DE102022133169A1

DE102022133169A1 - Verfahren und vorrichtung zur detektion von waldbränden

Info

Publication number: DE102022133169A1
Application number: DE102022133169.5A
Authority: DE
Inventors: Daniel Hollos; Carsten Brinkschulte
Original assignee: Dryad Networks GmbH
Current assignee: Dryad Networks GmbH
Priority date: 2022-12-13
Filing date: 2022-12-13
Publication date: 2024-06-13
Also published as: WO2024126164A1

Abstract

Die Erfindung betrifft ein Verfahren zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung mit den Verfahrensschritte Erfassung von tn-Messdaten aus Messungen von tn (true negative) - Parametern des Waldes unter tn-Bedingungen, Erstellen von tn-ML-Daten aus den tn-Messdaten sowie Implementieren von tn-ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem. Die Erfindung betrifft weiterhin ein Waldbrandfrüherkennungssystem mit einem LoRaWAN-Netzwerk aufweisend ein Endgerät, wobei das Endgerät eine Sensorvorrichtung, eine erste Steuervorrichtung, eine Auswertevorrichtung zur Auswertung von der Sensorvorrichtung gelieferten Messsignale und eine Vorrichtung zur Energieversorgung aufweist, sowie einen Netzwerkserver, wobei die erste Steuervorrichtung geeignet und dafür vorgesehen ist, auf einen Speicher zuzugreifen, der Daten aus der Anpassung und Anwendung eines Machine-Learning-Modells aufweist, und wobei das Machine-Learning-Modell tn-ML-Daten umfasst.

Description

Die Erfindung betrifft ein Verfahren zur Implementation von ML-Daten (Machine-Learning-Daten) in einem System zur Waldbrandfrüherkennung mit den Verfahrensschritte Erfassung von tn-Messdaten aus Messungen von tn (true negative) - Parametern des Waldes unter tn-Bedingungen, Erstellen von tn-ML-Daten aus den tn-Messdaten sowie Implementieren von tn-ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem. Die Erfindung betrifft weiterhin ein Waldbrandfrüherkennungssystem mit einem LoRaWAN-Netzwerk aufweisend ein Endgerät, wobei das Endgerät eine Sensorvorrichtung, eine erste Steuervorrichtung, eine Auswertevorrichtung zur Auswertung von der Sensorvorrichtung gelieferten Messsignale und eine Vorrichtung zur Energieversorgung aufweist, sowie einen Netzwerkserver, wobei die erste Steuervorrichtung geeignet und dafür vorgesehen ist, auf einen Speicher zuzugreifen, der Daten aus der Anpassung und Anwendung eines Machine-Learning-Modells aufweist, und wobei das Machine-Learning-Modell tn-ML-Daten umfasst.
Stand der Technik
Je größer ein Waldbrand ist, desto schwieriger ist dessen Ausbreitungsrichtung und Ausbreitungsgeschwindigkeit bestimmbar. Wetter, Wind, die Bodenbeschaffenheit und die Vegetation bestimmen dessen Weg und Ausbreitungsgeschwindigkeit, die sich innerhalb kurzer Zeit wieder ändern kann. Es ist daher sehr wichtig, einen Waldbrand sehr früh zu erkennen, um Schäden gering und den Waldbrand kontrollierbar zu halten bzw. der Feuerwehr einen entscheidenden Zeitvorteil zu gegeben.
Während eines Waldbrandes laufen die komplexen thermischen Abbauprozesse (Destillation, Pyrolyse, Verkohlung und die Oxidation der entstehenden Gasprodukte bei der Flammenverbrennung) gleichzeitig und oft in unmittelbarer Nähe zueinander ab. Der thermische Abbau von Brennstoffen erfolgt vor und entlang der Feuerlinie, während Enklaven mit intermittierender offener Flamme oft weit hinter der Flammenfront bestehen bleiben.
Die Flammenverbrennung liegt im Allgemeinen zwischen 800°C - 1200°C. Schwelende Bodenbrände liegen zwischen 300°C - 600°C. Brennbare Gase, insbesondere flüchtige organische Verbindungen (englisch volatile organic compounds, kurz VOC) werden bei Temperaturen über 200°C schneller gebildet und erreichen ihren Höhepunkt bei 320°C. VOC ist die Sammelbezeichnung für organische, kohlenstoffhaltige Stoffe, die bei Raumtemperatur oder höheren Temperaturen durch Verdampfen in die Gasphase übergehen, insbesondere Terpene. Außerdem werden verschiedene organische Verbindungen, z.B. Methanol, und Kohlendioxid sowie Kohlenmonoxid und molekularer Wasserstoff gebildet. Die flammende Verbrennung beginnt erst bei 425°C bis 480°C. Flammentemperaturen von 700°C bis 1300°C sind am häufigsten. In diesem Temperaturbereich werden vor allem Kohlendioxid, Stickoxide und flüchtige schwefelhaltige Verbindungen (VSC), insbesondere Schwefeldioxid, gebildet. Schwelbrände breiten sich langsam aus, ca. 3 cm/h, sie können für mehrere Stunden Bodentemperaturen über 300°C mit Spitzentemperaturen von 600°C erzeugen.
Die folgende Tabelle zeigt die bei einem Waldbrand gebildeten Gase, gestaffelt nach der Temperatur:

Eine mögliche Hilfe bei der Erfassung eines Waldbrandes bieten Erdbeobachtungsdaten, insbesondere in Form von Luft- und Satellitenbildern. Der starke Anstieg an verfügbaren Erdbeobachtungsdaten, insbesondere durch Luft- und Satellitenbilddaten, ermöglicht eine weiträumige Erfassung der Waldbrände. So nützlich die Satellitendaten für die Erkennung und Bekämpfung von Bränden sind, weisen sie einen Nachteil auf: Sie erreichen die Einsatzkräfte meist nur mit Verzögerung, weil geostationäre Satelliten aufgrund ihrer großen Entfernung nur geringe Bildauflösungen liefern und nicht-geostationäre Satelliten einen Erdumlauf durchführen müssen, bevor sie neue Aufnahmen bereitstellen können.
Eine weitere Möglichkeit zur Detektion von Waldbränden besteht darin, ein Netz aus Gassensoren direkt im Wald zu installieren, die bei der Entstehung von Waldbränden auftretende Gase detektieren und so sehr frühzeitig Waldbrände erkennen zu können, bevor diese durch optische Systeme aus der Entfernung erkennbar werden. Aufgrund des unterschiedlichen Bewuchses von Wäldern und der unterschiedlichen Beschaffenheit von Böden entstehen aber auch unterschiedliche Gase und Gaskonzentrationen, sodass eine fehlerfreie Detektion sehr schwierig ist. Darüber hinaus entstehen schon allein durch die in den unterschiedlichen Phasen der Waldbrandentstehung anwachsenden Temperaturen unterschiedliche Gase und Gaskonzentrationen. Da das Ausrücken von Einsatzkräften aber sehr teuer ist, soll die Detektionsgenauigkeit verbessert werden.

