WO2020113305A1 - Processo e sistema de gestão inteligente de ambientes - Google Patents

Processo e sistema de gestão inteligente de ambientes Download PDF

Info

Publication number
WO2020113305A1
WO2020113305A1 PCT/BR2019/050527 BR2019050527W WO2020113305A1 WO 2020113305 A1 WO2020113305 A1 WO 2020113305A1 BR 2019050527 W BR2019050527 W BR 2019050527W WO 2020113305 A1 WO2020113305 A1 WO 2020113305A1
Authority
WO
WIPO (PCT)
Prior art keywords
environment
user
data
profile
dynamic
Prior art date
Application number
PCT/BR2019/050527
Other languages
English (en)
French (fr)
Inventor
Ricardo Trentin DE ANDRADE
Ahmed Ali Abdalla ESMIN
Original Assignee
Moka Mind Software Ltda
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Moka Mind Software Ltda filed Critical Moka Mind Software Ltda
Priority to US17/311,612 priority Critical patent/US20220019186A1/en
Publication of WO2020113305A1 publication Critical patent/WO2020113305A1/pt

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10366—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/40—Support for services or applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L2012/2847—Home automation networks characterised by the type of home appliance used
    • H04L2012/285—Generic home appliances, e.g. refrigerators

Definitions

  • the present invention concerns a process and an intelligent environment management system based on Internet of Things (IoT) technology. More particularly, the present invention relates to a process and an intelligent environment management system from IoT sensing and application of artificial intelligence models with cloud computing.
  • IoT Internet of Things
  • cloud services platforms which started to be created at the beginning of this decade, such as AWS, GCP, Bluemix and Azure, which provide pre-programmed services for the implementation of other specific cloud services and sub-clouds.
  • AWS AWS
  • GCP GCP
  • Bluemix and Azure Azure
  • systems that deal with the information of a specific process namely, industrial, transport, commercial, financial, health, infrastructure, educational, etc.
  • AI is defined as a field of computer science, which has been divided into three parts: Strong AI, one that aims to exactly mimic human behavior in a given process; Weak AI, one that performs work in a given process without considering what human behavior would be like when performing the same work; and AI using human behavior as a reference model for performing work in a given process, but without imitating human behavior being the ultimate goal.
  • Patent document BR 10 2016 023243-0 relates to a communication module for air conditioning devices, whose performance is carried out using local wireless IoT sensing and MESH type data networks, which capture temperature and internal and external humidity in the environment. From the data collected in this, the control module acts directly on the air conditioning units, automatically regulating the temperature of the environment in view of the comfort goals determined by users.
  • Patent document CN 102004482 A describes an automatic energy saving building system based on IoT, which integrates local sensing from a TCP / IP and RFID data network and uses high capacity internet. Data collection is carried out through RFID identification of equipment and wearables in individuals occupying the given building. From the occupation of the environments by the individuals identified by RFID sensors and the traditional sensing of temperature, humidity, and electrical measurement, PLC's control environments with respect to the luminosity and thermal comfort provided by the air conditioning equipment.
  • US patent document 2007/0138307 AI discloses a method and apparatus for determining a command that controls a device in a heating ventilation conditioning (HVAC) support system.
  • HVAC heating ventilation conditioning
  • a plurality of comfort values are inserted by occupants of the environment for which you want your air to be conditioned.
  • a rule base leads to related comfort values, and one or more rules are (are) applied to produce diffuse results. This result is then defuzzified in order to obtain an exact command value (crisp) from the device.
  • the document above deals with a specific method, which uses an artificial intelligence technique (fuzzy logic), to generate a more adjusted control by inserting values and feedback by the occupants of the environment to control the device by mapping the diffuse values in a command value.
  • fuzzy logic fuzzy logic
  • US patent document 2016/0305678 AI discloses a method for controlling the temperature in a thermal zone within a building, which comprises: using a processor, receiving a desired temperature range in the thermal zone; determine a predicted ambient temperature value for an external surface of the building, close to the thermal zone; use a predictive model for the building, determining “set points” for a heating, ventilation and air conditioning system (“HVAC”), a system associated with that thermal zone that minimizes the use of energy by the building.
  • HVAC heating, ventilation and air conditioning system
  • the desired temperature range and the predicted ambient temperature value are entered into the predictive model.
  • Such a predictive model is trained using respective historical data of measured values for at least one of those entries; and controlling the "HVAC" system with the "set points” to maintain the actual temperature value of the thermal zone in the desired temperature range or range for the thermal zone.
  • the system proposed above makes a prediction of the building temperature taking into account the maintenance of the environment in a comfort zone, as well as energy consumption through control of the "HVAC” system with "set points”.
  • Such a system deals with a specific context with the presence of an “HVAC” system with “set points” and does not take into account a dynamic environment or IoT technologies.
  • US Patent Document 2017/0241663 AI discloses related computer program devices, systems, methods and products, for managing demand response programs and events.
  • the systems disclosed include an energy management system in operation with an intelligent thermostat connected to the network and located in a structure.
  • the thermostat controls a “HVAC” system for cooling the frame using a profile for implementing the demand response event over the period of that demand response event.
  • That thermostat can also receive a requested change in the set point temperatures defined by that demand response event implementation profile and access to the determination of an impact on the energy change that would result if the requested change was incorporated in the referred energy profile. implementation of the demand response event. This determination can be communicated to the energy consumer.
  • the present invention relates to an intelligent environment management process, comprising the following steps:
  • the process of intelligent management of environments also includes construction and maintenance of the dynamic user profile and environments, which occur from the collection of user registration data, from the reading of the environment data by a collecting agent, and external data collection, based on the calculation of the dynamic profile of the user and environment, applying AI and ML techniques, whose profiles are also dynamically influenced, in general, due to the variation in the user's own feedback function to the insights generated to it, and, specifically, to the environment, which is influenced by the dynamic profile of the users inserted in the referred environment, as well as by the climate of the region and the climatic season - autumn, winter, spring or summer, thus forming, a closed circuit of user (s) and environment (s) influenced and also influencing each other; and from the modeling, generation and recommendation of insights that are induced, created and adjusted automatically or semi-automatically from AI and ML models to generate a set of rules used in the precondition and condition condition. entry, generation of messages and insights, and control actions for user (s) and environment (s),
  • the process of intelligent management of environments also describes the step of interaction with the user being carried out from an interface built with graphic elements, on which images represent data, data and information; and, available tasks are handled directly by the user from building applications on mobile (s), 'wearables', 'smart speakers and home assistants', 'smart devices', 'smart home', laptops, computers, tablets, through graphic screens, text messages, voice and video.
  • the process of intelligent management of environments also includes description of indicators of comfort of user (s) and environment (s) based on the calculation of environment adherence to dynamic user profiles based on user preferences related to thermal comfort, lighting level and occupation, applying AI and ML techniques and from the interaction with the user with the indication of graphic scales, which visually determine the parameterization and classification of the referred environment and its level of adherence to profiles of its users, which indicates the perception of comfort of users about the referred environment.
  • the process of intelligent management of environments also includes description of indicators of economy and efficiency of the environment from the calculation and generation of insights applying AI and ML techniques and from the interaction with the user with the indication of graphic scales including labels whose referrals visually determine the parameterization and classification of the referred environment, which indicates the degree of economy and efficiency of the said environment.
  • the present invention also relates to an intelligent environment management system, comprising:
  • a data collection agent configured to collect data from sensors located in the environment to transmit it to the cloud
  • - calculation means configured to calculate a dynamic user profile from at least one of the user registration data, data from environmental sensors, and data external to the environment;
  • - calculation means configured to calculate a dynamic environment profile from the dynamic user profile and data external to the environment
  • - means of generating insight configured to generate at least an insight from at least one of the data regarding the environment, dynamic user profile and dynamic environment profile;
  • a cloud data processor configured to process at least one insight using decision logic to select an insight
  • a user interface configured to perform a control action based on the selected insight
  • said cloud data processor is based on an API (Application Programming Interface) following the implementation architecture of REST API (Representational State Transfer) - RESTfull web Services and programming languages used on the web (Java, Nodejs, PHP, Python and Ruby).
  • API Application Programming Interface
  • the cloud data processor is based on the processing and application of AI and ML strategies such as Decision Tree, SVM, KNN, “Random Forest”, Regression Techniques, Genetic Algorithms, Bio-Inspired Techniques , Artificial Neural Networks, and Fuzzy Logic, as well as PLN techniques, to generate trained and integrated models (MIAs) to be used in the precondition, entry condition, in the generation of goals and insights and also in the adjustment of factors , weight and degree of relevance to perform calculation, classification and prediction of the comfort levels of the environment, calculation and prediction of energy consumption, financial expenses and dynamic profile of individual and collective consumption from historical and real-time data, in addition to perform a set of actions / commands recommended by the insight that should be manually or automatically executed by the user according to their profile and the environment profile.
