Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos

Equation Chapter 1 Section 1 Trabajo Fin de Máster Máster en Ingeniería Industrial Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos Autor: Daniel Paredes García Tutora: Amparo Núñez Reyes Dep. Ingeniería de Sistemas y Automática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2021 iii Trabajo Fin de Máster Máster en Ingeniería Industrial Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos Autor: Daniel Paredes García Tutora: Amparo Núñez Reyes Profesora titular Dep. Ingeniería de Sistemas y Automática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2021 v Trabajo Fin de Máster: Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos Autor: Daniel Paredes García Tutora: Amparo Núñez Reyes El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2021 El Secretario del Tribunal vii Agradecimientos Llegados a este punto donde culmina mi etapa universitaria en lo referente a la Ingeniería Industrial, me gustaría dedicar unas palabras de agradecimientos a aquellas personas que han formado parte de mi vida durante este camino. A mi familia, en especial a mis padres, que siempre han estado ahí cada vez que los necesitaba. Nunca podré devolverles todo lo que han hecho por mí y todo lo que siguen haciendo. A mis amigos, a aquellos que me llevo de esta bonita etapa y a los de toda la vida, por hacerme más amenos estos años y por sacarme siempre una sonrisa. A Dable Red S.L. y las personas que lo conforman, por ofrecerme la oportunidad de entrar en el mundo laboral, otorgándome toda la flexibilidad necesaria para poder culminar mis estudios y permitiéndome formarme tanto profesional como personalmente. Y, por último, a mi “pequeñín”. Mi amigo y compañero de cuatro patas que ha estado conmigo durante más de trece años y al que recurría siempre cada vez que tenía un mal día. Daniel Paredes García Sevilla, 2021 ix Resumen El confort ambiental es un concepto que se relaciona con el bienestar físico y social de los individuos cuando experimentan una sensación de satisfacción respecto a las condiciones ambientales existentes. Los avances tecnológicos y la necesidad de las personas de conseguir dicho confort, lo convierte en un tema cuyo objetivo es intentar satisfacer estas necesidades. Es por ello que este trabajo se enmarca en el contexto de eficiencia energética de la Unión Europea, tratando sobre el control de calidad ambiental de interiores y la gestión óptima de energía. Se trata de realizar un análisis de la distribución espacial, de las medidas de calidad ambiental del interior de una habitación, mediante el uso de una red de sensores inalámbricos (WSN) y la aplicación de diferentes técnicas de interpolación, tanto deterministas como geoestadísticas, con el fin de obtener una conciencia espacial total de la temperatura. Las lecturas de temperatura muestreadas por los nodos-sensores tienen la capacidad de informar al sistema sobre las temperaturas en ubicaciones específicas, pero no describen completamente toda el área en cuestión, de ahí la realización del estudio mediante estimaciones de las diferentes zonas no cubiertas, con el fin de conocer la efectividad de estos métodos que permitan posteriormente una optimización para el control de las temperaturas, asegurando así un confort ambiental idóneo. xvii ÍNDICE DE FIGURAS Figura 2-1. Esquema de una red de sensores inalámbricos [2]. 3 Figura 2-2. Estructura de un nodo de una WSN. 4 Figura 2-3. Esquema topología en estrella. 6 Figura 2-4. Esquema topología en árbol. 7 Figura 2-5. Esquema topología en malla. 8 Figura 2-6. Esquema topología híbrida estrella-malla [8]. 8 Figura 2-7. Pila de protocolo de una WSN. 9 Figura 2-8. Sistema de envío de paquetes Tiny TCP/IP. 12 Figura 3-1. Polígono de Voronoi. [22] 20 Figura 3-2. Método de interpolación Vecino Natural. 21 Figura 3-3. Cálculo del variograma según distancia y ángulo. 24 Figura 3-4. Variograma Experimental. 25 Figura 3-5. Modelos de Variograma Teóricos [28] 26 Figura 4-1. Esquema de la sala de laboratorio de Intel Berkeley. 31 Figura 4-2. Comparativa del laboratorio y la recreación de la red de sensores. 32 Figura 4-3. Interfaz de la demostración de la WSN en Matlab. 33 Figura 4-4. Envío de mensajes desde los Nodos al Nodo Sumidero. 34 Figura 4-5. Envío de mensajes desde el Nodo Sumidero al Servidor. 35 Figura 4-6. Interfaz tras la primera toma de datos automática. Nodo 5 desactivado. 35 Figura 4-7. Envío de mensajes Servidor-Nodo Sumidero (a) y Nodo Sumidero-Nodos (b) 36 Figura 4-8. Ventana emergente Toma de Datos Específica 37 Figura 4-9. Envío de mensajes Servidor-Nodo Sumidero y Nodo Sumidero-5 Nodos más cercanos 37 Figura 4-10. Envío de mensajes 5 Nodos más cercanos-Nodo Sumidero y Nodo Sumidero-Servidor. 37 Figura 4-11. Ventana emergente Anular Nodo. 38 Figura 4-12. Nodo nº14 eliminado. 38 Figura 5-1 . Distribución de nodos utilizados y reservados. 39 Figura 5-2. Histograma de la media global de los nodos. 40 Figura 5-3. Gráfica q-q de la media global de los nodos. 41 Figura 5-4. Histograma 8 de marzo sin normalizar (izquierda) y normalizado (derecha). 41 Figura 5-5. Variogramas direccionales de la media global 42 Figura 5-6. Variograma experimental omnidireccional de la media global 42 Figura 5-7 Variograma experimental y esférico de la media global 43 Figura 5-8. Estimaciones y varianza Kriging de la media global con modelo exponencial y esférico 44 Figura 5-9. Validación cruzada de los modelos exponencial y esférico 45 Figura 5-10. Variograma teórico esférico puntual (13:16 del día 4 de marzo). 46 Figura 5-11. Variogramas teóricos esféricos con las medias de cada hora. 48 1 1 INTRODUCCIÓN n los tiempos en los que vivimos y en especial en las últimas décadas, el crecimiento de la tecnología en todos los ámbitos de la vida parece incluso ir por delante de lo que la mente humana puede llegar a imaginar. Esto también se aplica al campo de las redes de sensores. En los últimos años, las redes de sensores tradicionales, con gran cantidad de cableados y de corto alcance, han dado paso al uso de las redes de sensores inalámbricas, permitiendo llegar a zonas y ámbitos donde antes no podía ser aplicados. Tanto es así, que en campos como la medicina o en aplicaciones militares están utilizándose con gran éxito, permitiendo mejorar la calidad de vida de las personas o aportando información crucial en las defensas territoriales. Además de esto, estos avances tecnológicos permiten una mayor duración y una reducción de tamaños y costes en las redes de sensores. En lo que respecta a este proyecto, el uso de estas redes tiene como principal objetivo permitir estimar las temperaturas en zonas interiores, con el fin de poder adaptar, en la mejor medida posible, la climatología del interior de las salas a las personas, produciendo una mayor satisfacción en ellas y permitiendo un mayor confort térmico. Así, debido a las imposibilidades de poder realizar un base de datos propia obtenida de una red de sensores inalámbricas personal, se realizará un proceso de estimación de temperatura de una sala de interior gracias a una base de datos facilitada por Intel que, con la distribución de 54 nodos-sensores repartidos por un laboratorio, realizó la toma de medidas de la temperatura durante un periodo de tiempo prolongado de forma que ha hecho posible la realización de dicho proceso de estimación. Utilizando diferentes técnicas de interpolación, tanto deterministas como geoestadísticas, se realizarán las estimaciones de toda la sala con el fin de conocer la efectividad de los distintos modelos utilizados y poder plantear la posibilidad de estimar la temperatura en cada punto. Estos estudios se llevarán a cabo con el software informático Matlab, permitiendo comprobar la viabilidad del propio estudio. 1.1 Estructura de la Memoria Este proyecto está dividido en los siguientes capítulos: • Redes de Sensores Inalámbricas. En este capítulo se realiza la descripción general de las WSN. Este abarca temas como la definición de estas o la explicación de la arquitectura y componentes que la conforman. Además, se describen sus características, se diferencian las diferentes topologías de red que pueden usar, los diferentes protocolos y estándar de comunicación permitidos y los distintos campos de aplicaciones en los que serían de utilidad. • Métodos de Interpolación Espacial. Aquí se hace una explicación de los diferentes métodos de interpolación que podemos encontrar, dividiéndolos en dos grandes grupos, los métodos deterministas y los métodos geoestadísticos. Del primero de ellos, se hará hincapié en el método IDW; mientras en el segundo se centrará en el Kriging, siendo ambos los escogidos para la realización de las estimaciones de la sala. • Recreación de una Red de Sensores. En este capítulo, mediante el software informático Matlab, se hace una simulación de cómo sería el funcionamiento de una WSN y las diferentes funciones que podrían realizarse con ella. • Estudio de la Distribución Espacial. Dentro de este capítulo se realizan los estudios prácticos para conocer la distribución espacial de la temperatura en el interior de una sala. Para ello, mediante el uso de distintos métodos de interpolación, se seguirán los pasos que permitirá conocer las estimaciones E Introducción 2 2 dentro de dicha sala y conocer la viabilidad y eficacia de los distintos métodos implementados. • Conclusiones y Líneas de mejora. En este último capítulo se recogen las diferentes conclusiones alcanzadas tras la realización del proyecto y se exponen distintas medidas que permitirían un desarrollo más avanzado con nuevas ideas de mejora a partir de lo expuesto en este proyecto. 3 2 REDES DE SENSORES INALÁMBRICAS urante los últimos años, el uso de las redes de sensores inalámbricas está ganando gran protagonismo en diversidad de campos de aplicación debido a los avances que día tras día se realizan en el ámbito tecnológico, lo que hace que no solo mejoren en aquellos campos donde ya se utilizan sino que aparezcan nuevos donde aplicarse y desarrollarse. 2.1 Redes de sensores inalámbricas Una red de sensores inalámbricos (Wireless Sensor Networks, WSN) es una red formada por un grupo de nodos sensores, cuyo número puede ir desde las decenas hasta los miles de ellos, de tamaño reducido que se despliegan a lo largo de nuestro campo de aplicación y que tienen capacidad de comunicación de manera inalámbrica, permitiendo la detección, recopilación y procesamiento de la información obtenida a partir de ellos[1]. Esta información recolectada por cada nodo sensor es enviada, también mediante una comunicación inalámbrica, hacia un nodo central de coordinación, al que se denomina Estación base o Sink, que es el encargado de recibir los datos del resto de nodos sensores. Este nodo Sink, el cual puede incluir también sensores si así se estima oportuno, es el encargado de realizar la función de enlace entre los nodos sensores de la red y el servidor, conectándose inalámbricamente con los nodos sensores y mediante una conexión TCP/IP con el servidor. Por último, con la información recibida por los nodos sensores en el servidor, el usuario tendrá la capacidad de analizarla y procesarla. En la Figura 2-1 se puede ver un esquema de una estructura habitual de una red inalámbrica de sensores. Figura 2-1. Esquema de una red de sensores inalámbricos [2]. D Redes de Sensores Inalámbricas 4 4 2.2 Arquitectura Hardware de un nodo sensor Los nodos sensores, también conocidos como motas, son elementos compuestos principalmente por un módulo sensor, un módulo de procesamiento, un módulo de comunicación y un módulo de energía. En el módulo sensor encontramos dos elementos diferentes: uno o varios sensores y un convertidor AC/DC. Los sensores son dispositivos que permiten medir diferentes condiciones físicas. Entre ellos podemos encontrar sensores térmicos, sísmicos, acústicos, mecánicos, lumínicos, biológicos, ópticos, etc. Estos sensores envían la información mediante señales analógicas, de ahí que sea necesario la introducción de un convertidor para convertir dicha señal analógica en una señal digital para que pueda ser transmitida al módulo de procesamiento. El módulo de procesamiento está formado por un procesador y una memoria. Es el encargado de coordinar todo el nodo, procesar la información recogida por los sensores y de gestionar el almacenamiento de esta información en la memoria. Entre los procesadores más destacados se encuentras las FPGAs, los microprocesadores y los microcontroladores. En la actualidad, debido al alto consumo de energía de las FPGAs, lo cual es un factor importante a tener en cuenta para la vida de los nodos, ya que, a diferencia de los microprocesadores, los microcontroladores incluyen tanto el procesador como la memoria, son estos últimos los más utilizados. Igualmente, aunque los microcontroladores contengan una memoria incorporada, es habitual la implementación de una memoria flash que libere esta memoria del controlador, permita una mayor recogida de datos y a una mayor velocidad, y que estos datos almacenados se mantengan incluso cuando el nodo deja de funcionar [3]. El módulo de comunicación está constituido por un transceptor, el cual es el encargado de permitir la transferencia de datos entre los diferentes nodos mediante una comunicación inalámbrica. La comunicación puede realizarse por diferentes medios como son la comunicación infrarroja, la óptica o por radio frecuencia, siendo esta última la más utilizada. Las bandas de frecuencia más utilizadas son la de 400 MHz, la de 800-900 MHz y la de 2.4 GHz o más conocida como la banda ISM (Industrial, Scientific and Medical). Debido a que el medio de radio es de uso libre y compartido, es necesaria la aplicación del protocolo de acceso o MAC, el cual se implemente entre el transceptor y el procesador. Al igual que los microcontroladores, los transceptores pueden funcionar en modos de transmisión, recepción, inactivo y suspensión. Debido a la importancia del ahorro energético y a que el modo inactivo consume prácticamente la misma energía que en modo de transmisión, es aconsejable utilizar el modo suspensión cuando no esté en funcionamiento. El módulo de energía está compuesto por una fuente de alimentación, la cual es una batería. Debido a que en muchas ocasiones las WSN se ubican en lugares de difícil acceso, el aprovechamiento de estas baterías adquiere una importante relevancia para la durabilidad y el buen funcionamiento del nodo. Debido a que el principal consumo de batería se produce en los procesos de comunicación, se suele optar por un modelo donde los