نقاط قوت و ضعف LoRaWAN

در حال حاضر طیف گسترده ای از فناوری های بی سیم مختلف برای انتقال داده های حسگر و نظارت در پروژه های صنعتی اینترنت اشیا وجود دارد. برخی از فرکانس‌هایی استفاده می‌کنند که نیاز به مجوز دارند، مانند 5G، 4G، LTE-M، یا NB-IoT. دیگران باندهای بدون مجوز را در محدوده 868 مگاهرتز، 2.4 یا 5 گیگاهرتز به اشتراک می گذارند. اینها به عنوان مثال شامل LoRaWAN، Mioty و WLAN هستند. انتخاب فناوری بی سیم بهینه برای کارهای خاص یک کار پیچیده است و در صورت امکان باید با مشارکت متخصصان مناسب انجام شود.

زمانی که عوامل کلیدی اهمیت ویژه ای پیدا کنند، LoRaWAN می تواند انتخاب خوبی باشد. این عوامل شامل مناطق گسترده ای از پوشش در یک سایت عملیاتی با ساختمان های مختلف، هزینه پایین زیرساخت و بهره برداری، استفاده از استانداردهای تعیین شده و تعداد زیادی از کاربران و ارائه دهندگان است. با این حال، LoRaWAN به دلیل پهنای باند کم، نرخ انتقال داده کم  و  چرخه کاری در محدوده 868 مگاهرتز، برای انتقال مقادیر زیاد داده مناسب است. به همین دلیل، حسگرهای اضافی با الگوریتم‌های هوش مصنوعی تعبیه‌شده برای برنامه‌های نظارتی پیچیده مورد نیاز است.

طبقه بندی اطلاعات حسگر
مازاد بر خروجی خام

سنسورهای معمولی معمولاً مقدار فیزیکی خاصی را به عنوان ورودی در فواصل معمول دریافت می کنند و خروجی (مثلاً مقدار ولتاژ، مقاومت یا ظرفیت) را در همان بازه تحویل می دهند. بسته به اصل عملکرد عنصر حسگر و روش اندازه گیری مربوطه آن، مقادیر نسبتاً زیادی داده را می توان در مدت زمان کوتاهی تولید کرد. در مورد شتاب‌سنج MEMS که نیروی اینرسی وارد بر جرم آزمایشی را از طریق تغییرات خازنی تعیین می‌کند، بسته به پهنای باند و تعداد محورهای شتاب می‌تواند چندین هزار بایت در ثانیه باشد. حتی با وجود یک آرایه حسگر مادون قرمز ساده با 8×8 پیکسل برای اندازه‌گیری دمای سطوح و سایر اشیاء در یک فاصله معین، نرخ تازه‌سازی 1 هرتز همچنان به 128 بایت در ثانیه منجر می‌شود.

در بسیاری از کاربردهای اینترنت اشیا، یک کانال انتقال مناسب، داده های حسگر دیجیتال را به عنوان یک جریان داده بی پایان به یک سیستم رایانه ای یا حتی فضای ابری برای تجزیه و تحلیل منتقل می کند.

طبقه بندی داده ها

در محیط اتوماسیون صنعتی، یعنی دنیای ماشین‌ها و کارخانه‌های تولیدی، برنامه‌های بی‌شماری وجود دارد که با استفاده از تحلیل داده‌های خاص، جریان داده‌های خام حسگر را پردازش و  طبقه‌بندی می‌کند. نظارت بر وضعیت نمونه بارز استفاده عملی از این طبقه بندی است. اغلب برای پاسخ به این سوال استفاده می شود که یک ماشین خاص در یک لحظه معین در کدام وضعیت قرار دارد (مثلاً آیا ماشین برای دستورالعمل ها آماده است، در حال راه اندازی است یا به طور فعال در حال پردازش است). مثال دیگر وضعیت سایش اجزای حلقه لغزش یک مجموعه درایو است که با استفاده از تصاویر ترموگرافی ارزیابی می شود .

تجزیه و تحلیل داده ها در سنسور
الگوی طراحی سنتی یادگیری ماشین

هنگامی که در سرورهای ابری یا درون محل اجرا می شود، برنامه های کاربردی ML سنتی از پردازنده های قدرتمندی استفاده می کنند که انرژی الکتریکی زیادی را به گرما تبدیل می کند و بنابراین نیاز به منابع تغذیه و طراحی های تهویه خاصی دارد. آنها نسبتاً به اغتشاشات خارجی حساس هستند و بنابراین فقط باید در محیط های محافظت شده ویژه مستقر شوند. از سوی دیگر، سنسورها از میکروکنترلرهای ساده با قدرت محاسباتی نسبتاً کم و حافظه برنامه و داده نسبتاً کم، با حداقل نیاز منبع تغذیه استفاده می‌کنند. اینها به عنوان محیط های زمان اجرا TinyML برای نظارت بر شرایط تحت شرایط خاص مناسب هستند.

یادگیری  TinyML

با وضعیت فعلی صنعت، تجزیه و تحلیل داده های حسگر مورد نیاز برای طبقه بندی شرایط دقیق نیز می تواند مستقیماً در سنسور انجام شود. بلوک های تابع مربوطه تحت عنوان چتر “TinyML” قرار می گیرند. TinyML به مجموعه ای از روش ها و مفاهیم برای برنامه های کاربردی یادگیری ماشین (ML) با سیستم های میکروکامپیوتر تعبیه شده اشاره دارد. این شامل الگوریتم ها و سایر عملکردهای نرم افزاری و همچنین جنبه های سخت افزاری است.

در حال حاضر، TinyML عمدتاً از یادگیری ماشینی نظارت شده استفاده می کند. این روش ML شامل دو مرحله است: ساخت مدل و استفاده از مدل. در ساخت مدل، یک مدل ML بر اساس داده‌های جمع‌آوری‌شده خاص تولید می‌شود و مدل در یک فایل ذخیره می‌شود. شبکه‌های عصبی مصنوعی (ANN) از پارامترهای وزنی برای “یادگیری” همبستگی بین داده‌های به‌دست‌آمده و طبقه‌بندی آنها استفاده می‌کنند. این فرآیند از نظر محاسباتی بسیار فشرده است و بنابراین باید در فضای ابری یا سرورهای قدرتمند درون محل ذکر شده انجام شود. مدل به دست آمده را می توان تقریباً برای هر رگرسیون ریاضی یا کار طبقه بندی بر اساس مورد به مورد هدف قرار داد. با این حال، عامل تعیین کننده در اثربخشی آن، کیفیت داده های گرفته شده است که ANN از آن همبستگی ها را یاد می گیرد.

لینک منبع : https://www.iotforall.com/condition-monitoring-via-lorawan