Розроблення методу навчання моделей систем "розумного будинку" на базі моделей петрі-маркова та доповнених функціональними компонентами Текст научной статьи по специальности «Компьютерные и информационные науки»

нлты

УКРЛ1НИ

wi/ган

Науковий BicHMK НЛТУУкраТни Scientific Bulletin of UNFU

http://nv.nltu.edu.ua https://doi.org/10.15421/40270628 Article received 18.08.2017 р. Article accepted 28.09.2017 р.

УДК 004.[021+942]

ISSN 1994-7836 (print) ISSN 2519-2477 (online)

1 ЁЕЗ Correspondence author V. M. Teslyuk vasyl.m.teslyuk@lpnu.ua

В. М. Теслюк1, Х. В. Береговська2, Л. €. Угрин1

1Нацюнальнийутверситет "Львiвська полтехтка", м. Львiв, Украша 2Прикарпатський нацюнальний утверситет iм. Василя Стефаника, м. 1вано-Франювськ, Украша

РОЗРОБЛЕННЯ МЕТОДУ НАВЧАННЯ МОДЕЛЕЙ СИСТЕМ "РОЗУМНОГО БУДИНКУ" НА БАЗ1 МОДЕЛЕЙ ПЕТР1-МАРКОВА ТА ДОПОВНЕНИХ ФУНКЦЮНАЛЬНИМИ КОМПОНЕНТАМИ

Розроблено метод навчання моделей систем "Розумний будинок" (РБ), створених на базi моделей Петрi-Маркова та до-повнених функцiональними компонентами - сенсорами та актюаторами. Метод базуеться на спещально розробленому опти-мiзованому алгоритмi навчання моделей систем РБ, а також вдаовдаш моделi навчання. У процеа розроблення методу навчання моделей систем РБ проaнaлiзовaно основнi вимоги до сучасних систем РБ, а також зазначено основш переваги розроблення моделей систем РБ. Навчання розроблено! моделi проектовано! системи РБ надае моделi унiкальностi. Розроб-лена модель навчання дае змогу здшснювати навчання моделей проектовано! системи РБ зпдно з розробленим алгоритмом, на основi реальних статистичних даних, отриманих в ходi функцiонування системи та !! взаемодп з користувачами. Розроб-лена модель реалiзовуе навчання моделей якiсно нового функционального рiвня, що дають змогу: дослщжуватп динамiку та надiйнiсть системи ще на ранньому етапi системного проектування; реалiзовувати розгалужувальнi схеми довшьно! склад-ностi та гармонiйне вливання функцiональних компонентiв у модель стохастичного класу.

Ключовi слова: алгоритм; автоматизащя; проектування; сенсор; актюатор.

Вступ. На сьогодш Bci ми е свщками колосального розвитку та впровадження в повсякденне життя людей передових розробок та досягнень у галузi науки та тех-шки. Мiкро- та нанотехнологп ввiйшли в наше повсякденне життя настшьки стрiмко i безповоротно, що ми вже й не можемо пригадати та уявити ^6i як колись обходились без них. Всього тшьки пару десятшв рок1в тому не могли ^6i й уявити, що практично будь-яка наша найсмшивша фангазiя щлком реально може бути реалiзована i втiлена в життя всього лиш через якихось 15-20 рок1в. Попри новi розробки, як1 стали можливими завдяки сучасним досягненням науки та техшки, отри-мали "друге дихання" та подальший розвиток також i вже давно iснуючi та навиъ призабутi ще!, системи, проекти, плани та технологи. Не виключено, що саме завдяки цьому системи "Розумний будинок" (РБ), рос. "Умный дом", eng. "Smart House" (Brush, et al., 2011; Tang, & Venables, 2000; Poulson, 2001; Gaddam, 2008; Dewsbury & Edge, 2001; Sixsmith, 2000; Singhvi, et al., 2005; Saeed, et al., 2010; Madhuri, Sai & Sirisha, 2013) до-сi користуються неабиякою популярнiстю та е затребу-ваними на ринку сучасних технолопчних послуг, тому становлять неабиякий iнтерес як для бiзнесменiв, гото-вих iнвестувати немалi активи в цю галузь, так i для на-уковцiв-розробникiв, готових вкладати весь свiй ште-лектуальний потенщал для того, щоб так1 системи ста-

вали ще приваблившими та затребувашшими для пере-сiчних користувачiв. Саме тому сучаснi системи РБ вже не порiвняти iз тими !х першими аналогами, розробле-ними в далеких 50-х роках ХХ ст. у США, звщки вони беруть свш початок.

