estimate daytime

Autor: Paolo Veronesisoftware engineer bei Paradox Engineering

 

In einer zunehmend komplexen und vernetzten Welt, Maschinelles Lernen erweist sich als äußerst nützlich für Smart Cities und jede IoT-Anwendung wo große und hochdimensionale Datenmengen verarbeitet, korreliert und bearbeitet werden müssen.

Bei Paradox Engineering wir sind in der Pilotphase Neuronale Netzwerke in spezifischen Anwendungsfällen wie zum Beispiel kommunale Feststoffabfallsammlung oder bei Patientenüberwachung im Krankenhaus und in Kliniken, die beide mittlere bis hohe Rechenleistungen erfordern. Neuronale Netze werden in der Regel dann eingesetzt, wenn es möglich ist, große Rechenressourcen (wie Workstations oder Server) zu nutzen, aber wir erforschen nun, wie man diese Technologien in einem diametral entgegengesetzten Fall einsetzen kann - also mit extrem begrenzten Ressourcen (wie ein paar hundert KB Ram und Standard-32-Bit-Prozessoren mit weniger als hundert MHz).

Die Nutzung von neuronalen Netzwerken auf eingebetteten IoT-Geräten ist eine neue, aufkommende Anwendung. Unser Ziel ist es, Daten lokal, auf dem eingebetteten Gerät, zu verarbeiten, ohne Informationen über das Netzwerk zu senden: Dies ermöglicht den Geräten, auch bei Netzwerkausfällen ordnungsgemäß zu arbeiten, verbessert die Skalierbarkeit des Systems und seine allgemeine Sicherheit, da sensible Daten auf lokaler Ebene verarbeitet werden.

Der Anwendungsfall, auf den wir uns konzentrieren, ist Smart Lighting. In einer typischen städtischen Außeninstallation sind die Straßenlaternen mit einem Mesh-Netzwerk verbunden und werden von Gateways verwaltet, die als Grenzrouter, Netzwerkkoordinatoren und Datenkonzentratoren fungieren. A zentrale Verwaltungssoftware ermöglicht die Fernverwaltung und -steuerung des Netzwerks sowie von einzelnen oder gruppierten Geräten.

Es wird erwartet, dass die Straßenbeleuchtung auch dann reibungslos funktioniert, wenn die Verbindung zum nächsten Gateway oder dem CMS nicht verfügbar ist. Um dies zu ermöglichen, Geräte sind so konfiguriert, dass sie ihre Routinen basierend auf dem aktuellen Datum und der Uhrzeit ausführenvorausgesetzt, das Gateway stellt diese Information zur Verfügung. Dies ist für Straßenlaternen unerlässlich, um die Ephemeriden abzuleiten und den täglichen Sonnenaufgang und -untergang zu berechnen - entsprechend dieser Daten, Lampen können nach programmierten Zeitplänen ein-/ausgeschaltet und gedimmt werden.

Was passiert, wenn ein Knoten isoliert ist und sich nicht mit einem Gateway verbinden kann, z. B. wegen ungünstiger Umgebungsbedingungen oder der Netzwerktopologie? Oder wenn das Gateway gar nicht installiert ist? In solchen Fällen, das Gerät sollte einen neuen Weg finden, die aktuelle Zeit zu berechnen. Wir entschieden uns für Datenanalyse und maschinelles Lernen nutzen, um Straßenlaternen exakte Tageszeiten ableiten zu lassen aus Daten, die von integrierten Umweltsensoren gesammelt wurden.

Die Zeit aus Parametern wie Helligkeit, Temperatur oder Druck abzuschätzen, ist keine einfache Aufgabe. Die Umgebungsbedingungen variieren stark von Tag zu Tag, von Jahreszeit zu Jahreszeit, mit einem Grad an Komplexität, der mit einem traditionellen Programmieransatz nicht zu lösen wäre.

Neuronale Netze können Zeitreihen effizient verwalten und können, wenn sie mit einer ausreichenden Menge und Vielfalt von Daten trainiert werden, eine genaue Antwort auf unsere Frage geben. In unserem Experiment haben wir das System mit Daten trainiert die von einer Reihe von Umweltsensoren im Laufe eines Jahres erzeugt werden.

Die Ergebnisse waren wirklich vielversprechend: isolierte Straßenlaternen waren in der Lage, Daten lokal zu verarbeiten und die richtige Tageszeit mit eine durchschnittliche Genauigkeit von etwa 16 Minuten - und ihre Zeitpläne perfekt ausführen. Ohne Machine Learning wäre diese betriebliche Kontinuität nicht möglich gewesen.

 

Erfahren Sie mehr über unser Smart Lighting Anwendung: Download unser aktuelles Whitepaper (kostenlose Registrierung erforderlich), und Kontaktieren Sie unsere Machine Learning Experten!