Im Laufe des technologischen Fortschrittes wird die effiziente Erfassung von bestimmten Kenngrößen immer wichtiger. Deshalb spielt inzwischen auch das Erfassen der Vibration, zum Beispiel mittels Beschleunigungsmessungen, eine wichtige Rolle in der Industrie, auf Baustellen, in Smartphones und weiteren technischen Anwendungszwecken. In Forschungsprojekten und ersten Lösungen werden Beschleunigungssensoren zur Erfassung von Aktivität der Bienen erprobt. Wobei das Ziel darin besteht, eine Systemlösung für die Imkerei zu entwickeln, um gewisse Verhaltensmuster der Bienen zu analysieren und vorhersagen zu können. Ein wichtiger Aspekt ist dabei die frühzeitige Erkennung des Schwärmens von Bienen, um einen Verlust der Hälfte des Bienenvolkes zu vermeiden. Bisher ist dies für Imker nur durch regelmäßige Kontrollen der Bienenstöcke zu realisieren, indem sie in den Bienenwaben nach sich entwickelnden Königinnenlarven Ausschau halten und diese entfernen. Das Problem ist allerdings, dass das regelmäßige Öffnen und Kontrollieren des Bienenstockes das natürliche Verhalten der Bienen stört. Aus diesem Grund wird sich erhofft, dass mithilfe der Vibrationsmessung in einem Bienenstock, unter Verwendung von Beschleunigungs- und Akustiksensoren, das Schwärmen vorhergesagt werden kann. Weswegen die Microsensys GmbH, zusammen mit mehreren Forschungsinstituten, an der Entwicklung verschiedener Systemlösungen arbeitet. Beispielsweise das in dieser Arbeit genutzte drahtlose Beschleunigungssystem, welches mittels eines Bluetooth-Gateways und mehreren Bluetooth-Beschleunigungssensoren, die Vibration innerhalb der Bienenstöcke misst. Aktuell existiert das generelle Problem bei der Forschung mit den Beschleunigungssensoren darin, dass diese eine große Menge an Messdaten erzeugen und es äußerst aufwändig ist, diese Datenmenge auszuwerten. Aus diesem Grund ist die Beschreibung eines Konzepts für einen Software-Prototypen Gegenstand dieser Arbeit, mit welchem sich diese großen Mengen an Daten automatisch verwalten, sortieren und analysieren lassen. Des Weiteren werden verschiedene algorithmische Analysemethoden für die Auswertung von Beschleunigungsdaten, beschrieben und implementiert. Die Implementierung des Prototyps erfolgte in der Arbeit ausschließlich mit der Programmiersprache Python, ist jedoch prinzipiell auch auf andere Programmiersprachen umsetzbar.

In the course of technological progress, the efficient recording of certain parameters is becoming increasingly important. This is why the detection of vibration, for example by means of acceleration measurements, now plays an important role in industry, construction sites, smartphones and other technical applications. Acceleration sensors for recording bee activity are being trialled in research projects and initial solutions. The aim here is to develop a system solution for beekeeping in order to be able to analyse and predict certain bee behaviour patterns. An important aspect of this is the early detection of swarming bees in order to prevent the loss of half the colony. Until now, beekeepers have only been able to do this by regularly checking the beehives, looking for developing queen larvae in the honeycombs and removing them. The problem, is the regularly opening and checking the beehive disturbs the bees' natural behaviour. The plan is therefore to predict swarm behaviour by using acceleration and acoustic sensors to measure vibrations in the beehive. Microsensys GmbH is therefore working together with several research institutes on the development of various system solutions. An example is the wireless acceleration system used in this work, which utilises a Bluetooth-Gateway and several Bluetooth-Accelerometers to measure the vibrations in the beehive. The general problem with research using accelerometers at the moment is that they generate a large amount of measurement data and analysing this amount of data is extremely time-consuming. For this reason, this thesis describes a concept for a software-prototype that can be used to automatically manage, sort and analyse these large volumes of data. Furthermore, various algorithmic analysis methods for the evaluation of acceleration data are described and implemented. The prototype was implemented in the project using the Python programming language, but can in principle also be implemented in other programming languages.