Optimization of measurement setup for the surveillance of loads, movements, and deformation in fish farms

Abstract

Denne avhandlingen presenterer en undersøkelse av anvendelsen av dimensjonsreduksjonsteknikker, spesifikt Prinsipalkomponentanalyse (PCA), til sensordata fra et sjøbur på et fiskeoppdrettsanlegg. Målet med avhandlingen er å finne et mer sparsommelig sensoroppsett som beholder mesteparten av informasjonen fra det fullstendige oppsettet. Det primære fokuset ligger på dybdesensordata, men akselerometer- og lastsjakkeldata analyseres også.

Studien viser at PCA effektivt kan anvendes på dybdesensordata, noe som indikerer at det finnes optimaliserte sensoroppsett som ikke mister betydelige mengder informasjon om dybdedynamikken. Imidlertid viste anvendelsen av PCA på akselerometer- og lastsjakkeldata seg å være mer utfordrende, noe som understreker begrensningene ved PCA og den potensielle tilstedeværelsen av ikke-lineære relasjoner i disse sensorene.

Alternative tilnærminger og teknikker, som t-SNE, UMAP, autoencoders og wavelet-transformasjoner diskuteres da de kan være bedre egnet til å avdekke mønstrene i akselerometer- og lastsjakkeldata. Viktigheten av fremtidig forskning på dette området blir også diskutert.

Selv om denne studien ikke er omfattende nok til å kåre ett enkelt sensoroppsett som det mest optimale, tilbyr den verdifulle og nye innsikter som kan hjelpe til med å optimalisere sensoroppsett i akvakulturindustrien. Funnene som presenteres i denne avhandlingen bidrar derfor til pågående akademisk arbeid, samtidig som de legger grunnlaget for fremtidig forskning rettet mot å forbedre optimaliseringen av sensoroppsett i fiskeoppdrettsindustrien.

This thesis presents an investigation into the application of dimensionality reduction techniques, specifically Principal Component Analysis (PCA), to sensor data from a fish farm sea cage. The goal of the thesis is to find a more sparse sensor setup that retains most of the information of the full setup. The primary focus lies on depth sensor data, but accelerometer and load shackle data is also analysed.

The study reveals that the PCA can be effectively applied to depth sensor data, indicating the existence of optimized sensor setups that don't lose significant amounts of information regarding depth dynamics. However, the PCA's application to accelerometer and load shackle data proved more challenging, highlighting the limitations of the PCA and the potential presence of non-linear relationships in these sensors.

Alternative approaches and techniques, such as t-SNE, UMAP, autoencoders, and wavelet transforms are discussed as they might be better suited to uncover the patterns in the accelerometer and load shackle data. The importance of future research in this area is also discussed.

While this study is not comprehensive enough to crown one single sensor setup as most optimal, it offers valuable and novel insights that can help optimize sensor setups in the aquaculture industry. Thus, the findings presented in this thesis contribute to the ongoing academic efforts, while laying the foundation for future research aimed at improving the optimization of sensor setups in the fish farming industry.