Texterzeugung durch KI unterstützt ;)
Einleitung
Als Bewohner in der Nähe eines Steinbruchs erlebe ich beinahe täglich die Erschütterungen, die durch Sprengungen verursacht werden. Mein technisches Interesse und meine langjährige Leidenschaft für Einplatinencomputer und Mikroprozessoren haben mich dazu gebracht, einen Sensor zur Detektion von Sprengungen zu entwickeln.
Seit geraumer Zeit hege ich den Wunsch, nicht nur die Sprengzeiten, sondern auch deren Intensität zu dokumentieren. Vor Kurzem stieß ich auf einen faszinierenden Artikel zur Infraschallmessung mithilfe des Bosch BME280-Sensors. Dies weckte mein Interesse und inspirierte mich dazu, eine Lösung zu entwickeln, die nicht nur meine Neugier befriedigt, sondern auch einen Mehrwert für die ermittlung von zusammenhängenden Folgen, z. B. Risse an Gebäuden, in unserer Gemeinde bietet.
Teil 1 - Versuchsaufbau zum Hochfrequenten erfassen von Messdaten
28.04.2023
Um die Eignung des vorgeschlagenen Sensors zur Erfassung der Druckwelle zu bestimmen und die erforderliche Analysefunktion für die Erkennung der Welle innerhalb der Daten zu entwickeln, ist ein Testsystem unerlässlich. Dies wird wie folgt Aufgebaut.
Aufbau der Druckwellenerkennung
Die Grundlage dieses Systems bildet der Raspberry Pi 4, ein vielseitiger Einplatinencomputer, der mit seiner Leistung und Flexibilität beeindruckt. An diesem Einplatinencomputer ist ein Bosch BME280-Sensor über die I2C-Schnittstelle angeschlossen. Dieser Sensor ist in der Lage, hochfrequente Druckänderungen äußerst präzise zu erfassen, was entscheidend ist für die Detektion von Druckwellen, die durch Sprengungen im Steinbruch erzeugt werden.
Datenmanagement und Visualisierung
Die erfassten Daten werden in einer Influx2-Datenbank gespeichert, einem leistungsstarken Datenbanksystem, das speziell für Zeitreihendaten optimiert ist. Dies ermöglicht eine effiziente Speicherung und Analyse der Sensordaten. Doch damit nicht genug, denn Visualisierung ist der Schlüssel zur Interpretation und Nutzung dieser Daten. Hier kommt Grafana ins Spiel, eine Open-Source-Plattform zur Visualisierung und Analyse von Daten. Grafana bietet eine benutzerfreundliche Oberfläche, um die Druckwellendaten in Echtzeit zu überwachen und historische Trends zu analysieren.
Programmierung und Datenübertragung
Um die Sensordaten nahtlos in die Influx2-Datenbank zu übertragen, wurde ein spezielles Programm in C entwickelt. Diese Programmiersprache wurde aufgrund ihrer Effizienz und Geschwindigkeit gewählt, um sicherzustellen, dass die Datenübertragung in Echtzeit erfolgen kann. Durch die geschickte Programmierung wird sichergestellt, dass keine Daten verloren gehen und dass das System zuverlässig und stabil läuft.
Teil 2 - Datenanalyse oder besser "Mal schauen was so geht"
29.04.2024
Leider gab es gestern und heute keine Sprengungen im Steinbruch. Trotzdem habe ich bereits erste Versuche mit den gesammelten Daten durchgeführt.
Die ersten Analyseversuche
Für die Entwicklung der Analyse in R habe ich verschiedene Ansätze getestet. Als Eingabe wurden Zeitbereiche zwischen 1-2 Minuten verwendet, wobei die Sensordaten mit einigen Millisekunden Schwankungen aus dem Sensor kamen. Um eine konsistente Analyse durchzuführen, wurden die Daten in allen Versuchen zuerst in eine feste Samplingrate von beispielsweise 10 ms oder 20 ms gebracht. Hierbei wurden sowohl Upsampling (Erhöhen der Abtastrate) als auch Downsampling (Verringern der Abtastrate) getestet. Im nächsten Schritt wurden verschiedene Analysetechniken angewendet, darunter die Fourier-Transformation (FFT), um die Frequenzkomponenten des Signals zu extrahieren. Zusätzlich wurden Bandpassfilter eingesetzt, um spezifische Frequenzbereiche zu isolieren. Dabei wurden auch Kombinationen dieser Techniken erprobt, um die bestmöglichen Ergebnisse zu erzielen.
R ist eine Programmiersprache und Umgebung für statistisches Computing und Grafiken. Es ist weit verbreitet in der akademischen Forschung und Industrie für Datenanalyse, Statistik und maschinelles Lernen. Mit seiner breiten Palette von Paketen bietet R leistungsstarke Tools zur Datenmanipulation, Visualisierung und Modellierung.
Test Downsampling + FFT
Da gestern leider keine Sprengung stattfand, habe ich mich entschieden, eine andere Anomalie in den Daten zu analysieren. Hierfür habe ich zunächst eine Resampling-Technik angewendet, um die Daten auf eine einheitliche Abtastrate von 20 ms zu bringen. Dies ermöglicht eine präzise Analyse der Daten und erleichtert die Anwendung von weiteren Analysetechniken wie der Fourier-Transformation (FFT). Die grafische Auswertung dieser analysierten Daten zeigt zumindest auf den ersten Blick keine besonderen Auffälligkeiten oder Muster.
Test Upsampling + FFT
Die Daten für den Upsampling + FFT Versuch wurden auf eine Abtastrate von 10 ms erhöht. Die grafische Auswertung dieser analysierten Daten zeigt eine Verstärkung an den Rändern des gezeigten Frequenzbandes, was die Auswertung in den verstärkten Bereichen verbessern könnte. Allerdings könnte dies auch zu Störungen in der Analyse führen.
Test Downsampling + Bandpassfilter + FFT
Für den Test Downsampling + Bandpassfilter + FFT wurde eine Abtastrate von 10 ms verwendet. Ein Bandpassfilter mit einem Bereich von 0,1 Hz bis 0,5 Hz und einer Filterordnung von drei wurde angewendet. Die Grafik zeigt ein deutlich hervorgehobenes überschwindendes Signal nach der Filterung, was möglicherweise über einen Grenzwert gut auswertbar ist.
Fazit
Der Test mit dem Bandpassfilter erscheint für die hier vorliegenden Daten am vielversprechendsten. Es bleibt jedoch abzuwarten, ob diese Methode auch bei den ersten Aufzeichnungen von Sprengungen sinnvoll ist. Erst dann kann ich genau beurteilen, welche Aufbereitung der Daten am besten geeignet ist.