  • AI and ML strategies such as Decision Tree, SVM, KNN, “Random Forest”, Regression Techniques, Genetic Algorithms, Bio-Inspired Techniques , Artificial Neural Networks, and Fuzzy Logic, as well as
  • the user interface executes commands to turn on and off air conditioning and lighting and to send SET POINT from temperature to air conditioning equipment, which are executed remotely manually by user action, automatically by hourly programming type ON / OFF or as a result of MI As.
  • the cloud data processor performs the
  • USERS which implements the user (s) and environment (s) comfort indicators with the parameterization and with the classification of the users' preferences regarding thermal comfort, lighting level and occupation based on the application of AI and ML and from the interaction with the user with indication of graphic scales that visually determine the parameterization and classification of that environment and its level of adherence to the profiles of its users, which indicates the perception of users' comfort about the said environment.
  • the cloud data processor performs the
  • MIA-GENERATION OF ECONOMY AND ENVIRONMENT EFFICIENCY INDICATORS which implements the economy and efficiency indicators of the environment with the parameterization and classification of environments from the application of AI and ML techniques and from the interaction with the user with indication of graphic scales including labels whose referrals visually determine the parameterization and classification of the environment, which indicates the degree of economy and efficiency of that environment.
  • the user interface comprises an interaction system through a dashboard accessed via the WEB for commands, visualization of equipment and systems status and receipt of insights with visualization of results from images, graphics, text and voice. depending on the parameterization defined by the user.
  • the user interface comprises interaction system by APP Mobile application, installed on users' smartphones from cloud stores such as PlayStore and AppleStore for commands, visualization of the state of equipment and systems and receipt of insights with visualization of results from images, graphics, text and voice according to the parameterization defined by the user.
  • cloud stores such as PlayStore and AppleStore for commands
  • visualization of the state of equipment and systems and receipt of insights with visualization of results from images, graphics, text and voice according to the parameterization defined by the user.
  • Figure 1 shows the general architecture according to a preferred embodiment of the invention
  • Figure 2 shows some of the main screens of the mobile application according to the invention
  • Figure 3 shows a global view of the processing and application of cloud AI strategies for the selection of insights and the generation of the dynamic user and environment profile according to the invention
  • Figure 4 shows a process for building and updating the dynamic user profile according to the invention
  • Figure 5A shows a graph representing the arrangement of the dynamic user profiles and the environment according to the invention
  • Figure 5B shows a graph that represents the level of adherence between environment and users according to the invention
  • Figure 5C shows a process of modeling and building a dynamic environment profile according to the invention
  • Figure 6 shows a process for creating insights and ML (AI) models according to the invention
  • Figure 7 shows a process for selecting and recommending insights from AI and ML techniques according to the invention
  • Figure 8 shows a first example of a strategy for selecting and recommending the best insights according to the invention
  • Figure 9A shows the distribution of the insights according to the their values and classes presented by visualization with two attributes in an embodiment of the invention
  • Figure 9B shows the selection of insight s2 as it is closest to the recommendation according to the preferred embodiment of the invention.
  • Figures 10 A, B, C and D show 4 flows describing the entire process of searching, executing insights and, finally, processing feedback from the insights according to the invention
  • Figure 11 shows the screen of the mobile application or APP with a command to adjust the temperature and the user's comfort level according to the invention.
  • Figures 12A-E illustrate graphs of the pertinence functions of (A) user comfort of the environment, (B) user feedback, (C) suggested temperature variation, (D) exit from the activation of the pertinence functions and (E) result with aggregation of the pertinence functions according to the invention.
  • Figure 1 illustrates the general architecture according to a preferred embodiment of the invention and is characterized by a cycle that is started from the following steps: data collection and pre-processing; processing and applying strategies; and, user interface.
  • a collecting agent installed in an IoT station is configured to collect, prepare, pre-process and filter the local sensing data for transmission to the cloud.
  • data collection is carried out in real time from the IoT station, which connects to local sensing through discrete signals, in current, voltage, wireless, wifi, local physical data network, data entry by the user himself through cell phones, wearables, smart speakers and home assistants ”, computers, laptops, tablets, etc.
  • local sensor connection is not limited by type of sensing, and temperature, humidity, electrical energy measurement (current, voltage, power, power quality, power factor, etc.), presence sensor, photo can be integrated , video, voice recognition, facial recognition, iris recognition, etc.
  • the limitation is due to the number of sensors per IoT station, which is circumvented by adding more IoT stations. Additionally, the said IoT station can be implemented from the hardware of different manufacturers, adding collection data processing services developed by Moka Mind, which are connected to the processing services and application of Artificial Intelligence Cloud strategies also developed. by Moka Mind.
  • the pre-processing of data done by the collecting agent also takes place at the IoT station and has the function of preparing / filtering the local sensing data for transmission to the cloud. This task avoids the transmission of repeated data, dead bands, etc., which saves transmission data in telecommunications and cloud storage.
  • the user interface was built mostly by graphic elements, on which images represent data and information and available tasks are handled directly by the user and takes place from the constitution of applications on cell phones, “wearables”, “smart” speakers and home assistants ”,“ smart devices ”,“ smart home ”, computers, laptops, tablets, etc., through graphic screens, message texts, voice and video.
  • FIG 1 2 different forms of the interface for user interaction are presented: 1.
  • the “APP Mobile” application installed on users' smartphones from cloud stores such as PlayStore and AppleStore and 2. Dashboard accessed via the web.
  • Figure 2 illustrates some of the main screens of the mobile application according to the invention with the main functionalities composed of (a) an overview with data from sensors, general graphics and icons for viewing and reading insights; (b) screen with illuminated data with commands for turning circuits on and off and time off graphs with targets and variation, among others; (c) screen with data with humidity reading and graphs of analysis on the comfort environment showing the degree of comfort.
  • Figure 2 presents APP screens with sequence of commands and output of insights.
  • the present invention suggests and performs commands in the environments, of the type ON / OFF and by SET POINTS, analyzes historical data of said environments and compares them with the databases of other cloud systems, correlates environments, accesses other systems for collects data in real time for decision making, draws conclusions and presents results with the objective of improving the operational efficiency of buildings and houses.
  • Figure 3 illustrates a global view of the processing and application of cloud AI strategies for the selection of insights and the generation of the dynamic user profile and environment according to the invention.
  • the processing and application of AI strategies in the cloud occurs from a set of cloud services, which implements machine learning techniques, among them, decision tree and artificial neural networks, thus creating trained and integrated models that perform calculation, classification and prediction of levels of comfort of the environment, calculation and prediction of energy consumption, expenses, etc., in order to generate insights and create the dynamic profile of users and the environment.
  • This process is responsible for building and maintaining the dynamic user profile for use in a given environment.
  • the construction of this profile occurs based on data from the Registration Process, the Environment Data Collection Process and the External Data Collection Process. From the constitution of the user's profile, he is dynamically influenced due to the variation in the processes described above and, also, according to the user's own feedbacks to the insights generated to him.
  • Another factor of influence on the dynamic profile of the user is the environment in which this user is inserted and whose profile formation (environment profile) is also dynamic and dependent on the dynamic profile of this user, the other users inserted in this environment and external factors to this environment (climate of the region, etc.), thus forming a closed system users & influenced environment (s) and influencer (s) mutually, as shown in Figure 5A, which will be described in more detail below.
  • the said dynamic calculation of the user profile occurs from the dynamic adaptation of the factors_coefficient of each profile, considering the classification of users and the environment that uses historical data from the processes described above and that employs an ML technique, such as example, RNA (Artificial Neural Networks).
  • RNA Artificial Neural Networks
  • MIA Artificial Intelligence Model
  • -User Profile identifier: ⁇ PD U id # 01>;
  • Figure 4 shows the process responsible for building and keeping the dynamic user profile updated according to the invention for use in a given environment.
  • the construction of such a profile takes place from data from the Registration Process, the Environment Data Collection Process and the External Data Collection Process.
  • data from the user's feedback in relation to the insights received are also used, as well as the profile of the use of the comfort environment and their preferences registered through the registration process.
  • Such data are used to calculate the degree of similarity with the environment and with other users, and are classified using AI techniques.