nodos sensores se encuentren en estado de suspensión y simplemente se activen cuando sea requerido, impidiendo así un gasto innecesario de energía. Con la ayuda de los avances en energías renovables, se están implementando fuentes de energía suplementarias que permitan una mayor durabilidad en el funcionamiento de los nodos. Estas fuentes de energías proceden, entre otros, del sol o los movimientos sísmicos, según el tipo de ambiente donde se desarrolle la aplicación de la WSN [4]. En la imagen de la Figura 2-2 se puede observar un esquema de la estructura de un nodo. Figura 2-2. Estructura de un nodo de una WSN. 5 5 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos 2.3 Características de una WSN El hecho de que las WSN estén formadas por una gran cantidad de nodos sensores o tengan una comunicación inalámbrica, entre otras muchas de sus características, hace que estas redes tengan que enfrentarse a una serie de factores y problemas de diseño que las haga viables para su utilización. A continuación, se analizan estos factores cuyos resultados infieren directamente en el diseño de una WSN. Tolerancia a fallos Debido a que los sensores normalmente se utilizan en zonas donde las condiciones físicas no son las óptimas, los sensores pueden sufrir problemas de hardware o daños físicos. Este mismo hecho hace que sea de esperar que las redes inalámbricas, a diferencia de las redes cableadas, tengan fallos en la comunicación entre sus nodos. Es por ello, por lo que las WSN deben ser lo suficientemente robustas y poder reestructurarse de manera que, ante la falta de funcionalidad de algunos de sus nodos, la red mantenga su operabilidad, pudiendo ser capaz de crear rutas alternativas para poder enviar la información correctamente sin la necesidad de estos nodos perdidos. Igualmente, siempre que sea posible, es aconsejable la introducción de mecanismos en los nodos de manera que advierta de que estos no están funcionando correctamente, antes de perder por completo su funcionalidad [5]. Escalabilidad Como ya se ha comentado anteriormente, las redes de sensores inalámbricas están formadas por una gran cantidad de nodos, que deben ser capaces de adaptarse a tener grandes cantidades de trabajo e incluir más nodos de los que originalmente se diseñaron. A esto nos referimos con escalabilidad. Una red es escalable cuando es capaz de mantener su funcionamiento correctamente incluso con la adición de nuevos nodos sensores y, con ello, una mayor cantidad de datos. Por tanto, los protocolos de comunicación de los nodos deben poder adaptarse a estas circunstancias para así mantener un rendimiento óptimo de la red [1]. Reducción de costes Una de las principales ventajas de las redes de sensores inalámbricas es la reducción de costes respecto a las redes de sensores tradicionales con cable. Gracias al reducido tamaño de los nodos sensores y a evitar ese cableado, las infraestructuras de las redes se hacen más dinámicas, permitiendo la modificación de sus topologías cuando sea necesario. Al tratarse, por norma general, a los nodos como unidades desechables, en caso de sufrir defectos el coste de producción e instalación de estos debe ser mínimo. Este es otro punto a favor de las redes inalámbricas respecto a las tradicionales ya que sus costes son inferiores, lo que hace que se puedan instalar un mayor número de nodos sensores a menor precio y así, poder adaptar la cantidad de nodos utilizados a nuestras necesidades. Consumo de energía En los nodos, el consumo de energía se produce en la transmisión, recepción de datos y en los estados de inactividad. Además de esto, la utilización de redes con un gran número de nodos hace que el consumo sea mayor al relacionarse un mayor número de nodos entre ellos y, por tanto, consumir más energía. En entornos donde el uso de redes no tiene complicaciones de instalación, como por ejemplo en hogares u hospitales, el reemplazo de las baterías de los nodos sensores no suponen grandes dificultades. En cambio, en entornos más hostiles, como en aplicaciones militares, reemplazar una batería por otra se convierte en una tarea verdaderamente complicada. Por todo esto, es necesario adaptar nuestras redes a las distintas necesidades y reducir al máximo el consumo de energía para poder preservar el mayor tiempo posible la viabilidad de nuestra red de sensores [6]. Comunicación Al tratarse de redes inalámbricas que suelen operar mediante una comunicación por radiofrecuencia en la banda ISM y que se utilizan en numerosas ocasiones en ambientes poco óptimos, es posible que la transmisión de datos no sea siempre posible y se produzcan fallos en dicha transmisión. Es por ello que se hace necesario el uso de sistemas de enrutamientos que optimicen al máximo el rendimiento de la red, por lo que se busca que nuestras comunicaciones tengan la menor latencia y la mayor exactitud posible para que, junto con el resto de las características, la instalación sea lo más viable posible. Redes de Sensores Inalámbricas 6 6 Seguridad Las redes de sensores transmiten una gran cantidad de información mediante una comunicación inalámbrica accesible a todo el mundo, lo que las hace vulnerables frente a posibles ataques cibernéticos que expongan a los datos tomados por estas redes. Este es un aspecto importante en todos los ámbitos a los que se pueden aplicar las WSN, desde la exposición a terceros de nuestros datos en el ámbito doméstico como a los ataques recibidos por el enemigo en el ámbito militar. Por tanto, los nodos deben ser capaces de velar por la seguridad de la red, cumpliendo una serie de requisitos tales como un control que impida el acceso al medio por parte de intrusos; la encriptación de mensajes para que se obtenga una confidencialidad de estos; o impedir el acceso a los mensajes por parte de los atacantes de manera que se mantenga la integridad de estos mensajes. 2.4 Topologías de red Como bien es sabido, los nodos sensores se encargan de recoger una serie de datos del entorno y transmitir esta información al nodo Sink o Estación base. Es posible que la información sea transmitida directamente del nodo sensor a la estación base o que se requiera de nodos intermedios antes de llegar a ella. Según la estructura utilizada para la comunicación de la información en la red, podemos encontrar diferentes topologías para las redes de sensores inalámbricos. 2.4.1 Topología en Estrella La topología en estrella es la más simple que se puede encontrar. En ella, cada uno de los nodos-sensores se encuentran conectados únicamente con la estación base, siendo ella la única que puede enviar y/o recibir información de los nodos que conforman la red inalámbrica, es decir, los nodos no se pueden transmitir información entre ellos. Las principales ventajas que presenta esta tipología son la simplicidad en el enrutamiento, ya que solo existe comunicación entre el nodo origen y el nodo destino; la fiabilidad y seguridad que otorga el hecho de solo existir un salto en la transmisión de la información, haciendo que se dificulte la posibilidad de pérdida de información en el camino, o el reducido consumo energético producido en los nodos sensores, ya que solo se comunican con la estación base cuando se requiere información directa de ellos. Por su parte, esta topología también presenta una serie de desventajas como son el excesivo consumo producido en la estación base ya que, al ser el único en contacto con los nodos sensores, es el que mayor consumo energético tiene. También presenta como inconveniente que es un sistema que solamente es utilizable cuando el campo de amplitud de la red de sensores no es muy extenso, debido a que las comunicaciones entre los nodos y la estación base tendrán un rango máximo de transmisión que en caso de excederse impediría la comunicación entre ellos. Otra desventaja que presenta esta tipología es el hecho de que, si un nodo pierde la comunicación con la estación base debido, por ejemplo, a una congestión producida en la esta última por el hecho de estar recibiendo mucha información de otros nodos, toda la información enviada por el nodo se perdería, al estar conectado única y exclusivamente a la estación base y no tener una ruta alternativa de transmisión [7]. Figura 2-3. Esquema topología en estrella. 7 7 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos 2.4.2 Topología en Árbol A esta topología también se le conoce como topología jerárquica, en la cual la estación base es la encargada de recolectar los datos que llegan desde las distintas ramificaciones que parten de ella. Se puede decir que esta estructura está formada por una colección de redes en estrellas. De cada nodo sensor parte uno o varios nodos de los que a su vez pueden conectarse otros nodos en un nivel inferior. Así la transmisión de la información, a diferencia de las redes en estrella, se produce mediante un enrutamiento de múltiples saltos donde un nodo sensor adquiere los datos y este los transmite a su nodo padre, es decir, al nodo conectado a nivel superior. Este nodo padre puede agregar a la información recibida los datos obtenidos por sus propios sensores y enviar la información acumulada a su propio nodo padre, repitiéndose así el proceso hasta llegar la información de toda la ramificación a la estación base. La ventaja que presenta esta topología es que el consumo de energía producido en el nodo Sink se reduce considerablemente al no tener conexión directamente con todos los nodos que conforman la red. Igualmente, también se produce una descongestión en las transmisiones realizadas en la estación base. Además, también se produce la ventaja de que es posible ampliar la red de sensores tanto en número como en rango de amplitud al no recaer todas las conexiones directamente en la estación base. Por su parte, la principal desventaja producida en este tipo de topología es que, al igual que en las redes en estrella, cuando un nodo pierde un enlace de comunicación, se produce la perdida de la comunicación total con la estación base, ya que al fin y al cabo pierde conexión con toda la ramificación a la que pertenece. Sin embargo, en esta topología este problema se agrava ya que, en caso de perderse la conexión en alguno de los nodos intermedios de la ramificación, se perdiería la conexión con ese nodo y con todos los nodos que se produzcan aguas abajo de él. Figura 2-4. Esquema topología en árbol. 2.4.3 Topología en Malla En la topología en malla, todos los nodos se encuentran interconectados unos con otros, directa o indirectamente, por lo que es posible la transmisión de datos entre todos los nodos mediante una comunicación multisalto. Así, un nodo puede enviar o recibir datos de otro nodo que se encuentre fuera de su radio de alcance de comunicación al existir nodos intermedios interconectados entre ellos. Además de esto, la comunicación a la estación base se sigue manteniendo con todos los nodos, ya sea si se encuentran conectados con ella o transmitiendo la información mediante nodos intermedios. Con esta topología, se soluciona uno de los principales problemas de las topologías comentadas con anterioridad, la escalabilidad. Cuando un nodo falla, los nodos interconectados a él no pierden la información porque pueden seguir manteniendo la conexión con los nodos vecinos a los que se encuentran interconectados. Además, es muy tolerante a fallos ya que la información se puede transmitir por diferentes rutas en caso de que algún nodo intermedio falle, evitando así la perdida de información. Por el contrario, este sistema requiere de un gran consumo de energía debido a la gran cantidad de interconexiones existentes entre los nodos, suponiendo una gran desventaja ya que la batería de los nodos es limitada. Además de esto, el tiempo de retardo en las comunicaciones pueden ser excesivas debido al alto tráfico de datos producidos entre los nodos. Redes de Sensores Inalámbricas 14 14 • SMP, Protocolo de gestión de sensores (Sensor Management Protocol). Los administradores del sistema interactúan con las redes de sensores mediante el uso de SMP. En muchas aplicaciones en las que se utilizan las WSN es necesario el conocimiento de la ubicación de los nodos sensores, como puede ser en el ámbito militar donde, además de conocer la ubicación exacta de los datos recibidos, es indispensable garantizar una estimación de la ubicación ya que sino los enemigos podrían manipular la ubicación de estos nodos. Como las WSN consisten en nodos que no tienen ID globales y, por lo general, no tienen infraestructura, la SMP necesita acceder a los nodos utilizando nombres basados en atributos y direccionamiento basado en ubicación. SMP proporciona operaciones para realizar tareas como intercambiar datos de búsqueda de ubicación, tiempo de sincronización de nodos sensores, mover los nodos, activar o desactivar los nodos, consultar el estado de la red y de los nodos o la autenticación y distribución de claves para la transmisión segura de los datos. • Protocolo de asignación de tareas y anuncio de datos (TADAP, Task Assignment and Data Advertisement Protocol). Se utilizan para manejar los datos que interesen a los usuarios y anuncios de estos datos de los nodos de sensores. Los usuarios consultan los datos que les interesan, enviando su petición a un nodo sensor, un subconjunto de los nodos o la red completa; y los nodos de sensor correspondientes responden anunciando los datos solicitados. TADAP proporciona al software del usuario interfaces eficientes para la difusión de intereses que también apoyan operaciones energéticamente eficientes de nivel inferior. • Protocolo de consulta de sensores y difusión de datos (SQDDP, Sensor Query and Data Dissemination Protocol). Este protocolo proporciona a las aplicaciones de usuario interfaces para emitir consultas, responder a ellas y recopilar respuestas recibidas. Están diseñados para sensores basados en atributos o consulta de ubicaciones, es decir, a peticiones donde, por ejemplo, se desea conocer qué nodossensores son los que se encuentran por encima o por debajo de un umbral de un tipo de dato, como podría ser la humedad o la temperatura o se desea conocer los datos de los nodos sensores ubicados en cierta región. El primer ejemplo corresponde a los sensores basados en atributos y el segundo, a los de consulta de ubicaciones. Estos protocolos son útiles para garantizar el intercambio de mensajes entre el usuario y los sensores desplegados en un terreno con condiciones cambiantes [16]. 