Laboratórne IoT modely ako prostriedok výučby dátovej analytiky Vladimír Gašpar, František Babič Katedra kybernetiky a umelej inteligencie, Fakulta elektrotechniky a informatiky, Technická univerzita v Košiciach, Letná 9, 042 00 Košice vladimir.gaspar@tuke.sk, frantisek.babic@tuke.sk Abstrakt. Tento článok popisuje proces návrhu a tvorby laboratórnych modelov ktorých cieľom je zber, spracovanie a pochopenie dát z reálneho meracieho aparátu pre vybrané praktické úlohy. Každý laboratórny model realizuje samostatnú praktickú úlohu z oblasti, ktorej význam v súčasnosti neustále rastie, napr. zdravotná starostlivosť, Internet vecí (IoT), Priemysel 4.0 alebo tzv. domáca automatizácia. Tieto modely budú súčasťou novo vytváraného laboratória mobilných technológií primárne pre účely výučby v predmetoch "Vývoj aplikácií pre inteligentné zariadenia" a "Aplikované programovanie mobilných zariadení" alebo riešenie záverečných prác v tejto doméne. Zároveň vytvoria zaujímavý dátový zdroj pre výučbové a výskumné aktivity v oblasti dátovej analytiky smerujúce k profilovaniu používateľov, diagnostike technického stavu alebo efektívnej správe inteligentných zariadení. V prvotnej fáze tvorby modelov budeme klásť dôraz na softvérovú časť, pomocou ktorej budeme komunikovať s príslušnými hardvérovým zariadením. Študenti tak budú mať možnosť získať komplexný pohľad na vývoj smart zariadenia vrátane interpretácie dát získaných prostredníctvom neho. Kľúčové slová: laboratórne modely, dátová analytika 1 Úvod Smart zariadenia a im prislúchajúca senzorika sú čoraz častejšie predmetom záujmu nielen pri bežných aplikáciách v inteligentných domácnostiach, ale stávajú sa univerzálnou pomôckou pre detekciu a diagnostiku javov a udalostí z rôznych oborov nevynímajúc medicínu, sociálne služby, environmentalistiku, zábavu, šport, cestovanie, auto-motorizmus a iné [1]. Spolu s ostatnými aspektmi smart infraštruktúry, senzorika dotvára pervazívne prostredie, ktorého cieľom je zjednocovanie komunikácie medzi zariadeniami a elementmi rôznych systémov [2]. Berúc do úvahy množstvo doposiaľ nevyriešených výziev v pervazívnom počítaní [3], je nanajvýš vhodné pre experimentálne podmienky a predovšetkým pre podmienky výučby do určitej miery ignorovať konceptuálnu zložitosť, ktorú pervazívne prostredie s určitosťou prináša. Napríklad problematika univerzálnosti komunikačných rozhraní, perspektívneho sieťovania zariadení, či mobility entít sú natoľko časovo
Laboratórne IoT modely ako prostriedok výučby dátovej analytiky a obsahovo zložité, že aj v rámci výskumu je vhodnejšie venovať sa im samostatne [4]. Našou motiváciou je vytvoriť viacero IoT laboratórnych modelov, ktoré budú reprezentovať vybrané prípady z praxe s vysokým potenciálom rastu do budúcnosti. Ich cieľom bude modelovať reálne aplikácie smart zariadenia a senzoriky v kombinácií s mobilným alebo (a) webovým prostredí ako súčasť pervazívneho prostredia. Článok sa skladá z troch hlavných častí. Prvá je venovaná predstaveniu témy a motivácii; druhá popisuje doteraz vytvorené modely; tretia sumarizuje dosiahnuté výstupy a definuje ďalšie aktivity do budúcnosti. 