  • Figure 5A shows a graph that represents the arrangement of the dynamic profiles of users and the environment according to the invention
  • Figure 5B shows a graph that represents the level of adherence between environment and users according to the invention
  • Figure 5C shows a process of modeling and building a dynamic environment profile according to the invention.
  • This one The process of modeling and building a dynamic environment profile exists from the process of modeling and building a dynamic user profile and depends on at least one user profile associated with that environment, as well as factors external to the environment (climate of the region) , etc.).
  • This process is responsible for building and keeping the dynamic profile of a given environment up to date.
  • the construction of this profile is based on data from the Registration Process, the Environment Data Collection Process and the External Data Collection Process. From the construction of the environment profile, it is dynamically influenced due to the variation in the processes described above and also due to the number of dynamic user profiles associated with this environment.
  • Example 1 an environment with the inclusion of dynamic profiles whose temperature preference is below the current temperature of the environment causes the dynamic profile of the environment to be changed and the current temperature of the environment to be automatically decreased;
  • Example 2 if a dynamic user profile is changed in a given parameter, given that another dynamic user profile has already been changed in the same parameter at a lower interval than that parameterized in that Registration Process, that dynamic environment profile is changed at a higher rate to normal for faster response to the indicated trend.
  • the environment is then parameterized and classified according to users' preferences with regard to thermal comfort, lighting level, occupation, economy, etc.
  • Graphical scales are generated whose indications visually determine the parameterization and classification of that environment.
  • the level of adherence of the environment to the dynamic profiles of its users is also graphically indicated, which indicates the users' perception of comfort about the referred environment, as shown in Figure 5B.
  • the referred process is responsible for generating indicators of economy and efficiency of the environment and their classification relative to the thermal comfort of users, level of lighting, occupation, economy, and, yet, parameters set by the user of such environment with indication of graphic scales including labels whose indications visually determine the parameterization and classification of the referred environment and its level of adherence to the profiles of its users, which indicates the degree of economy and efficiency of the mentioned environment, according to the classification scales demonstrated in the Figures 5B and 5C.
  • the sensing connected to the IoT station can add or subtract user profiles and information, dynamically, in a given environment.
  • Figure 8 shows a first example of a strategy for selecting and recommending the best insights according to the invention.
  • the execution of insight # l based on input data from the IoT station, user profile and real-time environment aims to determine the degree and classify the comfort environment in insight # l derived from MIA - COMFORT ENVIRONMENT.
  • the fuzzy model is executed and the pertinence functions are activated, and later, the rules are processed and an output with the adjustment value is suggested for changing the comfort temperature for the user that is used. also to adjust the comfort of the environment.
  • Figure 12A, B and C show graphs of the pertinence functions of the comfort of users of the environment, user feedback and the temperature variation suggested according to the invention, where the first graph (see Figure 12 A) presents the pertinence functions for the comfort of users of the environment; second graph (see Figure 12B) shows updated user feedback pertinence functions ranging from -50 to 50; third graph (see Figure 12C) shows the pertinence functions of the suggested output (variation, for example, of necessary temperature adjustments to improve the feeling of user comfort); fourth graph (see Figure 12D) shows which output pertinence functions have been activated by user inputs. It is also possible to notice that in this specific case 3 (three) functions were activated to different degrees. Finally, the fifth graph (see Figure 12E) illustrates the aggregation of the activated output functions and the new suggested value.
  • MI As Artificial Intelligence Models
  • Figure 6 illustrates the process of modeling, generating and recommending insights according to the present invention. Figure 6 shows how this process works.
  • insisht identifier ⁇ unique Insight identifier>
  • precondition ⁇ condition based on the collected values, on the set of rules induced by ML model from the data and other expressions to enter the insights>
  • entry condition ⁇ condition of the same state and waiting> message: ⁇ text or voice message from Insight>
  • command action ⁇ set of actions and command that can be executed> who generated: ⁇ who wrote the insights (person or AI assistant)>
  • trigger quantity ⁇ number of times it was generated and viewed> weight: ⁇ weight calculated from feedback data and times it was generated [0 ... 1]> degree of relevance: ⁇ degree of relevance of insight (high, medium, low)>
  • This template can be extended with more information and fields.
  • the insights can be induced, created and adjusted in an automatic or semi-automatic way from AI and ML models, as
  • MIA Insight Example - COMFORT ENVIRONMENT insight # 1 insisht identifier: ⁇ insight # 1>
  • Figure 7 shows the process of recommending the insights using AI and ML techniques, degree of similarity and closest neighbor techniques and also presenting an adjustment of the dynamic parameters using AI techniques such as Genetic Algorithms for multi-objective optimization.
  • Step 1 Receive with input of data and states of the sensors and actuators of the IoT station;
  • Step 2 Find and filter a set of preconditions that satisfy the input values and respective insights from (PSl ... PSm);
  • Step 3 If you find only one insight, then perform the steps of the insight and go to step 5;
  • Step 4 If you find more than one insight, then the calculation of the selection of the insights, the user profiles and the recommendation of the insights in order of priority are applied and perform the steps of the insight;
  • Step 5 Update the weights and data of the insights
  • Equation 1 [Equation 1] where v are attributes in the first and second insights (x, y) and n is the total of attributes already selected by proximity to location, as already defined.
  • KNN technique is applied to select the nearest neighbors and, thus, recommend the closest insight.
  • Figure 9A presents a visualization with 2 attributes and, in this case, the selected insight would be Insight (s2) for being the closest in the recommendation; and, Figure 9B shows the application of the KNN technique to select the nearest neighbor and, thus, recommend the closest insight and, in this case, the selected insight would be the Insight (s2) because it is the closest that should be recommended.
  • This process describes the apportionment of energy between electric loads and the consumption profile of each load.
  • the standard consumption data is registered by the user.
  • the data read and pre-processed by that collecting agent are transmitted to the cloud.
  • the data are processed automatically from those data read from the local energy sensing or manually depending on the theoretical consumption.
  • Figures 10 A, B, C and D present 4 flows describing the entire process of searching, executing insights, and, finally, processing the feedback feedback according to the invention.
  • Figure 10A Flow 1 reveals the process of searching for insights, where at each time interval (specific to each type of insight) such a process searches the database for the monitored insights for the environment. For each insight, it is checked whether its precondition for execution is satisfied. If so, a new instance of insight ready is created, insight whose pre-condition has been satisfied and is now ready to be launched on and processed by the system.
  • Figure 10B (Flow 2) describes the execution of insights itself, where at each predetermined time (every 1 min and g) the system recovers the list of ready insights and for each insight is checked if it is ready to be launched in the system.
  • Figure 10C discloses the process of monitoring the delivery of insight, where every time that insight is sought by the mobile client or is read by the user, a counter in the insight is updated, serving to inform the times it was sought and read, respectively.
  • Figure 10D describes the processing and feeds of the insights, each insight has its feedback options, each with its pre-defined actions that will be executed as soon as the user sends feedback to the system. For all feedback sent, such a system will understand that the insight has been resolved and will disable it so as not to run again.
  • Collector Agent software installed in the IoT station for reading / acting, pre-processing and data transmission;
  • IoT Station IoT-based data collection, pre-processing and transmission station, sensors, remote control and other devices.
  • KNN K Nearest Neighbor or K closest neighbors
  • PN Natural Language Processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)

Abstract

Revelam-se um processo e um sistema de gestão inteligente de ambientes com base em tecnologia Internet das Coisas (IoT), Computação em Nuvem e aplicação de técnicas de Inteligência Artificial (IA) e aprendizado de máquina (Machine Learning–ML) que visa proporcionar um ambiente adaptado a seu uso real de maneira personalizada, o que trará inúmeros benefícios aos usuários com o uso mais inteligente dos recursos do ambiente a partir de ações e sugestões baseadas na Coleta e Pré-Processamento de Dados; Processamento e Aplicação de Estratégias de Inteligência Artifical na Nuvem e Interface com o Usuário. A invenção com isto propicia a gestão inteligente e adaptativa para maior conforto e eficiência de ambientes, além de medir, analisar e atuar de maneira automática no conforto e na eficiência de ambientes a partir de certas preferências de seus usuários e gestores.