2.6 Estándares de comunicación La tecnología inalámbrica es la vía esencial que permite la comunicación entre los diferentes sensores utilizados en la red. Por tanto, es necesaria la elección del estándar más acorde a las necesidades que se vayan a tener. Estos estándares utilizan las bandas ISM (Instrumentation, Scientific and Medical radio bands), las cuales son 902–928 MHz (EEUU), 868 – 870 MHz (Europa), 433.05–434.79 MHz (EEUU y Europa) y 314 – 316 MHz (Japón) y la banda de GHz de 2.4 – 2.4835 GHz (universalmente aceptada). 2.6.1 Bluetooth La tecnología Bluetooth, la cual corresponde al IEEE 802.15.1, proporciona un área personal de red inalámbrica, WPAN, para intercambiar datos entre dispositivos compatibles con Bluetooth de bajo coste por radio, utilizando un modo de bajo consumo en la banda de 2.4 GHz y con una tasa de transferencia máxima de datos de 2 Mbps. Por el contrario, Bluetooth permite solamente la transmisión de corto alcance, con una distancia máxima aproximada de 10 m., por lo que no es óptimo su uso en las WSN, ya que las distancias entre nodos suelen ser bastantes más amplias. Otro aspecto negativo es que, en la estructura maestro-esclavo, Bluetooth solo permite la conexión con 8 esclavos, por lo que limita su configuración [9]. 2.6.2 Wi-Fi La tecnología Wi-Fi, la cual corresponde al IEEE 802.11, es un conjunto de estándares para comunicación de red de área local inalámbrica, WLAN, el cual opera en las bandas de radio de 2.4 GHz o en la de 5 GHz. Mientras que la ventaja principal de la banda de 2.4 GHz es la distancia que alcanza su señal y el poco efecto que tiene en ella la ubicación obstáculos como paredes o muros; la de la banda de 5 GHz es que la banda de frecuencia se encuentra menos congestionada, por lo que la velocidad de transmisión es más alta, pudiendo alcanzar hasta 10 Gbps, aunque esta es una velocidad teórica. Esta velocidad máxima también dependerá del 15 15 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos protocolo IEEE 802.11 utilizado, ya que en la actualidad existen diferentes de ellos, como son el los protocolos 802.11a, 802.11b, 802.11n, 802.11g, 802.11ac o 802.11ax, que es el más moderno. Como punto negativo, Wi-Fi carece de un modo de bajo consumo y es poco integrado. Por lo tanto, un WSN de baja potencia y altamente integrado no puede usar esta tecnología. Este protocolo es ampliamente utilizado en el ámbito residencial, industrial y comercial [9]. 2.6.3 UWB La tecnología Ultra Wide-Band, UWB, utiliza el estándar IEEE 802.15. Es una tecnología que tradicionalmente se ha utilizado en el ámbito militar, ya que permite una localización muy precisa por radar con gran resolución. Su característica principal es la banda de radio, ya que consta de impulsos de entre 1 y 2 nanosegundos y ocupan al menos el 25% de la frecuencia central. El rango de frecuencias de estas tecnologías oscila entre los 3.1 y los 10,6 GHz. A su vez, la potencia consumida por los chips es muy baja, lo que permite una gran autonomía, mayor incluso que con Bluetooth o Wi-Fi. Otro rango característico de esta tecnología es su interferencia con otros sistemas, el cual es bajo debido a su gran amplitud de ancho de banda. Su seguridad es otro aspecto para destacar, ya que es posible el cifrado de las transmisiones con el fin de excluir posibles escuchas innecesarias o exteriores. Pese a tener una gran cantidad de aspectos positivos, el principal punto negativo lo encontramos en su radio de alcance puesto que, al igual Bluetooth y Wi-Fi, su rango es demasiado corto, alrededor de unos 20 m., lo que los hace poco eficientes para su uso en estos ámbitos [17]. 2.6.4 WirelessHart Este protocolo se originó a partir del protocolo cableado HART (Highway Addressable Remote Transducer) para compatibilizarlo con los dispositivos cableados ya existentes. La tecnología WirelessHART es un estándar que se basa en el IEEE 802.15.4-2006, utilizando la banda de 2,4 GHz y una velocidad de transferencia de 250 kbps. Utiliza la modulación de espectro ensanchado de secuencia directa (DSSS) que es tolerante y discreta a otros sistemas inalámbricos de espectro ensanchado. La comunicación inalámbrica se coordina con TDMA (Time Division Multiple Access), que sincroniza los dispositivos en etapas de 10 ms. Esta tecnología utiliza la red de malla o en estrella, donde la información se va transmitiendo entre los nodos vecinos. Existen una serie de criterios que deben seguirse a la hora de realizar una red con WirelessHART. Aunque estos criterios son óptimos para ser poder ser implantados en una WSN, suponen un impedimento más a la hora ser seleccionado como el estándar a utilizar. El primero de ello es la existencia de al menos 3 vecinos por dispositivo. El segundo de estos criterios es que deben existir al menos cinco dispositivos dentro del alcance en una propia red. El tercero es que, si hay más de 5 dispositivos dentro de la red, al menos debe tener alcance cada dispositivo con el 25% de los vecinos. Finalmente, el último requisito es que si existen dispositivos con tasas de actualización superiores a dos segundos deben estar dentro de dos veces el alcance efectivo de los dispositivos para maximizar la velocidad [18]. Además de estos requisitos, esta tecnología presenta otros problemas como son la alta latencia de paquetes y el consumo de energía en la red, que podrían limitar la escalabilidad del dispositivo. 2.6.5 Zigbee La tecnología ZigBee es un estándar de comunicaciones basado en el estándar IEEE 802.15.4 para redes WPAN. En la actualidad, es el protocolo más utilizado en las WSN, ya que por sus características permite ser el idóneo para aplicaciones tales como la automatización de edificios, la asistencia médica o el IoT, el internet de las cosas. Con él se busca la simplicidad, el bajo coste, la baja velocidad de transferencia de datos y el bajo consumo de energía. Respecto a la comunicación, Zigbee tiene una velocidad de datos de 250 Kbps a 2,4 GHz, 40 kbps a 915 MHz y 20 kbps a 868 MHz, con un rango de operación de entre 10 y 75 m [19]. La tecnología Zigbee permite la conexión de los nodos en tipología estrella, malla o árbol cuya configuración básica, al igual que en Bluetooth, es maestro-esclavo, pero a diferencia de este, permite hasta la conexión de 254 nodos. Redes de Sensores Inalámbricas 16 16 Respecto al bajo consumo, Zigbee permite que los dispositivos puedan encontrarse en modo suspensión, y conectarse o despertarse bien cada cierto tiempo preestablecido o bien cuando se le necesite. Este implicaría que el consumo de ellos se vería reducido mientras se encuentra “durmiendo”, ya que la secuencia de despertar, enviar los datos y volverse a suspender es de tan solo 15 ms. En la tecnología Zigbee se pueden distinguir tres dispositivos de red: los dispositivos de función completa, que pueden funcionar como enrutadores, dispositivos finales o ambos; los coordinadores de Zigbee, que almacenan la estructura de la red; y los dispositivos de función reducida, que son simplemente los sensores y actuadores que se encargan de enviar y recibir la información. 2.6.6 6LoWPAN Este protocolo hace referencia a la versión 6 del Protocolo de Internet (IPv6) sobre redes de área personal inalámbricas de baja potencia (6LoWPAN) el cual transmite paquetes también basándose en IEEE 802.15.4, utilizando la banda de radio de 868/914 MHz o 2,4 GHz [1]. En lo que se refiere a este protocolo, sus nodos pueden tener una estructura mallada o en estrella, en la que la velocidad de comunicación entre ellos se encuentra en un rango de entre 20 y 250 kbps [20]. La capa de enlace está formada por una supertrama de 16 intervalos, en los que las diferentes regiones se pueden dividir en activas e inactivas. Cuando está inactivo, se entra en modo suspensión, lo que le permite reducir el consumo energético. Cuando está activo puede existir un periodo de acceso a diputas y otro libre de ellas. Cuando está en el de acceso a disputas debe lidiar con el resto de dispositivos para poder ejercer la comunicación. Otra situación posible es la de modo escucha de bajo consumo con la que es posible reducir el consumo durante el periodo de actividad. Como punto negativo a resaltar es la distancia máxima de comunicación entre nodos, la cual es únicamente de 10 metros. Este hecho hace que, como otros de los nombrados anteriormente, no sea óptimo para las redes de sensores inalámbricos, ya que las distancias suelen ser mucho mayores. Es por ello que, el uso de esta tecnología está orientada a entornos domésticos o de oficina, ligada al conocido como Internet de las cosas, IoT, donde las distancias entre los elementos son relativamente pequeñas. 2.7 Campos de aplicación Gracias a los avances tecnológicos y de investigación aplicados a las WSN, estas han adquirido una gran flexibilidad para resolver problemas en una gran cantidad de ámbitos de la vida, lo que las capacita para poder ser implementado en multitud de campos de aplicación [14]. Aplicaciones militares Ya que las WSN pueden estar compuestas de gran cantidad de nodos, tienen una gran tolerancia a fallos y son capaces de adaptarse a una nueva reorganización de forma rápida, las redes de sensores inalámbricas tuvieron sus inicios en el ámbito militar y es uno de los campos donde más investigaciones y avances se siguen realizando en la actualidad. Esto es debido a que su uso hace posible la exploración y reconocimiento del terreno de batalla, permite avistar objetivos militares, pueden ser ubicados en zonas de difícil acceso que permiten, por ejemplo, mediante sensores acústicos o de presión, conocer la proximidad del adversario. Otro uso en este ámbito de estas WSN es el espionaje mediante la utilización de micrófonos que permitan conocer los próximos movimientos del enemigo. Como se ha comentado, la capacidad de reorganización estructural y comunicativa entre los nodos los hace muy efectivos también este ámbito, incluso tras la pérdida de alguno de los nodos por ataques enemigos. Aplicaciones ambientales El uso de las WSN está ganando cada vez más relevancia en dentro de las aplicaciones ambientales ya que suponen un gran apoyo para la lucha contra el cambio climático, los desastres naturales o la contaminación. En función del entorno a estudio y la escala de este los nodos sensores utilizados serán fijos o móviles. Así, las aplicaciones principales están relacionadas con el control meteorológico, geológico y la contaminación. 17 17 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos Monitoreo meteorológico El objetivo de esto es, mediante el uso de nodos sensores inalámbricos, medir condiciones ambientales como la temperatura, presión ambiental, velocidad del viento, humedad o radiación que permitan controlar y estudiar las condiciones físicas y atmosféricas del entorno. La utilización de este tipo de redes inalámbricas permite la ubicación de nodos sensores en zonas más estratégicas al no necesitar de cableado, la instalación de una mayor cantidad de estas al tener un bajo coste y la adquisición y almacenamiento de mayor número de datos que por métodos más tradicionales no serían posibles obtener. Con estas WSN, resulta más fácil y efectiva la predicción meteorológica, del clima, de las precipitaciones y de tormentas; la predicción de posibles huracanes, ya que los nodos ofrecen información de las velocidades del viento que permiten analizar la posibilidad de que estos surjan; la predicción de inundaciones al poder obtener información en tiempo real de las cantidades y niveles de lluvia; el análisis y predicción de sequías al disponer de nodos sensores que permiten un estudio de las condiciones del terreno; o la desglaciación, que mediante el estudio de la temperatura en estas zonas y la contabilización de las cantidades de agua líquida que se registra nos permite conocer la velocidad con la que se produce este fenómeno y sus consecuencias. El uso de las WSN para este tipo de monitoreo ha ganado gran relevancia en los últimos años debido a que nos ayuda a conocer las causas y consecuencias del cambio climático. Control geológico Permite el control y supervisión de magnitudes geológicas posibilitando la predicción de catástrofes naturales. Dentro de estas catástrofes naturales destacan los tsunamis, movimientos sísmicos de la tierra o activación de volcanes. El hecho de poder instalar nodos sensores en zonas de difícil acceso y en zonas subterráneas de la tierra permite cuantificar y recoger datos de movimientos de la tierra o del mar que permitan predecir la posibilidad de que se produzcan estas catástrofes al poder realizarse fácilmente este seguimiento. Contaminación El hecho de poder disponer de una tecnología inalámbrica para la recolección de información hace que los nodos se puedan estructurar y comunicar entre ellos de forma que, ubicándolos en cualquier zona, permitan obtener datos de diferentes zonas para conocer la contaminación del aire, agua, tierra o acústica, entre otros. Por ejemplo, la ubicación de nodos sensores en zonas de cultivo permitirá conocer el grado de contaminación del terreno existente para así saber su fertilidad. Otro ejemplo es el utilizado en aguas cercanas a zonas industriales, donde la ubicación de WSN permitirá conocer el grado de contaminación química existente en las aguas para así controlar y preservar la vida marina existente en ella [9]. Aplicaciones médicas Las WSN adquieren gran importancia en este tema ya que es posible su aplicación para monitoreo de pacientes, tratamiento médico o diagnósticos tempranos de problemas derivados con la salud. Para personas con enfermedades físicas o mentales, las tecnologías inalámbricas permiten la conexión en todo momento de los pacientes con una asistencia médica en caso de ser requerida, por ejemplo, mediante nodos sensores con botones de ayudas que los conecta directamente con el personal médico. En lo referido a personas con enfermedades fisiológicas en las que puedan intervenir órganos internos, el hecho de que exista esta tecnología permite que puedan ser implantados dentro del organismo con el fin de tener un control exhaustivo del órgano en cuestión. Un ejemplo de ello es la posibilidad de incluir marcapasos y un pequeño desfibrilador subcutáneo que previene la muerte súbita del paciente, como el instalado en agosto de 2020 por el Hospital Clínico de Valladolid [21]. El hecho de que la información se pueda recolectar y transmitir de manera inalámbrica permite que los pacientes, según las condiciones a las que esté expuesto, puedan seguir más fácilmente sus tratamientos y revisiones desde su propio hogar sin la necesidad de estar en el hospital al estar en todo momento controlado. Aplicaciones agrícolas El uso de estas tecnologías está cada vez más extendido en la agricultura