1.1 Prehľad existujúceho stavu Koncept IoT laboratórnych modelov vo výučbovom procese je overený praxou [5-7], avšak vo všetkých prípadoch išlo len o čiastkovú rolu študentov v celom procese budovania modelu. Znamená to, že hardvérové zariadenie bolo vopred zložené a nakonfigurované, úlohou študentov bolo riešiť len softvérovú stránku alebo presne naopak. Jedným z typických použití senzorov je automobilizmus. V dnešnej dobe však nielen ako súčasť funkčnej infraštruktúry auta, ale aj ako doplnok pre diagnostiku nad rámec bežnej prevádzky alebo na zber údajov z okolia. Do poslednej spomínanej kategórie je možné radiť použitie senzorov pre určovanie kvality vozovky [8]. Šport ako taký sa stáva čoraz častejšie aplikačnou doménou pre nositeľné IoT zariadenia a následnú analýzu zhromaždených dát [11]. Problematike využívania rôznych dostupných dátových zdrojov na predikciu nebezpečných meteorologických javov je v poslednom čase venovaná čoraz väčšia pozornosť [12], [13]. Diagnostika technického stavu zariadení má v koncepte Priemysel 4.0 veľmi dôležitú úlohu. Na základe kontinuálne zhromažďovaných dát je možné extrahovať vzory fungovania, ktoré môžu alebo nemusia viesť k zhoršeniu technického stavu [14], [15]. Postupné nasadzovanie inteligentných riešení v procesoch poskytovania zdravotnej starostlivosti je motivované zvýšením samotnej úrovne poskytovaných služieb, ale aj znížením nákladov a zvýšenie efektívnosti [16], [17]. 2 Tvorba laboratórnych modelov V našom prípade sa chceme zamerať na komplexné riešenie zo strany študenta, t.j. od identifikácie vhodného typu hardvérového zariadenie; cez návrh a implementáciu softvérovej časti; až po získavanie, ukladanie a analýzu dát na základe vopred stanovenej úlohy. Na tomto riešení môže spolupracovať viacero študentov na základe ich preferencií alebo odbornej orientácie. Celý proces tvorby modelu musí byť detailne zdokumentovaný, aby bolo možné v budúcnosti opraviť prípadné chyby alebo vylepšiť samotný model. Ale bolo možné zaručiť vhodnosť výsledkov bude celý proces tvorby modelov riadený metodikou SCRUM. Každý model prejde týmito fázami: Analýza požiadaviek. Návrh architektúry a riešenia (softvér aj hardvér zdokumentovanie UML). Implementácia modelu. 20
Work-in-progress Testovanie. Vytvorenie dokumentácie, návodu na použitie a spôsobu realizácie modelu. 2.1 Určovanie kvality vozovky Na určovanie kvality vozovky je možné využiť viacero prístupov. My sme sa rozhodli využiť mobilné zariadené upevnené v kabíne vozidla, ktorého senzory umožnili merať polohu a zrýchlenia na odhad terénu, v ktorom sa vozilo pohybuje. Zber dát bol realizovaný prostredníctvom samostatného softvérového riešenia v reálnom čase. Empiricky sme identifikovali prahové hodnoty smerodajnej vertikálnej akcelerácie a výsledky sme následne zakreslili do mapy. Kvôli rôznej vzorkovacej frekvencii senzorov a GPS boli hodnoty získané z akcelerometra agregované pomocou smerodajnej odchýlky na okne o veľkosti 50 vzoriek, ktorá predstavovala rozdiel frekvencií. Viac detailov nájdete v [8]. 2.2 Zvýšenie efektivity športového výkonu Aj v prípade zjazdových pretekov horských bicyklov je zaujímavé nielen pre diváka ale aj samotného pretekára, akým spôsobom sa popasoval s danou traťou. Na tento účel môže slúžiť takisto zaznamenávanie dát počas pretekov prostredníctvom mobilného zariadenia pripevneného na bicykel. Pomocou vytvorenej softvérovej aplikácie môžeme sledovať trasu jazdca, analyzovať skoky a preťaženia pri dopadoch, či prejazdoch zákrutami alebo lesným porastom. Pre divákov je zaujímavý on-line pohľad na spracované dáta vďaka prenosu dát z mobilného zariadenia. Na analytické účely je k dispozícii off-line pohľad, ktorý umožňuje extrakciu potenciálne pozitívnych alebo negatívnych vzorov vhodných pre zlepšenie športového výkonu alebo vzájomného porovnania pretekárov. 