Aplicación del razonamiento cualitativo al "Hogar Digital"

Aplicación del razonamiento cualitativo al "Hogar Digital" Juan Antonio Álvarez1, Juan Antqnio Ortega 1, Jes�s Torres 1, Alejandro Fernández1, Manuel Da vid Cruz · Cecilio Angulo y Francisco Velasco3• 1 Departamento de Lenguajes y Sistemas Informáticos, Universidad de Sevilla. Avda. Reina Mercedes s/n. Sevilla. {juan,ortega,jtorres }@lsi.us.es, { alejandro.fdez, manuel3086}@gmail.com 2 Enginyeria de Sistemes, Automatica i lnformatica Industrial, Escala Politecnica Superior d'Enginyeria de Vilanova i la Geltrú. cecilio.ang[email protected] 3 Departamento de Economía Aplicada I, Universidad de Sevilla. Avda. Ramón y Caja!, sin [email protected] Resumen Identificar y reproducir el razonamiento humano, es uno de los objetivos principales de la Inteligen cia Artificial. En el ámbito del hogar digital dicho objetivo cobra una gran importancia, pero aún no se ha logrado completar. En este artículo comentamos la arquitectura pro puesta para la realización de una vivienda domótica basada en la especificación realizada por OSGi. En ella, resolvemos la interacción con el usuario para que éste, a través de interfaces Web, pueda contro lar su residencia. Dichos interfaces deben ser ami gables con los habitantes del hogar digital y dará respuestas en su mismo lenguaje. El control que le permitimos es completo, acce diendo a todo tipo de dispositivos electrónicos a través de una gran diversidad de redes y protoco los. Además todas las acciones realizadas sobre los elementos de la casa, se registran en una base de datos. Ante esta potencia de actuación y recopila ción de datos inmediata, creemos que hemos de dar un paso hacia la inteligencia de la vivienda a través del razonamiento cualitativo y concretamen te usando lógica difusa sobre los datos obtenidos. De ese modo conseguiremos realizar una interac ción inteligente y adaptable del hogar con sus habi tantes. 1 Introducción El problema de la extracción de conocimiento a partir de valores cualitativos ha sido resuelto en diferentes ámbitos. Desde la economía [12) hasta la educación [l) pasando por muchos otros contextos. En este trabajo vamos a buscar un nuevo ámbito de aplica ción: "El Hogar Digital". La revolución para conseguir un entorno preparado para computación y comunicación ubi cua, junto con una interacción a través de interfaces inteli gentes, ha avanzado a pasos agigantados en los últimos 47 años. Con la aparición de "Open Services Gateway lnitiati ve" (OSGi) [ 1 O] en 1999, sectores de construcción, empre sas de software y compañías de telecomunicaciones, colabo ran para obtener productos aplicables tanto al hogar digital como a cualquier entorno habitable, incluyendo incluso los automóviles. Dicha iniciativa, pretende crear pasarelas de servicios a través de una arquitectura abierta y flexible, su ministrando dichos servicios desde redes de área extensa hacia LANs o redes de dispositivos. La creciente demanda de servicios de gestión y control de nuestro hogar por parte de la sociedad de la infonnación, hizo que surgiese el proyecto Domoweb, cuyo objetivo principal, es la creación de un entorno demótico gestionado vía Web. El desarrollo de dicho trabajo nos ha permitido acumular experiencia sobre las arquitecturas orientadas a servicio, concretamente sobre la plataforma basada en la especificación de OSGi e implementada con software de fuentes abiertas. En este artículo, comentamos la estructura y servicios que oferta el proyecto y ampliamos su visión inicial, hacia ámbitos de aplicación de lógica difusa para conseguir interaccionar de manera inteligente con los habi tantes de la vivienda. Describiremos interesantes escenarios dónde podremos comprobar la mejora del proyecto inicial, en el que hemos comenzado a aplicar lógica difusa en diver sos