de precisión permitiendo un monitoreo constante de las tierras de cultivo. Mediante la instalación de sensores que permitan medir condiciones climáticas, como la temperatura, humedad o radiación solar, u otros agentes fitosanitarios se puede conocer el estado de las plantaciones en todo momento. Con esto, es posible automatizar los tiempos de Redes de Sensores Inalámbricas 18 18 regadíos en función de las necesidades del cultivo o conocer si existen agentes patógenos en ellos. Esto provoca tanto un ahorro económico al agricultor en tratamientos de control de plagas o de consumo de agua como un ahorro de tiempo, ya que hace necesaria su presencia en los campos de cultivo de forma constante. Aplicaciones domóticas Las redes inalámbricas utilizadas en los edificios, oficinas u hogares permiten una reducción de costes al permitir un monitoreo de la temperatura, la luz y la humedad de las diferentes zonas del recinto. Esto hace que se pueda realizar actuaciones de control que regulen los sistemas de calefacción o del aire acondicionado y de la intensidad lumínica de la habitación. Estos sensores son fáciles de instalar al no necesitar del cableado tradicional convirtiendo la zona en lo comúnmente llamado hogar inteligente. En este ámbito de aplicación es en el que se centrará este proyecto. Aplicaciones industriales En el campo industrial, las WSN adquieren gran utilidad debido a su bajo coste, su tamaño reducido y a ser inalámbricas. Estos factores permiten que la cantidad de nodos y, por tanto, de sensores pueda ser mayor y más accesible para realizar un monitoreo del estado de las maquinarias. Al no ser necesario el uso de cableado como en las tecnologías tradicionales, se pueden introducir un número mayor a un menor coste y por su pequeño tamaño pueden ubicarse en zonas de la maquinaria con difícil acceso que no impidan el buen funcionamiento de esta. Gracias a ellas se evitan o conocen con mayor rapidez fallos en los equipos que permiten ahorrar en mantenimiento y servicio. Aplicaciones en estructuras El uso en el campo ingenieril de las redes inalámbricas ubicadas en puentes o edificios permite realizar un control técnico de posibles problemas que puedan surgir en las propias estructuras. Así, con sensores que recojan los movimientos sísmicos de las estructuras, se puede conocer a qué tipo de vibraciones y condiciones atmosféricas se exponen estas estructuras y saber si suponen algún peligro para las personas al producirse vibraciones no recomendadas o incluso encontrar pequeñas grietas que puedan causar problemas. Aplicaciones en el tráfico El monitoreo de las carreteras mediante el uso de estas tecnologías permite conocer en tiempo real el estado de las carreteras, ya sea por afluencia de coches, tráfico o accidentes, sin necesidad de realizar cortes innecesarios del tráfico debido a tratarse de redes inalámbricas. Con los datos obtenidos por estos sensores, las agencias estatales de tráfico de cada país tienen la posibilidad de utilizarlos para poder descongestionar ciertas carreteras, realizar desvíos hacia otras cuando sea necesario o controlar los semáforos para evitar atascos. 19 3 MÉTODOS DE INTERPOLACIÓN ESPACIAL na vez estudiada la arquitectura software y hardware de las redes de sensores inalámbricas, el siguiente paso es conocer cómo se realiza el estudio de los datos obtenidos por estas redes inalámbricas. Al tratarse de datos obtenidos mediante sensores que se encuentran distribuidos en diferentes zonas del área de trabajo, será necesaria la utilización de algún método estadístico de interpolación que permitirá poder estimar cuál es el dato que se obtendría en una posición específica determinada. Interpolar consiste en calcular el valor aproximado de una magnitud en un intervalo cuando se conocen algunos de los valores que toma a uno y otro lado de dicho intervalo. Cuando los valores conocidos se tratan de datos tomados de la naturaleza, ya sea temperatura, precipitación, contaminación de aire, contaminación de suelo, etc., se habla de una interpolación espacial. El objetivo al realizar la interpolación es la creación de un mapa de superficie continua de datos. Normalmente, el análisis espacial se realiza con un Sistema de Información Geográfica (SIG) o más conocido por sus siglas en inglés GIS, Geographic Information System., que proporciona herramientas de análisis espacial para calcular estadísticas de las entidades y realizar actividades de geoprocesamiento. Según los criterios utilizados para realizar la estimación de los datos, los métodos de interpolación se pueden clasificar de diferentes formas. Si el estudio se realiza en función de la cantidad de datos que intervienen en la estimación, estos pueden ser globales o locales. Los métodos de interpolación globales son aquellos métodos donde se utilizan todas las muestras de los datos registrados de la zona espacial para realizar las estimaciones. Por su parte, los métodos de interpolación locales son aquellos donde se utilizan simplemente la serie de puntos de muestreo más cercanas al punto de estimación. Entre los métodos de interpolación utilizados en este proyecto serán estos últimos, los métodos locales, en los que se basarán las estimaciones realizadas, los cuales son los más utilizados para las casuísticas planteadas en proyectos de este estilo. Si el estudio se realiza en función de las técnicas de interpolación utilizadas, se pueden clasificar en métodos de interpolación deterministas o geoestadísticos. Las técnicas de interpolación deterministas crean superficies a partir de los datos obtenidos de los puntos donde se han realizado mediciones, basándose en la extensión de la similitud o en el grado de suavizado. Por otro lado, las técnicas de interpolación geoestadísticas generan superficies continuas a partir de las propiedades estadísticas de los datos de partida cuantificando la autocorrelación espacial entre los puntos medidos. En este proyecto se realizarán interpolaciones mediante el uso de ambas técnicas de interpolación ya que, aunque los datos tengan origen geoestadístico, con datos obtenidos del ámbito ambiental y geográfico, las técnicas deterministas pueden también producir posibles resultados válidos, por lo que se estudiarán ambas opciones. 3.1 Métodos de Interpolación Deterministas Estos métodos de interpolación crean superficies continuas simplemente haciendo uso de las observaciones puntuales obtenidas de la muestra. Por tanto, estos métodos son óptimos cuando la muestra de datos es suficiente como para obtener una estimación óptima de todo el terreno que se aborda. Pese a no tratarse de métodos especialmente dedicados para su uso en ámbitos geográficos, es posible la utilización de estos siempre y cuando, como se ha comentado, las muestras obtenidas sean suficientes. En lo referido a este proyecto, tal y como se explicará en el Capítulo 4, la cantidad de muestras obtenidas respecto a la superficie tratada permiten el uso de estos métodos de interpolación para poder realizar un estudio comparativo, por lo que alguno de ellos se tendrá en cuenta este proyecto. U Métodos de interpolación espacial 20 20 3.1.1 Polígono de Voronoi Es el método de interpolación más sencillo de entre todos los existentes. Consiste en la asignación del valor conocido más cercano al punto de estudio. Así, al realizar el mapa de continuidad, el terreno genera una serie de polígonos conocidos como Polígonos de Voronoi, que delimitan cada área y a cada uno de estos polígonos se le asigna en su totalidad el valor del punto a partir del cual se ha generado. Este hecho hace que este método sea muy inexacto ya que los datos, aunque se hayan obtenido a partir del valor del más cercano, éste podría encontrarse relativamente alejado de algunos puntos. Figura 3-1. Polígono de Voronoi. [22] 3.1.2 Vecino Natural La interpolación de Vecino Natural, también denominada interpolación de Sibson, parte de la interpolación del polígono de Voronoi. Este método se encarga de realizar nuevos polígonos de Voronoi superponiéndose sobre los ya inicialmente creados en función de la cercanía a estos, hallando el conjunto de muestras de entrada más cercano a un punto y aplicando ponderaciones. La proporción de superposición entre este nuevo polígono y los polígonos existentes nos facilita los pesos establecidos. En la Figura 3-2, el valor del punto estrella se obtiene a partir de la siguiente fórmula: 𝑥=∑φ𝑖(x)·𝑥𝑖 𝑛 𝑖=1 (3-1) Con 𝑥𝑖 igual al valor en el polígono, y φ𝑖(x) el peso ponderado de dicho polígono, siendo la suma de todos ellos igual a 1. Igualmente, el peso ponderado se obtiene: φ𝑖(x)=A𝑖(x) A(x) (3-2) Con A(x) siendo el área de polígono de Voronoi inicial y siendo A𝑖(x) el Área del nuevo polígono que forma parte de la inicial. Este método, aunque sea más preciso que el anterior, sigue siendo inexacto ya que parte del Polígono de Voronoi y, por tanto, iniciándose a partir de los datos absolutos de los puntos [23]. 21 21 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos Figura 3-2. Método de interpolación Vecino Natural. 3.1.3 Spline Este método estima valores usando una función matemática que minimiza la curvatura general de la superficie, realizando una curva con suavizado que pasa por los puntos conocidos. Spline [24] utiliza funciones polinómicas por tramos en lugar de utilizar un único polinomio. Esto permite un mayor ajuste en cada uno de los tramos y una curva más exacta y suave en cada uno de ellos. Existen dos tipos diferentes de Spline; regularizado y de tensión. El primero de ellos crea una superficie suave en la que no tiene en cuenta los valores máximos y mínimos de la muestra, por lo que el gradiente de valores obtenidos puede estar fuera de este rango; por su parte, el de tensión crea superficies más rígidas que el tipo regularizado pero su rango de valores no se encuentra nunca fuera de la muestra. La ecuación de Spline es la siguiente: 𝑆(𝑥,𝑦)= 𝑇(𝑥,𝑦)+ ∑𝜆𝑖·𝑅(𝑟𝑖) 𝑁 𝑖=1 (3-3) siendo 𝑆(𝑥,𝑦) la solución al sistema, 𝑁 la cantidad de datos de la muestra, 𝜆𝑖 son los coeficientes obtenidos del sistema de ecuaciones, r𝑖 es la distancia del punto (x,y) a la muestra, y T(x,y) y 𝑅(𝑟𝑖) son valores que dependen del tipo de Spline obtenido. Cuando la opción utilizada es la regularizada, T(x,y) y 𝑅(𝑟𝑖) tienen la siguiente forma: 𝑇(𝑥,𝑦)= 𝑎1+𝑎2𝑥+𝑎3·𝑦 (3-4) 𝑅(𝑟𝑖)=1 2·𝜋·{𝑟2 4·[ln(𝑟 2·𝜏)+𝑐−1]+𝜏2·[𝐾𝑜·𝑟 𝜏+𝑐+ln(𝑟 2·𝜋)] } (3-5) Cuando la opción utilizada es la de tensión, T(x,y) y 𝑅(𝑟𝑖) tienen la siguiente forma: 𝑇(𝑥,𝑦) = 𝑎1 (3-6) 𝑅(𝑥,𝑦)=1 2·𝜋·𝜏2·[ln(𝜏·𝑟 2)+𝑐+𝐾𝑜·(𝜏·𝑟)] (3-7) En la primera ecuación, 𝑎𝑖 siendo los valores de los coeficientes hallados de un sistema de ecuaciones lineales. En la segunda, r es la distancia entre el punto y la muestra, Ko es la función Bessel modificada, c es una constante igual a 0,577215. La variable 𝜏2 es el parámetro Peso y varía según el modelo. Para el regularizado los valores más comunes son 0; 0,001; 0,01; 0,1 y 0,5. A mayor valor, más suavidad. Para el de tensión los valores más comunes son 0, 1, 5 y 10. A mayor valor, más grosor en la superficie. Métodos de interpolación espacial 22 22 3.1.4 IDW El método de interpolación de la Distancia Inversa Ponderada [25], más conocido por las siglas en inglés IDW (Inverse Distance Weighting), es aquel que, como su propio nombre indica, utiliza la asignación de pesos a los datos de entorno en función de la inversa de la distancia que los separa. Según las características del método, éste asume que los datos medidos están relacionados entre sí, siendo los más cercanos al punto que se desea conocer más importante que los más lejanos, al igual que ocurría con el método del vecino natural. Este tipo de interpolación se suele utilizar cuando la muestra conocida es grande ya que, si la muestra no es lo suficientemente importante o los datos se encuentran demasiado concentrados, la estimación obtenida podría no ser correcta. Este método tiene dos formas de uso según los criterios que se especifiquen. Si el criterio utilizado es un radio específico, el número de muestras que abarca cada punto que se desea conocer será variable, ya que según la cantidad de datos que abarque dicho radio de búsqueda, el cual siempre será fijo, habrá más o menos muestras. Si el criterio utilizado es un número fijo de muestras más cercanas, entonces el que variará será el radio de búsqueda específico. La expresión utilizada para este método es: 𝑍(𝑆𝑜)=∑λ𝑖·𝑍(𝑆𝑖) 𝑁 𝑖=1 (3-8) donde 𝑍(𝑆𝑜) es el valor que deseamos conocer, 𝑁 es el número de muestras alrededor del punto a predecir, 𝑍(𝑆𝑖) son los valores medidos y λ𝑖 son los pesos asignados, cuya suma de todos ellos es igual a 1. Cada peso se obtiene a partir de la siguiente ecuación: λ𝑖=𝑑𝑖𝑜 −𝑝 ∑𝑑𝑖𝑜 −𝑝 𝑁 𝑖=1 (3-9) donde 𝑑𝑖𝑜 es la distancia entre el lugar de predicción 𝑆𝑜 y el lugar muestral 𝑆𝑖, 𝑝 es el exponente de ponderación que controla cómo el peso disminuye con la distancia [26]. 3.2 Métodos de Interpolación Geoestadísticos Por Geoestadística se entiende a la rama de la estadística que realiza el estudio de los datos geográficos que se aplica para obtener datos precisos de cálculos en lugares donde no se tiene información, es decir, tiene como objetivo interpretar el comportamiento de los datos que están distribuidos espacialmente. El uso de la Geoestadística surge en los yacimientos mineros de oro en Sudáfrica, donde el ingeniero de minas Daniel G. Krige y acompañado por Herbert Sichel, pusieron en práctica un método de predicción de yacimientos de oro a partir de los datos obtenidos de los yacimientos existentes durante la década de 1950. Posteriormente fue Georges Matheron el que, en el Centro de Investigación de Fontainebleau, creado para él por la escuela de Minas de París, siguió avanzando en los métodos implementados por Krige, llegando a desarrollar nuevas teorías basadas en las variables regionalizadas. A estas nuevas teorías de estimación Matheron las denominó Kriging, en honor a Daniel G. Krige. En la actualidad, los llamados métodos de interpolación geoestadísticos son variantes del método Kriging, el cual se explica en el Apartado 3.2.3. Los métodos geoestadísticos, para obtener los mejores resultados, deben pasar por cuatro etapas. 3.2.1 Estudio exploratorio de los datos Esta primera etapa consiste en conocer de forma general la distribución de la variable regionalizada para definir zonas de estudio, detectar errores, etc. Algunas herramientas de análisis exploratorio de datos, presentadas con sus respectivos objetivos son [28]: 23 23 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos • Los histogramas, que sirven para conocer la distribución estadística de los datos y así corroborar la existencia de datos erróneos o dispersos. • Los Gráficos cuantil-cuantil, más conocidos comúnmente como gráficos q-q, que permite comprobar las diferencias entre la distribución de probabilidad de los datos y una distribución usada para la comparación. • Las nubes de correlación, que permiten visualizar los pares de datos obtenidos en un gráfico. 