2.3 Systém aktívneho varovania pred búrkami Búrky predstavujú významný fenomén z pohľadu ich negatívnych dôsledkov na ľudské činnosti a majetok. V prípade elektrických a elektronických zariadení často nepostačuje len prepäťová ochrana, istotou je úplné odpojenie zariadenia od prenosovej siete. V našom prípade sme sa zamerali na vytvorenie softvérového riešenia, ktoré umožní aktívny zber dát z webov monitorujúcich výskyt bleskov v reálnom čase. Tieto dáta sú následne použité pre včasné varovanie majiteľa objektu pomocou notifikácií do mobilného zariadenia s možnosťou vypnúť vybrané ističe v domácnosti na diaľku (otestované pomocou vizuálneho simulátora). Na základe historických dát bude možné identifikovať typické vzory výskytu bleskov a zamerať sa viac na prevenciu ako odstraňovanie dôsledkov. 21
Laboratórne IoT modely ako prostriedok výučby dátovej analytiky 2.4 Vzdialené monitorovanie prúdového motora V spolupráci s Leteckou fakultou TU Košice sme vytvorili sadu aplikácií pre vzdialené monitorovanie prevádzky malého prúdového motora (MPM), ktorý sa nachádza v skúšobni laboratória inteligentných riadiacich systémov leteckých motorov. Špecifikom tohto objektu je dôraz na bezpečnosť osôb, ktoré prevádzku MPM zabezpečujú a monitorujú. Preto je nevyhnutné obmedziť počet osôb prítomných pri spúšťaní MPM na minimum. V prípade výučby leteckých inžinierov teda neprichádza do úvahy prezenčná výučba. Vzdialené monitorovanie tak prepája senzoriku reálneho systému (MPM) so vzdialeným prostredím (klientmi) a poskytuje tak študentom údaje o prevádzke v reálnom čase [9]. 2.5 Inteligentná zdravotná starostlivosť V našom prípade sme sa zamerali na tradičný problém merania tlaku, ktorého hodnoty si pacient musí pravidelne zaznamenávať, aby ich mohol lekár neskôr vyhodnotiť. Na tento účel sme navrhli a implementovali softvérovú aplikáciu schopnú komunikovať s vybraným typom tlakomeru. Pri úvodnej analýze sa nám potvrdili naše očakávania a to, že viacerí výrobcovia tlakomerov dodávajú spolu so svojimi zariadeniami aj vlastnú aplikáciu, preto nemajú záujem zverejňovať špecifikáciu svojich protokolov a formátu dát. Tieto aplikácie však sú často zložité pre použitie napr. zo strany seniorov a v drvivej väčšine v Anglickom jazyku. Získané dáta je možné vyhodnocovať na základe špecifikovaných pravidiel dostupných prostredníctvom medicínskej literatúry alebo na základe odporúčaní lekára. 3 Záver Možnosť reálne si vyskúšať prácu s hardvérom, ktorý predstavuje zaujímavý zdroj dát, je významným motivačným faktorom pre študentov. Riešenie úloh a problémov, ktoré sa vyskytujú v reálnych aplikačných scenároch im pomôže získať potrebné znalosti a v budúcnosti jednoduchšie sa adaptovať na relevantné pracovné pozície. Zároveň postupne vytvárané laboratórne modely vytvoria dôležitý dátový zdroj pre výskumné a výučbové aktivity v oblasti dátovej analytiky, napr. nadobudnuté skúsenosti umožnia lepšiu prípravu návrhov projektov pre Európske alebo národné financovanie. Prípadové štúdie v rámci kapitoly 2 (2.1, 2.2, 2.3, 2.4, 2.5) boli realizované v rámci bakalárskych a diplomových prác, čím sme jednak overili spôsob tvorby modelov (popísaný v kap. 2) a zároveň otestovali, že rozsahovo a časovo je možné takéto úlohy riešiť v rámci záverečných prác. Vo výučbe preto modely môžu byť použité v podobe zadaní alebo príkladov reálneho problému. Do budúcna by sme chceli vytvoriť laboratórne modely pre: bezdrôtovú osobnú váhu, bezdrôtový tlakomer, monitorovanie mikroklímy v miestnosti, infotainment systém vozidla a smart učebňu. Zároveň budeme pokračovať vo vylepšovaní modelov prezentovaných v tomto článku. Poďakovanie. Tento príspevok vznikol s podporou projektu KEGA č.005tuke- 4/2017 a projektu APVV č.apvv-16-0213. 22