Es ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung und/oder zur Waldbrandfrüherkennung bereitzustellen, das zuverlässig arbeitet, beliebig erweiterbar und kostengünstig in Installation und Unterhalt ist.
Es ist ebenfalls Aufgabe der Erfindung, ein Waldbrandfrüherkennungssystem bereitzustellen, das zuverlässig arbeitet, beliebig erweiterbar und kostengünstig in Installation und Unterhalt ist.
Die Aufgabe wird mittels des Verfahrens zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung gemäß Anspruch 1 gelöst. Vorteilhafte Ausführungen der Erfindung sind in den Unteransprüchen dargelegt.
Das erfindungsgemäße Verfahren zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung weist drei Verfahrensschritte auf: Im ersten Verfahrensschritt werden tn-Messdaten aus Messungen von tn-Parametern eines Waldes unter tn-Bedingungen erfasst.
Im Sinne dieser Schrift sind tn-Parameter (true negative-Parameter) Parameter, die von einem Wald erfasst sind, der nicht einen Waldbrand aufweist. Derartige Parameter sind z.B. Temperatur, Luftfeuchte, Windrichtung und -stärke und/oder die Zusammensetzung von Gasen. Die mit diesen tn-Parametern erfassten tn-Messdaten (true negative-Messdaten) sind dementsprechend Messdaten, die von einem Wald gemessen sind, der ebenfalls keinen Waldbrand aufweist. Die erfassten tn-Messdaten bilden daher Messdaten eines Waldes ab, der keinen Waldbrand aufweist. Durch die Erfassung von tn-Messdaten werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Außerdem werden bauartbedingte Abweichungen der in dem Endgerät verbauten Sensoren erfasst, gemittelt und kompensiert.
Im zweiten Verfahrensschritt werden tn-ML-Daten aus den tn-Messdaten erstellt. tn-ML-Daten sind Daten, die mittels des Algorithmus eines Machine-Learning-Modells aus den tn-Messdaten erstellt werden.
Im dritten Verfahrensschritt werden tn-ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem implementiert. Die tn-ML-Daten werden in ein Machine-Learning-Modell eingebunden zur Erstellung von Modellen zur Detektion von Waldbränden. Die Daten zur Detektion von Waldbränden werden über APIs und grafische Tools verfügbar gemacht.
Das Machine-Learning-Modell wird in dieser Erfindung zur Verbesserung der Effizienz der Sensorvorrichtung des Endgerätes genutzt. Der Algorithmus des Modells ermöglicht eine verbesserte anwendungsbezogene Erfassung der zu erfassenden Gase. Insbesondere wird die Sensitivität eines Waldbrandfrüherkennungssystems erhöht. Zudem wird insbesondere die Treffsicherheit erhöht, d.h. falsche positive Ergebnisse (False Positives) reduziert bzw. ausgeschlossen. Eine Waldbranderkennung auf der Basis von Schwellenwerten ist Fehleranfällig und generiert viele False Positives. Mit Machine Learning Modellen, insbesondere Modelle die auf der Basis von lokal gewonnenen Daten erstellt werden, kann die Treffsicherheit enorm erhöht werden, da sich das Modell an die Realität anpasst. Der ML-Algorithmus ermöglicht eine verbesserte anwendungsbezogene Erfassung erfassten Messwerte. Außerdem korrigiert der Algorithmus die erfassten Messwerte in Bezug auf die Luftfeuchte. Zusätzlich werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Durch die Auswertung dieser Daten können Aussagen über das aktuelle Lagebild während Waldbränden getroffen werden.
ML-Daten im Sinne dieser Erfindung sind Daten, auf die ein Machine Learning-Algorithmus angewandt wurde. Die ML-Daten enthalten Messdaten von Art und Konzentrationen unterschiedlicher Gase sowie deren Art und Konzentrationen bei unterschiedlichen Temperaturen in den unterschiedlichen Phasen der Waldbrandentstehung. Insbesondere sind Daten zu z.B. flüchtige organische Verbindungen (VOC), flüchtige schwefelhaltige Verbindungen (VSC) sowie Kohlendioxid, Kohlenmonoxid und molekularen Wasserstoff vorzugsweise im ppb-Bereich enthalten. Weiterhin sind optional enthalten Daten zur Luftfeuchte, Umgebungstemperatur und Luftdrucks enthalten, ebenfalls bei unterschiedlichen Temperaturen in den unterschiedlichen Phasen der Waldbrandentstehung erfasst und durch den Machine Learning-Algorithmus erstellt.
Mithilfe des Machine Learning-Algorithmus wird das Waldbrandfrüherkennungssystem in die Lage versetzt, auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen. Die Erkenntnisse lassen sich verallgemeinern und für neue Problemlösungen oder für die Analyse von bisher unbekannten Daten verwenden. Dafür wird bevorzugt das verstärkende Lernen (reinforcement learning) verwendet. Der Algorithmus lernt durch Belohnung und Bestrafung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Systems zu maximieren. Der Machine Learning-Algorithmus interagiert mit der Umgebung und wird durch eine Kostenfunktion oder ein Belohnungssystem bewertet. Bei verstärkendem Lernen wird dem Machine Learning-Algorithmus nicht gezeigt, welche Aktion oder Handlung in welcher Situation die richtige ist, sondern dieser erhält durch die Kostenfunktion eine positive oder negative Rückmeldung (Feedback). Anhand der Kostenfunktion wird dann eingeschätzt, welche Aktion zu welchem Zeitpunkt, die Richtige ist. Somit lernt das System „bestärkend“ durch Lob oder Bestrafung die Belohnungsfunktion zu maximieren.
Zur Anwendung kann auch ein neuronales Netz kommen. Diese Netze sind in der Lage, entscheidende Merkmale, die für die Lösung eines Problems relevant sind, automatisch aus den Daten zu lernen. Im Gegensatz zu klassischen Verfahren des maschinellen Lernens, bei dem die Merkmale von dem Menschen aufwendig entworfen und definiert werden müssen, lernen die neuronalen Netze selbstständig die Korrelationen und Merkmale aus den Daten.
In einer Weiterbildung der Erfindung wird ein Waldbrand anhand der ermittelten Ergebnisdaten erkannt. Ein Waldbrandfrüherkennungssystem erfasst mittels Sensoren unterschiedliche Messdaten eines zu überwachenden Areals. Die Ergebnisdaten werden mittels eines Endgerätes ermittelt. Die Ergebnisdaten können hierbei das Ergebnis des Vergleichs der Messdaten mit den ML-Daten umfassen, auch nur eine Bewertung des Vergleichs der Messdaten mit den ML-Daten und/oder ein einfaches Warnsignal. In jedem Fall ist den Ergebnisdaten zu entnehmen, ob ein Waldbrand durch den Sensor des Endgerätes detektiert wurde.
In einer weiteren Ausführung der Erfindung werden die Messdaten von einem Endgerät erfasst. Das Endgerät verfügt dazu über eine oder mehrere geeignete Sensorvorrichtungen zur z.B. Gasanalyse und/oder ist mit derartigen Sensorvorrichtungen verbunden.
In einer weiteren Gestaltung der Erfindung werden die Ergebnisdaten durch ein Endgerät ermittelt. Das Endgerät verfügt dazu über eine Auswertevorrichtung. Die Ergebnisdaten werden ermittelt, indem auf die von dem Endgerät erfassten Messdaten ML-Daten angewendet werden.