3.2.2 Análisis variográfico El variograma es una función matemática que permite comprobar el comportamiento de una variable en una zona específica, midiendo la relación existente entre los diferentes valores ambientales medidos en el terreno. Los datos de las variables ambientales obtenidas se rigen por dos componentes: una determinista, que se deben al simple hecho de obedecer a las leyes de la naturaleza; y otra aleatoria, que se produce al juntarse varios procesos que conforman el entorno, el cual puede provocar evoluciones y resultados tan complejos que hacen que se tomen como variables aleatorias. Este último no se puede representar en sí como una función ya que se deben a procesos aleatorios, pero al tratarse de datos ambientales que suceden en espacios relativamente cercanos, se espera que estos datos sean similares, estando así los valores obtenidos relacionados. La variable aleatoria se puede representar como: 𝑍(𝑥)=𝑚(𝑥)+𝜀(𝑥) (3-10) Siendo 𝑚(𝑥) la media y 𝜀(𝑥) una cantidad aleatoria con una media de cero. Los parámetros que intervienen en los procesos aleatorios son en general la media, la varianza, la covarianza y el variograma teórico. 𝑚(𝑥)= 𝐸[𝑍(𝑥)] (3-11) var[𝑍(𝑥)]= 𝐸{[𝑍(𝑥)−𝑚(𝑥)]2} (3-12) 𝐶(𝑥,𝑥+ℎ)=𝐶𝑜𝑣[𝑍(𝑥),𝑍(𝑥+ℎ)]=𝐸[{𝑍(𝑥)−𝑚(𝑥)}·{𝑍(𝑥+ℎ)−𝑚(𝑥+ℎ)}] =𝐸·[{𝑍(𝑥)}·{𝑍(𝑥+ℎ)}−𝑚(𝑥)·𝑚(𝑥+ℎ)] (3-13) 2·𝛾(𝑥,𝑥+ℎ)=𝑣𝑎𝑟[𝑍(𝑥)−𝑍(𝑥+ℎ)] (3-14) siendo h la distancia entre el punto a medir y el punto de referencia. En estos supuestos, se entiende también que existe estacionariedad en los datos, es decir, que no dependen ni del tiempo ni de su posición absoluta, sino de la posición relativa entre ellos. Al suponerse estacionariedad, se tiene que la media y la varianza son constantes y que la covarianza simplemente depende de la separación entre los puntos a considerar, por lo que: 𝑚= 𝐸[𝑍(𝑥)] (3-15) 𝜎2=𝑣𝑎𝑟[𝑍(𝑥)] (3-16) 𝐶(ℎ)=𝐶𝑜𝑣[𝑍(𝑥),𝑍(𝑥+ℎ)] (3-17) 𝛾(ℎ)=12·𝑣𝑎𝑟[𝑍(𝑥)−𝑍(𝑥+ℎ)]=12·𝐸[𝑍(𝑥)−𝑍(𝑥+ℎ)]2 =𝜎2−𝐶(ℎ)=𝐶(0)−𝐶(ℎ) (3-18) Por tanto, se puede entender el variograma 1 teórico como el valor promedio de la diferencia al cuadrado de los valores en dos puntos separados por una distancia h. Por su parte, de la representación de los valores del variograma frente a la distancia de los pares de puntos para 1 Realmente hace referencia al semivariogama, pero por comodidad y convenio se le denomina simplemente variograma Métodos de interpolación espacial 30 30 3.2.4 Validación Cruzada Una vez escogido y realizado el método de Kriging más oportuno, es necesario realizar una validación de los modelos para comprobar si todos los pasos anteriores han sido correctamente elegidos, es decir, validar la vecindad escogida para el modelo de variograma, validar el modelo de variograma escogido y validar el modelo de Kriging escogido [30]. Para conseguir todo ello, se opta por descartar uno de los valores observados conocidos y calcular el nuevo variograma sin ese dato. Una vez calculado se estima por Kriging el valor en ese punto eliminado a partir de ese variograma. Como se trata de un valor conocido, es posible comparar el valor obtenido con el valor real y comprobar si es óptimo todo lo calculado inicialmente. Si esto se realiza con cada uno de los valores conocidos se puede obtener una estimación bastante ajustada donde poder observar la robustez del modelo, es decir, comprobar que es óptimo en todas las zonas de estudio y estimación. 31 4 RECREACIÓN DE LA RED DE SENSORES na vez realizado el estudio teórico de cómo funcionan las WSN y cuáles son los métodos de interpolación más utilizados para el tratamiento de los datos obtenidos de la red de sensores y sus estimaciones en zonas sin información, el siguiente paso es pasar a la práctica. El hecho de que se realice una representación de esta se debe a que, aunque originariamente el proyecto estaba pensado para realizarse con motas reales, no ha sido posible su utilización debido a que éstas o estaban deterioradas o sufrían una falta de stock que hacía imposible poder recrear un escenario acorde a las condiciones necesarias para poder realizar estimaciones de temperatura, ya fuese con uno o con varios métodos de interpolación. Así pues, este capítulo está destinado al proceso de recreación de cómo habrían actuado los nodos dentro de una red de sensores inalámbricos. Este proceso comprende la obtención de los datos, la ubicación de los nodos, la topología de red empleada o los diferentes modos de funcionamiento que puede tener la red creada en la simulación, entre otros. Toda la demostración e interfaz gráfica se ha realizado con el software informático Matlab [36], el cual permite recrear mediante la herramienta GUIDE (Graphical User Interface Development Environment) incluida en el paquete de Matlab, el caso práctico de este proyecto consistente en una sala de laboratorio sobre la cual se reparten los diferentes nodos-sensores disponibles. 4.1 Origen de los datos Como se ha comentado en la introducción del capítulo, no ha sido posible realizar un muestreo de datos con motas in situ por el usuario, por lo que ha sido necesario buscar una base de datos real que se adaptara a las necesidades del proyecto. Ya que el objetivo del proyecto es realizar un estudio de la distribución espacial de la temperatura, era necesario que dicha base de datos contuviera información sobre la temperatura que nos permitiera recrear una situación como la expuesta. Al tratarse del interior de una sala de un edificio, es decir, un espacio cerrado, ha sido necesario buscar una situación parecida a esta. Esta situación nos la ofrece el laboratorio de investigación de Intel Berkeley [37], quien, implantando un total de 54 nodos sensores dentro del mismo, realizó el registro de la temperatura, humedad, luz y voltaje en periodos de 31 segundos de manera constante entre el 28 de febrero de 2004 y el 5 de abril del mismo año. Figura 4-1. Esquema de la sala de laboratorio de Intel Berkeley. En total, entre el periodo que comprende los datos y todos los nodos-sensores distribuidos, se almacenan alrededor de 2.3 millones de datos. Esta cantidad de datos es muy elevada, incluso para un archivo Excel, los U Recreación de la red de sensores 32 32 cuales pueden llegar a almacenar poco más de 1 millón de filas. Además de este inconveniente, tras realizar un estudio previo de los datos de los que se disponen, se puede observar que existen muchos valores que podrían provocar errores en las estimaciones debido a que los nodos, al ir perdiendo voltaje, comenzaron a realizar tomas inexactas. Para evitar los datos erróneos se han eliminado aquellos cuyas temperaturas eran poco acordes a la realidad, lo que ha hecho que se reduzca el periodo de días en los que se recoge información. Al realizar el proyecto, se utilizan como datos aquellos recogidos entre el 28 de febrero y el 17 de abril, es decir, un período de 19 días (2004 fue un año bisiesto), siendo estos los días donde las baterías estaban más cargadas y, por tanto, no producían errores groseros en la toma de información, especialmente en la toma de temperatura. Con estas reducciones, se pasa de un total de 2.3 millones a aproximadamente 1.5 millones de tomas. Teniendo en cuenta todas las variaciones realizadas, finalmente se ha almacenado toda la información de los nodos en dos archivos diferentes, ya que la totalidad de los datos era superior al límite máximo disponible en Excel: el primero incluye la información de los nodos desde el día 28 de febrero de 2004 al 9 de marzo de 2004, ambos inclusive; mientras que el segundo, contiene la información recogida desde el día 10 de marzo hasta el día 17 de marzo, ambos inclusive. Respecto a las dimensiones de la sala y a la distribución de los nodos, además de los datos recogidos, el laboratorio recoge las ubicaciones exactas de los nodos dentro de la sala. Como se puede observar en la Figura 4-1, la sala de laboratorio está dividida en dos superficies separadas por un pasillo central. Los nodos-sensores se encuentran distribuidos en los exteriores de estas dos superficies y en el pasillo, dejando las dos zonas centrales, formada una de ellas por el laboratorio y los servidores y la otra por la zona de cocina y almacenaje, sin tomas de medidas. Además, la sala completa del laboratorio tiene unas dimensiones aproximadas de 42x32m. En lo que se refiere a la simulación realizada, para evitar alteraciones en las estimaciones que se vayan a realizar, se ha decidido mantener el mismo esquema de la sala, aunque haya zonas amplias donde no existan nodos-sensores. Igualmente, se ha utilizado la misma medida de la sala para ser lo más fiel a la realidad. Además de esto, para realizar una recreación de una WSN más completa, se ha incluido un Nodo Sink o puerta de enlace, representado en ella con un cuadrado amarillo, y un Servidor en el equivalente al área del servidor en la realidad el cual, en la representación, tiene una forma geométrica de un rombo verde. Figura 4-2. Comparativa del laboratorio y la recreación de la red de sensores. Aunque teóricamente los nodos-sensores deberían registrar los datos cada 31 segundos, ninguno de ellos lo hacen siempre en ese periodo ni todas las veces, por lo que cada vez que se realice una toma de registros, realmente se escogerá el registro de cada uno de los nodos más próximo en el tiempo a la hora en la que nos encontremos en ese momento en la representación. Como en la primera toma registrada en la base de datos no todos los nodos realizan dicha toma, se ha editado la base de datos de manera que los datos registrados en los momentos más cercanos al minuto en el que el último de los nodos realiza su primera toma, sea el primer dato de cada uno de los nodos. Esto es, tras observar el primer registro de cada uno de los nodos, es el nodo 49 el que recoge por primera vez información de su ubicación de forma más tardía, produciéndose a la 01:18:47 del día 28 de febrero. Por su parte, por ejemplo, el nodo 1 hasta ese instante había realizado un total de 18 registros, siendo el último de ellos a las 01:18:16, por lo que se han excluido todas las tomas anteriores y se ha asignado como primera toma esta última y asignándole la misma hora que la del nodo 49. Así se ha realizado con todos y cada uno de los nodos. 33 33 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos 4.2 Funciones la recreación de la WSN Como se ya ha comentado, la red de sensores simulada consta de 54 nodos repartidos por la sala del laboratorio de 42x32m, tal y como se realizó en la distribución original. En una posición aleatoria en un radio máximo de 5 m del centro de la sala, se ha ubicado el nodo Sink o Gateway, que será el encargado de transmitir las peticiones a los nodos y de recolectar la información recibida de estos para enviarlas al servidor. Este servidor estará ubicado en la zona reservada por el propio laboratorio original para los servidores haciendo a la simulación lo más fiel posible a la realidad. Debido a que la red de sensores no es muy extensa, con tan solo 54 nodos, y que la sala donde se realiza el experimento tampoco excesivamente grande, la topología de red utilizada en la simulación para la comunicación entre los nodos con el Nodo Sink es la topología en estrella, es decir, la comunicación se produce directamente entre cada uno de los nodos y el nodo sumidero, enviando este último, a su vez, toda la información al servidor. Igualmente, cuando se precisa la información de varios nodos en el mismo instante, estos envían sus datos todos a la vez, pero la información llega al nodo Sink de manera ordenada, por lo que en ningún momento se produce colapso ni pérdida de información. Una vez conocidas las ubicaciones y la forma en la que operan los nodos-sensores, se procede a la explicación de la codificación de la simulación. En primer lugar, es necesario realizar una lectura de los datos utilizados procedentes del laboratorio, los cuales son necesarios guardarlos en variables para poder trabajar con ellos. Al realizar la lectura del archivo se comprueba que existen tres tipos de datos: numéricos, fechas y horas. Como lo más cómodo es estar trabajando con valores numéricos, las fechas y horas, al ser registradas, se harán convirtiéndolas en números. Para las fechas, el número 1 corresponde al 1 de enero del año 0 d.C. por lo que, al primer día de registro, el día 24 de febrero de 2004, le corresponde el valor 732005. Por su parte, las horas al convertirse en números quedan registradas en valores entre 0 y 1, siendo 0 las 00:00:00 y 1 las 23:59:59. Así, a la primera hora registrada, la 01:18:47, le corresponde el valor de 0.0547 siendo redondeado a 4 decimales. Figura 4-3. Interfaz de la demostración de la WSN en Matlab. Tras el registro de la información de todos los nodos en variables dentro del software se procede a lanzar la interfaz, la cual tiene una forma como la mostrada en la Figura 4-3. En ella se puede apreciar tantos botones como funciones diferentes permite realizar la aplicación, siendo un total de cinco: ON, OFF, TOMA DE DATOS GENERAL, TOMA DE DATOS ESPECÍFICA y ELIMINAR NODO. Al comienzo del lanzamiento de la aplicación, crean dos archivos Excel con formato “.xlsx”, llamados datos extraídos y datos zona, los cuales serán los encargados de almacenar la información cada vez que se realice una toma de datos por parte de los nodos sensores. Según la petición y, por consecuente, función pedida, se almacenará en uno u otro archivo, tal y como se verá en cada uno de sus subcapítulos. Como punto de interés, hay que destacar que una vez se pone en marcha la simulación de la red de sensores inalámbricas, cada segundo que estén los nodos sin realizar ninguna actividad, ya sea porque no se ha producido ninguna petición o porque se encuentre en un estado de funcionamiento automático el cual las tomas se realizarán cada 10 segundos reales, en la interfaz este segundo corresponderá a 1:30 minutos. Recreación de la red de sensores 34 34 Otro detalle es que no se conocen las ubicaciones de los nodos, es decir, el usuario cuando lance la aplicación no sabe la identidad de cada uno de los nodos, tal y como se puede observar en la imagen. En caso de que algún nodo sea anulado, el usuario no sabrá cuál de ellos es, simplemente sabrá la ubicación de este al desaparecer de la imagen. Si quisiera conocer el nodo anulado deberá comprobar la información extraída en las diferentes tomas y comprobar de cuál de ellos no tiene información. Esto se debe a que no es necesario para el usuario conocer la identidad de los nodos. Para permitir al usuario conocer la dirección de los mensajes en la simulación, se ha escogido el color blanco como mensajes de salida, mientras que para los mensajes de entrada se ha escogido el color rojo. Esto es, para los mensajes enviados desde el Servidor al Gateway y desde este a los diferentes nodos, la simulación mostrará un recorrido donde los mensajes serán de color blanco. Por su parte, si los mensajes van desde los nodos al Gateway y desde éste al Servidor, los mensajes serán de color rojo. Esto se observará mejor en las diferentes imágenes adjuntas de cada una de las funciones. 