Solar Driven Self-learning Duty Cycle Control Algorithm for Maintenance-free Environmental Data Acquisition Nodes
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F22%3A10250219" target="_blank" >RIV/61989100:27240/22:10250219 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.sciencedirect.com/science/article/pii/S2405896322003548" target="_blank" >https://www.sciencedirect.com/science/article/pii/S2405896322003548</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.ifacol.2022.06.039" target="_blank" >10.1016/j.ifacol.2022.06.039</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Solar Driven Self-learning Duty Cycle Control Algorithm for Maintenance-free Environmental Data Acquisition Nodes
Popis výsledku v původním jazyce
Environmental wireless sensor network (EWSN) nodes are ordinarily implemented as embedded devices which use low-power and low-cost microcontrollers whose duty cycle is controlled by a machine learning method. This article updates a previously designed Q-learning (QL) algorithm to reduce the number of failed operational duty cycles in solar-powered EWSN nodes. The innovation is based on modification of the QL learning process and was tested and verified on an EWSN node model using a 5-year dataset of solar irradiance values. By designing a new learning algorithm, the number of failures in operational cycles was significantly reduced, specifically by a factor of ten compared to the reference algorithm. Copyright (C) 2022 The Authors.
Název v anglickém jazyce
Solar Driven Self-learning Duty Cycle Control Algorithm for Maintenance-free Environmental Data Acquisition Nodes
Popis výsledku anglicky
Environmental wireless sensor network (EWSN) nodes are ordinarily implemented as embedded devices which use low-power and low-cost microcontrollers whose duty cycle is controlled by a machine learning method. This article updates a previously designed Q-learning (QL) algorithm to reduce the number of failed operational duty cycles in solar-powered EWSN nodes. The innovation is based on modification of the QL learning process and was tested and verified on an EWSN node model using a 5-year dataset of solar irradiance values. By designing a new learning algorithm, the number of failures in operational cycles was significantly reduced, specifically by a factor of ten compared to the reference algorithm. Copyright (C) 2022 The Authors.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20201 - Electrical and electronic engineering
Návaznosti výsledku
Projekt
<a href="/cs/project/EF16_019%2F0000867" target="_blank" >EF16_019/0000867: Centrum výzkumu pokročilých mechatronických systémů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
IFAC PapersOnLine. Volume 55
ISBN
—
ISSN
2405-8963
e-ISSN
—
Počet stran výsledku
6
Strana od-do
236-241
Název nakladatele
Elsevier
Místo vydání
Amsterdam
Místo konání akce
Sarajevo
Datum konání akce
17. 5. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000836230600039