In einer weiteren Ausbildung der Erfindung sind die tn-ML-Daten in dem Endgerät implementiert. Die ML-Daten sind in dem Endgerät implementiert anstatt in einer zentralen Einheit, z.B. einem Netzwerkserver. Ein Waldbrandfrüherkennungssystem weist üblicherweise über eine Vielzahl von Endgeräten auf, die weiträumig verteilt sind und über autarke Energieversorgungssysteme verfügen. Die Implementation der ML-Daten, d.h. die Speicherung der ML-Daten auf dem Endgerät und die Anwendung der ML-Daten auf vom Endgerät erfassten Messdaten in dem Endgerät ermöglicht eine Anpassung und Anwendung des Machine-Learning-Modells auf die Gegebenheiten vor Ort des jeweiligen Endgerätes, gleichzeitig ist der Energieverbrauch eines einzelnen Endgerätes verringert, da nur eine reduzierte Datenmenge übertragen werden muss. In einer optionalen Ausgestaltung der Erfindung ist auch der ML- Algorithmus auf dem Endgerät installiert. Hier wird also „Edge Computing“ eingesetzt, um die Daten lokal im Endgerät auszuwerten. Dies ist wichtig und von Vorteil, weil so auf die Übertragung der Daten zu einer zentralen Cloud-Anwendung verzichtet werden kann, und so beispielsweise das (sehr schmalbandige) LoRaWAN-Netzwerk entlastet wird.
In einer weiteren Ausgestaltung der Erfindung werden die Ergebnisdaten an einen Netzwerkserver übermittelt. Auf dem Netzwerkserver stehen die Ergebnisdaten weiteren Anwendungen zur Verfügung, mit denen ein Waldbrand detektiert und erfasst wird. Durch die Einbindung der Messdaten in ein Machine-Learning-Modell werden mittels des Netzwerkservers außerdem Modelle zur Detektion von Waldbränden erstellt. Die Ergebnisdaten können hierbei das Ergebnis des Vergleichs der Messdaten mit den ML-Daten umfassen, auch nur eine Bewertung des Vergleichs der Messdaten mit den ML-Daten und/oder ein einfaches Warnsignal.
In einem weiteren Aspekt der Erfindung wird nur ein Teil der Ergebnisdaten an den Netzwerkserver übermittelt.
In einer Weiterbildung der Erfindung erfolgt die die Übermittlung mittels eines Protokolls wie LoRa, LoRaWAN und/oder IP. LoRa kommt mit besonders geringer Energie aus und basiert auf einer Zirpenfrequenzspreizungsmodulation entsprechend dem US-Patent US 7791415 B2 . Lizenzen zur Nutzung werden durch ein Gründungsmitglied des Industriekonsortiums, die Firma Semtech vergeben. LoRa verwendet lizenz- und genehmigungsfreie Funkfrequenzen im Bereich unter 1GHz, wie zum Beispiel 433MHz und 868MHz in Europa oder 915MHz in Australien und Nordamerika und erlaubt damit eine Reichweite von mehr als 10 Kilometer in ländlichen Gebieten bei geringstem Energieverbrauch. Die LoRa-Technik besteht einerseits aus dem physikalischen LoRa-Protokoll und dem LoRaWAN-Protokoll, das als obere Netzwerkschicht von dem Industriekonsortium LoRa Alliance definiert und verwaltet wird. LoRaWAN-Netzwerke setzen eine sternförmige Architektur mittels Gateways-Nachrichtenpakete zwischen den Endgeräten und dem zentralen Netzwerkserver um. Die Gateways (auch Konzentratoren oder Basisstationen genannt) sind an den Netzwerkserver über das Standard-Internet-Protokoll angebunden, während die Endgeräte per Funk über LoRa (Zirpenfrequenzspreizungsmodulation) oder FSK (Frequenzmodulation) mit dem jeweiligen Gateway kommunizieren. Die Funkanbindung ist somit ein Single-Hop-Netzwerk, bei dem die Endgeräte direkt mit einem oder mehreren Gateways kommunizieren, die den Datenverkehr dann ans Internet weiterleiten. Umgekehrt wird der Datenverkehr vom Netzwerk-Server zu einem Endgerät nur über ein Gateway geführt. Die Datenkommunikation funktioniert grundsätzlich in beide Richtungen, allerdings ist der Datenverkehr vom Endgerät zum Netzwerk-Server die typische Anwendung und die vorherrschende Betriebsart. Durch die Überbrückung größerer Entfernungen bei einem sehr niedrigen Energieverbrauch ist LoRaWAN insbesondere für loT-Anwendungen außerhalb von Siedlungen geeignet.
Auf der physikalischen Ebene nutzt LoRaWAN, wie andere Funkprotokolle für IoT-Anwendungen, die Streu-Spektrum-Modulation. Sie unterscheidet sich durch die Verwendung einer adaptiven Technik, die auf Chirp-Signalen basiert, im Gegensatz zu herkömmlicher DSSS (Direktsequenz-Streu-Spektrum-Signalisierung). Die Chirp-Signale bieten einen Kompromiss zwischen Empfangsempfindlichkeit und maximaler Datenrate. Ein Chirp-Signal ist ein Signal, dessen Frequenz im Laufe der Zeit variiert. Die LoRaWAN-Technik lässt sich kostengünstig implementieren, da sie nicht auf eine präzise Taktquelle angewiesen ist. Die Reichweiten von LoRa erstrecken sich bis zu 40 Kilometer in ländlichen Gebieten. In der Stadt liegt der Vorteil in einer guten Gebäudedurchdringung, da auch Keller erreichbar sind. Der Strombedarf liegt mit rund 10 nA und 100 nA im Ruhemodus sehr niedrig. Somit ist eine Batterie-Lebensdauer von bis zu 15 Jahren erreichbar.
LoRaWAN definiert und verwendet eine Stern-Topologie Netzwerkarchitektur, bei der alle die Blattknoten über das jeweils am besten geeignete Gateway kommunizieren. Diese Gateways übernehmen das Routing und können, wenn sich mehr als ein Gateway in der Reichweite eines Blattknotens befindet, und das lokale Netzwerk überlastet ist, die Kommunikation auch auf eine Alternative umleiten.
Einige andere loT-Protokolle (beispielsweise ZigBee oder Z-Wave) verwenden hingegen sogenannte Mesh-Netzwerkearchitekturen, um die maximale Entfernung eines Endgeräts Blattknotens von einem Gateway zu erhöhen. Die Endgeräte des Mesh-Netzwerks leiten dabei die Nachrichten untereinander weiter, bis diese ein Gateway erreichen, welche die Nachrichten an das Internet übergibt. Mesh-Netzwerke programmieren sich selbst und passen sich dynamisch an die Umgebungsbedingungen an, ohne einen Master-Controller oder eine Hierarchie zu benötigen. Um Nachrichten weiterleiten zu können, müssen die Endgeräte eines Mesh-Netzwerks jedoch entweder ständig oder in regelmäßigen Abständen empfangsbereit sein und können nicht über lange Zeiträume in den Ruhezustand versetzt werden. Die Folge ist ein höherer Energiebedarf der Knoten-Endgeräte für das Weiterleiten von Nachrichten zu und von den Gateways sowie eine die daraus resultierende Verkürzung der Batterielebensdauer.
Die Stern-Netzwerkarchitektur von LoRaWAN erlaubt hingegen den Endgeräten, sich über lange Zeiträume in den stromsparenden Ruhezustand zu versetzen und stellt dadurch sicher, dass die Batterie der Endgeräte so wenig wie möglich belastet wird und somit über mehrere Jahre ohne Batteriewechsel betrieben werden kann. Das Gateway fungiert dabei als Brücke zwischen einfachen und für die Batterielebensdauer optimierten Protokollen (LoRa / LoRaWAN), welche sich besser für ressourcenbeschränkte Endgeräte eignen, und dem Internetprotokoll (IP), das zur Bereitstellung von loT-Diensten und Anwendungen eingesetzt wird. Nachdem das Gateway die Datenpakete vom Endgerät über LoRa / LoRaWAN empfangen hat, sendet es diese über das Internetprotokoll (IP) an einen Netzwerkserver, der wiederum über Schnittstellen zu IoT-Plattformen und Applikationen verfügt.
In einer weiteren Gestaltung der Erfindung werden die Ergebnisdaten auf dem Endgerät gesammelt. Die Ergebnisdaten werden so lange in dem Speicher des Endgerätes gesammelt, bis sie innerhalb eines Download-Receive-Fensters als Datenpaket über ein oder mehrere Gateways an den Netzwerkserver übermittelt werden. Das Endgerät muss kein permanent aktives Download-Receive-Fenster besitzen und daher permanent aktiv sein, wie bei einem Endgerät der Klasse C, sondern kann beispielsweise auch ein Klasse A oder Klasse B Endgerät gemäß LoRaWAN-Spezifikation sein. Der Energiebedarf eines Endgerätes wird so minimiert.