Description

“PROCESSO E SISTEMA DE GESTÃO INTELIGENTE DE AMBIENTES” CAMPO TÉCNICO
[001] A presente invenção diz respeito a um processo e a um sistema de gestão inteligente de ambientes com base em tecnologia internet das coisas (IoT). Mais particularmente, a presente invenção diz respeito a um processo e a um sistema de gestão inteligente de ambientes a partir de sensoriamento IoT e aplicação de modelos de inteligência artificial com computação em nuvem. ANTECEDENTES
[002] Primeiramente, é necessário retomar ao começo de sistemas de controle predial no Brasil e, posteriormente, ao começo de sistemas de controle residenciais para entender questões de IoT/computação em nuvem. O controle automatizado para prédios seguiu o desenvolvimento dos controles industriais e teve o seu ponta pé no Brasil na década de 80. Já o controle automatizado de residências seguiu o desenvolvimento do controle predial e teve o seu ponta pé no Brasil na década de 90.
[003] Lá pelos primórdios, o controle automatizado predial focou no controle de equipamentos tais como ar condicionado e sistemas de iluminação a partir de controladores locais que eram programados em linguagens de baixo nível, próximas ao“ASSEMBLER”, e atuadores elétricos do tipo contatores e biestáveis. A evolução no desenvolvimento das redes de dados locais trouxe a integração de interfaces homem-máquina (ou IHM’s) ao processo de controle, permitindo visualização e controle centralizados de diferentes equipamentos. Esta evolução possibilitou a criação das primeiras versões do que conhecemos hoje como“Building Management System” (BMS), ou“Building Automation System” (BAS), ambos, sistemas de controle, visualização e programação de rotinas prediais automatizadas, que possibilitam o gerenciamento de sistemas de ar condicionado, iluminação, controle de acesso, CFTV, sistema de som, controle do abastecimento de água, etc. Até o final da década de 90, todos os controles e a supervisão prediais eram majoritariamente realizados localmente por tais sistemas. Empresas mundialmente conhecidas como Johnson Controls e Honeywell desenvolveram BMS’s para gerenciamento completo de prédios, e são importantes“players” nesse mercado de automação até os dias atuais.
[004] Apesar de já haver centros de controle antes dos anos 2.000, a evolução da conexão à internet e das redes‘WAN’ possibilitou a disseminação destes centros, os quais eram responsáveis pelo controle e pela visualização de vários prédios. Uma derivação dessa evolução foram as licenças de software para acesso de supervisórios locais via web (as assim-chamadas de web access licenses ), as quais permitiam o acesso total ou parcial do conteúdo das IHM’s locais por meio de computadores externos conectados à internet. Este formato evoluiu para o acesso remoto às IHM’s locais via celular (os assim-chamados de mobile access ), o qual é bastante difundido até os dias correntes.
[005] Ambos os formatos supra trouxeram a necessidade de proteção das redes locais de automação predial a partir de“firewalls”, em virtude da vulnerabilidade da segurança da informação gerada a partir da conexão de uma rede local de automação predial à internet. Este assunto é até os dias de hoje o ponto de discussão entre diversas equipes de Tecnologia da Informação (TI) e de Tecnologia da Automação (TA) a respeito de quem é a responsabilidade de parametrização/manutenção do“firewall” entre as redes de TA e de TI.
[006] Ocorre que os ataques de hackers, vírus, malwares, etc. sempre tiveram o seu foco em sistemas corporativos, passando a TA ao largo de ditas ameaças até o surgimento de malwares específicos para aqueles equipamentos industriais, como é o caso do“STUXNET”, descoberto em 2010, o qual atacou equipamentos do tipo PLC’s do fabricante SIEMENS em uma pluralidade de localidades ao redor do mundo, causando falhas graves em sistemas industriais considerados importantes, especialmente em usinas hidroelétricas e em usinas termoelétricas.
[007] Na década atual, a discussão referente ao tema de segurança da informação acentuou-se e o surgimento da Computação em Nuvem ou“Cloud Computing” trouxe uma visão distinta para desenvolvimento de sistemas para ‘fora’ do“firewall” e, conjuntamente ao“Cloud Computing”, desenvolvimento de redes de telecomunicações capazes de conectar (quase) tudo no mundo com bandas de comunicação personalizadas aos tipos de sensoriamento, e, ainda, a confiabilidade exigida e o investimento disponível permitiram o surgimento da IoT, que viabiliza a conexão direta do sensoriamento local à nuvem. Aquelas questões de segurança da informação tomam, então, uma nova moldura com o conceito de“Cloud Computing” , trazendo novos paradigmas quanto a proteção de uma massa gigantesca de dados nas“mãos” de poucas empresas.
[008] Nesse cenário, ganham força aquelas plataformas de serviços em nuvem, que começaram a ser criadas no começo desta década, como AWS, GCP, Bluemix e Azure, as quais disponibilizam serviços pré-programados para implementação de outros serviços específicos em nuvem e sub-nuvens. Nesse contexto, começam, em seguida, a surgir sistemas que tratam a informação de determinado processo (a saber, industrial, de transporte, comercial, financeiro, de saúde, de infraestrutura, educacional, etc.) com coleta de dados diretamente de sensoriamento local e processamento em nuvem.
[009] Agora, faz-se uma pequena pausa acerca do desenvolvimento de sistemas automatizados de controle predial sobre os quais foi apresentada a sua evolução desde a época dos controles locais“atrás” do“firewall” até os sistemas mais avançados dos dias de hoje baseados em IoT e Computação em Nuvem, para o aprofundamento do conhecimento sobre o desenvolvimento de sistemas de Inteligência Artificial (IA).
[0010] O termo IA surgiu na década de 50 nos E.U.A. com o intuito de demonstrar que se determinados processos pudessem ser tão bem descritos e detalhados, os mesmos poderiam ser executados por máquinas, e não mais por humanos. Aquele termo também foi escolhido pelo desejo de sua neutralidade acerca de um outro tema em voga na época, o das“thinking machines”, o qual envolvia conceitos de cibernética e processamento complexo de informações, sobre os quais a IA não tratava naquela época. Hoje, a IA é definida como um campo da ciência da computação, o qual foi dividido em três partes: IA Forte, aquela que visa imitar exatamente o comportamento humano em determinado processo; IA Fraca, aquela que realiza um trabalho em determinado processo sem considerar como seria o comportamento humano quando da realização do mesmo trabalho; e IA usando o comportamento humano como um modelo de referência para a execução de trabalho em um determinado processo, mas sem que a imitação do comportamento humano seja o objetivo final.
[0011] O foco será aqui na terceira parte, a qual parece ser a tendência de implementação na indústria e, como consequência, no mercado predial.
[0012] Com o desenvolvimento do processamento computacional e a imensa capacidade de concentração de dados (o“Big Data”), IA passou a ter terreno fértil para a implementação de novos modelos, o que têm se acentuado nos últimos anos e presentes com o avanço de sistemas de reconhecimento de voz, reconhecimento de padrões do comportamento humano, reconhecimento de variações do mercado financeiro, de diagnósticos e prognósticos, em geral, (jurídicos, médicos, etc.), e“machine and deep learning”, uma sub-área da IA.
[0013] Além das questões de IoT /“Cloud Computing” e de IA e dada a subjetividade do termo“conforto”, as questões psicológicas que influenciam a sensação de conforto dos indivíduos também devem ser levadas em conta. O Frederick Herzberg (1923-2000) desenvolveu a teoria da motivação-higiene, a qual revela a influência sobre o desempenho de funcionários em determinada empresa a partir de fatores motivacionais e outros fatores, os quais Herzberg classificou como sendo fatores de higiene. O termo“higiene” foi extraído da área médica e refere-se em especial à prevenção. Os fatores motivacionais não serão termos de detalhamento aqui e referem- se basicamente ao sentimento de realização do indivíduo. Já os fatores de higiene, que mais interessam por ora, referem- se ao ambiente de trabalho dos indivíduos. De acordo com o estudo de Herzberg, se determinado fator de higiene do ambiente atinge ou supera os requisitos dos indivíduos ocupantes daquele determinado ambiente, este fator não gera sensível satisfação adicional aos indivíduos deste ambiente, ou seja, o referido fator“apenas cumpriu a sua missão”. Já se este fator não atingir os requisitos dos indivíduos ocupantes do determinado ambiente, a sensação de insatisfação é bastante percebida pelos indivíduos deste ambiente, ou seja, se determinado fator de higiene não atingir os requisitos mínimos de satisfação dos indivíduos de determinado ambiente, isto gerará grande insatisfação em tais indivíduos. O ar condicionado e o sistema de iluminação são considerados fatores de higiene. Daí a imensa importância relativamente ao uso de técnicas sempre modernas para o monitoramento e controle destes sistemas.
