magyar elektronika

Hírlevél

Tájékozódjon legfrissebb cikkeinkről, híreinkről!

Valós email cím megadása kötelező

Invalid Input

Invalid Input

NB lid ffNapjainkban a mesterséges intelligencia lépten-nyomon fellelhető környezetünkben. Számos okosváros alkalmazás esetén is használnak modern tanuló és mesterséges intelligencián alapuló algoritmusokat. Természetesen ebbe az intelligens otthonok és megoldásaik is beletartoznak.

 

 

 

 

A smart city koncepció hat fő területre szedhető szét, amelyeknek egyenként is nehéz a koordinálása, nemhogy összefogva, egy egységként kezelni őket. Gyakran ábrázolandó ez az úgynevezett smart city prizma (1. ábra) segítségével.

 

NB uj 1

1. ábra Smart city prizma

 


Ezen aspektusokból az okosotthon kiemelten fontos szerepet játszik a smart életvitel és energetika témakörökben. Ugyanakkor, meglepő módon az épületautomatizálás területén igen kevés ilyen jellegű megoldást találunk. A felmerülő bonyolultabb, nemlineáris feladatként modellezhető problémák hatékony megoldása hiányzik a mindennapi gyakorlatból. Az egyik ilyen terület a hőérzet, illetve a hűtő-fűtő rendszerek adott hőérzetet biztosító szabályozása. A gyakorlatban igen ritkán tudnak erre megoldást kínálni, aminek egyik legfőbb oka, hogy az ipari alkalmazásokat tekintve egészen más technológiákkal találkozunk e témakörben, amelyek a nem­linearitásokat nem tudják kezelni. Jelen publikáció keretében egy fuzzy mesterségesintelligencia-algoritmus segítségével fogok hőérzetre történő helyiségtemperálásra lehetőséget nyújtani.
Az automatika és a smart megoldások alapvetően három célt szolgálnak az épületekben; egyrészt energiamegtakarítási szempontokat céloznak, másrészt komfortnövekményt biztosítanak, harmadrészt pedig biztonsági feladatokat látnak el. Ezek egyike minden egyes automatikai megoldásra igaz, azonban az eredmények sok esetben inkább azt mutatják, hogy az automatikáknak hála, úgy lehetséges komfortnövekményt elérni, hogy nem szükséges hozzá több energiát elhasználni. Így abszolút mértékben nem minden esetben, viszont ugyanazon komfortszint elérése érdekében más módszerekhez képest mindenképp energiatakarékosabban viszi véghez a feladatot egy jól működő okosmegoldás alkalmazása. Az automatika és az okosrendszerek által megtakarított energia számítása ennek megfelelően érdekes következtetésekhez is vezethet, amennyiben a berendezések energiafelhasználását jól meg tudjuk határozni, valamint a megtakarított energiát is képesek vagyunk számolni. Ez többek között azért is érdekes, mert világszerte nő az energiafogyasztás, azonban a for­rások egyre szűkösebbnek bizonyulnak – a Központi Statisztikai hivatal 2021. I. félévi kiadványából is látható, hogy ezen tendencia alól Magyarország sem kivétel. Az előző év ezen időszakához képest ugyanis 4,8%-kal volt magasabb a hazai energiafogyasztás.
Az okosotthonok elterjedésével még lényegesebb, hogy azok valóban minőségi változást és jobb életvitelt valósítsanak meg. A hőmérséklet-szabályozás már az első okosotthon prototípusoknál is jelen volt. Ez az egyik legfontosabb komfortparaméter, ennek folyományaként is lényeges, hogy ezt miként is lehetséges elérni.

 

Mesterségesintelligencia-alapú megoldások

A hőérzeti témakörben a valóság erősen nemlineáris. Ennek okán a hagyományos algoritmusok és a szokásos megoldások nem feltétlenül képesek megfelelő eredménnyel működni. A modern technológiák közül számos olyan létezik, amely képes bizonyítottan jól, kis hibával kezelni a különböző nemlinearitásokat. Ebből következően már nem kell a régebbi PLC-ken alapuló technikákat az éppen kívánatos specifikációhoz mérten módosítani. Számos eshetőség van, amely nyomán a kérdést érdemes vizsgálni. Sok mesterségesintelligencia-módszer tűnik alkalmasnak a megoldásra.
Egy lehetséges mesterséges intelligencián alapuló megoldás, egy fuzzy rendszerre adaptálni a problémát. Egy fuzzy rendszerhez alapvetően szükség van egy szakértőre. Ez esetünkben a tulajdonos/megrendelő. A fuzzy rendszer alapvetően bemenetekből, kimenetekből és szabályokból épül fel. A megfelelő szabályok megalkotásához lenne szükség az előbb említett szakértőre. A bemeneti és kimeneti változókról meg kell említeni, hogy a fuzzy rendszereknek sajátosságuk, hogy ezek nem éles, hanem úgynevezett fuzzy halmazok. Ez azt jelenti, hogy a bemenet vagy a kimenet valamilyen valószínűséggel, valamekkora mértékben tartozik a halmazba.