In einer weiteren Ausbildung der Erfindung werden die gesammelten Ergebnisdaten in festgelegten Intervallen an den Netzwerkserver übermittelt. Die Endgeräte werden in drei unterschiedliche bidirektionale Varianten eingeteilt: Klasse A umfasst eine Kommunikation nach dem ALOHA-Zugriffsverfahren. Bei diesem Verfahren sendet das Gerät seine erzeugten Datenpakete an das Gateway, gefolgt von zwei Download-Receive-Fenstern, die für einen Datenempfang genutzt werden können. Ein erneuter Datentransfer kann nur durch das Endgerät bei einem erneuten Upload initiiert werden. Klasse B-Endgeräte öffnen hingegen zu festgelegten Zeiten Download-Receive-Fenster. Dazu empfängt das Endgerät ein zeitgesteuertes Beacon-Signal vom Gateway. Damit weiß ein Netzwerk-Server, wann das Endgerät zum Empfang von Daten bereit ist. Endgeräte der Klasse C besitzen ein permanent geöffnetes Download-Receive-Fenster und sind damit permanent aktiv, weisen aber auch einen erhöhten Stromverbrauch auf. Zur Minimierung des Energiebedarfs der Endgeräte werden zur Ausführung des erfindungsgemäßen Verfahrens üblicherweise nur Endgeräte der Klasse A und B eingesetzt.
In einer Weiterbildung der Erfindung sind die Intervalle zeitbasiert oder datenvolumenbasiert festgelegt. Endgeräte der Klasse B übertragen die Ergebnisdaten zu festgelegten Zeiten. Endgeräte der Klasse A können ebenfalls die Ergebnisdaten zu festgelegten Zeiten an den Netzwerkserver senden. Sie können aber auch die Möglichkeit aufweisen, die Ergebnisdaten dann zu übertragen, wenn die Ergebnisdaten ein festgelegtes Datenvolumen aufweisen. Damit wird vermieden, dass das Datenvolumen zu groß für den Speicher des Endgerätes ist.
In einerweiteren Ausführung der Erfindung weist das Endgerät eine Kommunikationseinheit auf, wobei die Kommunikationseinheit nach der Übermittlung der Ergebnisdaten deaktiviert wird. Mittels der Kommunikationseinheit werden die Ergebnisdaten vom Endgerät an den Netzwerkserver übermittelt. Die Kommunikationseinheit wird nach der Übermittlung der Ergebnisdaten deaktiviert, um den Energiebedarf des Endgerätes zu reduzieren.
In einer vorteilhaften Ausgestaltung der Erfindung wird auf die Ergebnisdaten ein ML-Algorithmus angewendet. Der ML-Algorithmus ermöglicht eine verbesserte anwendungsbezogene Erfassung der zu erfassenden Gase. Außerdem korrigiert der Algorithmus die erfasste Gaskonzentration in Bezug auf die erfasste Luftfeuchte. Zusätzlich werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Hierzu werden dem Endgerät Daten über unterschiedliche Gaszusammensetzungen und deren Konzentrationen zur Verfügung gestellt, die mit den von der Sensorvorrichtung ermittelten Gaszusammensetzungen und deren Konzentrationen verglichen wird.
In einer weiteren Ausbildung der Erfindung erfolgt die erste Anwendung des ML-Algorithmus zeitlich vor der Installation der Software auf dem Endgerät und/oder vor der Montage der Sensorvorrichtung innerhalb eines Waldbrandüberwachungssystems.. Dafür wird bevorzugt das reinforcement learning verwendet. Der Algorithmus lernt durch Belohnung und Bestrafung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Waldbrandüberwachungssystems zu maximieren.
In einer Weiterbildung der Erfindung erfolgt eine Anwendung des ML-Algorithmus zeitlich nach der Installation der Software auf dem Endgerät und/oder nach der Montage der Sensorvorrichtung innerhalb eines Waldbrandüberwachungssystems. Diese Vorgehensweise weist den Vorteil auf, dass die Anpassung und Anwendung des Machine-Learning-Modells auf die Gegebenheiten Vorort angepasst werden kann. In einer erfindungsgemäßen Weiterbildung wird die Anpassung und Anwendung des Machine-Learning-Modells über ein kabelloses Netzwerk durchgeführt. Insbesondere wird die Anpassung und Anwendung des Machine-Learning-Modells des Endgerätes über die Steuereinheit in bevorzugt regelmäßigen Abständen aktualisiert.
In einer vorteilhaften Gestaltung der Erfindung werden die tn-Messdaten aus true-negative Ereignissen gewonnen, wobei die tn-Messdaten aus einem Laborversuch und/oder in natürlicher Umgebung gewonnen werden. Die erfassten tn-Messdaten sind Messdaten, die von einem Wald gemessen sind, der keinen Waldbrand aufweist. Unter Laborbedingungen werden die tn-Messdaten unter idealisierten Bedingungen erfasst und reproduzierbar. Durch die Erfassung von tn-Messdaten werden die Grundlinie und Langzeitabweichungen der Messwerte eines Endgerätes kompensiert. Außerdem werden bauartbedingte Abweichungen der in dem Endgerät verbauten Sensoren erfasst, gemittelt und kompensiert.
In einer Weiterbildung der Erfindung werden die tn-Messdaten aus der natürlichen Umgebung gewonnen, für die der Einsatz des Waldbrandfrüherkennungssystems vorgesehen ist. Die erfassten tn-Messdaten sind daher spezifisch für den entsprechenden Wald, in dem das System eingesetzt wird, und daher nur bedingt auf andere Umgebungen übertragbar. Für die Umgebung, in der das Waldbrandfrüherkennungssystem eingesetzt wird, liefern die erfassten tn-Messdaten allerdings eine bessere Grundlinie und Korrektur der Langzeitabweichungen der Messwerte eines Endgerätes.
In einer besonders vorteilhaften Ausgestaltung der Erfindung werden zusätzlich tp-Messdaten erfasst, aus denen tp-ML-Daten ermittelt werden Bei der Verwendung von ausschließlich tn-Messdaten und der Erstellung von tn-ML-Daten werden Grundlinie sowie Langzeitabweichungen kompensiert. Allerdings kann das Waldbrandfrüherkennungssystem einen Fehlalarm auslösen, wenn die erfassten Messdaten und daraus erstellten Ergebnisdaten eines Endgerätes von diesen tn-ML-Daten abweichen, auch wenn kein Waldbrand in dem zu überwachenden Areal vorhanden ist.
Eine Erfassung von tp (true-positive) -Messdaten - also zu Ereignissen, deren Messdaten einen Waldbrand darstellen - und der anschließenden Erzeugung eines tp-ML-Datensatzes erhöht die Zuverlässigkeit der von einem Endgerät erfassten Messwerte und der daraus generierten Ergebnisdaten, auf die sowohl der tn-ML-Datensatz als auch der tp-ML-Datensatz angewandt wird. Die Quote von Fehlalarmen wird dadurch signifikant verringert.
In einer Weiterbildung der Erfindung werden die tp-Messdaten aus true-positive Ereignissen erfasst. True-positive Ereignisse sind im Rahmen dieser Schrift Ereignisse, deren Messdaten einen Brand, insbesondere einen Waldbrand, abbilden.
In einem weiteren Aspekt der Erfindung werden die true-positive Ereignisse im Labor nachgestellt. Unter Laborbedingungen ist eine Simulation der true-positive Ereignisse gefahrlos und reproduzierbar möglich.
In einer weiteren Ausführung der Erfindung werden tp-ML-Daten und tn-ML-Daten zu ML-Daten zusammengefasst. Die ML-Daten weisen also tp-ML-Daten und tn-ML-Daten auf, die im Endgerät gespeichert und auf Messdaten des Endgerätes angewandt werden. Die Quote von Fehlalarmen wird dadurch signifikant verringert.
In einer Weiterbildung der Erfindung werden die Ergebnisdaten aus den Messdaten und der ML-Daten ermittelt. Eine Erfassung von tp -Messdaten - also zu Ereignissen, deren Messdaten einen Waldbrand darstellen - und der anschließenden Erzeugung eines tp-ML-Datensatzes erhöht die Zuverlässigkeit der von einem Endgerät erfassten Messwerte und der daraus generierten Ergebnisdaten, auf die sowohl der tn-ML-Datensatz als auch der tp-ML-Datensatz angewandt wird. Die Quote von Fehlalarmen wird dadurch signifikant verringert.