[0014] Para residências, como mencionado anteriormente, tal controle automatizado seguiu o desenvolvimento do controle predial e teve o seu início no Brasil na década de 90. Basicamente, controles de vídeo, som, temperatura e luminosidade foram majoritariamente dominantes até o início desta presente década, quando sistemas em nuvem começaram a permitir que eletrodomésticos fossem conectados diretamente à nuvem, possibilitando assim suas aplicações desde a indicação de manutenções necessárias dos referidos eletrodomésticos, até mesmo a liberação de compra de determinados itens de geladeira, como o exemplo implementado pela Amazon, no qual, a partir de sensoriamento IoT na geladeira, o usuário é avisado sobre a falta ou o número baixo de ovos em sua geladeira e é solicitado a liberar a compra do produto para a reposição. A compra da rede de supermercados Whole Food nos E.U.A. pela Amazon, bem como o aplicativo AmazonGo, o qual permite a escolha de produtos na gôndola do supermercado e a saída da loja, sem a necessidade de registros de produtos no caixa, dentre outras funcionalidades, indicam o movimento da Amazon no sentido de integração de processos residenciais com aqueles serviços em nuvem.
[0015] Pesquisas têm indicado um forte avanço em trabalhos nas áreas de IoT/“Cloud Computing” e IA, voltados para o mercado predial e o mercado residencial, como por exemplo: [0016] Documento de patente BR 10 2016 023243-0 diz respeito a um módulo de comunicação para os aparelhos de ar condicionado, cuja atuação é realizada a partir de sensoriamento IoT sem fio local e de redes de dados tipo MESH, os quais captam temperatura e umidade interna e externa do ambiente. A partir dos dados coletados neste, o módulo de comando atua diretamente nos aparelhos de ar condicionado, regulando automaticamente a temperatura do ambiente frente a metas de conforto determinadas por usuários.
[0017] Apesar da comprovada economia gerada na prova de conceito apresentada acima, a criação de um módulo de comando de aparelhos de ar condicionado suscita dúvidas sobre a aplicabilidade em escala de dita solução. Sabe-se que os aparelhos de ar condicionado representam mais do que 70% do investimento total de sistemas completos de ar condicionado, considerando-se o projeto, instalação, sistema de automação, acessórios e os próprios aparelhos de ar condicionado. Desta forma, caso esse aparelho de ar condicionado ainda esteja dentro de seu“life cycle”, por vezes é inviável sua substituição por um capaz de receber comandos externos adaptados a um determinado módulo de comando padronizado. Toma-se, portanto, necessária a adaptação do controle remoto deste equipamento para que este esteja capacitado a receber comandos externos gerados de módulo diferente do previsto em sua fabricação original, ou toma-se necessária a adaptação do próprio aparelho de ar condicionado. A este respeito, conforme foi explicado, ocorre ou a adaptação do aparelho de ar condicionado, o que pode trazer consequências de mau funcionamento dele e até a perda de garantia do mesmo, caso o fabricante do equipamento não seja envolvido nesta intervenção, ou a adaptação do módulo de comando, objeto do referido documento BR 10 2016 023243-0, para este determinado equipamento. Dada a diversidade dos aparelhos de ar condicionado no mercado nacional, esta opção traria a necessidade da criação de inúmeros módulos de comando adaptados a cada equipamento de ar condicionado a ser controlado, o que gera a dúvida da viabilidade financeira desta implementação em escala. [0018] Adicionalmente, conceitos já estabelecidos de controle térmico foram aparentemente aplicados aqui, não sendo identificada qualquer aplicação de técnica de IA.
[0019] Documento de patente CN 102004482 A descreve um sistema predial automático de economia de energia com base em IoT, o qual integra o sensoriamento local a partir de rede de dados TCP/IP e RFID e utiliza internet de alta capacidade. A coleta de dados é realizada a partir de identificação pelo RFID de equipamentos e wearables nos indivíduos ocupantes do determinado prédio. A partir da ocupação dos ambientes pelos indivíduos identificados por sensores RFID e do sensoriamento tradicional de temperatura, de umidade, e de medição elétrica, PLC’s efetuam controle de ambientes no que diz respeito à luminosidade e ao conforto térmico disponibilizado pelos equipamentos de ar condicionado.
[0020] A integração de controles tradicionais adaptados por meio do sensoriamento em tempo real da ocupação do ambiente por indivíduos a partir do sensoriamento RFID traz a possibilidade de controles mais adaptativos aos ambientes, em função da interpretação exata do posicionamento de indivíduos no ambiente. Todavia, possibilidade de identificação exata do posicionamento de indivíduos no ambiente somente traz vantagens de economia de energia se os atuadores tanto em iluminação, como também em ar condicionado forem proporcionalmente capazes de individualizar sua ação exatamente na localização daqueles indivíduos. A consequência é o investimento sensivelmente superior em atuadores de ar condicionado e sistemas de iluminação individualizados, o que aumenta bastante o investimento numa instrumentação predial. Caso este investimento não seja financeiramente viável, atuar nos sistemas de iluminação e naqueles de ar condicionado, através de áreas do prédio, passa a ser a opção, o que ocorre tradicionalmente nos vários prédios existentes ao redor do mundo. Neste caso, aquele sensoriamento via RFID passa a ser inútil, uma vez que o sensoriamento por presença na entrada dos ambientes (muito mais barato que tal sensoriamento RFID) traz os mesmos resultados para efeito de controle de luminosidade e de temperatura, uma vez que tais atuadores do ambiente têm a capacidade de ação exclusiva por áreas do prédio (i.e., tipo lado A do prédio, quadrante 3 do prédio, etc.).
[0021] Documento de patente US 2007/0138307 AI revela um método e um aparelho para determinar um comando que controla um dispositivo num sistema de apoio ao condicionamento de ventilação de aquecimento (HVAC). Uma pluralidade de valores de conforto é inserida por ocupantes do ambiente para qual deseja que o seu ar seja condicionado. Uma base de regras leva aos valores do conforto relacionado, e uma ou mais regras é (são) aplicada(s) para produzir resultados difusos. Este resultado é então defuzzificado de maneira a obter um valor de comando exato ( crisp ) do dispositivo.
[0022] O documento acima trata de um método específico, que utiliza de técnica de inteligência artificial (lógica fuzzy), para gerar um controle mais ajustado por inserção de valores áe feedback pelos ocupantes do ambiente para o controle do dispositivo mapeando os valores difusos num valor de comando. Embora a aplicação trate de ambientes de conforto, o método proposto trata de uma situação bem específica, onde todos os usuários podem dar um feedback e o sistema e o aparelho devem encontrar os melhores valores.
[0023] Documento de patente US 2016/0305678 AI revela um método para controlar a temperatura numa zona térmica dentro de um edifício, o qual compreende: usando processador, receber uma faixa de temperatura desejada na zona térmica; determinar um valor de temperatura ambiente de previsão para uma superfície externa do edifício, próxima à zona térmica; utilizar um modelo preditivo para o edifício, determinando“set points” (pontos de ajuste) para um sistema de aquecimento, ventilação e ar condicionado (“HVAC”), sistema este associado àquela zona térmica que minimiza o uso de energia pelo prédio. O intervalo de temperatura desejado e o valor da temperatura ambiente de previsão são entradas para o modelo preditivo. Tal modelo preditivo é treinado utilizando respectivos dados históricos de valores medidos para pelo menos uma daquelas entradas; e controlando o sistema“HVAC” com os“set points” para manter o valor de temperatura real da zona térmica na faixa ou intervalo de temperatura desejado para a zona térmica.
[0024] O sistema proposto acima faz uma previsão da temperatura do edifício levando em conta manutenção do ambiente em zona de conforto, bem como o consumo de energia através de controle do sistema“HVAC” com“set points”. Tal sistema trata de um contexto específico com a presença de sistema “HVAC” com“set points” e não leva em consideração ambiente dinâmico ou as tecnologias IoT.
[0025] Documento de patente US 2017/0241663 AI revela aparelhos, sistemas, métodos e produtos de programas de computador relacionados, para gerenciar programas e eventos de resposta à demanda. Os sistemas divulgados incluem sistema de gerenciamento de energia em operação com um termostato inteligente conectado à rede e localizado numa estrutura. O termostato controla um sistema“HVAC” para o arrefecimento da estmtura com uso de um perfil de implementação do evento de resposta à demanda ao longo do período daquele evento de resposta à demanda. Aquele termostato também pode receber uma alteração solicitada nas temperaturas de set point definidas por aquele perfil de implementação do evento de resposta à demanda e o acesso à determinação de um impacto na mudança de energia que resultaria se a dita alteração solicitada fosse incorporada no referido perfil de implementação do evento de resposta à demanda. Essa determinação pode ser comunicada ao consumidor de energia.
