Projektdaten

---

Fehlertolerantes, drahtloses Bauwerksmonitoring basierend auf Frameanalyse und Deep Learning

---

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.