In einer weiteren Ausgestaltung der Erfindung werden die tn-Messdaten aus unterschiedlichen Regionen der natürlichen Umgebung gewonnen, für die der Einsatz des Waldbrandfrüherkennungssystems vorgesehen ist. Je nach Ausdehnung des zu überwachenden Waldes sind die tn-Messdaten für unterschiedliche Regionen des zu überwachenden Waldes ebenfalls unterschiedlich. Mittels unterschiedlicher tn-Messdaten für jeweils unterschiedliche Regionen kann daher eine regional ortsaufgelöste Korrektur der Grundlinie sowie Langzeitabweichungen erfolgen.
In einer weiteren Ausbildung der Erfindung werden aus den aus unterschiedlichen Regionen der natürlichen Umgebung gewonnenen tn-Messdaten unterschiedliche tn-ML-Daten erstellt. Je nach Ausdehnung des zu überwachenden Waldes sind die tn-Messdaten für unterschiedliche Regionen und die aus den tn-Messdaten generierten tn-ML-Daten des zu überwachenden Waldes unterschiedlich.
In einer weiteren Gestaltung der Erfindung werden unterschiedlichen tn-ML-Daten unterschiedliche Regionen des zu überwachenden Waldes zugeordnet. Mittels unterschiedlicher tn-ML-Daten für jeweils unterschiedliche Regionen und den entsprechenden Ortsinformationen der tn-ML-Daten kann daher eine regional ortsaufgelöste Korrektur der Grundlinie sowie Langzeitabweichungen von Messwerten eines Endgerätes erfolgen.
In einer weiteren Ausführung der Erfindung werden zur Ermittlung der Ergebnisdaten die aus einer spezifischen Region des zu überwachenden Waldes erfassten Messwerte mit den dieser Region zugeordneten tn-ML-Daten abgeglichen. Mittels unterschiedlicher tn-Messdaten für jeweils unterschiedliche Regionen kann daher eine regional ortsaufgelöste Korrektur der Grundlinie sowie Langzeitabweichungen erfolgen.
In einer weiteren vorteilhaften Ausgestaltung der Erfindung werden Messdaten vom Waldbrandfrüherkennungssystems erfasst, wobei die Ergebnisdaten durch Anwendung der tn-ML-Daten auf die erfassten Messdaten ermittelt werden. Je nach Ausdehnung des zu überwachenden Waldes W werden außerdem tn-Messdaten von unterschiedlichen Regionen der natürlichen Umgebung erfasst. Aus diesen derart erfassten tn-Messdaten werden dann jeweils regional unterschiedliche tn-ML-Daten erstellt, wobei sich die tn-ML-Daten von Region zu Region unterscheiden. Die unterschiedlichen tn-ML-Daten sind daher unterschiedlichen Regionen des zu überwachenden Waldes W zugeordnet und auf die Messdaten des Waldbrandfrüherkennungssystems ortsaufgelöst angewandt.
Die Aufgabe wird ebenfalls mittels eines Waldbrandfrüherkennungssystems mit einem LoRaWAN-Netzwerk gelöst. Vorteilhafte Ausführungen sind in den nachfolgenden Unteransprüchen dargelegt.
Das erfindungsgemäße Waldbrandfrüherkennungssystem mit einem LoRaWAN-Netzwerk weist ein Endgerät auf. Das Endgerät weist eine Sensorvorrichtung auf, die einen oder eine Mehrzahl Sensoren z.B. zur Gasanalyse aufweist. Das erfindungsgemäße Waldbrandfrüherkennungssystem weist außerdem eine erste Steuervorrichtung, eine Auswertevorrichtung zur Auswertung der von der Sensorvorrichtung gelieferten Messsignale sowie eine Vorrichtung zur Energieversorgung auf. Die Vorrichtung zur Energieversorgung ermöglicht ein autarkes Betreiben des Endgerätes, indem beispielsweise ein Akku über z.B. Solarzellen aufladbar ist. Das erfindungsgemäße Waldbrandfrüherkennungssystem weist außerdem einen Netzwerkserver auf. Der Netzwerkserver verfügt über Schnittstellen zu weiteren Applikationen, mit denen z.B. Ausbreitungsrichtung und Ausbreitungsgeschwindigkeit eines Waldbrandes bestimmt werden können.
Erfindungsgemäß ist die erste Steuervorrichtung geeignet und dafür vorgesehen, auf einen Speicher zuzugreifen, der Daten aus der Anpassung und Anwendung eines Machine-Learning-Modells aufweist. Der Algorithmus des Modells ermöglicht eine verbesserte anwendungsbezogene Erfassung der zu erfassenden Gase. Außerdem korrigiert der Algorithmus die erfasste Gaskonzentration in Bezug auf die erfasste Luftfeuchte. Zusätzlich werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Hierzu werden dem Sensorsystem Daten über unterschiedliche Gaszusammensetzungen und deren Konzentrationen zur Verfügung gestellt, die mit den von dem Sensor ermittelten Gaszusammensetzungen und deren Konzentrationen verglichen wird.
Das Machine-Learning-Modell umfasst erfindungsgemäß tn-ML-Daten. tn-ML-Daten sind Daten, die mittels des Algorithmus eines Machine-Learning-Modells aus tn-Messdaten erstellt werden. Die mit diesen tn-Parametern erfassten tn-Messdaten (true negative-Messdaten) sind Messdaten, die von einem Wald gemessen sind, der ebenfalls keinen Waldbrand aufweist. Die erfassten tn-Messdaten bilden daher Messdaten eines Waldes ab, der keinen Waldbrand aufweist. Durch die Erfassung von tn-Messdaten werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Außerdem werden bauartbedingte Abweichungen der in dem Endgerät verbauten Sensoren erfasst, gemittelt und kompensiert.
In einer Weiterbildung der Erfindung umfasst das Machine-Learning-Modell tp-ML-Daten. Eine Erfassung von tp -Messdaten - also zu Ereignissen, deren Messdaten einen Waldbrand darstellen - und der anschließenden Erzeugung eines tp-ML-Datensatzes erhöht die Zuverlässigkeit der von einem Endgerät erfassten Messwerte und der daraus generierten Ergebnisdaten, auf die sowohl der tn-ML-Datensatz als auch der tp-ML-Datensatz angewandt wird. Die Quote von Fehlalarmen wird dadurch signifikant verringert.
In einer Weiterbildung der Erfindung ist der Speicher Teil des Endgerätes. Das Endgerät weist ein Gehäuse zum Schutz der Komponenten vor Witterungseinflüssen auf. Der Speicher ist ebenfalls in dem Gehäuse angeordnet und mit der ersten Steuervorrichtung verbunden.
In einer weiteren Ausgestaltung der Erfindung ist der Netzwerkserver mit einer zweiten Steuervorrichtung gekoppelt, die dafür geeignet und dafür vorgesehen ist, ein Machine-Learning-Programm auszuführen. Die zweite Steuervorrichtung weist ein System auf, das über einen Machine-Learning-Algorithmus verfügt. Der Machine-Learning-Algorithmus verwendet Trainingsdaten zur Verbesserung des Machine-Learning-Modells.
In einer weiteren Ausbildung der Erfindung hat die zweite Steuervorrichtung Zugriff auf die von dem Endgerät erfassten Messsignale. Die vom Endgerät erfassten Messsignale sind Trainingsdaten, mit denen ein Machine-Learning-Algorithmus der zweiten Steuervorrichtung trainiert wird.
In einer weiteren Ausführung der Erfindung ist die zweite Steuervorrichtung über zwei unterschiedliche Netzwerke mit dem Endgerät verbunden.
In einer weiteren Gestaltung der Erfindung weist das Endgerät einen Feuchtesensor zur Erfassung der Luftfeuchte auf. Die Luftfeuchte, insbesondere die relative Luftfeuchte, ist ein Indikator für die Waldbrandgefahr.
In einer Weiterbildung der Erfindung weist das Endgerät einen Temperatursensor zur Erfassung der Umgebungstemperatur auf. Ein Indikator für das Vorhandensein eines Waldbrandes ist die Temperatur der Luft.
In einer weiteren Ausgestaltung der Erfindung weist das Endgerät einen Drucksensor zur Erfassung des Luftdrucks auf. Mittels der Erfassung des Luftdrucks können Vorhersagen der Windrichtung und Windgeschwindigkeit und somit auch der Ausbreitungsgeschwindigkeit und Ausbreitungsrichtung getroffen werden.
Ausführungsbeispiele des erfindungsgemäßen Verfahrens zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung und des erfindungsgemäßen Waldbrandfrüherkennungssystems sind in den Zeichnungen schematisch vereinfacht dargestellt und werden in der nachfolgenden Beschreibung näher erläutert.
Es zeigen:

