Řízení IoT nodu pomocí ANFIS

Abstract

Používání baterií v IoT nodech přináší několik problémů, včetně nutnosti jejich výměny, což zvyšuje údržbu nodů, a to není žádoucí zejména pro zařízení umístěných na špatně dostupných místech. Baterie jsou navíc často vyráběny z těžkých kovů a omezení jejich používání vede ke snížení ekologické zátěže planety. Z těchto důvodů je snaha využívat metody zisku energie z okolí (tzv. energy harvesting), které umožňují energii získávat v potřebném místě (možná náhrada baterie superkapacitorem). Tento způsob napájení nodu je nestabilní a dochází tak k velkému kolísání. K efektivnímu hospodaření s touto energií je často zapotřebí využití složitějších algoritmů.

Tato bakalářská práce experimentuje s využitím sítě ANFIS pro řízení energeticky nezávislého IoT nodu. Pro uvedení funkčnosti ANFIS jsou potřebná trénovací data, jejichž tvorba může být velmi náročná. Cílem práce je stanovit minimální velikost trénovacích dat pro síť se dvěma vstupy a se třemi vstupy tak, aby se síť dokázala naučit dostatečně kvalitně a nod uřídit. Ze struktury trénovacích dat vyplývá, že je potřeba snižovat počet řádků, jelikož počet sloupců je fixní. Výsledky ukazují, že síti se 2 vstupy je potřeba poskytnout nejméně 600 řádků a 7000 řádků pro síť se 3 vstupy.

Výsledky této práce mohou vést ke snížení náročnosti tvorby trénovacích dat. Následkem toho je možné hledat lepší trénovací data, která povedou k lepším výsledkům v oblasti řízení, což napomůže tvorbě řídicích algoritmů pro řízení energeticky nezávislých IoT nodů.

The use of batteries in IoT nodes causes several problems, such as the need of replacing them, which increases the maintenance of the nodes, which is not desirable, especially for deviced located in poorly accessible places. In addition, batteries often contain heavy metals and reducing the usage can lead to the reduction of environmental burden on the planet. That is why, there is an effort to use energy harvesting methods allowing energy to be harvested at the location (making replacing the battery with a supercapacitor possible). This powering method is unstable and it is causing fluctuations of energy. More complex algorithms are often needed to effectively manage this energy fluctuations.

This bachelor thesis experiments with the use of ANFIS network to manage an energy independent IoT node. For bringing ANFIS its functionality it is required to have training data, which can be very challenging to ensure. The goal of this work is to determine the minimum size of training data for a two-input and three-input network so that the network can learn enough to manage the node. The structure of the training data leads to reducing only the number of rows because the number of columns is fixed. The results show that for a 2-input network needs to be provided at least 600 rows and for 3-input network it is 7000 rows.

The results of this work can lead to a reduction of the complex searching for training data. As a result, better training data can be received which will lead to better results of IoT node control, which could help in designing control algorithms for managing energy independent IoT nodes.