GPS-Datenlogger mit räumlicher Analyse auf Azure IoT Hub

Komponenten & Zubehör

Bauteil	Anzahl	Hinweise
Arduino UNO	1	Datenlogger-Hardware
Raspberry Pi 2 Model B	1	Windows 10 IoT Core Gateway
Adafruit Ultimate GPS Breakout	1	Seriell, mit PPS
MicroSD-Karte 16 GB + Adapter	2	Datenlogger & Pi
Fotowiderstand (LDR)	1	Lichtmessung 0–1023 (analog)
LEDs (3× klar, 1× rot, 1× gelb, 1× grün)	6	Satelliten-Fix-Status (HDOP)
Taster (12 mm)	2	Datenlogging & Pi-Button
Schiebeschalter	3	Binär-Codierung Feature-Type (0–7)
Widerstände (10 kΩ, 221 Ω)	Set	Pull-ups & LED-Vorwiderstände
Steckbretter (Halb & Voll)	je 1	Aufbau
9 V Blockbatterie + Klinkenadapter	1	Stromversorgung Arduino
Jumper-Kabel	1 Set	Verdrahtung

Software & Cloud-Dienste

• Arduino IDE – Firmware für Datenlogger
• Microsoft Windows 10 IoT Core – Auf Raspberry Pi 2
• Microsoft Azure IoT Hub – Cloud-Backend für Gerätemanagement & Messaging
• Visual Studio 2015 – UWP-Apps für Pi & Empfänger
• Google Earth Pro – CSV-Import & Visualisierung
• QGIS (Quantum GIS) – Räumliche Interpolation (IDW/Kriging)
• Azure IoT Device Explorer – Geräteverwaltung & Connection Strings

Projektstruktur: Drei Bausteine

1. Arduino GPS-Datenlogger (Feldgerät)

Ein batteriebetriebenes Handgerät, das beim Tastendruck folgende Daten auf MicroSD im CSV-Format speichert:

LATITUDE, LONGITUDE, LIGHT_VALUE, FEATURE_TYPE
40.77221, -73.97392, 105, 5
40.77139, -73.97394, 60, 1
...

• GPS: Adafruit Ultimate GPS → Breite, Länge, HDOP.
• Licht: Fotowiderstand (0–1023). Beispiel: Sonne ~1000, Schatten ~900, Laterne nachts ~170.
• Feature-Type: 3 Schiebeschalter → 3-Bit Binärzahl (0–7), z. B. 0=Lichtsensor, 1=Parkbank, 2=Fels, 3=Mülleimer, 4=Baum, 5=Telefon, 6=Laterne, 7=Trinkbrunnen.
• Status-LEDs: Rot = Kein Fix, Gelb = Fix HDOP > 1.5, Grün = Fix HDOP ≤ 1.5.
• Kein LCD: Zu instabil mit SD & GPS auf UNO (RAM), LEDs reichen für Feedback. 9V-Batterie hält länger ohne LCD.

2. GIS-Visualisierung & Räumliche Analyse

1. Google Earth Pro: CSV importieren, Spaltenköpfe hinzufügen, Punkte nach Feature-Type stylen.
2. QGIS – Interpolation:
   • Grenzen, Wege laden.
   • Punkte mit Lichtwerten laden, symbologisieren (blau=hell, rot=dunkel).
   • Interpolation (IDW) → flächendeckende Lichtkarte.
   • Weitere Messpunkte sammeln → Interpolation wiederholen → detaillierteres Bild.

3. Skalierung mit Windows 10 IoT Core & Azure IoT Hub

Statt manueller SD-Karten-Sammelaktion: Automatisierter Upload von tausenden Geräten.

Architektur

• Raspberry Pi 2 mit Windows 10 IoT Core als Gateway.
• UWP-App „IoTHubClientSendEvent“ liest lokale CSV-Datei (data.csv) und sendet per Button-Druck an Azure IoT Hub (HTTPS, JSON).
• Konsolen-App „IoTEventHubReceiver“ (Windows) empfängt Nachrichten via Event Hub Consumer Group, deserialisiert JSON, speichert als CSV pro Gerät & Zeitstempel (c:\gps\download\).
• Device Explorer für Connection Strings & Geräteverwaltung.

Wichtige Code-Schnipsel (C#)

Senden (Pi):

deviceClient = DeviceClient.CreateFromConnectionString("DEVICE_CONNECTION_STRING", TransportType.Http1);
initGPIO(); // Button an Pin 6 mit Debounce

private async void sendMessageToIOTHub() {
  string myString = File.Exists(uploadFile) ? File.ReadAllText(uploadFile) : "Just checking in!!";
  var msg = new evData { id = deviceId, data = myString };
  var message = new Message(Encoding.ASCII.GetBytes(JsonConvert.SerializeObject(msg)));
  await deviceClient.SendEventAsync(message);
}

Empfangen (PC):

eventHubClient = EventHubClient.CreateFromConnectionString(connectionString, "messages/events");
while (true) {
  foreach (var partition in eventHubClient.GetRuntimeInformation().PartitionIds) {
    var receiver = eventHubClient.GetDefaultConsumerGroup().CreateReceiver(partition, DateTime.UtcNow);
    while (true) {
      EventData ed = await receiver.ReceiveAsync();
      if (ed == null) continue;
      var d = JsonConvert.DeserializeObject<evData>(Encoding.UTF8.GetString(ed.GetBytes()));
      File.WriteAllText($@"c:\gps\download\{d.id}.{DateTime.Now:yyyy.MM.dd.HH.mm.ss}.csv", d.data);
    }
  }
}

Deployment auf Pi

1. Windows 10 IoT Core Image per IoT Image Helper auf microSD flashen.
2. Pi booten, im IoT Core Watcher sichtbar.
3. Visual Studio: Target „Release ARM“, Remote Machine = Pi IP.
4. App deployen, im Pi-Webinterface (Port 8080) unter Apps starten.

Zusammenfassung & Erweiterungsmöglichkeiten

• Verschiedene Sensortypen am Arduino-Logger.
• Direkter Upload vom Arduino via WiFi/Bluetooth/LTE (ESP32, MKR NB 1500).
• Andere räumliche Analysen (Hotspot, Clustering).
• Web-Mapping-App (Leaflet, Mapbox) für Roh- & Analysedaten.
• Azure Stream Analytics / Event Processor für Echtzeit-Reaktionen.

Code-Repositories

• Arduino GPS Datalogger: GitHub
• Azure IoT Hub Example (UWP Sender): GitHub
• Azure IoT Device Explorer: Doku
• Windows 10 IoT Core Samples: GitHub

Schaltpläne

• GPS-Datenlogger (Fritzing: GPSDataLogger.fzz)
• Raspberry Pi 2 GPIO Button (Fritzing: RPi2 IOT Core.fzz)