1: Aufbau eines Waldbrandfrüherkennungssystems aufweisend ein LoRa-Funknetzwerk mit Versand von Ergebnisdaten und ML-Daten, ML-Einheiten fest angeordnet
2: Aufbau eines Waldbrandfrüherkennungssystems aufweisend ein LoRa-Funknetzwerk mit Versand von Ergebnisdaten und ML-Daten, mobile ML-Einheiten
3: Detailansicht eines Waldbrandfrüherkennungssystems aufweisend ein LoRa-Funknetzwerk mit Versand von Ergebnisdaten und ML-Daten, mobile und fest angeordnete ML-Einheiten
4: Mobile Waldbranddetektionseinheit mit einer ML-Einheit
5 a: Aufbau einer ML-Einheit mit einem Waldbranddetektionssensor
5 b: Aufbau einer ML-Einheit mit zwei unterschiedlichen Waldbranddetektionssensoren
5 c: Aufbau eines Ausführungsbeispiels einer ML-Einheit mit drei unterschiedlichen Waldbranddetektionssensoren

1 und 2 zeigen jeweils ein erfindungsgemäßes Waldbrandfrüherkennungssystem 1. Das Waldbrandfrüherkennungssystem 1 weist eine Mehrzahl von Endgeräten ED auf. Ein einzelnes Endgerät ED verfügt zur Erkennung eines Waldbrandes über eine Sensoreinheit, die Sensoren zur Ermittlung der Luftfeuchte, des Luftdrucks und einen Temperatursensor aufweist. Optional oder zusätzlich verfügt ein Endgerät ED über Sensoren zur Gasanalyse und zur Erfassung der vorherrschenden Windrichtung, mit denen Zusammensetzung und Konzentration von Gasen sowie deren Ausbreitungsrichtung ermittelt wird. Weiterhin verfügt ein Endgerät über eine Kommunikationseinheit, eine Steuereinheit und einen Speicher, auf dem ein Satz ML-Daten abgelegt ist.
Ein Gateway G weist jeweils eine Kommunikationsschnittstelle sowohl zu einem Endgerät ED zum Datenaustausch, als auch zu einem Grenz-Gateway BGD auf. Die Verbindung zum Grenz-Gateway BGD kann insbesondere über ein vermaschtes Multi-Hop-Netzwerk MHF erfolgen, während die Verbindung zum Endgerät ED eine Single-Hop-Verbindung FSK ist. Die beiden Kommunikationsschnittstellen des Gateways G verwenden unterschiedliche Kommunikationskanäle, sodass über den verwendeten Kommunikationskanal der Absender zugeordnet werden kann.
Ein Grenz-Gateway BGD weist jeweils eine Kommunikationsschnittstelle zu einem Gateway G und zu dem Netzwerkserver NS auf. Das Grenz-Gateway BGD sendet dann die Daten eines Endgerätes ED, das über Single-Hop- und Multi-Hop-Verbindung an das Grenz-Gateway BGD versandt wurde, direkt mittels eines Internetprotokolls IP an den Netzwerkserver NS. Die Kommunikation des Grenz-Gateways BGD mit dem Netzwerkserver NS kann drahtgebunden WN oder auch drahtlos IP erfolgen. Jede Kommunikationsschnittstelle des Grenz-Gateways BGD verwendet einen eigenen zu dem von den jeweils anderen Kommunikationsschnittstellen unterschiedlichen Kommunikationskanal.
Der Netzwerkserver NS ist mit einer zweiten Steuereinheit verbunden, die geeignet und dafür vorgesehen ist, ein Machine-Learning-Programm auszuführen. Insbesondere wird der ML-Datensatz des Endgerätes ED über die zweite Steuereinheit in bevorzugt regelmäßigen Abständen aktualisiert.
Das erfindungsgemäße Verfahren zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung weist drei Verfahrensschritte auf: Im ersten Verfahrensschritt werden tn-Messdaten aus Messungen von tn-Parametern des Waldes W unter tn-Bedingungen erfasst.
Die tn-Parameter werden mittels dem in dem Waldbrandfrüherkennungssystem 1 angeordneten MLEinheiten ML erfasst (s. 5). Diese ML-Einheiten ML sind wie ein Endgerät ED über eine Single-Hop-Verbindung FSK mit Gateways G verbunden. Über Multi-Hop-Verbindung MHF ist ein Gateway G über Grenz-Gateways BGD mit dem Netzwerkserver NS verbunden.
Die erste Steuereinheit C einer ML-Einheit ML sammelt die Messwerte der Sensorvorrichtung der ML-Einheit ML und speichert diese in dem Speicher. Die erste Steuervorrichtung C der ML-Einheit ML erstellt aus den erfassten tn-Parametern tn-ML-Daten, indem ML-Daten auf die erfassten tn-Messdaten angewandt werden.
Im dritten Verfahrensschritt werden tn-ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem 1 implementiert. Dazu weist der Speicher eines Endgerätes einen tn-ML-Datensatz auf, der zeitlich vor der Installation der Software der Sensorvorrichtung und/oder insbesondere vor der Montage der Endgeräte ED innerhalb eines Waldbrandüberwachungssystems 1 in dem Speicher abgelegt wurde.
Die ML-Einheit ML erfasst tn-Parameter von dem zu überwachenden Wald W, der keinen Waldbrand aufweist. Derartige Parameter sind z.B. Umgebungstemperatur, Luftfeuchte, Windrichtung und stärke und/oder die Zusammensetzung von Gasen, abhängig von den in dem Endgerät ED angeordneten Sensoren. Aus diesen tn-Parametern werden tn-Messdaten des zu überwachenden Waldes W in einem zweiten Verfahrensschritt generiert. Die erfassten tn-Messdaten sind daher von einem Wald W generiert, der ebenfalls keinen Waldbrand aufweist. Die tn-Messdaten werden vorzugsweise von dem natürlichen Wald W erfasst und generiert, für den der Einsatz des Waldbrandfrüherkennungssystems 1 vorgesehen ist. Je nach Ausdehnung des zu überwachenden Waldes W werden außerdem tn-Messdaten von unterschiedlichen Regionen der natürlichen Umgebung erfasst. Aus diesen derart erfassten tn-Messdaten werden dann jeweils regional unterschiedliche tn-ML-Daten erstellt, wobei sich die tn-ML-Daten von Region zu Region unterscheiden. Die unterschiedlichen tn-ML-Daten sind daher unterschiedlichen Regionen des zu überwachenden Waldes W zugeordnet und werden mit den vom Endgerät ED erfassten Messdaten abgeglichen.
Zur Erfassung der tn- Messdaten können alternativ oder zusätzlich zu den fest angeordneten ML-Einheiten ML bewegliche, insbesondere flugfähige ML-Einheiten ML (s. 2, 4) eingesetzt werden. Im und um den Wald W herum verteilt sind eine Mehrzahl von Waldbranddetektionsvorrichtungen 100 angeordnet. Jede Waldbranddetektionsvorrichtung 100 weist jeweils eine Waldbranddetektionsstation 200 sowie eine bewegliche Waldbranddetektionseinheit 300 mit einer ML-Einheit ML auf (s. 4).
Alternativ oder zusätzlich zur Erfassung von tn-Messdaten aus natürlicher Umgebung kann die Erfassung von tn-Messdaten auch in einer definierten und standardisierten Laborumgebung durchgeführt werden. Durch die Erfassung von tn-Messdaten werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Außerdem werden bauartbedingte Abweichungen der in dem Endgerät ED verbauten Sensoren erfasst, gemittelt und kompensiert.
Vorteilhafterweise werden wie dargelegt nicht nur tn-Parameter und tn-Messdaten aus true-negative-Ereignissen erfasst und erzeugt, sondern zusätzlich werden aus true-positive-Ereignissen tn-Messdaten erfasst. Ein true-positive-Ereignis ist im einfachsten Fall ein Waldbrand. Hierzu wird beispielsweise in einem Labor Waldbestandteile, wie beispielsweise die in Wäldern vorkommende Fauna, Waldbodenbestandteile und/oder auf dem Waldboden befindliches Lockermaterial bei verschiedenen Temperaturen erhitzt und/oder verbrannt und die entstehenden Gase detektiert. Dies kann optional für einen mit einem Waldbrandfrüherkennungssystem 1 auszustattenden Wald W spezifisch erfolgen.
