Door de inzet van wiskundige technieken heeft promovendus Martijn Onderwater (CWI en VU) de doorvoersnelheid in een Zigbee-sensornetwerk verbeterd. Doordat netwerken steeds voller worden en er steeds meer netwerken komen is een optimale doorvoersnelheid van belang. De resultaten van het onderzoek van Onderwater zijn relevant voor bijvoorbeeld toepassingen in het internet of things.
Onderwater deed zijn onderzoek samen met bedrijven, die metingen deden aan het binnenklimaat van kinderdagverblijven en een sporthal. ‘Voor een kinderdagverblijf is het belangrijk dat het kooldioxidegehalte goed is, want bij een te hoog gehalte kunnen mensen zich niet goed concentreren’, licht de promovendus toe.
‘Om het binnenklimaat te kunnen verbeteren, meten sensoren het CO2-gehalte, de luchtvochtigheid en de temperatuur. Als veel van die sensoren hun metingen naar een centraal punt doorsturen, moeten ze soms lang op elkaar wachten. Eén sensor kan zelfs het netwerk gaan domineren, wat niet goed is voor realtime-toepassingen zoals actieve ventilatie. Met wiskundige technieken is het nu mogelijk om de parameters van een Zigbee-netwerk zo in te stellen dat een optimale doorvoersnelheid van gegevens naar een centraal punt behaald kan worden. Ook kunnen we nu de beste instellingen vinden zonder daarvoor een groot en duur netwerk te hoeven opzetten’, aldus Onderwater.
Zigbee is een open standaard voor draadloze verbindingen tussen apparaten op korte afstand. De standaard is een aanvulling op Bluetooth en Wi-Fi, het wordt gebruikt voor het doorsturen van sensorgegevens en voor (proces)besturing (monitoring & control).
Onzekerheden bij sensormetingen
De onderzoeker onderzocht ook wiskundige modellen voor het nemen van beslissingen in onzekere omstandigheden, dat deed hij met zogenaamde Markov-beslismodellen. Onzekerheden komen ook vaak voor bij sensormetingen. ‘Bij een calamiteit op bijvoorbeeld een perron wil je mensen aan de hand van sensormetingen naar de juiste nooduitgang leiden. Een advies om naar de dichtstbijzijnde nooduitgang te gaan kan verkeerd uitpakken als er korte tijd later net een overvolle trein stopt. Daarom is het van belang om onzekerheden mee te nemen in de beslissing.’
Tot nu toe moet er steeds een nieuwe strategie worden uitgerekend als het model afwijkt van de werkelijkheid. Dat is rekenkundig lastig. De nieuwe, innovatieve methode van Onderwater heeft dit nadeel niet. Hij benadert waardefuncties met evolutionaire algoritmen (dynamische strategie). De aanpak levert goede strategieën en heeft veel potentie. Onderwater: ‘De methode is interessant voor allerlei problemen die door Markov-beslismodellen beschreven kunnen worden, zoals het bepalen van prijzen van hotelkamers in de toekomst.’