[0026] Assim como aquele documento acima, e a partir da ampla busca efetuada no campo tecnológico de gestão inteligente de ambientes com base na tecnologia‘Internet das Coisas’ (IoT), até o momento, resta claro que a técnica prévia falha em revelar um sistema que coleta dados de sensoriamento via IoT e os processa via Cloud Computing, gerando insights específicos em texto e voz, bem como perfil dinâmico de usuários e ambientes a partir de modelos de IA. [0027] Logo, há uma necessidade de melhoramento com base em dois pilares que norteiam a presente invenção, a saber, a Internet das Coisas (IoT) / Cloud Computing ou Computação em Nuvem e a Inteligência Artificial (IA). SUMÁRIO DA INVENÇÃO
[0028] Os termos relacionados com a palavra“invenção” usados nesta descrição são destinados a se referir amplamente a toda matéria do documento, incluindo relatório descritivo, reivindicações, e seus desenhos. As declarações contendo tais termos devem ser compreendidas como não limitantes da matéria descrita no presente documento ou limitantes do significado ou do escopo das reivindicações abaixo. As modalidades da invenção cobertas por esta descrição são definidas pelas reivindicações abaixo. Este sumário dá uma visão geral em alto nível de vários aspectos da invenção e introduz alguns conceitos que são ainda descritos na seção“Descrição Detalhada” abaixo. O sumário não é e não deve ser destinado a ser empregado de modo isolado para determinar o escopo da matéria da invenção. Tal matéria deve ser entendida, a título de referência, a partes adequadas do relatório descritivo, qualquer ou todos os desenhos e cada reivindicação.
[0029] A presente invenção se refere a processo de gestão inteligente de ambientes, compreendendo os seguintes passos:
- coletar dados de sensores localizados no ambiente;
- calcular um perfil dinâmico de usuário a partir de pelo menos um dentre dados de cadastro do usuário e dados de sensores do ambiente, e da leitura de dados externos ao ambiente;
- calcular um perfil dinâmico do ambiente a partir do perfil dinâmico de usuário e dos dados externos ao ambiente;
- gerar pelo menos um insight a partir de pelo menos um dentre dados a respeito do ambiente, perfil dinâmico de usuário e perfil dinâmico de ambiente;
- processar tal pelo menos um insight utilizando uma lógica de decisão para selecionar um insight,
- realizar uma ação de controle com base no insight selecionado; e
- interagir com o usuário com base em interface construída com elementos gráficos.
[0030] Vantajosamente, o processo de gestão inteligente de ambientes inclui ainda construção e manutenção do perfil dinâmico de usuário e ambientes, os quais ocorrem a partir da coleta de dados de cadastro do usuário, da leitura dos dados do ambiente por um agente coletor, e da coleta de dados externos, a partir do cálculo do perfil dinâmico do usuário e ambiente, aplicando-se técnicas de IA e ML, cujos perfis são também influenciados dinamicamente, de forma geral, em função da variação na função de feedbacks do próprio usuário aos insights gerados a ele, e, especificamente ao ambiente, o qual é influenciado pelo perfil dinâmico dos usuários inseridos no referido ambiente, bem como pelo clima da região e pela estação climática - outono, inverno, primavera ou verão, formando, deste modo, um circuito fechado de usuário(s) e de ambiente(s) influenciado(s) e também influenciador(es) mutuamente entre si; e a partir da modelagem, geração e recomendação de insights que são induzidos, criados e ajustados de forma automática ou semi-automática a partir de modelos de IA e ML para gerar um conjunto de regras usadas na parte de pré-condição e de condição de entrada, na geração das mensagens e dos insights e a realização de ações de controle para usuário(s) e ambiente(s), que são capazes de serem manual ou automaticamente respondidos pelo usuário de acordo com o seu perfil e o perfil do ambiente.
[0031] Vantajosamente, o processo de gestão inteligente de ambientes descreve ainda o passo de interação com o usuário sendo realizado a partir de interface construída com elementos gráficos, sobre os quais imagens representam os, dados e informações; e, tarefas disponíveis são manuseadas diretamente pelo usuário a partir da construção de aplicativos em celular(es),‘wearables’ , ‘smart speakers and home assistants’,‘smart devices’,‘smart home’, laptops, computadores, tablets, por meio de telas gráficas, textos de mensagens, voz e vídeo.
[0032] Vantajosamente, o processo de gestão inteligente de ambientes inclui ainda descrição de indicadores de conforto de usuário(s) e ambiente(s) a partir de cálculo de aderência de ambiente aos perfis dinâmicos de usuários com base em preferências dos usuários relativas a conforto térmico, nível de iluminação e ocupação, aplicando-se técnicas de IA e ML e a partir da interação com o usuário com a indicação de escalas gráficas, as quais determinam visualmente a parametrização e a classificação do referido ambiente e seu nível de aderência aos perfis de seus usuários, o que indica a percepção de conforto dos usuários acerca do referido ambiente.
[0033] Vantajosamente, o processo de gestão inteligente de ambientes inclui ainda descrição de indicadores de economia e eficiência do ambiente a partir do cálculo e da geração dos insights aplicando-se técnicas de IA e ML e a partir da interação com o usuário com a indicação de escalas gráficas incluindo etiquetas cujas referidas indicações determinam visualmente a parametrização e classificação do referido ambiente, o que indica o grau de economia e eficiência do referido ambiente.
[0034] A presente invenção também diz a respeito de sistema de gestão inteligente de ambientes, compreendendo:
- um agente coletor de dados configurado para coletar dados de sensores localizados no ambiente para transmití-los para a nuvem;
- meio de cálculo configurado para calcular um perfil dinâmico de usuário a partir de pelo menos um dentre dados de cadastro do usuário, dados de sensores do ambiente, e dados externos ao ambiente;
- meio de cálculo configurado para calcular um perfil dinâmico de ambiente a partir do perfil dinâmico de usuário e dados externos ao ambiente;
- meio de geração de insight configurado para gerar pelo menos um insight a partir de pelo menos um dentre os dados a respeito do ambiente, perfil dinâmico de usuário e perfil dinâmico do ambiente;
- um processador de dados em nuvem configurado para processar o pelo menos um insight utilizando uma lógica de decisão para selecionar um insight;
- uma interface com usuário configurada para realizar uma ação de controle com base no insight selecionado; e
- interação com o usuário com base em interface construída com elementos gráficos.
[0035] Vantajosamente, o dito processador de dados em nuvem baseia- se em uma API (Application Programming Interface) seguindo a arquitetura de implementação de API REST (Representational State Transfer) - RESTfull web Services e linguagens de programação usados na web (Java, Nodejs, PHP, Python e Ruby).
[0036] Vantajosamente, o processador de dados em nuvem baseia-se no processamento e na aplicação de estratégias de IA e ML como Arvore de Decisão, SVM, KNN,“Random Forest”, Técnicas de Regressão, Algoritmos Genéticos, Técnicas Bio-Inspiradas, Redes Neurais Artificiais, e Lógica Fuzzy, assim como técnicas de PLN, para gerar modelos treinados e integrados (MIAs) a serem empregados na parte de pré-condição, condição de entrada, na geração das metas e insights e também nos ajustes de fatores, peso e grau de relevância para efetuar cálculo, classificação e predição dos níveis de conforto do ambiente, cálculo e predição do consumo de energia, gastos financeiros e perfil dinâmico de consumo individual e coletivo a partir dos dados históricos e em tempo real, além de realizar um conjunto de ações / comandos recomendado pelo insight que deverá ser manual ou automaticamente executado pelo usuário de acordo com o seu perfil e o perfil do ambiente.
[0037] Vantajosamente, a interface com usuário executa comandos de ligar e de desligar ar condicionado e de iluminação e de enviar SET POINT de temperatura a equipamentos de ar condicionado, os quais são executados remotamente de forma manual por ação do usuário, de forma automática por programação horária tipo LIGA/DESLIGA ou como resultado dos MI As.
[0038] Vantajosamente, o processador de dados em nuvem executa o
MIA-ADERÊNCIA DO AMBIENTE AOS PERFIS DINÂMICOS DOS
USUÁRIOS, que implementa os indicadores de conforto do(s) usuário(s) e de ambiente(s) com a parametrização e com a classificação das preferências dos usuários relativas ao conforto térmico, nível de iluminação e ocupação a partir da aplicação de técnicas de IA e ML e a partir da interação com o usuário com indicação de escalas gráficas que determinam visualmente a parametrização e a classificação do referido ambiente e o seu nível de aderência aos perfis de seus usuários, o que indica a percepção de conforto dos usuários acerca do referido ambiente.