Work-in-progress Referencie 1. Mathas, C. (2014) The role of sensors in IoT medical and Healthcare Applications., 31.07.2014. Electronic products magazine article. 2. Weiser, M. (1991) The computer for the 21 st century. In: Scientific American, In: Special Issue Communications, computers and networks, Vol. 265, No. 3. pp 94-105 3. Weiser, M. (1993) Some computer science issues in ubiquitous computing. In: Communications of the ACM Special issue on computer augmented environments back to the real world, Vol. 36, No. 7, pp 75-84. 4. Conti, M., et al. (2012) Looking ahead in pervasive computing: Challenges and opportunities in the era of cyber-physical convergence. In: Pervasive and Mobile Computing, Vol. 8, Issue 1, pp 2-21 5. Perkel J.M. (2017) The internet of Things comes to the lab. In: Nature, Vol. 542, pp 125-126 6. Adjih, C, et al. (2015) FIT IoT-LAB: A large scale open experimental IoT testbed. In: Internet of Things (WF-IoT), 2015 IEEE 2 nd World Forum on IoT, Milan, Italy, pp 459-464 7. Kiriched, R., Koucheryavy, A. (2015) Internet of Things Laboratory Test Bed. In: Wireless Communications, Networking and Applications, LNNE, Vol. 348, pp 485-494 8. Astaria, V., et al. (2012) A mobile application for road surface quality control: UNIquALroad. In: Procedia social and behavioral Sciences, Vol 54, pp 1135-1144 9. Gašpar, V. (2017) Analyzing road quality using a mobile application. In: Applied Machine Intelligence and Informatics (SAMI), 2017, Herľany, Slovakia, pp 317-320 10. Gašpar, V., Andoga, R. (2016) Remote real-time monitoring of a small turbojet engine. In: CINTI 2016, Budapest, Hungary, pp 359-362 11. James, D. A., Petrone, N. (2016) Sensors and Wearable Technologies in Sport. In: Sensors and Wearable Technologies in Sport, Technologies, Trends and Approaches for Implementation, Springer Briefs in Applied Sciences and Technology 12. Kotthaus, Ch., Ludwig,T., Pipek, V. (2016) Persuasive System Design Analysis of Mobile Warning Apps for Citizens. In: Adjunct Proceedings of the 11th International Conference on Persuasive Technology 13. Kniaziev, V. V., Postelnik, I. Y. (2016) Thunderstorm warning systems. In: 8th International Conference on Ultrawideband and Ultrashort Impulse Signals (UWBUSIS), Odessa, Ukraine, pp 12-17 14. Liu, K., Huang, S. (2016) Integration of Data Fusion Methodology and Degradation Modeling Process to Improve Prognostics. In: IEEE Transactions on Automation Science and Engineering, Vol. 13, No. 1, pp 344-154 15. Lee, J., Jin, Ch., Liu, Z. (2017) Predictive Big Data Analytics and Cyber Physical Systems for TES Systems. In: Advances in Through-life Engineering Services, Decision Engineering. Springer, Cham, pp 97-112 16. Tyagi, S., Agarwal, A., Maheshwari, P. (2016) A conceptual framework for IoT-based healthcare system using cloud computing. In: 6th International Conference - Cloud System and Big Data Engineering (Confluence), Noida, India, pp 503-507 17. Laplante, A. P., Laplante, N. (2016) The Internet of Things in Healthcare: Potential Applications and Challenges. In: IT Professional, Vol. 18, No. 3, pp 2-4. 23