4.2.1 ON Esta función es la encargada de dar comienzo a la simulación junto con la de ANULAR NODO. Si no se presiona uno de estos dos botones y, por tanto, no se lanzan sus funciones, no será posible empezar a correr la simulación. Al presionar el botón de ON, se da comienzo a una toma de datos automática por parte de la simulación. En primer lugar, la función se encarga de realizar la toma de datos de la hora actual, o la última más próxima, de cada uno de los nodos que en nuestra simulación se encuentren activos. La información recogida en cada nodo incluye la fecha y hora original de la toma de datos y la información de temperatura, humedad y luminosidad existente. En caso de que un nodo no se encuentre activo, los datos recogidos serán de 0 en todos sus campos. Una vez se ha realizado la recolección de datos, estos son enviados al nodo Sink tal y como se muestra en la Figura 4-4, donde los puntos rojos simulan el camino por el que va la información desde los nodos hasta el Sink. Además de esto, para evitar que otras funciones sean llamadas mientras se está procediendo a realizar una recolección de datos, la pantalla de los botones desaparece para dar paso a una ventana de advertencia donde se especifica que los nodos se encuentran en funcionamiento. Figura 4-4. Envío de mensajes desde los Nodos al Nodo Sumidero. Durante el periodo en el que los nodos están transmitiendo su información al nodo Sink, estos se encuentran activos y, por tanto, consumiendo energía de sus baterías. Así pues, los nodos más alejados consumen mayor energía que los nodos más cercanos debido a que su recorrido es mayor y por tanto se encuentran más tiempo en funcionamiento. Una vez la información, ha llegado al nodo Sink, este recolecta toda esta información de cada uno de los nodos y procede a enviarla al servidor toda a la vez siguiendo el mismo proceso que realizaron los nodos. 35 35 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos Figura 4-5. Envío de mensajes desde el Nodo Sumidero al Servidor. Cuando la información ha llegado definitivamente al servidor, éste comprueba que los datos de todos los nodos son correctos, es decir, que de todos ellos se tienen valores relativamente reales. Si no fuera así, ya sea porque el nodo no se encuentra activo porque se ha decidido apagar en la simulación o porque realmente algún nodo se estropee en algún momento de durante el período de 19 días de tomas de datos, como es el caso del nodo 5 el cual, tras comprobar la información existente de Intel, se observa que no tiene recogida ninguna información en todo el periodo, estos nodos quedarán como inactivos y eliminarán de la simulación, tal y como se observa en la Figura 4-6. Figura 4-6. Interfaz tras la primera toma de datos automática. Nodo 5 desactivado. Tras haberse estudiado los datos recogidos, estos son almacenados en el documento Excel “datos extraídos.xlsx”. Para ello, primero se comprueba cuánta es la información previa a la hora de la toma de datos incluida en dicho archivo y una vez conocido esto, la nueva información recogida en el servidor es almacenada junto con toda la anterior existente. Para evitar que existan datos erróneos que puedan alterar las estimaciones posteriores, los nodos inactivos y, por consiguiente, su información, no serán recogidos dentro del documento. Por último, como se trata de una acción que permite un funcionamiento automático, este proceso se irá realizando cada 10 segundos reales, en la simulación equivalen a 15 minutos, mientras no se solicite una nueva petición. Si esto ocurriera, al terminar la petición, se volvería al estado automático volviéndose a esperarse 10 nuevos segundos para realizar una nueva recogida de muestras, por lo que podría darse la situación en la que entre una recogida de muestras y otra se haya producido un lapso mayor de tiempo o incluso menor si la petición realizada se produce al pulsar el botón TOMA DE DATOS GENERAL, como se explicará en el Apartado 4.2.3 Por último, recordar que, como se puede comprobar en la Figura 4-4 y en la Figura 4-5, el color de los mensajes es rojo, por los que la dirección de estos va desde los nodos hacia el servidor única y exclusivamente, Recreación de la red de sensores 36 36 ya que al tratarse de una función en la que la recogida de información por parte de los nodos-sensores se produce cada 15 minutos reales desde la última petición registrada, no es necesario que sea el servidor quien exija estos datos, sino que está todo temporizado automáticamente. 4.2.2 OFF Esta función, tal y como indica el título del apartado, se encarga de apagar la simulación, es decir, cuando se solicite esta petición la interfaz gráfica se cerrará automáticamente. Esta función, al igual que todas las demás, tan solo podrá ser invocada cuando los nodos no estén en funcionamiento, esto es, justo al lanzar la interfaz, tras la petición de ELIMINAR NODO siempre y cuando no se haya comenzado con la función de ON o en un intervalo de tiempo en los que el modo automático espera entre tomas de medidas. En el momento en que se cierre la interfaz gráfica los datos recogidos en los archivos “datos extraídos.xlsx” y “datos zona.xlsx” serán los definitivos sin la posibilidad de poderse ampliar de nuevo. Si volviese a lanzarse la simulación estos datos se resetearían. 4.2.3 TOMA DE DATOS GENERAL Esta acción, a diferencias de las anteriores, no puede ser invocada sin haberse adquirido una primera muestra de los nodos sensores realizada en modo automático. Esto se debe a que está pensado para que no se realicen peticiones sin haber comenzado previamente la toma de medidas y se realicen peticiones específicas sin haber entrado en funcionamiento la simulación. Una vez se puede invocar esta función, el funcionamiento de esta consiste en, al igual que la función ON, en una toma de muestra de datos de todos los nodos activos en ese momento. La diferencia con esta radica en que, al tratarse de una petición explícita, es el servidor el que se encarga inicialmente de enviar la notificación al nodo Sink para que sepa que se ha solicitado una petición de tomas de datos. Una vez llega esta información al Gateway, este envía una notificación a todos los nodos sensores para que despierten de su estado de descanso y realicen una toma de medidas. Como se observa en las Figura 4-7, los mensajes enviados desde el Servidor hasta los nodos tienen ese color blanco que los identifica. Igualmente, también se puede observar que el nodo 5 no se encuentra en la simulación, lo que significa que dejó de estar operativo tras la primera toma automática. Figura 4-7. Envío de mensajes Servidor-Nodo Sumidero (a) y Nodo Sumidero-Nodos (b) Cuando esta toma de medidas se ha realizado se produce el camino a la inversa, siguiendo exactamente los mismos pasos que realiza la función de ON cuando sus nodos están en funcionamiento, es decir, los nodos envían la información al Gateway y cuando todos los datos se han recolectado son enviados al Servidor; al llegar a él, estos son estudiados y analizados para saber si es necesario desactivar algún nodo que se encontrase activo y posteriormente ser almacenada la información en el archivo “datos extraídos.xlsx”. En resumen, la acción general es la misma que la de ON, pero con el matiz de que es el servidor el que pide los datos y con la diferencia horaria, es decir, al tratarse de una petición que interrumpe la espera del modo automático, esta toma de medidas se produce antes de cumplir los 10 segundos de espera, por lo que entre los datos recogidos en el archivo Excel el tiempo transcurrido será siempre inferior a 15 minutos. 37 37 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos 4.2.4 TOMA DE DATOS ESPECÍFICA Este modo de funcionamiento, al igual que TOMA DE DATOS GENERAL, no puede ser invocado si no se ha iniciado previamente el modo automático ya que no parece lógico poner en funcionamiento los sistemas de refrigeración para una zona específica sin haberse puesto en marcha inicialmente para un modo general. Cuando se realiza el lanzamiento de la función al pulsar este botón, la interfaz, en primer lugar, muestra una ventana en la que advierte al usuario de que debe escoger el punto donde desea conocer la información. Esta ventana podrá ser cerrada pulsando en OK o lo hará automáticamente cuando transcurran 4 segundos. Una vez ocurra una de estas dos opciones, el usuario podrá hacer clic en el punto donde sea conocer la información. Figura 4-8. Ventana emergente Toma de Datos Específica Al realizar su elección, la interfaz marcará el punto deseado con Target, Objetivo en inglés, y comenzará a realizarse la petición. Este punto objetivo desaparece tras un breve periodo de tiempo. Al igual que en la función anterior, al tratarse de una petición explícita, será el servidor el que realice el primer movimiento, enviando un mensaje al nodo Sink con esta petición. Cuando el mensaje llega hasta el nodo Sink, éste envía la petición a los nodos, pero a diferencia de las demás funciones, al tratarse de una zona específica, tan solo envía el mensaje a los cinco nodos más cercanos al punto objetivo. Figura 4-9. Envío de mensajes Servidor-Nodo Sumidero y Nodo Sumidero-5 Nodos más cercanos Una vez llegada la petición a los cinco nodos en cuestión, estos realizarán la toma de medidas y enviarán la información de vuelta al nodo Sink y este a su vez lo hará al Servidor. Figura 4-10. Envío de mensajes 5 Nodos más cercanos-Nodo Sumidero y Nodo Sumidero-Servidor. Recreación de la red de sensores 38 38 Cuando se ha terminado de realizar todo el proceso de traspaso de información hasta llegar al Servidor, éste vuelve a analizar la información para conocer si es necesario inhabilitar alguno de los nodos que intervienen en la acción debido a que sus datos no sean correctos y así no registrar datos que puedan entorpecer la estimación en la zona a conocer. Tras analizar esta información recogida de los cinco nodos, será registrada en el archivo Excel “datos zona.xlsx” junto con la información de la fecha, hora y coordenadas del punto que se deseaba conocer. Esto se realiza para registrar el punto de referencia donde se desea conocer la estimación. 4.2.5 ANULAR NODO Esta función, a diferencia de las demás, es la única que permite lanzarse antes de que la simulación de la red de sensores comience a funcionar. Esto es así para que, aunque la red esté estipulada en 54 nodos iniciales, se pueda tener la libertad de reducir el número de nodos antes de que comience a funcionar. Su función, por tanto, es la de inhabilitar o desactivar el nodo que se desea de la red de sensores. Cuando se presiona este botón, al igual que con el de TOMA DE DATOS ESPECÍFICA, la interfaz lanza una ventana emergente en la que nos indica que seleccionemos el nodo a desactivar. Esta ventana se mantiene abierta durante un máximo de 4 segundos o bien hasta que el usuario cliquee sobre OK. Figura 4-11. Ventana emergente Anular Nodo. Una vez realizada una de las dos opciones, el usuario escogerá el nodo que desea anular simplemente pulsando sobre él en la interfaz. Para evitar desactivar nodos equivocados, la función tiene un margen de error de error de 3m, por lo que si no existiera ningún nodo en ese radio desde el lugar donde se ha seleccionado, no se inhabilitaría ningún nodo. En el ejemplo, se ha decidido, tras comprobarse que no aparecen sus datos, que el nodo a eliminar sea el nodo 14, lo cual se puede comprobar al comparar la Figura 4-11 y la Figura 4-12. Figura 4-12. Nodo nº14 eliminado. 39 5 ESTUDIO DE LA DISTRIBUCIÓN ESPACIAL ras la realización de la interfaz en la que se muestra cómo sería el comportamiento de la red de sensores en caso de que hubiese sido posible instalar una WSN real en lugar de partir simplemente de los datos del laboratorio de Berkeley, se realizará un estudio del análisis espacial con los datos del mismo. En primer lugar, se han recogido todos los datos en archivos Excel. Al realizarlo y verificar la cantidad de datos existentes de cada uno de los nodos, se ha comprobado que el nodo 5 no presentaba ningún dato recogido y que el nodo 15 tan solo recogía datos durante los 2 primeros días, por lo que al disponer de tan pocos datos de este nodo que pudiera alterar cualquier tipo de media, se ha decidido prescindir de él en su totalidad. Por otra parte, para realizar las estimaciones, de los 52 nodos restantes se han excluido 5 nodos, los cuales serán nuestra referencia para poder corroborar la efectividad de los modelos que se utilizarán en este proyecto. Ya que la disposición de estos nodos en el laboratorio de Berkeley no es equitativa en todo el campo, sino que lo es aproximadamente en las zonas habitables, tal y como se puede observar en la Figura 4-1, se han seleccionado nodos específicos con el fin de intentar alcanzar un mejor resultado en nuestras estimaciones, ya que excluir nodos en zonas más aisladas podría alterar enormemente los datos obtenidos. Así pues, los nodos escogidos para ser utilizados posteriormente para comprobar los datos son los Nodos 10, 23, 30, 40 y 49. Como resultado de este, se nos presenta el escenario de la Figura 5-1, con la disposición de los nodos utilizados, excluidos los nodos 5 y 15, y los nodos reservados en color rojo. Figura 5-1 . Distribución de nodos utilizados y reservados. Una vez conocidos los nodos a utilizar y estudiados los datos, se ha realizado el correspondiente estudio utilizando 2 modelos de interpolación diferentes, uno de cada tipo. De entre todos los modelos de Interpolación Deterministas se ha decidido utilizar el modelo de la Distancia Inversa Ponderada, o más conocido como IDW. Por su parte, de entre los modelos de Interpolación Geoestadísticos se ha optado por el modelo de Kriging Ordinario. A partir de estos modelos se ha realizado un