aspectos como interacción con los usuarios y predicción de actuaciones. Además, dejaremos temas abiertos para permitir la comunicación con grupos investigadores de razonamiento cualitativo y diagnosis. Este artículo está organizado del siguiente modo: En la sección 2 desarrollaremos la visión del proyecto Domoweb y mostraremos aspectos de su diseño. En la sección 3 des cribiremos el trabajo relacionado con la implementación que estamos realizando mediante lógica difusa para conseguir razonamiento cualitativo. Tras justificar el porqué de usar esta lógica, mostraremos los escenarios con los que quisi mos ampliar la idea inicial. Finalmente en el cuarto apartado explicaremos las conclusiones obtenidas y apuntaremos el trabajo futuro. 1 1 1 1 1 p x l s 3 p ^ ^ - ^ ^ _ r e ^ ^ P ^ a s < O - o í . t i g 1 1 ^ a < & O 0 3 f * a 3 . g & 3 . p ^ a & s ' 0 3 0 3 p 3 & a s ( 1 B ^ a < • P ^ O 3 3 ^ 3 ' 7 3 a g S 0 3 p 3 ^ a a 6 3 g 9 r e - p r e a . . . P o . 3 . o o > o 1 f n 2 0 , p S ^ p a p 0 3 P 3 o - p 3 ^ a o 3 g 2 < . • • Í B = 3 < o S O O f ü p - e n O > = ^ 2 . 0 3 O - " > 3 ^ ) P - 3 - 2 < 3 E 7 3 ^ o " s r ^ o 3 o - < a a 0 3 0 3 * 8 3 2 r e r e 3 B e l 3 m . 0 ™ 3 ™ a r e n P V i ^ , ^ 3 p ^ * m ^ ; p . ^ r e ^ ^ ^ o p r e a ^ a H a a ^ p ^ ^ P v ! ^ ^ ; c < p " B Q C - ' p p N p N ^ 2 | 2 S : z i " > a 2 ^ | ^ ^ a a " W • r i a - g . Z 0 3 O a ^ • 0 3 P ^ a 3 a a a , . E S . ^ g . c ^ o ^ - i i i í - i f i s - • S o ü g ' á ' M S & ^ 7 o ( | s y " N f e s ^ r j C 3 - ' l .b e n ^ - O 3 . 9 | - g Í S . 1 S o O o o . p ^ _ O 2 . s . a a 1 S - o a S — < n 0 3 • ^ O " T 3 P ' O e n g . < g S . g - g ! 3 3 ™ 2 * a . & 8 - 8 S I á . B S • I ^ B - o 3 _ a • ^ ^ s . - . a o 1 — > p ^ p o o 3 • 3 • & c 3 1 - *. P ^ ^ . S " & v : g g ' P ¡ a o g ^ • . - • c f í ^ n o " _ , p ' • P 3 p ^ ^ ' O 3 3 O g " ^ a S * 8 - - t ¡ 3 e 2 ^ r e " 3 3 ^ f - 2 ü ! e p ~ e - l ^ P ll i f ^ i i í ^ E ? o 3 ' I o p O o o i ' S o j 1 g a 3 o s f í f i ^ i | ^ - a " o g í l r e p _ a ^ o s i • t p ^ " 3 ^ ¡ 8 Í I | S - > a ^ ? > q , - ^ s - g r g " 3 - g ^ 3 ^ ^ g g ; n 2 - 3 0 3 O 0 3 J o < * < 3 ' 3 Q ^ ^ S ? o o 2 ^ T O 7 3 1 O O s l ^ 3 o 2 - 9 0 3 = ^ • ^ ? Ó T ? 0 3 0 3 ' • ' • o S ^ 2 I ^ ! p p 3 a ¡ 0 3 ! w . 7 3 O o c r e C 3 3 P P o S " | , o ' S T . 3 o > o ' a s s 8 ^ I " 2 S g p ^ a 3 ó ? g . 8 - 3 ^ 5 ; i I ^ ^ a | * • p E ^ a " 3 - ? ~ a - a | ^ t o ' 3 n i a ^ 3 8 S - ^ ^ - i g 8 3 . 0 . 3 • O . 7 3 • 3 _ ^ B B 5 2 . & B • ^ ^ l f 3 o - o . 3 , < - , c p o ^ i í l a t ^ ^ i > s ™ g : 3 o - > < _ ^ e n O e n ^ , L t í r e ^ - ' - ^ í 5 S ^ 5 - N ^ 3 3 ^ < P p 3 n • ™ ^ a P ^ ^ * ^ g g - ~ a r e O . o ; B g - O 3 3 ^ ^ 8 - E ^ 0 3 D . 0 3 3 P O e n o O ^ O " í O - P B W ' 2 - o ' 5 - j o 3 P O 3 = > s . o o . c 3 ^ < 3 3 SS & ^ - 5 ' ' - J i p i s o " s subconjuntos, de manera que cualquier elemento pue da pertenecer a ellos en diferentes grados. Con reglas difusas, es posible procesar las relaciones entre las va riables fuzzy y producir una salida nebulosa. •Tratamiento personalizado: Basándose en las caracte rísticas aprendidas de los habitantes de la casa, podría darse un trato personalizado a cada uno. Tal vez el ra zonamiento cuantitativo sea mejor interpretado por personas con una mejor formación educativa, pero es tá claro que un niño de 9 años puede comprender me jor ténninos como mayor, caluroso, oscuro o rápido que términos numéricos. Del mismo modo, las cuali dades varían dependiendo de los usuarios. El término joven será entendido de una manera por un anciano y de otra por un adolescente. 