[0039] Vantajosamente, o processador de dados em nuvem executa o
MIA-GERAÇÃO DE INDICADORES DE ECONOMIA E EFICIÊNCIA DO AMBIENTE, que implementa os indicadores de economia e eficiência do ambiente com a parametrização e a classificação dos ambientes a partir da aplicação de técnicas de IA e ML e a partir da interação com o usuário com indicação de escalas gráficas incluindo etiquetas cujas referidas indicações determinam visualmente a parametrização e a classificação do ambiente, o que indica o grau de economia e eficiência do referido ambiente.
[0040] Vantajosamente, a interface com usuário compreende sistema de interação através de dashboard acessado via WEB para comandos, visualização do estado de equipamento e sistemas e recebimento de insights com visualização dos resultados a partir de imagens, de gráficos, de texto e de voz em função da parametrização definida pelo usuário.
[0041] Vantajosamente, a interface com usuário compreende sistema de interação por aplicativo APP Mobile, instalado nos smartphones dos usuários a partir de lojas na nuvem como a PlayStore e a AppleStore para comandos, visualização do estado de equipamento e sistemas e recebimento de insights com visualização de resultados a partir de imagens, gráficos, texto e voz em função da parametrização definida pelo usuário.
BREVE DESCRIÇÃO DOS DESENHOS
[0042] As modalidades ilustrativas, porém, não limitativas, da presente revelação são descritas em mais detalhes abaixo com referência às figuras em seguida:
Figura 1 exibe a arquitetura geral de acordo com uma forma de realização preferida da invenção;
Figura 2 exibe algumas das principais telas do aplicativo móvel de acordo com a invenção;
Figura 3 exibe uma visão global do processamento e aplicação de estratégias de IA em nuvem para a seleção de insights e a geração do perfil dinâmico do usuário e ambiente de acordo com a invenção;
Figura 4 exibe um processo de constmção e atualização do perfil dinâmico do usuário de acordo com a invenção;
Figura 5A exibe um gráfico que representa o arranjo dos perfis dinâmicos de usuários e do ambiente de acordo com a invenção;
Figura 5B exibe um gráfico que representa o nível de aderência entre ambiente e usuários de acordo com a invenção;
Figura 5C exibe um processo de modelagem e de construção de perfil dinâmico do ambiente de acordo com a invenção;
Figura 6 exibe um processo de criação de insights e de modelos de ML (IA) de acordo com a invenção;
Figura 7 exibe um processo de seleção e de recomendação de insights a partir de técnicas de IA e ML de acordo com a invenção;
Figura 8 mostra um primeiro exemplo de estratégia de seleção e recomendação dos melhores insights de acordo com a invenção;
Figura 9A mostra a distribuição dos insights de acordo com os seus valores e classes apresentados por visualização com dois atributos numa forma de realização da invenção;
Figura 9B exibe a seleção do insight s2 por ser o mais próximo da recomendação de acordo com a forma de realização preferida da invenção;
Figuras 10 A, B, C e D apresentam 4 fluxos descrevendo todo o processo de busca, execução de insights e, por fim, processamento de feedback dos insights de acordo com a invenção;
Figura 11 exibe tela do aplicativo móvel ou APP com comando para ajuste de temperatura e de nível de conforto do usuário de acordo com a invenção; e
Figuras 12A-E ilustram gráficos das funções de pertinência do (A) conforto dos usuários do ambiente, (B) feedback do usuário, (C) variação de temperatura sugerida, (D) saída da ativação das funções de pertinência e (E) resultado com agregação das funções de pertinência de acordo com a invenção. DESCRIÇÃO DETALHADA DA INVENÇÃO
[0043] A seguir, algumas formas de realização vantajosas e opcionais para efetuar a presente invenção serão descritas. Esta descrição não deverá ser interpretada como requerendo qualquer ordem ou disposição particular dentre um ou entre os vários elementos.
[0044] Figura 1 ilustra a arquitetura geral de acordo com uma forma de realização preferida da invenção e se caractereriza por um ciclo que é iniciado a partir dos passos a seguir: coleta e pré-processamento de dados; processamento e aplicação de estratégias; e, interface com usuário.
[0045] Um agente coletor instalado em estação IoT é configurado para coletar, preparar, pré-processar e filtrar os dados de sensoriamento local para transmissão à nuvem. Tal coleta de dados é efetuada em tempo real a partir da estação IoT, que se conecta ao sensoriamento local por meio de sinais discretos, em corrente, tensão, wireless, wifi, rede de dados física local, entrada de dados pelo próprio usuário por meio de celulares,“wearables”,“smart speakers and home assistants”, computadores, laptops, tablets, etc. Tal conexão de sensores local não é limitada por tipo de sensoriamento, podendo ser integrados sensores de temperatura, umidade, medição de energia elétrica (corrente, tensão, potência, qualidade de energia, fator de potência, etc.), sensor de presença, foto, vídeo, reconhecimento de voz, reconhecimento facial, reconhecimento de íris, etc. A limitação se dá pelo número de sensores por estação IoT, o que é contornado adicionando-se mais estações IoT. Adicionalmente, a dita estação IoT pode ser implementada a partir do hardware de diferentes fabricantes, adicionando-se serviços de processamento de dados de coleta desenvolvidos pela Moka Mind, que se conectam aos serviços de processamento e aplicação de estratégias de Inteligência Artificial em Nuvem também desenvolvidos pela Moka Mind. O pré-processamento de dados feito pelo agente coletor ocorre também na estação IoT e tem a função de preparar/filtrar os dados do sensoriamento local para a transmissão à nuvem. Tal tarefa evita a transmissão de dados repetidos, bandas mortas, etc., o que economiza dados de transmissão em telecomunicações e o armazenamento em nuvem.
[0046] A seguir, ocorre o processamento e a aplicação de estratégias de
Inteligência Artificial em nuvem a partir de um conjunto de serviços em nuvem que implementam técnicas de aprendizagem de máquina, entre elas, árvore de decisão e redes neurais artificiais, criando modelos treinados e integrados que realizam o cálculo, classificação e predição dos níveis de conforto do ambiente, cálculo e predição do consumo de energia, gastos, etc., com o objetivo de gerar insights e criar o perfil dinâmico de usuários e ambiente. Tal passo será melhor detalhado mais abaixo na presente descrição.
[0047] Por fim, interface com usuário foi construída majoritariamente por elementos gráficos, sobre os quais imagens representam dados e informações e tarefas disponíveis são manipuladas diretamente pelo usuário e se dá a partir da constmção de aplicativos em celulares,“wearables”,“smart speakers and home assistants”,“smart devices”,“smart home”, computadores, laptops, tablets, etc., por meio de telas gráficas, textos de mensagens, voz e vídeo. Na Figura 1, são apresentadas 2 formas diferentes da interface para interação com o usuário: 1. O aplicativo“APP Mobile”, instalado em smartphones de usuários a partir de lojas na nuvem como PlayStore e AppleStore e 2. Dashboard acessado via web.
[0048] Conforme mostrado na Figura 1, as interações do usuário para comandos e insights são realizadas através de clicks, touch, bem como através de comandos de voz. A visualização dos resultados e insights específicos são apresentados em texto e voz de acordo com a parametrização dessa invenção.
[0049] Figura 2 ilustra algumas das principais telas do aplicativo móvel de acordo com a invenção com as principais funcionalidades compostas de (a) visão geral com dados dos sensores, gráficos gerais e ícones para visualização e leitura dos insights; (b) tela com dados com iluminação com comandos para ligar e desligar circuitos e gráficos de horas desligadas com metas e variação entre outros; (c) tela com dados com leitura da umidade e gráficos de análise sobre ambiente do conforto mostrando o grau de conforto. Figura 2 apresenta telas do APP com sequência de comandos e saída de insights.
[0050] A presente invenção sugere e realiza comandos nos ambientes, do tipo LIGA/DESLIGA e por SET POINTS, analisa dados históricos de ditos ambientes e os compara com as bases de dados de outros sistemas em nuvem, correlaciona ambientes, acessa outros sistemas para coleta de dados em tempo real para a tomada de decisões, tira conclusões e apresenta resultados com o objetivo da melhoria da eficiência operacional de prédios e casas.
