Titelaufnahme

Titel
Detection of Temporal Patterns and Events in Time-Dependent Acceleration Data / von Alexander Litzellachner
Weitere Titel
Detection of Temporal Patterns and Events in Time-Dependent Acceleration Data
VerfasserLitzellachner, Alexander
Begutachter / BegutachterinFilzmoser, Peter
ErschienenWien, 2017
Umfang97 Seiten
HochschulschriftTechnische Universität Wien, Diplomarbeit, 2017
Anmerkung
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprueft
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Smartphonesensoren / Sensor / Accelerometer / Beschleunigungssensor / Gyroskop / lokale Ausreißererkennung / vorbeugende Instandhaltung / U-Bahn / Öffentlicher Verkehr / Gleismesswagen / Informationsfusion / SCARM
Schlagwörter (EN)smartphone sensors / sensor / accelerometer / gyroscope / local outlier detection / predicitive maintenance / metro / subway / underground / public transportation / rail test car / sensor fusion / SCARM
URNurn:nbn:at:at-ubtuw:1-102005 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Detection of Temporal Patterns and Events in Time-Dependent Acceleration Data [3.98 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Diese Arbeit hat zum Ziel, bestimmte Muster und temporäre Events am Gleisstrang der Wiener U-Bahn-Linien mit Hilfe der in Smartphones verbauten Beschleunigungssensoren zu identifizieren und analysieren. Beispiele hierfür sind gefahrene Kurven, Beschleunigung, Weichen und Gleisschäden. Hierzu wurden acht Smartphones in unterschiedlicher Qualität angeschafft, um auch die daraus resultierenden Unterschiede in den Messergebnissen zu analysieren. Mit diesen acht Handys wurden mehrere Messfahrten im Wiener U-Bahn-Netz durchgeführt. Deren aufgezeichnete Sensordaten wurden sodann mit verschiedenen statistischen Methoden analysiert, z.B. Korrelationsanalyse, multiple lineare Regression und SCARM, eine Funktion in R zur Signalextraktion aus mit Rauschen und Ausreißern hinterlegten Datenströmen. Die Smartphonesensoren messen allesamt in etwa das Gleiche, unterscheiden sich jedoch in deren maximalen Sensorabtastraten sowie in deren Varianzen. Auch ähneln die ebenfalls erfassten Gyroskopdaten der Handys stark der gemeinsam mit dem Gleismesswagen von Wiener Linien aufgezeichneten Kurvenkrümmung. Anhand der Beschleunigungsdaten kann die Geschwindigkeit geschätzt werden, welche wiederum zusammen mit den Kurven mittels Sensor-Fusion eine Rekonstruktion des gefahrenen Pfades und somit eine ungefähre Lokalisierung im U-Bahn-Netz ermöglichen. Weichen können mit den Beschleunigungssensoren der Smartphones erfasst werden. Allerdings nur, wenn das Smartphone starr im Zug verbaut ist bzw. am Boden des Fahrgastraumes liegt. Wird das Smartphone hingegen in der Hand gehalten, konnten Weichen und auch leichte Gleisschäden nicht identifiziert werden, da der menschliche Körper die Erschütterungen zu stark absorbiert.

Zusammenfassung (Englisch)

This thesis aims to identify and analyze specific patterns and temporal events at the rail-road tracks of the Viennese metro lines using the accelerometer sensor installed in smartphones. Examples of this are driven bends, acceleration, switches and track damage. For this purpose eight smartphones were purchased in different qualities, in order to also analyze the thereof resulting differences in their measurements. These eight mobile phones were used to carry out a series of test runs in Vienna's metro network. Their recorded sensor readings were then analyzed via various statistical methods, including correlation analysis, multiple linear regression and SCARM, a function in R for signal extraction from noisy and outlier-interfered data streams. The smartphone sensors all measure ap-proximately the same, but differ in their maximum sensor sampling rates as well as in their variances. Also, the gyroscope data of the mobile phones, which was also recorded, is very similar to the curvature recorded by Wiener Linien's rail test car. Based on the acceleration data, the speed can be estimated, which, together with the bends, allows a reconstruction of the driven path via sensor fusion and thus an approximate localization in the metro net. Switches can be detected with the accelerometers of the smartphones. However, this was possible only if the smartphone was rigidly installed in the train or on the floor of the passenger compartment. If the smartphone was held in the hands, switches and also slight track damage could not be identified, as the human body absorbs the vibrations too strongly.