Основними вимогами до сучасних систем РБ е вже не так економiя енергоресурав, безпека, чи можливють ввддаленого керування побутовими пристроями (хоча всi щ вимоги i досi залишаються надзвичайно актуаль-ними, проте не основними), як максимальна адаптив-нiсть системи до вимог та побажань конкретних 11 ко-ристувачiв.

Ось чому системи РБ i досi залишаються доволi недешевою розк1шшю для бшьшосп простих людей, адже вони не тддаються "штамповцi", i кожна така система (якщо говоримо про справдi як1сний продукт) е абсолютно ушкальною в своему род^ що вимагае залучення значно! шлькосп високоiнтелектуальних спецiалiстiв вiд моменту зародження та обговорення iз потенцiйним замовником само! ще! розроблення системи РБ, аж до моменту И впровадження, та навиъ вже в процеа и функцiонувaння.

Розроблення алгоритму навчання моделей систем РБ. У робот (Berehovska, et а1., 2017а) представлено розроблений метод побудови моделей систем РБ, створених на бaзi моделей ПетрьМаркова та доповне-

1нформацт про aBTopiB:

Теслюк Василь Миколайович, д-р техн. наук, професор, професор кафедри САПР. Email: vasyl.m.teslyuk@lpnu.ua

Береговська Христина Василiвна, астрант кафедри САПР. Email: khbereg@gmail.com

Угрин Леся бвгешвна, ст. викладач кафедри шформацшних систем i технологй Email: uhlesya@ukr.net

Цитування за ДСТУ: Теслюк В. М., Береговська Х. В., Угрин Л. £. Розроблення методу навчання моделей систем "розумного будинку" на базi моделей Петрi-Маркова та доповнених функцюнальними компонентами. Науковий вiсник НЛТУ Укра!ни. 2017. Вип. 27(6). С. 139-144.

Citation APA: Teslyuk, V. M., Beregovska, K. V., & Uhryn, L. Е. (2017). Development of the Method of Teaching the Models of the

"Smart House" Systems on the Basis of Petri-Markov Models and Supplemented with Functional Components. Scientific Bulletin of UNFU, 27(6), 139-144. https://doi.org/10.15421/40270628

них функцюнальними компонентами, що дае змогу роз-робляти моделi систем РБ якюно нового рiвня (Bere-hovska, et al., 2017b), основними перевагами яких е:

1) можливють досл1дження динам1ки та надшносп систе-ми ще на ранньому етат системного проектування;

2) можливють реаизацн розгалужувальних схем довшьно! складностц

3) штегрована можливють кшьюсно! оцшки ¿мов!рнюних процеав;

4) забезпечують гармоншне влиття функцюнальних ком-поненпв (сенсор1в та актюатор1в), що представляють реальне hardware проектовано! системи РБ, у модель стохастичного класу;

5) наявнють гнучкого мехашзму декомпозици, що перед-бачае декомпозицда системи на 7 основних р1вшв, як1 дають змогу представити системи вщ р1вня "чорно!

скриньки" до рiвня неподiльних функцiональних компонент системи - сенсорiв та акгюаторiв.

Отже, метод, представлений у робой (Berehovska, et а1., 2017а), дае змогу отримати модель проектовано! системи РБ якюно нового функцюнального р!вня. Нас-тупним етапом е подальше навчання розроблено! моде-л! проектовано! системи РБ, для того, щоб надати моде-л! !! характеру та ушкальност!, необхщних для досяг-нення основно! цш! - задоволення вимог користувача(-¿в) шляхом максимально! адаптацп модел! пщ особли-вост характеру та поведшки користувача(-!в).