estudio para comprobar cuál de ellos es mejor para la estimación de las temperaturas. Para ello, el modelo IDW realizará en primer lugar las estimaciones en las ubicaciones de los nodos en un instante determinado. El instante escogido aleatoriamente de entre los 19 días que conforman todos los datos de los que disponemos es el día 4 de marzo de 2004 a las 13:16:00. Ya que no todos los nodos tienen registrado datos a esa hora, se escogerá aquel dato anterior a la fecha disponible por cada nodo. T Estudio de la distribución espacial 46 46 Se puede comprobar que finalmente, tal y como ha ido ocurriendo en el transcurso de los pasos a seguir, ambos modelos tienen resultados prácticamente similares, siendo el modelo esférico el que obtiene mejor resultado, pero siendo la diferencia entre ambos prácticamente indiferente. Si se realiza todos estos mismos pasos para los otros tres periodos diferentes, realizando a los periodos de las medias por días y por horas las medias de los diferentes valores obtenidos en MAE, MRAE y RMSE, además de realizar las estimaciones para el modelo IDW, obtenemos los siguientes resultados finales: Período Modelo MAE MRAE RMSE Estimación diaria Exponencial 0.3912 1.7583 0.5411 Esférico 0.3904 1.7537 0.5404 Estimación horaria Exponencial 0.4186 1.8889 0.5681 Esférico 0.4212 1.9001 0.5713 Estimación puntual Kriging ordinario Exponencial 0.9670 3.5001 1.5528 Esférico 0.9457 3.4145 1.5512 Estimación IDW 5 vecinos cercanos 0.9706 3.5646 1.5570 Tablas 5-2. Estimaciones obtenidas por validación cruzada. Se comprueba a partir de los resultados arrojados que el periodo que mejor responde a sus resultados es el de la media global. Esto es coherente, ya que es el modelo que más resultados recoge y, por tanto, los datos de aquellos nodos que durante los 19 días hayan sido más dispersos en relación con la temperatura media de la sala, ya sea por errores en la toma de datos o por perturbaciones que se produzcan en ciertas zonas en determinados momentos, tienen menos efectos, provocando que no tengan una importante relevancia en la estimación media global obtenida. De todos los resultados obtenidos es preciso hacer hincapié en los obtenidos de forma puntual, ya sea por Kriging Ordinario o por IDW. Sus resultados son el doble o triple peor que el del resto de modelos. Esto se debe a lo comentado anteriormente. Si se observan la Tabla 5-3, la cual contiene los datos de cada uno de los nodos el día 4 de marzo a las 13:16:00, se puede observar que existen temperaturas muy dispares en función de las zonas donde se tomen, ya que si la temperatura ronda los 20-25 ºC en la mayor parte de la sala, de los nodos 21 a 32, las temperaturas suben drásticamente pasando a rondar los 32-36 ºC. Esta zona, si observamos la Figura 4-1, corresponde la esquina inferior derecha de la sala y cuyos datos, más que a deberse a fallos de medida, ya que esta perturbación involucra a muchos nodos, parece tratarse más bien a agentes externos o actividades realizadas en la sala que interfirieron en la temperatura. Esto, como los resultados finales han reflejado, provoca grandes alteraciones en las estimaciones al realizarse con modelos puntuales, ya que los valores de gamma obtenidos al realizar el variograma se disparan, tal y como se puede comprobar en la Figura 5-10. Figura 5-10. Variograma teórico esférico puntual (13:16 del día 4 de marzo). 47 47 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos Nodo 1 26.1918 Nodo 16 22.9872 Nodo 29 33.4050 Nodo 43 22.6728 Nodo 2 24.3494 Nodo 17 24.0064 Nodo 31 32.0424 Nodo 44 22.6246 Nodo 3 25.0648 Nodo 18 26.4760 Nodo 32 33.5320 Nodo 45 22.3208 Nodo 4 23.4086 Nodo 19 28.1028 Nodo 33 27.7696 Nodo 46 21.4976 Nodo 6 23.4772 Nodo 20 27.4952 Nodo 34 25.2314 Nodo 47 20.9782 Nodo 7 22.5168 Nodo 21 35.7468 Nodo 35 24.1730 Nodo 48 20.8312 Nodo 8 23.3400 Nodo 22 33.7770 Nodo 36 25.2804 Nodo 50 20.6548 Nodo 9 23.7418 Nodo 24 35.5606 Nodo 37 24.4572 Nodo 51 20.5764 Nodo 11 22.5364 Nodo 25 36.2956 Nodo 38 26.5936 Nodo 52 22.1444 Nodo 12 22.1836 Nodo 26 32.7286 Nodo 39 25.0844 Nodo 53 22.2326 Nodo 13 21.1056 Nodo 27 32.3854 Nodo 41 26.2506 Nodo 54 22.7030 Nodo 14 23.7516 Nodo 28 33.3948 Nodo 42 24.0064 Tablas 5-3. Temperaturas recogidas por cada nodo el día 4 de marzo a las 13:16. 5.5 Estimación de la temperatura durante un día concreto. Aunque inicialmente se ha obtenido que el modelo de variograma para las medias globales obtiene mejores resultados para sus propios datos que el resto de modelos, se va a intentar corroborar que esto sucede también para cualquier tipo de dato, ya que no es comparable realizar la estimación de la temperatura con los datos de las propias medias que, con los datos de instantes diferentes, por ejemplo. Es por ello por lo que, volviendo a utilizar los 5 modelos diferentes, se va a realizar un estudio de la estimación de un día completo, en concreto del día 6 marzo, realizando estimaciones cada 30 minutos, en las horas en punto e y media, obteniendo un total de 48 estimaciones para cada uno de los nodos y para cada uno de los modelos. En esta ocasión, como ya se ha comentado, simplemente se va a utilizar el modelo esférico de variograma para realizar dichas estimaciones. Con esto se intentará conocer si el modelo de variograma de la media global es realmente el modelo que mejor se adapta para estimar la temperatura o si por el contrario es otro el que lo hace. Como para los modelos diarios y horarios se disponía de diferentes variogramas se van a utilizar los acordes en cada momento, esto es, en el caso del modelo diario, al realizar el estudio para todo el día 6 de marzo, de los 19 variogramas que se habían obtenido se utilizará el específico de ese día; mientras que, para el modelo horario, al realizarse tomas durante todo el transcurso del día, en función de la hora a la que se realice se utilizará uno u otro. Por ejemplo, para las estimaciones que vayamos a realizar a las 8:30 y a las 9:00, el modelo de variograma utilizado será el que recogía todos los datos entre las 8:00:01 y las 9:00:00. Así se dispondrá con las 24 horas del día. Por su parte el modelo que utiliza los datos in situ, en ese instante concreto, modificará su variograma cada vez que se realice una estimación. Para conocer mejor el modelo de variograma utilizados para cada una de las horas, se adjuntan los 24 modelos experimentales y teóricos obtenidos, a partir de los cuales se va a trabajar para obtener las estimaciones. Para no excedernos, no se adjuntan los modelos instantáneos que se utilizan cada 30 minutos, ya que eso conllevaría incluir 48 gráficas adicionales. Estudio de la distribución espacial 48 48 Figura 5-11. Variogramas teóricos esféricos con las medias de cada hora. 49 VARIOGRAMA MEDIA GLOBAL VARIOGRAMA DIA 6 DE MARZO VARIOGRAMA POR HORAS VARIOGRAMA INSTANTE MÉTODO IDW MAE MRAE RMSE MAE MRAE RMSE MAE MRAE RMSE MAE MRAE RMSE MAE MRAE RMSE Estimación a las 00:30 0.2196 1.1168 0.2790 0.2201 1.1191 0.2800 0.2252 1.1451 0.2879 0.2615 1.3310 0.3364 0.2956 1.5062 0.3840 Estimación a la 01:00 0.2232 1.1527 0.2866 0.2237 1.1553 0.2877 0.2325 1.2006 0.2968 0.2677 1.3822 0.3441 0.3063 1.5846 0.3919 Estimación a la 01:30 0.2211 1.1508 0.2837 0.2216 1.1536 0.2846 0.2334 1.2167 0.3091 0.2678 1.3942 0.3448 0.3061 1.5970 0.3886 Estimación a las 02:00 0.2308 1.2078 0.2882 0.2313 1.2105 0.2891 0.2412 1.2637 0.3125 0.2745 1.4370 0.3493 0.3071 1.6117 0.3910 Estimación a las 02:30 0.2270 1.1958 0.2855 0.2275 1.1985 0.2864 0.2395 1.2637 0.3133 0.2700 1.4229 0.3454 0.3047 1.6093 0.3886 Estimación a las 03:00 0.2293 1.2138 0.2922 0.2298 1.2165 0.2931 0.2428 1.2877 0.3213 0.2749 1.4547 0.3549 0.3068 1.6272 0.3929 Estimación a las 03:30 0.2207 1.1707 0.2863 0.2212 1.1732 0.2868 0.2322 1.2340 0.3161 0.2861 1.5159 0.3950 0.2930 1.5575 0.3834 Estimación a las 04:00 0.2482 1.3206 0.3114 0.2487 1.3235 0.3122 0.2604 1.3880 0.3421 0.2872 1.5284 0.3716 0.3151 1.6804 0.4040 Estimación a las 04:30 0.2393 1.2800 0.3044 0.2398 1.2829 0.3051 0.2537 1.3601 0.3346 0.3074 1.6363 0.4181 0.3097 1.6605 0.4029 Estimación a las 05:00 0.2346 1.2595 0.3022 0.2350 1.2617 0.3029 0.2489 1.3400 0.3340 0.2778 1.4929 0.3676 0.3101 1.6696 0.4024 Estimación a las 05:30 0.2325 1.2550 0.2993 0.2329 1.2575 0.2999 0.2476 1.3409 0.3351 0.2969 1.5972 0.4082 0.3079 1.6669 0.4015 Estimación a las 06:00 0.2426 1.3225 0.3102 0.2431 1.3251 0.3110 0.2564 1.4018 0.3451 0.2829 1.5442 0.3757 0.3230 1.7660 0.4184 Estimación a las 06:30 0.2411 1.3228 0.3060 0.2416 1.3252 0.3069 0.2664 1.4659 0.3549 0.2835 1.5576 0.3729 0.3207 1.7647 0.4162 Estimación a las 07:00 0.2405 1.3232 0.3045 0.2410 1.3257 0.3051 0.2638 1.4558 0.3515 0.2826 1.5566 0.3704 0.3172 1.7503 0.4073 Estimación a las 07:30 0.2308 1.2431 0.3147 0.2287 1.2319 0.3127 0.2615 1.4149 0.3789 0.2654 1.4359 0.3841 0.2688 1.4544 0.3695 Estimación a las 08:00 0.2877 1.4810 0.3842 0.2842 1.4633 0.3791 0.3502 1.8068 0.4996 0.2932 1.5094 0.3934 0.3103 1.5931 0.4441 Estimación a las 08:30 0.3380 1.6534 0.4564 0.3337 1.6322 0.4502 0.3531 1.7255 0.4793 0.3406 1.6654 0.4597 0.3817 1.8450 0.5301 Estimación a las 09:00 0.3781 1.7783 0.5055 0.3726 1.7529 0.5004 0.4013 1.8839 0.5315 0.3748 1.7634 0.5021 0.4575 2.1036 0.5928 Estimación a las 09:30 0.3675 1.7048 0.4809 0.3651 1.6925 0.4771 0.3716 1.7239 0.4853 0.3653 1.6935 0.4770 0.4164 1.9064 0.5466 Estimación a las 10:00 0.4458 1.9563 0.5778 0.4448 1.9500 0.5764 0.4471 1.9639 0.5797 0.4447 1.9487 0.5763 0.5179 2.2431 0.6571 Estimación a las 10:30 0.4914 2.0779 0.6233 0.4904 2.0722 0.6227 0.4915 2.0784 0.6234 0.4904 2.0712 0.6228 0.5498 2.3109 0.6967 Estimación a las 11:00 0.5287 2.1666 0.6788 0.5282 2.1628 0.6797 0.5287 2.1669 0.6788 0.5281 2.1616 0.6807 0.5777 2.3597 0.7394 Estimación a las 11:30 0.5663 2.2502 0.7478 0.5685 2.2581 0.7495 0.5668 2.2515 0.7486 0.5702 2.2652 0.7507 0.6163 2.4416 0.7983 Estimación a las 12:00 0.5928 2.3120 0.7979 0.5956 2.3232 0.8004 0.5943 2.3177 0.7991 0.5971 2.3289 0.8018 0.6432 2.4996 0.8577 Estimación a las 12:30 0.6070 2.3398 0.8275 0.6096 2.3497 0.8301 0.6087 2.3462 0.8292 0.6113 2.3561 0.8316 0.6555 2.5289 0.8675 Estimación a las 13:00 0.6050 2.3070 0.8366 0.6080 2.3184 0.8391 0.6071 2.3148 0.8383 0.6098 2.3252 0.8407 0.6455 2.4685 0.8710 Estimación a las 13:30 0.5638 2.1362 0.7573 0.5665 2.1463 0.7589 0.5667 2.1468 0.7590 0.5678 2.1512 0.7599 0.5919 2.2497 0.7937 Estimación a las 14:00 0.5174 1.9587 0.6867 0.5198 1.9677 0.6881 0.5199 1.9681 0.6881 0.5205 1.9704 0.6886 0.5503 2.0957 0.7165 Estimación a las 14:30 0.4780 1.8146 0.6189 0.4802 1.8231 0.6195 0.4780 1.8148 0.6189 0.4803 1.8232 0.6195 0.5394 2.0485 0.6916 Estimación a las 15:00 0.4517 1.6882 0.5712 0.4483 1.6753 0.5693 0.4516 1.6878 0.5711 0.4491 1.6784 0.5695 0.5343 1.9934 0.6882 Estimación a las 15:30 0.4006 1.4994 0.5010 0.3963 1.4829 0.4978 0.4120 1.5420 0.5133 0.3990 1.4935 0.4993 0.4920 1.8330 0.6393 Estimación a las 16:00 0.3182 1.2179 0.4015 0.3144 1.2031 0.3986 0.3297 1.2620 0.4133 0.3163 1.2105 0.3996 0.4058 1.5440 0.5297 Estimación a las 16:30 0.3077 1.1775 0.4723 0.3021 1.1558 0.4686 0.3248 1.2430 0.4920 0.3088 1.1819 0.4727 0.3858 1.4637 0.5945 Estimación a las 17:00 0.2802 1.0758 0.4286 0.2766 1.0612 0.4256 0.2885 1.1102 0.4489 0.2811 1.0793 0.4293 0.3357 1.2748 0.5309 Estimación a las 17:30 0.2844 1.1138 0.4201 0.2828 1.1068 0.4186 0.3019 1.1810 0.4517 0.2844 1.1136 0.4200 0.3295 1.2845 0.4931 Estimación a las 18:00 0.2284 0.9470 0.2977 0.2278 0.9444 0.2966 0.2345 0.9735 0.3223 0.2283 0.9467 0.2973 0.2660 1.0999 0.3551 Estimación a las 18:30 0.2202 0.9433 0.2762 0.2203 0.9436 0.2757 0.2188 0.9382 0.2779 0.2201 0.9430 0.2760 0.2487 1.0679 0.3288 Estimación a las 19:00 0.2125 0.9286 0.2723 0.2126 0.9289 0.2721 0.2110 0.9228 0.2727 0.2125 0.9285 0.2722 0.2537 1.1128 0.3463 Estimación a las 19:30 0.2255 1.0090 0.3034 0.2257 1.0099 0.3032 0.2264 1.0147 0.3108 0.2254 1.0087 0.3033 0.2719 1.2192 0.3802 Estimación a las 20:00 0.2130 0.9616 0.2860 0.2133 0.9629 0.2860 0.2169 0.9805 0.2938 0.2129 0.9614 0.2857 0.2651 1.2000 0.3716 Estimación a las 20:30 0.2108 0.9615 0.2856 0.2111 0.9628 0.2855 0.2131 0.9735 0.2926 0.2107 0.9611 0.2852 0.2730 1.2485 0.3746 Estimación a las 21:00 0.2105 0.9683 0.2785 0.2108 0.9698 0.2787 0.2134 0.9828 0.2861 0.2103 0.9674 0.2779 0.2738 1.2626 0.3713 Estimación a las 21:30 0.2257 1.0485 0.2973 0.2259 1.0498 0.2975 0.2366 1.1011 0.3156 0.2256 1.0481 0.2970 0.2961 1.3793 0.3935 Estimación a las 22:00 0.2286 1.0698 0.3016 0.2290 1.0718 0.3019 0.2403 1.1262 0.3191 0.2296 1.0749 0.3030 0.3013 1.4137 0.3999 Estimación a las 22:30 0.2246 1.0613 0.3019 0.2249 1.06270 0.3023 0.2378 1.1256 0.3239 0.2260 1.0686 0.3045 0.2945 1.3958 0.4041 Estimación a las 23:00 0.2470 1.1891 0.3395 0.2473 1.1905 0.3398 0.2634 1.2694 0.3642 0.2524 1.2162 0.3471 0.3231 1.5581 0.4492 Estimación a las 23:30 0.2500 1.2102 0.3329 0.2503 1.2116 0.3332 0.2534 1.2280 0.3392 0.2578 1.2497 0.3475 0.3213 1.5587 0.4408 Estimación a las 24:00 0.2478 1.2112 0.3354 0.2481 1.2127 0.3357 0.2495 1.2210 0.3392 0.2803 1.3858 0.4627 0.3275 1.6040 0.4483 Tablas 5-4. Resultado de los medidores de error durante el día 6 de marzo Estudio de la distribución espacial 50 50 MAE MRAE RMSE Modelo global 0.3444 1.5342 0.4533 Modelo día 6 de marzo 0.3438 1.5313 0.4526 Modelo por horas 0.3524 1.5736 0.4685 Modelo puntual 0.3539 1.6057 0.4721 Método IDW 0.4075 1.8264 0.5408 Tablas 5-5. Resultado de las medias de los medidores de error durante el día 6 de marzo. Tras la realización de Kriging con todos los modelos y utilizando los medidores de error para cada uno de los instantes, se obtienen los resultados de MAE, MRAE y RMSE recogidos en la Tabla 5-4. En ella se incluyen todos los datos de cada uno de los nodos para los diferentes modelos de variograma en cada uno de los instantes. Posteriormente, se ha realizado la media de cada medidor para cada modelo obteniendo el valor promedio de cada medidor y así conocer cuál de ellos es el mejor, como se muestra en la Tabla 5-5. De las tablas de resultados se concluye que el mejor medidor es en este caso el del modelo de variograma propio del día 6 de marzo, aunque con diferencias muy pequeñas con el modelo de las medias globales. Si comparamos los resultados con los obtenidos en el primer estudio, se ratifica que ambos modelos también eran los que mejores resultados obtuvieron, aunque en esa ocasión el modelo de variograma global obtuvo bastante mejores resultados. Por otro lado, aunque la dificultad y el tiempo de ejecución del método de interpolación IDW respecto al método de interpolación de Kriging ordinario es mucho menor, los resultados reflejan que IDW, al