Der tp-ML-Datensatz wird aus diesen experimentell im Labor ermittelten Messdaten ermittelt. Es wird daher ein ML-Datensatz mit Daten zu true-positive-Ereignissen erzeugt - also zu Ereignissen, deren Messdaten einen Waldbrand darstellen. Zur Ermittlung der Ergebnisdaten werden die aus einer spezifischen Region des zu überwachenden Waldes W erfassten Messwerte mit den dieser Region zugeordneten tn-ML-Daten abgeglichen. Dadurch wird das Endgerät ED in die Lage versetzt, mit Hilfe seiner Steuereinheit die erfassten Messdaten mit den tn-ML-Daten und tp-ML-Daten zu vergleichen und bei Übereinstimmung der erfassten Ergebnisdaten mit den gespeicherten tp-ML-Daten über die Kommunikationsschnittstelle des Endgerätes ED eine entsprechende Nachricht an der Netzwerkserver NS zu senden. Der erste ML-Datensatz wird auf das Endgerät ED vor der Installation des Waldbrandfrüherkennungssystems gespielt.
Zur Erkennung eines Waldbrandes werden Messdaten durch die Sensorvorrichtung des Endgerätes ED des Waldbrandfrüherkennungssystems 1 erfasst. Die Erfassung der Messdaten erfolgt üblicherweise nicht kontinuierlich, sondern in einstellbaren Intervallen. Dadurch wird der Stromverbrauch des Endgerätes ED verringert. Aus diesen Messdaten erzeugt das Endgerät ED einen Satz von Ergebnisdaten mittels eines im Speicher des Endgerätes ED gespeicherten ML-Datensatzes. Der Satz von Ergebnisdaten wird von einem Endgerät ED in festgelegten zeitlichen Intervallen (zeitbasiert oder datenvolumenbasiert) an ein Gateway G versendet. Das Gateway G leitet diese Ergebnisdaten weiter an den Netzwerkserver NS, der die Ergebnisdaten an die zweite Steuereinheit weiterleitet. Auf der zweiten Steuereinheit wird ein Machine-Learning-Algorithmus auf die Ergebnisdaten angewandt und so einen ML-Datensatz erzeugt. Die zweite Steuereinheit sendet den ML-Datensatz an den Netzwerkserver NS, der den ML-Datensatz zurück an das Gateway G sendet. Das Gateway G leitet den ML-Datensatz wiederum weiter an das Endgerät ED. Der ML-Datensatz wird von dem Endgerät ED empfangen und derart im Speicher des Endgerätes ED gespeichert, dass der von der zweiten Steuereinheit gesendete ML-Datensatz den bisher im Speicher des Endgerätes ED gespeicherten ML-Datensatz ersetzt.
Mit derartigen Machine-Learning-Algorithmen kann die Detektion eines Brandes zuverlässig auch in entlegenen Gebieten erfolgen. Durch die Auswertung dieser Daten können Aussagen über das aktuelle Lagebild nach Waldbränden getroffen werden.
Eine Detailansicht eines erfindungsgemäßen Waldbrandfrüherkennungssystems 1 zeigt 3. Das Waldbrandfrüherkennungssystem 1 weist ein LoRaWAN-Mesh-Gateway-Netzwerk 10 mit einer Mehrzahl von Waldbranddetektionssensoren ED auf, wobei jeweils acht Waldbranddetektionssensoren ED über eine Single-Hop-Verbindung FSK mit einem Gateway G kommunizieren. Die Gateways G sind untereinander sowie mit Grenz-Gateways BGD verbunden. Die Grenz-Gateways BGD sind mit dem Internetnetzwerkserver NS verbunden, entweder über eine drahtgebundene Verbindung WN oder über eine drahtlose Verbindung mittels Internetprotokoll IP. Eine Mehrzahl von Waldbranddetektionsvorrichtungen 100 ist um den zu überwachenden Wald W angeordnet.
Zur Erfassung von tn-ML-Daten sind in dem zu überwachenden Wald W fest intallierte ML-Einheiten ML sowie eine Mehrzahl von Waldbranddetektionsvorrichtungen 100 angeordnet. Jede Waldbranddetektionsvorrichtung 100 weist jeweils eine Waldbranddetektionsstation 200 sowie eine bewegliche Waldbranddetektionseinheit 300 auf (s. 4).
4 zeigt ein Ausführungsbeispiel einer Waldbranddetektionseinheit 300, die wie ein Endgerät ED Sensoren 330, 340 zur Erkennung eines Waldbrandes sowie einer ML-Einheit 310 aufweist. Die Waldbranddetektionseinheit 300 ist als flugfähige Drohne ausgeführt, die autonom, automatisch und/oder fernsteuerbar ausgeführt ist. Die Waldbranddetektionseinheit 300 weist eine Antriebseinheit 320 mit einer Mehrzahl an von Motoren 321 angetriebenen Rotoren 322 auf. Die Motoren 321 sind üblicherweise Elektromotoren und werden durch einen wiederaufladbaren Energiespeicher (Akku) mit Energie versorgt. Durch Verschwenken der Rotoren 322 und Variation der Drehzahl der die einzelnen Motoren 321 ist die Waldbranddetektionseinheit 300 steuerbar.
Die Waldbranddetektionseinheit 300 weist den zweiten Waldbranddetektionssensor 330 auf, der in diesem Ausführungsbeispiel eine Infrarot-Kamera ist. Zusätzlich weist die Waldbranddetektionseinheit 300 in diesem Ausführungsbeispiel einen weiteren Waldbranddetektionssensor 340 auf, der als Drucksensor ausgebildet ist. Zur Erfassung von tn-ML-Messdaten weist die Waldbranddetektionseinheit 300 die ML-Einheit 310 auf, die lösbar mit der Waldbranddetektionseinheit 300 über die Verbindung 312 in der Aufnahme 311 verbunden ist.
Die erfindungsgemäße Waldbranddetektionseinheit 300 weist außerdem einen Navigationssensor 350 auf, der Objekte in der Umgebung der Waldbranddetektionseinheit 300 erfasst. Der Navigationssensor 350 weist einen oder eine Mehrzahl von Kameras und/oder auf Laufzeitmessung basierende Sensoren (z.B. Radar, Ultraschall, Lidar) auf, die Hindernisse auf dem Flug der Waldbranddetektionseinheit 300 erkennt. Die Hindernisse werden von der in der Waldbranddetektionseinheit 300 angeordneten Steuereinheit derart erfasst, erkannt und analysiert, dass die Waldbranddetektionseinheit 300 während ihres Fluges den Hindernissen automatisch ausweicht.
5 zeigt drei Varianten eines Ausführungsbeispiels einer ML-Einheit ML, die innerhalb eines Systems 1 zur Waldbrandfrüherkennung angeordnet ist (s. 1, 3). Die ML-Einheit ML ist wie ein Endgerät ED ebenfalls ein Sensor zur Erkennung eines Waldbrandes. Um die ML-Einheit ML auch in unwirtlichen und insbesondere ruralen Gegenden fernab von Energieversorgung installieren und betreiben zu können, ist die ML-Einheit ML mit einer autarken Energieversorgung E ausgestattet. Die Energieversorgung E ist im einfachsten Fall eine Batterie, die auch wiederaufladbar gestaltet sein kann. Möglich ist aber auch der Einsatz von Kondensatoren, insbesondere Superkondensatoren. Etwas aufwändiger und kostenintensiver, aber eine sehr lange Lebensdauer der ML-Einheit ML bietende Energieversorgung E ist der Einsatz von Solarzellen.
Außerdem weist eine ML-Einheit ML die eigentliche Sensoreinheit auf, die ein oder mehrere Sensoren S1.1, S1.2, S2.1, S2.2, S3.1, S3.2 zur Detektion eines Waldbrandes aufweist. Die Sensoren S1.1, S1.2, S2.1, S2.2, S3.1, S3.2 sind mit der Recheneinheit C verbunden. Dabei weist die ML-Einheit ML einen ersten Temperatursensor S1.1 sowie einen baugleichen zweiten Temperatursensor S1.2 auf (5 a). Außerdem oder zusätzlich ist in der ML-Einheit ein erster S2.1 und baugleicher zweiter Feuchtesensor S2.2 (5 b) sowie ein erster S3.1 und baugleicher zweiter Drucksensor S3.2 (5 c) angeordnet. Weiterhin können Sensoren zur Gasanalyse in der ML-Einheit angeordnet werden. Durch die Anordnung von jeweils zwei (oder mehr) zueinander baugleichen Sensoren S1.1, S1.2, S2.1, S2.2, S3.1, S3.2 zur Detektion eines Waldbrandes in der ML-Einheit werden bei der Erfassung von Messdaten bauartbedingte Abweichungen und Ungenauigkeiten der in dem Endgerät verbauten Sensoren S1.1, S1.2, S2.1, S2.2, S3.1, S3.2 erfasst, gemittelt und kompensiert.
Mittels der Kommunikationsschnittstelle K1 werden ML-Datenpakete der ML-Einheit ML als Datenpaket drahtlos mittels einer Single-Hop-Verbindung FSK über LoRa (Zirpenfrequenzspreizungsmodulation) oder Frequenzmodulation an ein Gateway G versendet sowie Über die Ausgangsschnittstelle A ist die ML-Einheit mit einem oder mehreren Gateways G über eine Single-Hop-Verbindung FSK verbunden. Alle genannten Komponenten sind in einem Gehäuse zum Schutz vor Witterungseinflüssen angeordnet.
BEZUGSZEICHENLISTE