 

Megvalósítás

A hőérzetet befolyásoló tényezők sora igen hosszúra nyúlhat, és ezek egyedenként változhatnak is. Néhány egyértelmű, fizikailag is bizonyítható befolyásoló tényezőről szeretnék beszélni. Elsődleges maga a hőmérséklet természetesen. Szintén erős a hőérzeti függés a relatív páratartalomtól, a huzatérzettől vagy a környező felületek hőmérsékleteitől és az onnan kapott hősugárzás mértékétől. Ezek mellett alapvetőnek mondhatók az öltözetből adódó komponensek. Ennek mérőszáma az úgynevezett Clo érték, amelynek egységnyi értéke 0,155NB kepl 0 . A 2. ábrán érzékeltetve ezt a számot, balról jobbra haladva az egyes öltözetek Clo értékei: 1–2; 1; 0,5; 0,15.

 

NB uj 2

2. ábra Öltözetek

 


Mindezek mellett érdemes lehet vizsgálni az ember fáradtsági szintjét. Elfogadott tény, hogy vannak, akik hőérzeti szempontból jóval érzékenyebbek a magasabb fáradtsági szinteken. Esetünkben, mivel nincs a fáradtságot jól kifejező mérőszám, egész egyszerűen egy 1-től 6-ig terjedő skálán fogom meghatározni azt, hogy a képzeletbeli alany mennyire fáradt, ahol az érték növekedése a fáradtsági szint növekedését jelzi.

 

Fuzzy rendszer

Az általam választott fuzzy rendszer egy Mamdani-típusú, háromszögtagsági függvények alkalmazásával. Ennek van hat bemeneti változója (hőmérséklet, páratartalom, huzat, felület-hőmérséklet, fáradtság, ruházat) és egy kimeneti változója (az egyed hőérzetének predikciója), ahol 0 érték esetén fázik, 1 esetén melege van és 0,5 értéknél érzi jól magát az illető az adott körülmények között (3, ábra).

 

NB 1

3. ábra A fuzzy rendszer összefoglaló ábrája

 


Az így rendelkezésre álló rendszerre kell használni a különböző normákon keresztül a fuzzy szabályokat. Az én fuzzy rendszerem norma szerinti osztályozása a Mamdani sum-min. típus. Amiatt előnyös az összeadás választása S normának, mert ilyen esetben sokkal több szabály számít bele a kiértékelési metódusba. Ennek megfelelően egy rossz szabály kevésbé tudja téves irányba befolyásolni a kimenetet. Emellett nem elhanyagolható szempont, hogy ennek változása finomabb a kimenetet tekintve, mint a max. estben, így a folytonos változás a bemeneti paraméterekben kisebb mértékű ugrásokkal járhat a kimeneten. Ez természetesen pozitívum, hiszen így kevesebb eséllyel fordulhat elő, hogy ide-oda változás legyen a három kimeneti lehetőség között.
A létrehozott adatbázis, amellyel a kutatás során foglalkoztam, 285 összetartozó adatokból álló vektort jelent esetünkben. Az összetartozó adatok soronként kerültek felvitelre az őket tartalmazó táblába. Ennek az adathalmaznak a segítségével vizsgáltam meg a későbbiekben, hogy milyen eredmény érhető el a probléma területén. A hőmérsékletet és a felületek hőmérsékleteit tartalmazó két oszlop számait a jobb kiértékelés elérése érdekében átskáláztam egy egyszerű kivonással, hogy negatív értékek minimális valószínűséggel fordulhassanak elő a való életben, tehát azzal ne nagyon kelljen foglalkozni, viszont ne üssenek el a 20 fölötti értékek a többi bemeneti értéktől olyan nagy mértékben. Ennek megfelelően a hőmérsékletoszlopra 0 és 8 közötti értékek adódtak egészenként, míg a felület-hőmérsékleti oszlopba 1 és 11 közöttiek lettek felvéve. További összemérhetőségi meggondolások okán új skálázást kapott a relatív páratartalom és a viselet is.
A felvett adatbázishoz összesen 285 szabály lett alkotva, hiszen a felvett bázis minden egyes sorából képezhető volt egy szabály. A fuzzy bemeneteket vizualizáló ábrákon látható az átskálázás eredménye is a függőleges tengelyeken. Szintén megfigyelhető, hogy a fuzzy rendszer sajátosságainak köszönhetően szerencsésebbnek tartottam a bemeneti változókat 0 értéktől indítani, így az első tagsági függvények minden esetben onnan indulnak. Előfordulhat, hogy bizonyos értéktartományokban kevés felvett szabály lesz megtalálható, így egyszerűen nem ad elég lefedést a fuzzy szabályrendszerben. Ezt a problémakört a továbbiakban nem kívánom vizsgálni, hiszen ilyen eset a valóságban tipikusan nem előforduló, irreális paraméteregyüttes esetén következhet be.