menos en el caso que en el presente proyecto nos compete, presenta peores estimaciones que el método de Kriging, inclusive con su homólogo del modelo puntual haciendo que los aspectos positivos de IDW no tengan la suficiente relevancia como para decidir su elección. Así pues, de entre los 4 modelos de variogramas utilizados con Kriging Ordinario, teniendo en cuenta las primeras estimaciones donde el modelo global era mejor, que las estimaciones durante todo el día 6 de marzo no difieren prácticamente entre el modelo global y el diario y, quizás el aspecto más importante, que en el caso en que en una línea de futuro se decidiera estimar temperaturas en días no recogidos en la base de datos, el modelo diario no podría utilizarse ya que ha podido utilizarse al realizarse el variograma conociendo con anterioridad al proceso de estimación los datos de todo el día, siendo únicamente válido como modelo a posteriori, por lo que se llega a la conclusión de que las estimaciones obtenidas con el variograma de la media global es el más adecuado. Hay que recalcar que, ciertamente, el periodo total que comprende la base de datos no es muy prolongado, por lo que para épocas del año en las que las temperaturas son notablemente diferentes con respecto a la época del año comprendida en nuestro periodo de 19 días véase, verano, sería necesario o bien realizar nuevas mediciones y obtener un nuevo modelo de variograma de medias globales que sea utilizado durante esas fechas o bien obtener un modelo un modelo que comprenda los datos de todo el año y comprobar su comportamiento ante cualquier día del año. 5.6 Comprobación de la fiabilidad del modelo Una vez determinado según los resultados obtenidos que el modelo más idóneo para calcular las estimaciones es el modelo de las medias globales mediante el variograma esférico, el siguiente paso es la comprobación de su fiabilidad. Para ello, se realiza la estimación de las temperaturas en las ubicaciones excluidas inicialmente al comienzo de este capítulo, es decir, en las ubicaciones de los nodos 10, 23, 30, 40, y 49. Estas estimaciones estarán apoyadas en el modelo esférico global. En cada una de las horas se realizará Kriging Ordinario con los valores de los parámetros obtenidos del variograma y con las temperaturas de los 47 51 51 Estudio de la distribución espacial de la temperatura del interior de una sala utilizando una red de sensores inalámbricos nodos restantes, recordemos que, de los 54 nodos, 2 eran inservibles y 5 son los excluidos. Esto, realizado cada 30 minutos durante el día 6 de marzo de 2004, ofrece 48 estimaciones para cada nodo, siendo la media total de los medidores de cada uno de ellos las recogidas en la tabla siguiente. MAE MRAE RMSE Nodo 10 0.1229 0.5793 0.1591 Nodo 23 0.3076 1.3860 0.3546 Nodo 30 0.1943 0.7350 0.2895 Nodo 40 0.1508 0.5953 0.2144 Nodo 49 0.2808 1.3901 0.3185 Tablas 5-6. Resultado de las medias de los errores obtenidas de los nodos no utilizados De los resultados se puede comprobar que los errores cometidos son cercanos a 0, lo que indica que se ha realizado una buena estimación. Tanto es así que los valores obtenidos son incluso mejores que los producidos al realizar la validación cruzada, por lo que se corrobora que el método de interpolación de Kriging ordinario, utilizando los parámetros obtenidos de las medias globales con el variograma esférico, es apto para realizar las estimaciones del laboratorio de Intel Berkeley. Es cierto que los nodos excluidos inicialmente para corroborar los datos del modelo obtenido son nodos cuya presencia no era, en teoría, estrictamente necesaria para conocer su ubicación, ya que se encontraban rodeados de otros sensores, otorgándoles así un mayor respaldo a la hora de obtener una mejor estimación, a excepción de que tuviera perturbaciones externas a las provocadas por la temperatura la propia sala, que otros nodos cuya eliminación sí pudiera provocar mayores errores. Si se observan las medias de los medidores de error durante el día 6 de marzo de forma individual en cada uno de los nodos al realizar la validación cruzada, se comprueba que existen nodos cuyos errores son más altos. En la Tabla 5-7 se agrupan los valores del medidor del error medio absoluto (MAE) de estos nodos al realizar la validación cruzada. Nodo 1 0,223 Nodo 13 0,354 Nodo 25 0,469 Nodo 36 0,421 Nodo 47 0,386 Nodo 2 0,259 Nodo 14 0,137 Nodo 26 0,407 Nodo 37 0,254 Nodo 48 0,113 Nodo 3 0,166 Nodo 16 0,327 Nodo 27 0,290 Nodo 38 0,150 Nodo 50 0,618 Nodo 4 0,361 Nodo 17 0,316 Nodo 28 0,585 Nodo 39 0,203 Nodo 51 0,526 Nodo 6 0,215 Nodo 18 0,217 Nodo 29 0,192 Nodo 41 0,326 Nodo 52 0,321 Nodo 7 0,228 Nodo 19 0,138 Nodo 31 0,138 Nodo 42 0,409 Nodo 53 0,603 Nodo 8 0,619 Nodo 20 0,470 Nodo 32 0,122 Nodo 43 0,579 Nodo 54 1,006 Nodo 9 0,702 Nodo 21 0,261 Nodo 33 0,217 Nodo 44 0,467 Nodo 11 0,260 Nodo 22 0,261 Nodo 34 0,171 Nodo 45 0,189 Nodo 12 0,626 Nodo 24 0,404 Nodo 35 0,237 Nodo 46 0,293 Tablas 5-7. MAE obtenidos de la validación cruzada de cada nodo en ºC Estudio de la distribución espacial 52 52 De entre los resultados de las validaciones cruzadas, comprobamos que la mayoría de los nodos adquieren valores aproximados al MAE medio. Sin embargo, existen otros nodos, entre ellos los casos del nodo 8, 9, 12 y, en especial, el nodo 54 que adquieren valores más disparados. Estos nodos corresponden a los ubicados en la parte superior de la sala en el centro. Comprobando los datos correspondientes a las temperaturas en esos nodos durante todo el día, se observa que la media del nodo 8 y 9 es de unos 21.6 ºC, mientras que la del nodo 54 es 1.5ºC inferior, es decir, 20.1ºC. Tal abrupta diferencia de temperatura se debe a que, si se observa la Figura 4-1, estos nodos se encuentran separados por una pared, lo que provoca que se creen dos pequeños microclimas que en el momento de realizar el variograma este detalle no se tuviera en cuenta, de ahí que a la hora de realizar las estimaciones esta diferencia provoque mayores errores. Para corregir esto la solución más coherente sería la realización de subdivisiones cuadrículas dentro del laboratorio, creando diferentes zonas a las que aplicar el variograma y Kriging, cada uno con el suyo propio. El problema que ocasionaría esto es la imposibilidad de realizar Kriging en ninguna de las subdivisiones. El modelo de interpolación Kriging está pensando para que sea utilizado con un número mínimo de parámetros de los que partir. Si nuestra base de datos máxima es de 54 nodos realizar, por ejemplo, 6 subdivisiones, provocaría que cada una de ellas estuviera compuesta por unos 8-10 nodos, en función de cómo estén distribuidos, lo que impediría la estimación por este método. En ese caso, parece más conveniente realizar un modelo determinista como el IDW, que basan todo su modelo en el peso que proporcionan los nodos más cercanos, pero como se ha comprobado en este proyecto, en caso de que mejorasen, no lo harían en gran medida ya que de producirse otros agentes externos afectarían en gran medida a sus resultados. Por tanto, en este proyecto, no parece viable realizar una optimización de la sala, tanto por la imposibilidad de realizar subdivisiones como por la innecesaridad de añadir más nodos a una sala cuyas cantidades están acorde a las dimensiones de esta. Aun así, teniendo en cuenta que los sensores de temperaturas existentes en el mercado tienen una precisión máxima de ±0.1ºC, estos los errores máximos cometidos en las estimaciones no supondrían gran problema, por lo que las estimaciones realizadas en líneas generales son óptimas. 53 6 CONCLUSIONES l objetivo principal de este trabajo era obtener las mejores estimaciones de la temperatura en el interior de una sala gracias a la utilización de una red de sensores inalámbricos para poder realizar un estudio de su distribución. Para ello, ante la imposibilidad de utilizar motas reales que permitieran crear esta red de sensores y realizar las tomas de temperatura a partir de la cuales poder realizar la estimación en el resto de la sala, se ha partido de una base de datos ofrecida por el laboratorio de Intel Berkeley, el cual dispuso de una red de sensores y realizó la toma de diferentes medidas, entre ellas la temperatura, durante un periodo de tiempo prolongado de forma experimental. Así pues, apoyándonos en esta base de datos y en las ubicaciones de los nodos sensores, se ha realizado en primer lugar una recreación de cómo habría sido nuestra red de sensores si hubiese dispuesto de las motas para crear la red. Después, utilizando los datos disponibles, se ha realizado mediante el uso de los métodos de interpolación Kriging Ordinario e IDW y con las medias de las temperaturas recogidas por los nodos en distintos periodos, un estudio que permitiera estimar cuál es el mejor método para realizar dichas estimaciones y qué periodo se adaptaba mejor al cálculo de las estimaciones. Además, para corroborar las premisas obtenidas, se ha comprobado con estos mismos métodos y modelos obtenidos en cada periodo las temperaturas durante un día completo, realizando los errores en las estimaciones respecto a las temperaturas reales. Por último, con el modelo que mejores resultados obtuvo, se llevó a cabo las estimaciones en ciertas ubicaciones reservadas de algunos de los nodos para comprobar la efectividad real del modelo. Los resultados arrojaron que de entre los dos métodos de interpolación utilizados, el que mejores resultados ofrecía era el método de interpolación Kriging y que, dentro de los diferentes modelos empleados con este método, el que mejor resultados otorgaba era aquel cuyos parámetros del variograma se obtenía mediante el uso de la media de todos y cada uno de los valores de los nodos. Comprobando los valores estimados respecto a los nodos excluidos se obtuvieron errores en la estimación poco elevados, llevando a la conclusión de que el método de Kriging es óptimo y válido para predecir las temperaturas en el interior de una sala, lo que puede permitir conocer el estado de confort que se tiene dentro de ella. 6.1 Líneas de mejora e investigación futura. • Comparar los métodos de interpolación utilizados con otros métodos más avanzados como, por ejemplo, la utilización de redes neuronales, para comprobar la efectividad de cada uno de ellos y realizar una comparativa para saber la relación calidad-coste que tendría el hecho de aplicar sistemas más complejos. • Realizar el estudio en exteriores, permitiendo conocer si la veracidad del método es aplicable tanto en lugares cerrados como en espacios abiertos. • Realizar un estudio para conocer el número de nodos óptimo-necesarios para obtener unos resultados que no se vean afectados por la reducción de nodos, con el fin de poder reducir costes en la instalación. • Utilización de una red de sensores propias y real, en lugar de una representación de otra realizada. Esto permitiría aplicar todos los conocimientos adquiridos teóricamente acerca de cómo se produciría la comunicación entre los diferentes nodos sensores, además de disponer de una base de datos actualizada y realiza en las ubicaciones deseadas. E Conclusiones 54 54 • Utilizar una red de sensores propia y adquirir nuestros datos podría permitir estudiar el estado de confort obtenido en la sala, pudiendo realizar un control de la temperatura en el interior de la sala in situ. El hecho de que los datos hubiesen sido recogidos de forma previa hacía imposible llevar a cabo esta función, ya que posibles alteraciones en la temperatura ocasionadas por sistemas refrigerantes no se apreciarían en las temperaturas ya registradas. 55 REFERENCIAS [1]. Hossam Mahmoud Ahmad Fahmy. Wireless Sensor Networks. Concepts, Applications, Experimentation and Analysis, 2016. Springer. DOI 10.1007/978-981-10-0412-4. [2]. Senchun Chai, Zhaoyang Wang, Baihai Zhang, Lingguo Cui & Runqi Chai. Wireless Sensor Network, Pte Ltd. 2020. Springer. https://doi.org/10.1007/978-981-15-5757-6 [3]. Roberto Fernández Martínez… [et al.] (Integrantes del Grupo de Investigación EDMANS). Redes inalámbricas de sensores: teoría y aplicación práctica, 2009. Universidad de la Rioja. [4]. Sebastián Román Maroto Cantillo. Desarrollo de aplicaciones basadas en WSN. S.1. 2010. Universidad Politécnica de Valencia. [5]. Vidyasagar Potdar, Atif Sharif, Elizabeth Chang. Wireless Sensor Networks: A Survey. Digital Ecosystems and Business Intelligence Institute, Curtin University of Technology, Perth, Western Australia. 2009 IEEE. DOI 10.1109/WAINA.2009.192 [6]. R.R. Selmic, Vir V. Phoha & Abdul Serwaddal. Wireless Sensor Networks. Security, Coverage, and Localization. 2016. Springer. DOI 10.1007/978-3-319-46769-6 [7]. Divya Sharma, Sandeep Verma, Kanika Sharma. Network Topologies in Wireless Sensor Networks: A Review. Vol. 4, 2013. Dept. of ECE, NITTTR, Chandigarh, UT, India. [8]. M.A. Matin and M.M. Islam. Overview of Wireless Sensor Network, 2012. http://dx.doi.org/10.5772/49376 [9]. Ana-Belén García-Hernando, José-Fernán Martínez-Ortega, Aggeliki Prayati, Luis Redondo-López, MsC, Juan-Manuel López-Navarro. Problem Solving for Wireless Sensor Networks. 2009. Springer. DOI 10.1007/978-1-84800-203-6. [10]. Rahman, Abdur & El Saddik, Abdulmotaleb & Gueaieb, Wail. (2008). Wireless Sensor Network Transport Layer: State of the Art. 10.1007/978-3-540-69033-7_11. [11]. Yogesh Yogesh Sankarasubramaniam Özgür B. Akan Ian F. Akyildiz. ESRT: Event-to-Sink Reliable Transport in Wireless Sensor Networks. 2003, Annapolis, Maryland, USA. [12]. https://present5.com/transport-layer-congestion-control-reliable-transport-data-from/ [13]. Miguel A. Labrador, Pedro M. Wightman. Topology Control in Wireless Sensor Networks. With a companion simulation tool for teaching and research, 2009. Springer. [14]. Kazem Sohraby Daniel Minoli Taieb Znati. Wireless Sensor Networks. Technology, Protocols, and Applications, 2007 John Wiley & Sons, Inc. ISBN 978-0-471-74300-2. [15]. C. S. Raghavendra, Krishna M. Sivalingam, Taieb Znati. Wireless Sensor Networks, 2006. Springer. ISBN 9780387352695. [16] Junaid Ahmed Khan, Hassaan Khaliq Qureshi, Adnan Iqbal. Energy management in Wireless Sensor Networks: A survey. Computers and Electrical Engineering, Elsevier, 2014, Volume 41, January 2015, pp. 159-176. ff10.1016/j.compeleceng.2014.06.009ff. ffhal-01283728f [17]. Ramón Jesús Millán Tejedor. UWB: la revolución de las redes personales, 2005. IDDG Comunications S.A. https://www.ramonmillan.com/tutoriales/uwb.php#introduccion [18]. Preetha, A Divya & Lakshmi R, Srividhya. (2015). Secure Communication using WirelessHART in Wireless Sensor Networks (WSN). 10.13140/RG.2.2.16990.89923.