1: Waldbranddetektionssystem
10: LoRaWAN-Mesh-Gateway-Netzwerk
ED: Endgerät / Erster Waldbranddetektionssensor
G: Gateway
NS: Internet-Netzwerk-Server
IP: Internetprotokoll
MHF: Multi-Hop-Funknetzwerk
MDG: Mesh-Gateways
BGD: Grenz-Gateway
FSK: FSK-Modulation
WN: Drahtgebundene Verbindung
W: Wald
100: Waldbranddetektionsvorrichtung
200: Waldbranddetektionsstation
300: Waldbranddetektionseinheit
310: ML-Einheit
311: Aufnahme
312: Lösbare Verbindung
320: Flugantrieb/Antriebseinheit
321: Motor
322: Rotor
330: Zweiter Waldbranddetektionssensor / IR-Kamera
340: Waldbranddetektionssensor
350: Navigationssensor
A: Ausgang
C: Recheneinheit
E: Energieversorgung
K1: Kommunikationsschnittstelle
ML: ML-Einheit
S1.1, S1.2: Temperatursensor
S2.1, S2.2: Feuchtesensor
S3.1, S3.2: Drucksensor
W: Wald

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 7791415 B2 [0023]

Claims

Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung mit den Verfahrensschritten • Ermitteln von tn-Messdaten aus Messungen von tn-Parametern eines Waldes (W) unter tn-Bedingungen • Erstellen von tn-ML-Daten aus den tn-Messdaten • Implementation von tn-ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem (1).
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 1, dadurch gekennzeichnet, dass ein Waldbrand anhand der ermittelten Ergebnisdaten erkannt wird.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Messdaten von einem Endgerät (ED) erfasst werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Ergebnisdaten durch ein Endgerät (ED) ermittelt werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die tn-ML-Daten in dem Endgerät (ED) implementiert sind.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Ergebnisdaten an einen Netzwerkserver (NS) übermittelt werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 6, dadurch gekennzeichnet, dass nur ein Teil der Ergebnisdaten an den Netzwerkserver (NS) übermittelt wird.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 6 oder 7, dadurch gekennzeichnet, dass die Übermittlung mittels eines Protokolls wie LoRa, LoRaWAN und/oder IP erfolgt.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der Ansprüche 6 bis 8, dadurch gekennzeichnet, dass die Ergebnisdaten auf dem Endgerät (ED) gesammelt werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 9, dadurch gekennzeichnet, dass die gesammelten Ergebnisdaten in festgelegten Intervallen an den Netzwerkserver (NS) übermittelt werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 10, dadurch gekennzeichnet, dass die Intervalle zeitbasiert oder datenvolumenbasiert festgelegt sind.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der Ansprüche 6 bis 11, dadurch gekennzeichnet, dass das Endgerät (ED) eine Kommunikationseinheit aufweist, wobei die Kommunikationseinheit nach der Übermittlung der Ergebnisdaten deaktiviert wird.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass auf die Ergebnisdaten ein ML-Algorithmus angewendet wird.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche dadurch gekennzeichnet, dass die erste Anwendung des ML-Algorithmus zeitlich vor der Installation der Software auf dem Endgerät (ED) und/oder vor der Montage der Sensorvorrichtung innerhalb eines Waldbrandfrüherkennungssystems (1) erfolgt.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Anwendung des ML-Algorithmus zeitlich nach der Installation der Software auf dem Endgerät (ED) und/oder nach der Montage der Sensorvorrichtung innerhalb eines Waldbrandfrüherkennungssystems (1) erfolgt.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 15, dadurch gekennzeichnet, dass die neu ermittelten ML-Daten über ein kabelloses Netzwerk an die Endgeräte (ED) übermittelt werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die tn-Messdaten aus true-negative Ereignissen gewonnen werden, wobei die tn-Messdaten aus einem Laborversuch und/oder in natürlicher Umgebung gewonnen werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 17, dadurch gekennzeichnet, dass die tn-Messdaten aus der natürlichen Umgebung gewonnen werden, für die der Einsatz des Waldbrandfrüherkennungssystems (1) vorgesehen ist.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zusätzlich tp-Messdaten erfasst werden, aus denen tp-ML-Daten ermittelt werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 19, dadurch gekennzeichnet, dass die tp-Messdaten aus true-positive Ereignissen erfasst werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 20, dadurch gekennzeichnet, dass die true-positive Ereignisse im Labor nachgestellt werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einen oder mehreren der Ansprüche 17 bis 21, dadurch gekennzeichnet, dass tp-ML-Daten und tn-ML-Daten zu ML-Daten zusammengefasst werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 22, dadurch gekennzeichnet, dass die Ergebnisdaten aus den Messdaten und der ML-Daten ermittelt werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der Ansprüche 17 bis 23, dadurch gekennzeichnet, dass die tn-Messdaten aus unterschiedlichen Regionen der natürlichen Umgebung gewonnen werden, für die der Einsatz des Waldbrandfrüherkennungssystems (1) vorgesehen ist.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 24, dadurch gekennzeichnet, dass aus den aus unterschiedlichen Regionen der natürlichen Umgebung gewonnenen tn-Messdaten unterschiedliche tn-ML-Daten erstellt werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass unterschiedlichen tn-ML-Daten unterschiedliche Regionen des zu überwachenden Waldes (W) zugeordnet werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 26, dadurch gekennzeichnet, dass zur Ermittlung der Ergebnisdaten die aus einer spezifischen Region des zu überwachenden Waldes (W) erfassten Messwerte mit den dieser Region zugeordneten tn-ML-Daten abgeglichen werden.
Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass Messdaten vom Waldbrandfrüherkennungssystems (1) erfasst werden, wobei Ergebnisdaten (RDnn) durch Anwendung der tn-ML-Daten auf die erfassten Messdaten ermittelt werden.
Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) aufweisend • ein Endgerät (ED), wobei das Endgerät (ED) eine Sensorvorrichtung, eine erste Steuervorrichtung, eine Auswertevorrichtung zur Auswertung von der Sensorvorrichtung gelieferten Messsignale und eine Vorrichtung zur Energieversorgung (E) aufweist, • einen Netzwerkserver (NS), dadurch gekennzeichnet, dass die erste Steuervorrichtung geeignet und dafür vorgesehen ist, auf einen Speicher zuzugreifen, der Daten aus der Anpassung und Anwendung eines Machine-Learning-Modells aufweist, wobei das Machine-Learning-Modell tn-ML-Daten umfasst.
Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach Anspruch 29, dadurch gekennzeichnet, dass das Machine-Learning-Modell tp-ML-Daten umfasst.
Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach Anspruch 29 oder 30, dadurch gekennzeichnet, dass der Speicher Teil des Endgerätes (ED) ist.
Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 31, dadurch gekennzeichnet, dass der Netzwerkserver (NS) mit einer zweiten Steuervorrichtung gekoppelt ist, die geeignet und dafür vorgesehen ist, ein Machine-Learning-Programm auszuführen.
Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 32, dadurch gekennzeichnet, dass die zweite Steuervorrichtung Zugriff auf die von dem Endgerät (ED) erfassten Messsignale hat.
Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 33, dadurch gekennzeichnet, dass die zweite Steuervorrichtung über zwei unterschiedliche Netzwerke mit dem Endgerät (ED) verbunden ist.
Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 34, dadurch gekennzeichnet, dass das Endgerät (ED) einen Feuchtesensor (S2.1, S2.2) zur Erfassung der Luftfeuchte aufweist.
Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 35, dadurch gekennzeichnet, dass das Endgerät (ED) einen Temperatursensor (S1.1, S1.2) zur Erfassung der Umgebungstemperatur aufweist.
Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 36, dadurch gekennzeichnet, dass das Endgerät (ED) einen Drucksensor (S3.1, S3.2) zur Erfassung des Luftdrucks aufweist.