3 Conclusiones y trabajo futuro Tras haber comentado la arquitectura y los servicios más importantes del proyecto Domoweb, observamos una serie de carencias sobre las que estamos trabajando para mejorar el producto final. Una de las posibles líneas de trabajo futuro y de investiga ción es la de dotar de un aprendizaje automático mediante razonamiento cualitativo al sistema. Actualmente estamos desarrollando la integración de una serie de componentes que pennitan esto sin tener que modificar la estructura creada. Si conseguimos que nuestro proyecto lleve a cabo el aprendizaje de forma autónoma, de acuerdo a las necesida des del usuario y además responda a los deseos y necesida des de los mismos de manera automática, habremos dado un paso importante hacia la Inteligencia Ambiental. La antici pación ante actos repetitivos mediante la base de conoci miento del sistema debe ser una realidad y existen otros trabajos que lo avalan (3). Además, nuestro sistema debe ser lo menos intrusivo posible, evitando que los habitantes del hogar se sientan observados por los sensores del sistema. Agradecimientos Este artículo ha sido financiado por el proyecto RAITEC "Domoweb: Metodologías para el diseño y desa rrollo de sistemas domóticos controlados vía Web". Finan ciado por la Consejería de Innovación, Ciencia y Empresa de la Junta de Andalucía. Cuyo expediente es el SC/AT/0108/2003 y cuyo código de Proyecto es 2001001216. Investigador Principal: Juan Antonio Ortega Ramírez -Depto. Lenguajes y Sistemas Infonnáticos de la Universidad de Sevilla Referencias (1] Álvarez-Sánchez, J.J., Alvarez-Bravo, J.V., González Cabrera, F.J., "Aproximación cualitativa a la docencia de conceptos fisicos". SPDECE 04. Guadalajara (España). Octubre 2004. 52 (2] BISC http://www-bisc.cs.berkeley.edu/ (3] Doctor F., Hagras, H. A. K., Callaghan,V. IEEE Trans actions on Systems, Man and Cybemetics, Part A: Sys tems and Humans. An lntelligent Fuzzy Agent Approach to Realising Ambient Intelligence in Intelligent lnhab ited Environments. 2004. [4] FuzzyJ. http://ai.iit.nrc.ca/lR __public/fuzzy/ fuzzyJTool kit.html (5] Hall, R. Osear ·-Bundle Repository. http://oscar osgi.sourceforge.net [6] Hall, R. Osear, An OSGi framework implementation, http://oscar.objectweb.org [7] JDBC API. http://java.sun.com/products/jdbc (8] jUSB. Java API for USB. http://jusb.sourceforge.net. 2003. [9] Motorola. Wireless Software, Applications & Services. Java APls for Bluetooth Wireless Technology (JSR-82). 2002. (1 O] Open Source Gateway Initiative. OSGi. 1999. (11] OSGi Alliance. "OSGi Service Platfonn Release 3". 2003. (12] Parra, X., Angulo, C., Agell, N., Rovira, X., "Aproxi mación a un problema financiero mediante redes neuro nales con funciones base radiales y máquinas de soporte vectorial". Inteligencia Artificial, (14): 54-67. JSSN: 1137-3601. 2001. (13] The Knoplerfish Project. http://knopflerfish.org/in dex.html (14] Weiser, M. The computer for the 21st Century. Scienti fic American, 1991. [ 15] Xl OInterface Communication Protocol. http://www.maisondomotique.com/telechargements/xl 0/protocol_ XI O.pdf . 2003. [16] Zadeh A.L.Fuzzy Sets, Inf. Control 8, 338-353, 1965. Multiple decision trees to diagnose a transient state of dynamic systems. Application to a DC motor. Antonio J. Suárez, Pedro J. Abad Opto de Ingeniería Electrónica, Sistemas Informáticos y Automática Universidad de Huelva [email protected]hu.es, [email protected] Abstract In this paper, a novel methodology is proposed to diagnose a transient state of a dynamic system us ing supervised learning. lt is composed by two steps: one off-line process and another on-line pro cess. The off-line phase begins gathering data from the system, both when it is running free of fault and when the system is running in each fault mode. Also, it is possible to generate these data from Monte Cario simulations of a system model. A seg mentation and normalization algorithm is used to reduce the large amount of gathered data. The fi nal step of the off-line process is the generation_ of a decision tree by a classification tool. The on-lme process