 

A fuzzy rendszer tesztelése

Teszteljük tehát első lépésben a fuzzy rendszert. Először nézzük meg, hogy az adatbázisban szereplő esetekre milyen értéket ad kimenetnek a rendszer az előzetesen meghatározott kimenetekhez viszonyítva. A kiértékelések egyszerűen numerikusan történnek. Előbb a readfis paranccsal eltároljuk egy v változóban a fuzzy rendszert, majd használjuk az evalfis függvényt a bemenetekkel. Erre egy példa (a továbbiakban csak az evalfis függvények kerülnek bemutatásra, hiszen a fis rendszer maga nem változik):

 

 NB kepl 1

 

A 4. ábrán a fuzzy bemeneti változók tagságifüggvény-kiosztása látható, amely tagsági függvények háromszög alakúak. Ehhez hasonló, megfelelően adaptált ábrák jellemzik a többi bemenetet is. A fuzzy rendszer azért is előnyös esetünkben, mivel a crisp bemenetek helyett kvázi elkeni az értékeket, ezzel is elsimítva az emberi ítélőképességből eredő bizonytalanságot. Tehát gyakorlatilag elegendő szabály esetén hasonló paraméterekre a „nagy számok törvénye alapján” egy két hibás kiértékelés kismértékben kerül figyelembevételre. Vizsgáljunk is meg öt véletlenszerű tesztpontegyüttest. Mindennek tudatában elsőként nézzük az alábbit:

 

NB kepl 2

 

NB 2

4. ábra A hőmérsékleti bemenethez tartozó tagsági függvények illusztrációja

 


Látható, hogy erre a bemeneti vektorra egyértelműen kiadta a rendszer, hogy az alany jól van a mérés idején a szobában uralkodó viszonyok között – amit 24,5 °C hőmérsékletnek, 45% relatív páratartalomnak, kis légmozgásnak, 23,5 °C felület-hőmérsékletnek lehet megfeleltetni, ahol az alany viszonylag fáradt (esti mérés lévén), öltözéke hosszú nadrág, rövid ujjú póló. Amennyiben ebbe beleképzeljük magunkat, mondhatjuk, hogy igen, ez nagyon közel van az épp tökéletes komfortérzethez egy normáltűrésű ember szempontjából. Nézzünk meg két következő esetet:

 

NB kepl 3

 

Itt mindkét esetben arra az eredményre jutunk, hogy viszonylag hideg érzés keletkezik a szabályaink alapján. Az első esetben kifejezetten hideg, hiszen ennél szinte minden tényező a fázásérzetet növelő tartományban található, míg a második esetben egy egyszerű téli naphoz lehet talán a legjobban hasonlítani a modellt. Az utóbbi esetben kicsit kedvezőbb minden érték, viszont nincs légmozgás, hiszen télen amúgy is keveset szellőztetünk. Ennek megfelelően mindkét esetben igaz, hogy hideg van, és érdemes a fűtési teljesítményt emelni. Nézzünk még két példát a másik irányba is:

 

NB kepl 4

 

Az első egy olyan eset, amelynél minden bemenet jócskán a meleg státusz irányába húzza el a kimenetet. A második esetben egy nagyobb szellőztetéssel együtt nézünk meg egy tipikus napot (pl.: amikor főzés közben a konyhában nyitva van az ablak). Azért jól látszik, hogy itt is a benti hőmérséklet 27 °C feletti, valamint a felületek hőmérséklete is hasonló tartományba lett felvéve. Emellett a relatív páratartalom és a ruházat bemenete is tipikus nyári jellemző. Mindezek tudatában, és végigböngészve az adatokat itt is megfigyelhető, hogy megfelelő a melegnek mondható kimeneti érték szolgáltatása a rendszertől.
Különböző egyéb teszteket is végeztem oly módon, hogy a rend­szernek bizonyos paraméterekre való reagálását néztem meg a többi paraméter fixen tartása mellett. A paraméterek alapvető vizsgálata során tömören csak azzal foglalkozok, hogy megfelelő eredményeket kapunk-e a fuzzy rendszer kimenetén.
Eddig általánosságban vizsgáltam meg a rendszert, és a működése megfelelőnek bizonyult. Most koncentráljunk egy-egy bemenetre, és vizsgáljuk meg azok hatásait. Ez alaposabb figyelmet igényel, hiszen nincsenek beállított súlyok, amelyből sejthető lenne, hogy mi fog történni a bemenet változásaira a kimeneten. Az első input, a hőmérsékletek vizsgálata.

