Entradas populares

jueves, 17 de noviembre de 2011

Control Automático de Condiciones Ambientales en Domótica usando Redes Neuronales Artificiales


Control Automático de Condiciones Ambientales en Domótica usando Redes Neuronales Artificiales
Para mejorar las relaciones humano-máquina en entornos automatizados como hogares, oficinas y edificaciones se propone el uso del concepto de computación omnipresente. El concepto de computación omnipresente puede aplicarse a sistemas de automatización de residencias y lugares de trabajo, dotando al sistema de la habilidad tanto para reaccionar ante las acciones del usuario y aprender de sus hábitos, como para controlar aspectos ligados al ahorro energético, confort y seguridad del entorno. Por tanto, el desarrollo de ambientes automatizados dotados de real inteligencia, capaz de adaptarse por un lado al uso que se les da y por otro mantener condiciones propicias que apoyen la seguridad y el ahorro energético, son características esenciales en los futuros sistemas de éste tipo.
Por medio de este mecanismo automatizado se determina el estado de la iluminación, temperatura, humedad y otros valores de entorno y cómo se actúa sobre ellos. Para esto se consideran los hábitos diarios del usuario y las condiciones reales del entorno.
En cuanto a este mecanismo se utilizan redes de neuronas artificiales (RNA) como clasificador del estado de las luces, calefacción y ventilación. Se utiliza una RNA por cada dispositivo del cual se pretende obtener su estado de forma automática. Cada RNA utilizada se compone de tres capas (capa de entrada, capa oculta y capa de salida). La capa de entrada tiene 48 neuronas, en donde se codifican los valores del entorno respecto a luminosidad, temperatura, humedad, fecha y presencia o no de personas.
La capa oculta utiliza 4 neuronas. El número de neuronas de la capa oculta no puede ser demasiado pequeño, ya que disminuiría la capacidad de la RNA para aprender patrones, pero si el número de la neurona de la capa oculta es demasiado grande, se corre el riesgo de sobrealimentar el conjunto de datos (Berry, 1997), si bien el número empleado en la capa oculta es pequeño, las pruebas realizadas demuestran que es lo suficiente para obtener una clasificación adecuada.La capa de salida está compuesta por 2 neuronas, lo que permite codificar hasta 4 estados posibles (22), de los cuales se utilizarán solo 3 en esta implementación, los que se codificarán como Encender, Apagar y Mantener Estado Actual.
Por el lado del software, se construyó una escena tridimensional que se asemeja a la oficina real, tal como se muestra en la figura 1.1 . Esto mediante el motor para escenarios 3D Icarus (Icarus, 2010) y el marco de trabajo (Framework) para automatización y robótica monoBOTICS (monoBOTICS, 2010), los cuales no solo permitieron la creación de la escena de realidad virtual (Hollands,1996 ), sino que también vincular los objetos 3D con los dispositivos reales de la oficina, permitiendo ver en tiempo real las acciones de los usuarios en la oficina real en el entorno virtual y a su vez, controlar los dispositivos reales desde el entorno virtual (Ej.: encender la lámpara real enciende la lámpara virtual y apagar la lámpara virtual apaga la lámpara real).
Figura 1.1 Interfaz Simulación Icarus +monoBOTICS
Los resultados muestran que la técnica de redes neuronales es capaz de reconocer satisfactoriamente más de un 90% de los patrones del usuario.

Berry M, Linolf G.; Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management. 2nd Ed. ISBN: 978-0-471-47064-9, (1997). 
Hollands R., “The Virtual Reality Homebrewer’s Handbook”. John Wiley & Sons, (1996).
Henríquez, Mauricio R., and Patricio A. Palma. "Control Automático De Condiciones Ambientales En Domótica Usando Redes Neuronales Artificiales. (Spanish)." Información Tecnológica 22.3 (2011): 125-139. Academic Search Complete. Web. 16 Nov. 2011.





No hay comentarios: