Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của Internet of Things (IoTs), nhu cầu xây dựng các hệ thống mạng cảm biến không dây (Wireless Sensor Networks - WSNs) thông minh, tiết kiệm năng lượng ngày càng trở nên cấp thiết. Theo ước tính, các thiết bị cảm biến trong mạng IoTs thường hoạt động ở những môi trường khó tiếp cận như rừng, địa hình hiểm trở, nơi việc thay thế pin là rất hạn chế. Do đó, việc kéo dài thời lượng pin trong khi vẫn đảm bảo chất lượng thông tin thu thập là một thách thức lớn. Mục tiêu nghiên cứu của luận văn là phát triển một thuật toán dựa trên mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) để lựa chọn tác vụ phù hợp cho nút cảm biến trong hệ thống IoTs, dựa trên các thông số thời gian thực như dung lượng pin, dòng sạc pin mặt trời và độ biến thiên của dữ liệu nhiệt độ môi trường. Phạm vi nghiên cứu tập trung vào hệ thống thu thập dữ liệu nhiệt độ trong mạng cảm biến không dây tại một số địa phương với điều kiện môi trường đa dạng, trong khoảng thời gian thu thập dữ liệu thực tế. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện thời lượng pin và chất lượng thông tin thu thập, góp phần nâng cao hiệu quả vận hành hệ thống IoTs trong các ứng dụng như giám sát môi trường, nông nghiệp thông minh và phòng chống thiên tai.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: mạng cảm biến không dây (WSNs) và mạng nơ-ron nhân tạo (ANN). WSNs là hệ thống gồm nhiều nút cảm biến nhỏ gọn, hoạt động bằng pin, có khả năng thu thập, xử lý và truyền dữ liệu không dây. Các công nghệ không dây phổ biến trong WSNs bao gồm Zigbee, Wi-Fi, Bluetooth và LoRa, trong đó LoRa được lựa chọn nhờ khả năng truyền dữ liệu công suất thấp trên khoảng cách xa, phù hợp với các ứng dụng IoTs. Mạng nơ-ron nhân tạo là mô hình tính toán lấy cảm hứng từ mạng nơ-ron sinh học, có khả năng học và dự đoán dựa trên dữ liệu đầu vào. Mạng ANN được thiết kế gồm ba lớp: lớp đầu vào (dung lượng pin, dòng sạc pin, độ biến thiên dữ liệu), lớp ẩn (20 nơ-ron) và lớp đầu ra (tác vụ lựa chọn). Thuật toán huấn luyện sử dụng phương pháp học có giám sát với thuật toán lan truyền ngược đàn hồi (resilient backpropagation), giúp mạng hội tụ với sai số toàn phương dưới 0.05 sau khoảng 15.611 vòng lặp.

Phương pháp nghiên cứu

Nguồn dữ liệu thu thập bao gồm số liệu nhiệt độ môi trường, dung lượng pin và dòng sạc pin mặt trời, được lấy từ hệ thống cảm biến thực tế sử dụng Arduino Pro Mini, pin Lithium 3.7V 2000mAh, tấm pin mặt trời 4.5W và cảm biến nhiệt độ DHT với sai số ±0.7°C. Phương pháp chọn mẫu là lấy dữ liệu liên tục trong các chu kỳ hoạt động, với số lượng mẫu khoảng vài nghìn điểm dữ liệu để đảm bảo tính đại diện. Phân tích dữ liệu được thực hiện trên phần mềm Matlab và Simulink, mô phỏng mạng nơ-ron và đánh giá độ chính xác dự đoán. Quá trình nghiên cứu gồm các bước: thu thập dữ liệu, tiền xử lý, huấn luyện mạng nơ-ron, mô phỏng trên Simulink, nhúng thuật toán vào vi điều khiển và kiểm tra thực nghiệm. Timeline nghiên cứu kéo dài trong khoảng 12 tháng, bao gồm giai đoạn thu thập dữ liệu thực tế, phát triển thuật toán và thử nghiệm thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác dự đoán của mạng nơ-ron: Mạng nơ-ron với 20 nơ-ron ở lớp ẩn đạt sai số toàn phương dưới 0.05 sau 15.611 vòng huấn luyện, cho thấy khả năng dự đoán tác vụ chính xác trên 95%. So với mạng có 25 hoặc 50 nơ-ron, hiệu quả tính toán và bộ nhớ được tối ưu hơn, phù hợp với vi điều khiển hạn chế tài nguyên.

  2. Cải thiện chất lượng thông tin thu thập: Thuật toán dựa trên độ biến thiên dữ liệu giúp tăng lượng thông tin có ích thu thập được lên khoảng 20% so với phương pháp lập lịch trình tĩnh như Lazy Scheduling Algorithm (LSA), nhờ khả năng thích nghi với sự thay đổi môi trường.

  3. Tiết kiệm năng lượng và kéo dài tuổi thọ pin: Kết quả thực nghiệm cho thấy thời lượng pin được cải thiện khoảng 15-25% so với các phương pháp truyền thống, nhờ việc lựa chọn tác vụ phù hợp dựa trên dung lượng pin và dòng sạc pin mặt trời. Ví dụ, khi pin còn dưới 80%, thuật toán ưu tiên tác vụ tiêu thụ năng lượng thấp hoặc chế độ ngủ, giúp giảm tiêu hao năng lượng không cần thiết.

  4. Khả năng ứng dụng trên vi điều khiển: Thuật toán được nhúng thành công trên vi điều khiển Arduino Pro Mini với bộ nhớ RAM hạn chế, thực hiện tính toán lan truyền thuận hiệu quả mà không gây treo máy hay quá tải bộ nhớ, đảm bảo tính ổn định trong vận hành thực tế.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện là do thuật toán mạng nơ-ron sử dụng đồng thời ba thông số đầu vào: dung lượng pin, dòng sạc và độ biến thiên dữ liệu, giúp nút cảm biến có khả năng thích nghi cao với điều kiện môi trường và trạng thái năng lượng. So với các phương pháp trước đây chủ yếu dựa trên lịch trình cố định hoặc chế độ ngủ sâu, thuật toán này linh hoạt hơn, giảm thiểu mất mát thông tin và hao phí năng lượng khi chuyển trạng thái. Kết quả phù hợp với các nghiên cứu gần đây về quản lý năng lượng trong WSNs, đồng thời khắc phục hạn chế của thuật toán LSA không thể thay đổi lịch trình trong quá trình hoạt động. Dữ liệu có thể được trình bày qua biểu đồ so sánh lượng thông tin thu thập và thời lượng pin giữa các phương pháp, cũng như bảng thống kê sai số dự đoán của mạng nơ-ron theo số lượng nơ-ron lớp ẩn.

Đề xuất và khuyến nghị

  1. Triển khai thuật toán mạng nơ-ron trên các hệ thống IoTs thực tế: Khuyến nghị các đơn vị phát triển thiết bị IoTs tích hợp thuật toán này trên vi điều khiển 32-bit ARM Cortex để tối ưu hóa năng lượng và nâng cao chất lượng dữ liệu thu thập, với timeline triển khai trong 6-12 tháng.

  2. Tăng cường thu thập và phân tích dữ liệu thời gian thực: Đề xuất bổ sung thêm các cảm biến đo các thông số môi trường khác như độ ẩm, pH để mở rộng phạm vi ứng dụng, đồng thời cải tiến mô hình mạng nơ-ron đa biến, thực hiện trong vòng 12 tháng tiếp theo.

  3. Phát triển giao diện quản lý và giám sát tập trung: Xây dựng phần mềm giám sát tập trung cho phép theo dõi trạng thái pin, dòng sạc và tác vụ của từng nút cảm biến, giúp điều chỉnh thuật toán linh hoạt hơn, dự kiến hoàn thành trong 9 tháng.

  4. Nghiên cứu mở rộng thuật toán cho các mạng cảm biến đa mục tiêu: Khuyến nghị nghiên cứu áp dụng thuật toán cho các mạng cảm biến có nhiều loại cảm biến và mục tiêu giám sát khác nhau, nhằm tối ưu hóa tổng thể hệ thống, với kế hoạch nghiên cứu 18 tháng.

Đối tượng nên tham khảo luận văn

  1. Các nhà nghiên cứu và sinh viên ngành Kỹ thuật Điện tử - Viễn thông: Luận văn cung cấp kiến thức chuyên sâu về mạng cảm biến không dây và ứng dụng mạng nơ-ron trong IoTs, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

  2. Kỹ sư phát triển hệ thống IoTs và thiết bị nhúng: Thuật toán và mô hình được thiết kế phù hợp với vi điều khiển có tài nguyên hạn chế, giúp kỹ sư tối ưu hóa năng lượng và nâng cao hiệu quả thu thập dữ liệu.

  3. Doanh nghiệp sản xuất thiết bị cảm biến và giải pháp IoTs: Tham khảo để tích hợp giải pháp tiết kiệm năng lượng thông minh, nâng cao tuổi thọ sản phẩm và chất lượng dịch vụ.

  4. Các tổ chức quản lý môi trường và nông nghiệp thông minh: Áp dụng mô hình để giám sát môi trường, dự báo biến động khí hậu, hỗ trợ ra quyết định nhanh chóng và chính xác trong quản lý tài nguyên.

Câu hỏi thường gặp

  1. Thuật toán mạng nơ-ron có thể áp dụng cho các loại cảm biến khác ngoài nhiệt độ không?
    Có, thuật toán có thể mở rộng cho các loại cảm biến khác như độ ẩm, pH, ánh sáng, miễn là dữ liệu đầu vào được chuẩn hóa và phù hợp với mô hình huấn luyện. Ví dụ, trong nông nghiệp thông minh, có thể áp dụng để dự đoán tác vụ cho cảm biến độ ẩm đất.

  2. Làm thế nào để đảm bảo thuật toán hoạt động ổn định trên vi điều khiển có bộ nhớ hạn chế?
    Bằng cách thiết kế mạng nơ-ron với số lượng lớp ẩn và nơ-ron tối ưu (20 nơ-ron lớp ẩn), sử dụng thuật toán lan truyền thuận không đệ quy, giảm thiểu bộ nhớ cần thiết và tránh treo máy khi tính toán.

  3. Thuật toán có thể thích nghi với sự thay đổi đột ngột của môi trường như thế nào?
    Độ biến thiên dữ liệu (delta) được sử dụng làm một trong ba đầu vào chính, giúp mạng nơ-ron nhận biết sự thay đổi đột ngột và lựa chọn tác vụ thu thập dữ liệu với tần suất cao hơn, đảm bảo không bỏ sót thông tin quan trọng.

  4. So với các phương pháp lập lịch trình truyền thống, thuật toán này có ưu điểm gì?
    Khác với các thuật toán lập lịch trình tĩnh như LSA, thuật toán mạng nơ-ron có khả năng thay đổi tác vụ linh hoạt theo điều kiện thực tế, giảm hao phí năng lượng khi không cần thiết và tăng chất lượng dữ liệu khi môi trường biến động.

  5. Có thể áp dụng thuật toán này cho các hệ thống IoTs quy mô lớn không?
    Có thể, tuy nhiên cần nghiên cứu mở rộng thuật toán để quản lý bộ nhớ và tính toán phân tán, đồng thời kết hợp với các giải pháp định tuyến và quản lý mạng để đảm bảo hiệu suất tổng thể.

Kết luận

  • Đã phát triển thành công thuật toán mạng nơ-ron nhân tạo dựa trên ba thông số đầu vào: dung lượng pin, dòng sạc pin mặt trời và độ biến thiên dữ liệu nhiệt độ, giúp lựa chọn tác vụ tối ưu cho nút cảm biến trong hệ thống IoTs.
  • Thuật toán đạt độ chính xác dự đoán trên 95%, cải thiện lượng thông tin thu thập khoảng 20% và kéo dài tuổi thọ pin từ 15-25% so với các phương pháp truyền thống.
  • Mô hình được thiết kế phù hợp với vi điều khiển có tài nguyên hạn chế, đảm bảo tính ổn định và hiệu quả trong vận hành thực tế.
  • Nghiên cứu mở ra hướng phát triển các hệ thống IoTs thông minh, tiết kiệm năng lượng và thích nghi cao với môi trường biến động.
  • Đề xuất các bước tiếp theo bao gồm mở rộng ứng dụng cho đa dạng cảm biến, phát triển phần mềm giám sát tập trung và nghiên cứu áp dụng cho mạng cảm biến quy mô lớn.

Khuyến khích các nhà nghiên cứu, kỹ sư và doanh nghiệp trong lĩnh vực IoTs áp dụng và phát triển tiếp thuật toán nhằm nâng cao hiệu quả và bền vững của các hệ thống cảm biến không dây.