Technologie umożliwiające budowanie programów aplikacyjnych na urządzenia KNX/EIB są praktycznie nieograniczone (możliwie jest tworzenie aplikacji w wielu językach progra-mowania). Powstałe ograniczenia i wymagania wynikają jedynie z zastosowanej jednostki centralnej (procesor) w module łączeniowym BCU lub oferowanych przez producenta narzędzi programowych (asembler, kompilator, emulator). Stowarzyszenie KONNEX oferuje producentom urządzeń zintegrowane środowisko bazujące na języku ANSI C do realizacji projektów wykorzystujących standard EIB/KNX [82, 87, 94, 88].
LoRaWAN62 to kolejny ze standard pozwalający na budowę sieci sensorowych w inteligentnych budynkach. Specyfika jego leży w medium transmisyjnym wykorzysty-wanego do przesyłania danych, które jest standardem bezprzewodowy należący do ro-dziny LPWAN63, opracowany z myślą o rozwiązaniach IoT. Celem opracowania koncepcji LoRA(WAN) była minimalizacja problemów związanych z ograniczonym zasięgiem oraz czasem pracy urządzeń z wykorzystaniem zasilania bateryjnego, w takich standardach jak WiFi, Bluetooth64 czy też ZigBee. W opracowaniu uwzględniono też eliminację kosztów generowanych przez moduły GSM65. Główna misją technologii LoRa jest zatem reali-zacja komunikacji na bardzo duże odległości przy niskim koszcie zużycia energii, gdzie
62ang. Long Range Wireless Network.
63ang. Low Power Wide Area Network.
64https://en.wikipedia.org/wiki/Bluetooth
65ang. Global System for Mobile Communications.
Pobrano z mostwiedzy.pl
dane przesyłane są w małych blokach z wykorzystaniem algorytmu szyfrującego AES66 z kluczem 128-bitowym. Sieć działa w oparciu o protokół asynchroniczny z modulacją pozwalającą na odbiór sygnałów 22dB (poniżej progu szumów) przy zastosowaniu tech-nologii rozpraszania widma CSS67. Komunikacja realizowana jest tu dwukierunkowo w trybie półdupleksu, w topologii gwiazdy.
Moduł tego standardu pozwala na adaptacyjne dopasowania mocy nadajnika i szybko-ści transmisji do aktualnych warunków propagacyjnych. Bilans mocowy dla urządzenia SX1272 firmy Semtech kształtuje się w sposób następujący: urządzenie pobiera przy nadawaniu od 18 mA (przy 7 dBm) do 125 mA (przy 20 dBm), 10 mA podczas odbie-rania i zaledwie 1,5 µA w stanie bezczynności [90]. Dane te jednoznacznie wskazują na możliwość optymalizacji zasilania bateryjnego w aplikacjach sprzętowych realizowanych w oparciu o technologię LoRa. Co więcej przy tak małym zużyciu energii można zastąpić tradycyjne zasilanie bateryjne rozwiązaniami z klasy energy harvesting, polegającymi na wykorzystaniu energii pozyskiwanej z niewielkich ogniw fotowoltanicznych, bądź też z elementów piezoelektrycznych. Wspomniane wcześniej transceivery SX1772 mają zasięg do 5 km w środowisku miejskim oraz do 15 km w terenie otwartym [89]. Pozwala to na objęcie działaniem kilku takich modułów stosunkowo dużej powierzchni. Dodatkową zaletą rozwiązania jest możliwość pracy w nielicencjonowanym paśmie częstotliwości ISM (433 MHz, 868 MHz oraz 915 MHz). Jak wcześniej wspomniano głównym ograniczeniem standardu jest szybkość transmisji danych, która waha się pomiędzy 0,3 a 50 Kbps [69].
Jednak zasięg oraz bardzo niskie zapotrzebowanie na energię sprawią, że rozwiązanie to doskonale nadają się do budowy rozproszonych systemów pomiarowych [50].
