Σχεδίαση και ανάπτυξη δικτύου ZIGBEE-MESH για παρακολούθηση περιβαλλοντικών συνθηκών σε πλοίο

Abstract

Η παρούσα διπλωματική εργασία εστιάζει στην επεξήγηση πως ένα πλοίο μπορεί να λαμβάνει ζωντανά δεδομένα από παράγοντες – χώρους ενδιαφέροντος, ώστε να μπορεί να ερμηνεύει, να προστατευεί γεγονότα και καταστάσεις μέσα από το σχεδιασμό και την ανάπτυξη ενός ασύρματου δικτύου βασισμένου στην τεχνολογία ZigBee με τοπολογία πλέγματος (Mesh). Παραδοσιακά, η επιτήρηση παραμέτρων όπως η θερμοκρασία, η υγρασία, η παρουσία επικίνδυνων αερίων και οι μηχανικοί κραδασμοί στο μηχανοστάσιο ή τα αμπάρια φορτίου, βασίζεται σε ενσύρματα συστήματα, τα οποία χαρακτηρίζονται από υψηλό κόστος εγκατάστασης, πολυπλοκότητα στη συντήρηση και δυσκολία επέκτασης. Στόχος της έρευνας είναι η πρόταση μιας αξιόπιστης, ασύρματης και ενεργειακά αποδοτικής εναλλακτικής λύσης. Αρχικά αναλύονται όλοι οι παράγοντες ενδιαφέροντος καθώς και οι δυσκολίες που έρχονται με σκοπό την διάδωση της πληροφορίας. Γίνεται ανάλυση του συστήματος ZigBee Mesh και πως αυτό είναι ικανό με χαμηλό σχετικό οικονομικό κόστος να υπερπηδήσει αυτά τα προβλήματα και να φέρει στο χειριστή χαρακτηρηστικά εύκολα για την χρήση του και να είναι μόνο συλλέκτης της πληροφορίας και τίποτα παραπάνω, μέσω του προτύπου IEEE 802.15.4, του πρωτοκόλλου δρομολόγησης AODV, το δίκτυο αποκτά την ικανότητα δυναμικής ανακάλυψης εναλλακτικών διαδρομών επικοινωνίας) και self-healing σε περίπτωση που κάποιο φυσικό εμπόδιο διακόψει την οπτική επαφή μεταξύ των κόμβων. Αν και υπάρχουν αρκετά πομποδέκτες στο εμπόριο που μπορεί να είναι ικανοί αυτή τη χρήση, η διπλωματική στηρίχτηκε στον Π/Δ χαμηλής κατανάλωσης AT86RF230, κατανέμοντας τους ρόλους του Συντονιστή (Coordinator), των δρομολογητών (Routers) και των τερματικών συσκευών ( End Divices) με τους αισθητήρες του κάθε χώρου. Από την αξιολόγηση του σχεδιασμού προκύπτει ότι το δίκτυο ZigBee προσφέρει εξαιρετική αυτονομία για τους απομακρυσμένους αισθητήρες που λειτουργούν με μπαταρία, δραστική μείωση του κόστους υλοποίησης και υψηλό ποσοστό επιτυχούς. Τέλος, προτείνονται προτάσεις για μελλοντική αξιοποίηση του συστήματος, όπως η ενσωμάτωση αλγορίθμων Μηχανικής Μάθησης (Machine Learning) για την προγνωστική συντήρηση του μηχανολογικού εξοπλισμού και η αξιοποίηση τεχνικών συλλογής ενέργειας (energy harvesting), ανοίγοντας τον δρόμο για τη μετάβαση στη νέα εποχή των «Έξυπνων Πλοίων» (Smart Ships).