Návrh metod detekce varovných stavů pro geotechnické monitorovací systémy na bázi Internetu věcí

Abstract

Tato disertační práce je zaměřena na návrh metod detekce varovných stavů pro monitorovací systémy na bázi Internetu věcí (IoT) v oblasti geotechnických záchytných plotů. V úvodní části se disertační práce zabývá současným stavem problematiky geotechnického monitoringu a sledování stavu záchytných plotů. Je také zpracována analýza možností klasifikace dat z akcelerometrických snímačů. Hlavní část disertační práce je zaměřena na monitoring stavu záchytných plotů s využitím akcelerometrických snímačů a bezdrátových senzorických sítí. V rámci výzkumu a vývoje byl navržen, implementován a otestován vlastní komplexní monitorovací systém. Tuto část lze rozdělit do tří dílčích částí: vývoj vlastního bezdrátového senzorického modulu pro monitorování stavu záchytného plotu, návrh způsobu sběru a přenosu dat, a serverovou část. Součástí vývoje je i návrh vlastního senzorického modulu pro montáž na záchytné ploty, založený na bezdrátové technologii IQRF®. Získaná data jsou analyzována, zpracována a vyhodnocena prostřednictvím navržených postupů a metod, včetně metod založených na strojovém učení. Byly navrženy dvě metody pro klasifikaci naměřených dat pomocí konvolučních neuronových sítí. Výsledné údaje o stavu záchytného plotu jsou k dispozici formou vizualizace v systému Grafana. Testování probíhalo na dvou reálných lokalitách a fyzikálním modelu záchytného plotu. Na základě testování bylo prokázáno, že navržený monitorovací systém je funkční. Vznikl unikátní systém pro geotechnický monitoring záchytných plotů umožňující detekci událostí na základě metod strojového učení, který využívá bezdrátových IoT technologií.

The dissertation focuses on designing methods to detect warning states in geotechnical retaining fences using IoT-based monitoring systems. The introduction discusses the current state of geotechnical monitoring and retaining fence condition monitoring and includes an analysis of data classification possibilities from accelerometric sensors. The main part of the dissertation focuses on monitoring retaining fence conditions using accelerometric sensors and wireless sensor networks. A comprehensive monitoring system was designed, implemented, and tested, consisting of three sub-parts: developing a wireless sensor module for monitoring fence conditions, designing a data collection and transmission method, and creating a server part. A custom sensor module was also designed for mounting on retaining fences using IQRF® wireless technology. The collected data was analysed, processed, and evaluated using designed procedures and methods, including machine learning methods. Two methods for classifying measured data using convolutional neural networks were proposed, and the resulting data on retaining fence conditions were visualized in the Grafana system. The system was tested in two existent locations and a physical model of a retaining fence, proving its functionality. A unique system for geotechnical monitoring of retaining fences was created using wireless IoT technologies and machine learning methods for event detection.