Opisane wyżej standardy komunikacyjne odpowiadają też technologiom przetwarza-nia w chmurze68 oraz integracji z urządzeniami mobilnymi (IoT). Niewątpliwą zaletą przechowywania i przetwarzania danych pomiarowych w chmurach obliczeniowych jest możliwość wykorzystania praktycznie nieograniczonych możliwości archiwizacji danych oraz skalowania infrastruktury sprzętowej, na której prowadzimy obliczenia. Nowoczesne rozwiązania programistyczne pozwalają przy tym w stosunkowo łatwy sposób zapanować nad wizualizacją i analizą danych w czasie rzeczywistym.
2.3. Diagnostyka rozproszonych obiektów przemysło-wych
Olbrzymie możliwości analizy oraz agregacji danych pochodzących z systemów pomiaro-wych, występujących w inteligentnych budynkach, pozwalają na budowę coraz to bardziej
66ang. Advanced Encryption Standard.
67ang. Chirp Spread Spectrum.
68ang. cloud computing.
Pobrano z mostwiedzy.pl
zaawansowanych systemów diagnostycznych. Stopień skomplikowania tych systemów sko-relowany jest z rozwojem i złożonością technologiczną nowoczesnych budynków miesz-kalnych i przemysłowych. Wykorzystanie strategii diagnostycznych w IB jest szczególnie istotne w kontekście systemów energetycznych, które silnie uzależnione są od sprzętowych i programowych komponentów tj. sensory czy aktuatory. Występowanie błędów odczytu czy też generowanie niewłaściwych reakcji systemu, prowadzić może do niewłaściwego działania podsystemów, a w konsekwencji do generowania dużych start przez główne systemy energetyczne w dużych budynkach przemysłowych. Zachodzą tu bowiem długie okresy, w których system działa niepoprawnie, wykorzystując błędne wskazania urządzeń i czujników. Oszacowano, że w wyniku pojawiających się błędów koszty związane ze zu-życiem energii w budynkach ulegają zwiększają się od 15% do 30% [49]. Rozwiązanie tego problemu opiera się na zautomatyzowanym procesie wykrywania błędów i diagno-styki (FDD69), pozwalającym na odkrywanie potencjalnych problemów oraz szybsze i dokładniejsze przewidywanie, kiedy i co może ulec awarii.
FDD daje możliwość wykrywania i zgłaszania istotnych błędów, pomagając w znale-zieniu i wyizolowaniu problemów odpowiedzialnych za marnotrawienie energii, oraz we wczesnym ostrzeganiu przed zbliżającą się awarią [34].
Zautomatyzowany system FDD służący diagnostyce i sterowania inteligentnym bu-dynkiem przedstawiono na rys. 2.9. W pierwszym kroku system dokonuje analizy da-nych pomiarowych oraz wykrywa potencjalne błędy. Wykrycie nieprawidłowego stanu, prowadzi do uruchomienia automatycznego procesu odpowiedzialnego za diagnozowanie błędów oraz znalezienie ich przyczyn. Kolejne kroki na przedstawionym diagramie, doty-czą ewaluacji wykrytego błędu w kontekście jego wielkości i wpływu na działanie całego systemu. Ewaluacja może dotyczyć wielu aspektów, np. zwiększonego zużycia energii, dostępności, utraty komfortu lub wpływu na inne elementu systemu. W następnym eta-pie system FDD podejmuje reakcję zależną od powstałego błędu oraz jego klasyfikacji.
W większości przypadków samo wykrycie błędów przez system jest relatywnie proste, zdecydowanie trudniejsze okazuje się zdiagnozowanie przyczyny problemu lub określenie wpływu napotkanej usterki na zachowanie pozostałej części systemu [49].
W pracy [71] przedstawiono trzy podstawowe podejścia do budowania systemów opar-tych na FDD: podejście modelowe (model-based), bazujące na danych (data-based model) oraz podejście hybrydowe (wykorzystujące zarówno dane jak i model).
Podejście modelowe sprawdza się najlepiej w przypadku małych obiektów (w dużych realizacjach tworzone modele bywają bardzo skomplikowane i czasochłonne). Wybór podejścia modelowego zwykle wymaga kompromisu pomiędzy stopniem skomplikowania modelu a odwzorowaniem modelowanego systemu. Problemem, który pojawia się w przy-padku modelowania jest nadmierne uproszenie, która wpływa na efektywność działania
69ang. Fault Detection and Diagnostics.
Pobrano z mostwiedzy.pl