На рис. 1 представлено блок-схему розробленого алгоритму навчання моделей систем РБ, створених на баз! моделей Петр^Маркова та доповнених функцюнальними компонентами.

Рис. 1. Блок-схема алгоритму навчання моделей систем РБ

Цей алгоритм (див. рис. 1) розроблено та оптим!зо-вано спещально для навчання моделей систем РБ, побу-дованих методом (Berehovska, et а1., 2017а), ! враховуе вс! параметри, характеристики та особливост! цих моделей.

Робота алгоритму розпочинаеться з пщ'еднання до файлу конфюурацп модел! та зчитування даних ¿з цього файлу, шсля чого вщбуваеться конвертац!я форми представлення модел! з двовим!рно! у лшшну. Наступ-

ним етапом роботи розробленого алгоритму е обнулен-ня л!чильнимв спрацювань вс!х переход!в для вшх сценарий модел!, шсля чого вщбуваеться пщ'еднання до файлу бази даних статистики з подальшим заповненням шформацп про кшьмсть спрацювань переход!в модел! на основ! даних з БДС.

Зд!йснюеться переб!р вшх стан!в модел! та пщраху-нок: а) кшькост спрацювань кожного переходу, вихщ-ним станом якого е поточний стан модел!; б) загально!

кшькосп спрацювань уах переходiв, вихiдним станом яких е поточний стан модели На основi отриманих да-них щодо кшькосп спрацювань кожного окремого переходу, а також загально! кшькосп спрацювань усiх пе-реходiв (для поточного стану моделi) здшснюеться роз-рахунок iмовiрностi спрацювання кожного iз переходiв. Пiсля цього вщбуваеться зворотня конвертацiя форми представлення моделi з лiнiйно! в двовимiрну, з подаль-шим перезапнсом отриманих унаслщок проведених

розрахункiв коефiцiентiв iмовiрностей спрацювання уах переходiв моделi у файл конфiгурацi! моделi, зак-риття БДС та файлу конфиураци моделi, та завершення роботи алгоритму.

Розроблення модел1 навчання моделей систем РБ. Наступним етапом у розробленш методу навчання моделей систем РБ, е розроблення моделi навчання таких моделей (рис. 2).

Рис. 2. Модель навчання моделей систем РБ

Рис. 2. Модель навчання моделей систем РБ (продовження)

Модель (див. рис. 2) дае змогу здшснювати навчання модел1(-ей) проектовано! системи РБ згщно з розроб-леним алгоритмом (див. рис. 1), на основ! реальних ста-тистичних даних, отриманих в ход1 функцюнування системи та l! взаемоди з користувачем(-ами).

Основш етапи роботи модел1 таю:

1) тд'еднання до конф1гурацшного файлу та шщ1ал1защя уих ключових параметр1в моделц

2) конвертащя форми представлення модел1 з двовим1рно! у лшшну;

3) переб1р ус1х сценарив модел1 з активащею кожного сценарда модел1 та обнулення л1чильниюв кшькост спрацювань для вих переход1в;

4) тд'еднання до бази даних статистики з подальшим зчи-туванням вмх запимв 1з бази даних;

5) переб1р умх сценарив модел1 з активащею кожного сценар1ю та розрахунком коефшденпв 1мов1рностей спрацювання переход1в на основ! даних 1з бази даних статистики.

Отже, на виход1 маемо "навчену" модель проектова-но! системи РБ, яка повшстю вщповвдатиме даним 1з бази даних статистики, отриманих у ход1 функцюну-вання системи та li взаемодп з користувачем(-ами).

Сукупно розроблена модель навчання (див. рис. 2), а також розроблений алгоритм (див. рис. 1) навчання моделей систем РБ, дають змогу отримати власне повно-цшний метод навчання моделей систем РБ, створених на баз1 моделей ПетрьМаркова, та доповнених функць ональними компонентами.

