Störungserkennung

Um Staus und Zusammenbrüche des Verkehrs zu verhindern ist es u.a. notwendig, dass man frühzeitig Verkehrsstörungen erkennt, um rechtzeitig Gegenmaßnahmen einleiten zu können. Da aber keine Störung wie eine Andere ist, benötigt man entsprechende ausgefeilte Konzepte, um eine umfassende Erkennung von Störungen und Anomalien zu erreichen. Störungen können dabei von kaputten Sensoren, beschädigter Infrastruktur über abnormale bzw. unübliche Verkehrsströme und Sonderereignissen bis hin zu Unfällen und Katastrophen reichen.

ANDATA verfügt über eine breite Auswahl an vorgefertigten Software-Modulen zur automatischen Erkennung von Störungen und Anomalien in Sensorsignalen, welche schnell und einfach an die jeweilige Betriebsumgebung und an die speziellen Sensoren angepasst werden können. Das Spektrum reicht dabei von  einfachen Schwellwertverfahren bis hin zu ausgefeilten Mustererkennungsverfahren aus dem Bereich der Künstlichen Intelligenz, welche den "normalen" Verlauf von Signalen selbstständig erlernen.

Die Zusammenfassung der Definition von unterschiedlichsten Störungsbeschreibungen erfolgt in einer einheitlichen Software-Umgebung. Dadurch wird es möglich, dass man über die Zeit  Expertenwissen über die möglichen Signale und Störungen sammelt, diese kontinuierlich ausbaut und systematisch abprüft.

 

Eigenschaften und Vorteile

  • Umfassende Software-Werkzeuge zur Beschreibung, Verwaltung und Prüfung von möglichen Störungen und Anomalien in Daten und Sensorsignalen.
  • Lernende und laufend erweiterbare Datenbasis von Störungsdefinitionen.
  • Allgemeingültige Implementierung ermöglicht einfache Integration in beliebige Umgebungen und Plattformen.
  • Keine Beschränkung auf eine bestimmte Art von Sensoren oder Informationen.
  • Behandlung von beliebigen Kombinationen verschiedener Sensoren zur Prüfung von deren Informationen auf inhaltliche Konsistenz.
  • Breites Spektrum an mathematischen Methoden von ganz einfachen Schwellwert- und Intervalltests bis hin zu ausgefeilten Mustererkennungsverfahren aus dem Gebiet der Künstlichen Intelligenz.
  • Adaptive, z.T. selbstlernende Methoden zur Identifikation der Störungen.
  • Eine Vielzahl an vorgefertigten Filtermethoden und Signalverarbeitungen zur Aufbereitung der Signale und Daten verfügbar.
  • Einfache Erweiterbarkeit hinsichtlich zusätzlicher Signalaufbereitungen, Erkennungsmethoden, Statistiken und Lernverfahren.