of the methodology consists in evaluating a new reading of the system sensors with the gen erated decision trees. The system diagnosis is the result of this evaluation which has a linear compu tational cost due to the simplicity of the decision trees. In order to improve diagnosability problems of this methodology, it is proposed a new solution in this work. lnstead of generating only one de cision tree, a different decision tree is generated for each fault mode and free of fault mode. Therefore multiple possibilities of diagnosis can be offered for a given behaviour of dynamic system. Meth odology has been applied to diagnose a DC motor. Eight different faults have been considered and the results have been discussed including diagnosab1l ity conflicts. 1 Introduction Inside the Artificial lntelligence techniques, data mining is about solving problems by analyzing data already present in databases. Data mining is defined as the automatic process of discovering patterns in data. One of the fields of Data _Mining is the Machine Learning, which is defined as the ab1l1ty for a computer system to generate new knowledge based on its past experiences. . . A long variety of techniques, coming from Artificial Tn telligence, has been applied to diagnosis field from theff be ginning. Along this time, a great number of _approx1matwns have been proposed from different points of v1ew. In [ Cord1er 53 Rafael M. Gasea, Juan A. Ortega Dpto de Lenguajes y Sistemas Informáticos Universidad de Sevilla [email protected], or[email protected] et al., 2000] a comparative between the communities FDI and DX for model based diagnosis can be found. One of the fields that have been widely investigated is the diagnosis of dynamic systems. These types of systems are very difficult to diagnose due to the great amount of components, the small set of ob servable variables, the interactions among their components, and the habitual presence of a control system which could hide the presence and identification of the faults. Machine Leaming techniques have been applied to this field, from a decade ago [Feng, 1992] to curren! years [Roverso, 2003]. Tnduction motors are very common in industry due to their simplicity, rugged structure, cheapness and easy maintainab ility. lt is very usual that these motors were rnvolved mto larger industrial systems. Fault detection and diagno_sis of these motors are very importan! when they are working m on-line monitor conditions. Due to dynamical conditions of these systems, it is crucial to diagnose the faults quickly and precisely. Severa) techniques has been applied in order to diagnose these motors: techniques based on the signa] ana lysis [Schoen et al., 1995], based on the dynam1c modelhng of the motor [Chan et al., 1999] and knowledge based tech niques. Inside the knowledge based techniques, many tools have been used: expert systems [Filippetti et al., 1992], neur onal networks [Liu et al., 2000] or automatic classification [Hajiaghajani et al., 2004]. The aim of this paper is to use the power of the automatic Jearning to diagnose dynamic systems with a minimal amount of sensors. A complete methodology is proposed for this pur pose and it is applied to a dynamic system involving a DC motor. This is an importan! improvement to the methodology presented in a previous work [Abad et al., 2002]. A improvement in the methodology is proposed with_ the aim of treating no-diagnosable behaviours. System behavwur is no-diagnosable when it could have more than one poss1ble diagnostic. The improvement proposes to offer ali poss1ble diagnostics by generating multiple decision trees. The complete methodology is illustrated with simulations of a DC motor. Eight different faults have been considered and the results have been discussed including diagnosability conflicts.