Висновок. Розроблено метод навчання моделей систем "Розумний будинок" (РБ), створених на баз1 моделей ПетрьМаркова та доповнених функцюнальними компонентами - сенсорами i актюаторами. Особливю-тю розробленого методу е те, що вiн реалiзовуе навчання моделей яшсно нового функцiонального рiвня, що дають змогу: дослвджувати динамшу та надiйнiсть системи ще на ранньому етапi системного проектування; реалiзовувати розгалужувальнi схеми довшьно! склад-ностi; реалiзовувати к1льк1сну оцiнку iмовiрнiсних про-цесiв; реалiзовувати гармонiйне влиття функцюнальних компонентiв (сенсорiв та актюаторiв), що представля-ють реальне hardware проектовано! системи РБ, у модель стохастичного класу; представления системи вщ рiвня "чорно! скриньки" до рiвня неподiльних функць ональних компоненпв системи - сенсорiв та актюато-рiв, завдяки розробленому механiзму декомпозицп мо-делi на 7 основних рiвнiв декомпозицп.

Перелiк використаних джерел

Berehovska, Kh. V., Mashevska, M. V., & Tesliuk, V. M. (2017a). Rozroblennia modelei system "Intelektualnyi budynok" pobudo-vanykh na bazi modelei Petri-Markova ta dopovnenykh fUnktsi-

onalnymy komponentamy. Modeliuvannia ta informatsiini tekhno-lohii, 78, 179-185. Kyiv: Instytut modeliuvannia v enerhetytsi im. H. Ye. Pukhova NAN Ukrainy. [in Ukrainian].

Berehovska, Kh. V., Mashevska, M. V., Zelinskyi, A. Ya., & Tesliuk, V. M. (2017b). Rozroblennia metodu pobudovy modelei system "Intelektualnyi budynok", stvorenykh na bazi modelei Petri-Marko-va ta dopovnenykh funktsionalnymy komponentamy. Modeliuvannia ta informatsiini tekhnolohii, 79, 176-182. Kyiv: Instytut modeliuvannia v enerhetytsi im. H. Ye. Pukhova NAN Ukrainy. [in Ukrainian].

Brush, A. J., Lee, B., Mahajan, R., Agarwal, S., Saroiu, S., & Dixon, C. (2011). Home automation in the Wild: Challenges and Opportunities. In CHI '11 Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 2115-2124. https://doi.org/10.1145/1978942.1979249

Dewsbury, G. A. & Edge, H. M. (2001). Designing the home to meet the needs of tomorrow... today: smart technology, health and well-being. Open House International, 26(2) Summer, 33-42.

Gaddam, A. (2008). Development of a Bed Sensor for an Integrated Digital Home Monitoring System. IEEE International Workshop on Medical Measurements and Applications, 4, 33-38, May.

Madhuri, K., Sai, B. L., & Sirisha, B. S. (2013). A Home Automation System Design Using Hardware Descriptive Tools. International Journal of Engineering Research & Technology, 2(7), 385-393.

Poulson, D. F. (2001). Guidelines for the development of home automation products. Inclusive Design Guidelines for HCI, (pp. 209226). London: Taylor and Francis.

Saeed, U., Syed, S., Qazi, S. Z., Khan, N., Khan, A., & Babar, M. (2010). Multi-advantage and security based home automation system. 2010 Fourth UKSim European Symposium on Computer Modeling and Simulation (EMS),7-11, Nov.

Singhvi, V., Krause, A., Guestrin, C., Garrett, J. H. Jr., Matthews, H. S. (2005). Intelligent Light Control using Sensor Networks. In Proceedings of the 3rd international conference on Embedded networked sensor systems, SenSys '05, 218-229.

