies zu erreichen soll in dieser Arbeit eine dynamische Anpassung der Messfrequenz betrachtet werden. Hierbei ist die Idee nicht jeden Sensorwert in einem festen Messintervall auszulesen, sondern nur wenn eine kritische Änderung erwartet wird. Dies soll durch den Einsatz von Machine Learning realisiert werden, um eine flexible Anpassung an verschiedene Nutzungsszenarien zu ermöglichen.

Ausgangspunkt für die Abschlussarbeit sind die für das 3DEMO-Projekt entwickelten Sensorknoten, die Temperatur, Luftfeuchtigkeit, Gaswiderstand, CO2, Partikelkonzentrationen und Luftströmungen messen können. Sie sind für den Einsatz im industriellen Umfeld entwickelt worden und es stehen reale Messdaten aus zwei Anwendungsfällen zur Verfügung. Der hier entwickelte Ansatz sollte allerdings unabhängig von der verwendeten Sensorik allgemeingültig sein, um ihn in verschiedensten Szenarien einsetzten zu können.

Aufgabenstellung

Das Ziel ist es durch Machine Learning eine dynamische Anpassung der Messfrequenz von Sensoren mit hohem Energieverbrauch in WSNs zu erreichen. Hierbei ist eine periodische Messung z.B. einmal pro Minute die Grundlage für die Betrachtung. Davon ausgehend soll die Messfrequenz der Sensoren mit hohem Energieverbrauch reduziert werden ohne die Datenqualität signifikant zu verschlechtern. Hierfür kann zum Beispiel zum Zeitpunkt der Messung der Messwert durch Machine Learning vorhergesagt werden, ohne dass der Sensor den Wert messen muss. Dies kann in diesem Fall geschehen, wenn die Wahrscheinlichkeit für die Korrektheit des vorhergesagten Messwerts gering ist. Für die Vorhersage stehen neben der Zeit Informationen von Sensoren bereit, die einen geringen Energieverbrauch haben (z.B. Temperatur und Luftfeuchtigkeit).

Der entwickelte Ansatz soll sowohl mit realen als auch mit künstlich erzeugten Messwerten evaluiert werden. Da sich die Umgebung der Sensorknoten über die Zeit verändern kann muss außerdem eine Möglichkeit vorgesehen werden um das gelernte Modell über die Zeit automatisch zu adaptieren. Dies könnte entweder auf den Sensorknoten mit sehr geringer Rechenleistung direkt passieren oder auf einen Server ausgelagert werden, der das adaptierte Modell für die Knoten bereitstellt.

Vor dem Beginn der Arbeit muss die Aufgabenstellung im Exposé definiert werden. Hierfür wird eine Auseinandersetzung mit dem Thema vorausgesetzt, sodass bereits in der Aufgabenstellung mögliche Lösungsansätze genannt werden.

Kontakt

Bitte melde dich bei Fragen oder Interesse bei Jan Schlichter oder Daniel Bräckelmann.


last changed 2021-01-07, 18:11 by Jan Schlichter
printemailtop