 

NB kepl 5

 

Vizsgáljuk meg az alábbi bemeneteket. Elsőként megállapítható, hogy a fenti paraméterek megfelelnek a jó hőérzet állapotának. Nagyobb negatív irányú változtatás esetén érezhető különbség jön ki az outputnál. Ez rendben is van. Ha a másik irányba vizsgálódunk, látható, hogy itt minden a vártak szerint változik. Extrém növelés esetén nagyon komoly meleg van, predikció érkezik, ahogy az az utolsó kiértékelésnél is látszik. Emellett a vizsgálatok megmutatták azt is, hogy a szabálytól függően a különböző esetekben is növekedés tapasztalható a kimeneti értékben. Sorban haladva következzen most a relatív páratartalom bemenete. Vizsgáljuk meg az alábbi bemeneti vektorokat és a hozzájuk tartozó kimeneteket (az itt publikáltakon felül számos más értékre végeztem alapos vizsgálatokat):

 

NB kepl 6

 

Nézzük meg itt is a kiinduló bemenetet. A páratartalomról elmondható, hogy extrém esetben válik csak komoly hőérzeti tényezővé a valóságban. Ennek megfelelően nincs akkora hatása a kimenetre, mint volt a hőmérsékletnek. Ez jól nyomon követhető. Bizonyos esetekben fontos kiemelni, hogy a 70%-os relatív páratartalom, amely már számottevő a valóságban is, nagyon erősen abba a tartományba ér, ahol már érdemes hűtést kivitelezni. Ebből látható, hogy azért nem teljesen súlytalan ez a bemenet sem. A változási irányok a vártnak megfelelően alakulnak, minden jó működésre utal a relatív páratartalom bemeneténél. A publikációban megmutattam a leginkább és a legkevésbé markáns bemeneti paraméter és a kimenet közötti kapcsolat vizsgálatát. Összességében hasonló eredmények voltak tapasztalhatók más értékek környékén is, mint amit itt demonstráltam. A vizsgálat eredményéből látszik, hogy jó irányba változik a kimenet minden egyes input változtatásának következményeként.
Miután ezen vizsgálatokat az összes többire is elvégeztem a példarendszer kimutatta, hogy a hőmérséklet és a légmozgás igen markáns elemként szerepel a modellben, míg a relatív páratartalom és a viseleti Clo szám hozza a legcsekélyebb változást a legtöbb tartományban. Ezek a vizsgálatok az egyed és az egyedhez alkotott szabályrendszer függvényei, így validáció szempontjából nem releváns, sokkal inkább az adott egyed hőérzeti viszonyai térképezhetők fel ily módon.
Összességében megfigyelhető, hogy a szabályokon rengeteg múlik. Fontos kiemelni, hogy végtelenbe tartó szabályszám alapján el lehet érni az egyed optimális predikcióját infinitezimálisan kis közelítéssel, hiszen kisimítja az egyes bizonytalanságokat, a valóságot nem tükröző szabályokat a rengeteg egyéb szabály. Érdemes azt is megjegyezni, hogy a fuzzy rendszer kevéssé érzékeny egy-egy paraméterre. Ez olyan szempontból jó, hogy globálisan nézi a körülményeket, viszont kissé problémás lehet, ha az egyik paraméter nagyon kileng, hiszen csak extrém kilengés esetén mutat nagy változást.
Érdemes legalább öt sávot (pl.: szelepállást) bevezetni a fuzzy rendszer mellé (ezt is meg lehet valósítani egy külön fuzzy szabályozóval), de természetesen lehet ennél sokkal részletesebb analóg szelepvezérlést is biztosítani. Érdemes látni továbbá, hogy a megfelelő sávot nem szabad túl szélesre venni, hiszen a fuzzy háló tulajdonságai miatt (viszonylag széles tagsági függvények, sum norma) elenyésző számú ellentétes kiértékelés szinte mindig húzni fogja a másik (nem várt) irányba, ezzel önkéntelenül is közelítve a 0,5 értéket. Tehát javasolt például egy 0,45…0,55 sáv, amely a neutrális tartományt jelezné, amikor a fizikai szabályzás nem lenne aktív. Emellett két keskenyebb sávot érdemes választani a mérsékelt kilengések ellensúlyozására. Végül pedig minden maradék szélső tartomány jelentősebb hűtést, illetve fűtést vonhatna maga után. Ez azért is előnyös, mert amennyiben elegendő a mérsékelt változtatás, sose tér el a rendszer a kritikus állapotokba. Ezzel pedig sok energia megtakaríthatóvá válik, hiszen fölösleges hideg vagy meleg energia kisebb valószínűséggel kerül realizálásra, továbbá a szabályzásból fölösleges lengéseket iktathatunk ki.

 

Irodalomjegyzék

 

Szerző – Németh Bálint
E-mail: balint.nb@gmail.com