Sixsmith, A. J. (2000). An evaluation of an intelligent home monitoring system. Journal of Telemedicine and Telecare, 6(2), 63-72. https://doi.org/10.1258/1357633001935059

Tang, P., & Venables, T. (2000). 'Smart' homes and telecare for independent living. Journal of Telemedicine and Telecare, 6(1), 8-14. https://doi.org/10.1258/1357633001933871

В. Н. Теслюк1, Х. В. Береговская2, Л. Е. Угрин1

1 Национальный университет "Львовская политехника", г. Львов, Украина 2 Прикарпатский национальный университет им. Василия Стефаника, г. Ивано-Франковск, Украина

РАЗРАБОТКА МЕТОДА ОБУЧЕНИЯ МОДЕЛИ СИСТЕМ "УМНОГО ДОМА" НА БАЗЕ МОДЕЛЕЙ ПЕТРИ-МАРКОВА И ДОПОЛНЕННЫХ ФУНКЦИОНАЛЬНЫМИ КОМПОНЕНТАМИ

Разработан метод обучения моделей систем "Умный дом" (УД), созданных на базе моделей Петри-Маркова и дополненных функциональными компонентами - сенсорами и актюаторами. Метод базируется на специально разработанном оптимизированном алгоритме обучения моделей систем УД, а также соответствующей модели. В процессе разработки метода обучения моделей систем УД проанализированы основные требования к современным системам УД, а также отмечены основные преимущества разработки моделей систем УД. Обучение разработанной модели проектируемой системы РБ придает модели уникальности. Разработанная модель обучения позволяет осуществлять обучение моделей проектируемой системы РБ согласно разработанного алгоритма, на основе реальных статистических данных, полученных в ходе функционирования системы и ее взаимодействия с пользователями. В результате разработанная модель реализует обучение моделей качественно нового функционального уровня, позволяющие: исследовать динамику и надежность системы еще на раннем этапе системного проектирования; реализовывать разветвленные схемы любой сложности, оценку вероятностных процессов и гармоничное вливание функциональных компонентов в модель стохастического класса.

Ключевые слова: алгоритм; автоматизация; проектирование; сенсор; актюатор.

V. M. Teslyuk1, K. V. Beregovska2, L. Е. Uhryn1

1 Lviv Polytechnic National University, Lviv, Ukraine 2 Vasyl Stefanyk Precarpathian National University, Ivano-Frankivsk, Ukraine

DEVELOPMENT OF THE METHOD OF TEACHING THE MODELS OF THE "SMART HOUSE" SYSTEMS ON THE BASIS OF PETRI-MARKOV MODELS AND SUPPLEMENTED WITH FUNCTIONAL COMPONENTS

Developed method for teaching the models of the "Smart house" systems (SH), created on the basis of Petri-Markov models, and supplemented with functional components - sensors and actuators. The method is based on a specially developed optimized learning

algorithm for SH-systems models, as well as the corresponding model for learning models of SH-systems, based on Petri-Markov models, and supplemented with the functional components, is presented in this paper. In the process of developing the method of teaching the models of the SH-systems, the basic requirements for the modern systems of SH were analyzed, which explains the uniqueness of such models and requires the involvement of a significant number of highly-skilled specialists from the moment of the birth and discussion with the potential customer of the very idea of the development of the SH-systems, until the moment of its introduction. The main advantages of developing the models of SH-systems are also noted. One of the main stages is the further studying of the developed model of the projected system of SH in order to provide the model with its character and uniqueness. The developed training model allows to study the models of the projected system of SH according to the developed algorithm, based on real statistics obtained during the operation of the system and its interaction with users. As a result, the developed model implements the training of models of a qualitatively new functional level, which enable: to investigate the dynamics and reliability of the system at an early stage of system design; to implement branching schemes of arbitrary complexity; to carry out quantitative estimation of probable processes and harmonious infusion of functional components representing the real hardware of the projected system of SH, into the model of stochastic class; representation of the system from the level of the "black box" to the level of indivisible functional components of the system - sensors and actuators, due to the developed mechanism of decomposition of the model at seven basic levels.

Keywords: algorithm; automation; design; sensor; actuator.