[0051] Figura 3 ilustra uma visão global do processamento e aplicação de estratégias de IA em nuvem para a seleção de insights e a geração do perfil dinâmico do usuário e ambiente de acordo com a invenção. O processamento e a aplicação de estratégias de IA em nuvem ocorrem a partir de um conjunto de serviços em nuvem, o qual implementa técnicas de aprendizagem de máquina, entre elas, árvore de decisão e redes neurais artificiais, criando assim modelos treinados e integrados que realizam cálculo, classificação e predição de níveis de conforto do ambiente, cálculo e predição de consumo de energia, gastos, etc., a fim de gerar insights e criar o perfil dinâmico de usuários e do ambiente.
[0052] Para alcançar tal objetivo, é empregada estratégia sobre a qual são implementadas técnicas de IA e“Machine Learning” (ML) para encontrar e recomendar os melhores insights, bem como construir o perfil dinâmico dos usuários e do ambiente. Tal estratégia é composta de três processos principais e três processos auxiliares apresentados na Figura 3:
Processos Principais
• Processo de modelagem e construção de perfil dinâmico do usuário;
• Processo de modelagem e constmção de perfil dinâmico do ambiente; e
• Processo de modelagem, geração e recomendação de insights.
Processos Auxiliares
• Processo de Cadastro
• Processo de Coleta de Dados do Ambiente; e
• Processo de Coleta de Dados Externos (API -“Application Programming Interface”).
Processo de Modelagem e Construção de Perfil Dinâmico do Usuário
[0053] Este processo é responsável por construir e manter atualizado o perfil dinâmico do usuário para uso de determinado ambiente. A construção deste perfil ocorre a partir de dados provenientes do Processo de Cadastro, do Processo de Coleta dos Dados do Ambiente e do Processo de Coleta de Dados Externos. A partir da constmção do perfil do usuário, o mesmo é dinamicamente influenciado em função da variação nos processos acima descritos e, também, em função dos feedbacks do próprio usuário aos insights gerados a ele. Outro fator de influência sobre o perfil dinâmico do usuário é o ambiente no qual este usuário está inserido e cuja formação de perfil (perfil do ambiente) também é dinâmica e dependente do perfil dinâmico deste usuário, dos outros usuários inseridos neste ambiente e de fatores externos a este ambiente (clima da região, etc.), formando assim um sistema fechado usuários & ambiente influenciado(s) e influenciador(es) mutuamente entre si, como mostra a Figura 5A, a qual será descrita mais detalhadamente a seguir.
[0054] O referido cálculo dinâmico do perfil de usuário ocorre a partir da adaptação dinâmica dos fatores_coeficiente de cada perfil, considerando a classificação dos usuários e o ambiente que usa dados históricos dos processos acima descritos e que emprega uma técnica de ML, como, por exemplo, RNA (Redes Neurais Artificiais).
[0055] No Modelo de Inteligência Artificial (MIA) - AMBIENTE DE
CONFORTO, a modelagem do perfil dinâmico do usuário segue a estrutura típica abaixo:
Legenda:
definido por = ::
Nome do campo = nome do campo:
Valores = <valorl, valor!...>
Exemplo de um perfil dinâmico de ambiente (PDA):
-Perfil _Dinâmico_Ambiente:
identificador: <PDA_id#01>;
tino de prédio: <Prédio ou Galpão... >;
tipo uso: <comercial ou residencial>;
localização: <( longitude, latitude ), endereço>;
ocupação/m2: <min=5, media=20, max=50>;
tempo_desligar_ar_dia: <min= 10, fator _coeficiente=13>;
classificação geral perfil: <moderado>;
## parâmetros cadastro##
iluminação desligada meta dia: <12>
hora planeta: <sim>
iluminação desligada meta dia: <10>
## local dados##
-Perfil_DÍnâmÍco_Usuário: identificador: <PD U id#01 >;
prioridade: <conforto=70%, economia=30%>;
prioridade comando: <automático=60% , manual=40%>;
visualiza insights tempo: <min=10; médio=14; max=20>;
aceita insight: <sim=60%; não=30%; ignora=10%>;
tempo _desligar_ar: <min= 10, fator _coeficiente=13>;
fator temperatura verão: <Min=20; Max=24; fator _coeficiente=22>;
fator temperatura inverno: <Min=23; Max=26; fator_coeficiente=24>; temperatura preferência: <Jan=22; Fev=23;...Jun=24...Dez=22>;
busca metas: <80%>;
Outros dados cadastrais e parâmetros - MokaAPP
[0056] Figura 4 apresenta o processo responsável por construir e manter atualizado o perfil dinâmico do usuário de acordo com a invenção para uso de determinado ambiente. A construção de um perfil desse tipo ocorre a partir de dados provenientes do Processo de Cadastro, do Processo de Coleta dos Dados do Ambiente e do Processo de Coleta de Dados Externos. Neste processo, são empregados também os dados a partir do feedback do usuário em relação aos insights recebidos, bem com o perfil do uso de ambiente de conforto e as suas preferências cadastradas através do processo de cadastro. Tais dados são usados para calcular o grau de similaridade com o ambiente e com os outros usuários, e são classificados utilizando-se técnicas de IA.
[0057] Os perfis dinâmicos do usuário e do ambiente são criados e são atualizados seguindo os fluxos típicos, conforme mostrados nas Figuras 4 (A) e 4 (B), respectivamente.
[0058] Figura 5A exibe um gráfico que representa o arranjo dos perfis dinâmicos de usuários e do ambiente de acordo com a invenção; a Figura 5B exibe um gráfico que representa o nível de aderência entre ambiente e usuários de acordo com a invenção; e, a Figura 5C exibe um processo de modelagem e de construção de perfil dinâmico do ambiente de acordo com a invenção. Este processo de modelagem e de construção de perfil dinâmico do ambiente existe a partir do processo de modelagem e construção de perfil dinâmico do usuário e depende de pelo menos um perfil de usuário associado ao referido ambiente, bem como de fatores externos ao ambiente (clima da região, etc.).
Processo de Modelagem, Construção de Perfil Dinâmico e Geração de Indicadores de Economia e Eficiência do Ambiente
[0059] Este processo é responsável por construir e manter atualizado o perfil dinâmico de determinado ambiente. A construção deste perfil ocorre a partir de dados provenientes do Processo de Cadastro, do Processo de Coleta dos Dados do Ambiente e do Processo de Coleta de Dados Externos. A partir da construção do perfil do ambiente, o mesmo é influenciado dinamicamente em função da variação nos processos acima descritos e também em função do número de perfis dinâmicos de usuários associados a este ambiente.
Exemplo 1: um ambiente com a inclusão de perfis dinâmicos cuja preferência de temperatura está abaixo da temperatura atual do ambiente faz com que o perfil dinâmico do ambiente seja alterado e a temperatura atual do ambiente seja diminuída automaticamente; e
Exemplo 2: se um perfil dinâmico de usuário seja alterado em determinado parâmetro, dado que outro perfil dinâmico de usuário já tenha sido alterado no mesmo parâmetro em intervalo inferior ao parametrizado naquele Processo de Cadastro, tal perfil dinâmico do ambiente é alterado em uma taxa superior à normal para resposta mais rápida à tendência indicada.
[0060] O ambiente é em seguida parametrizado e classificado quanto às preferências de usuários com referência a conforto térmico, nível de iluminação, ocupação, economia, etc. Geram-se escalas gráficas cujas indicações determinam visualmente a parametrização e classificação do referido ambiente. Também é indicado graficamente o nível de aderência do ambiente aos perfis dinâmicos de seus usuários, o que indica a percepção de conforto dos usuários acerca do referido ambiente, conforme demonstrado na Figura 5B. [0061] O referido processo é responsável por geração de indicadores de economia e de eficiência do ambiente e de sua classificação relativa ao conforto térmico dos usuários, nível de iluminação, ocupação, economia, e, ainda, metas parametrizadas pelo usuário de tal ambiente com indicação de escalas gráficas incluindo etiquetas cujas indicações determinam visualmente a parametrização e a classificação do referido ambiente e o seu nível de aderência aos perfis de seus usuários, o que indica o grau de economia e eficiência do ambiente citado, conforme as escalas de classificação demonstradas nas Figuras 5B e 5C.
[0062] O sensoriamento conectado à estação IoT (sensores de presença, reconhecimento por vídeo, geo-localização, wearables, etc.) pode adicionar ou subtrair perfis de usuário e informações, dinamicamente, em um determinado ambiente.
[0063] A extrapolação das escalas gráficas de cada ambiente gera uma classificação gráfica do prédio, como mostra o exemplo da Figura 5C.
[0064] Figura 8 mostra um primeiro exemplo de estratégia de seleção e recomendação dos melhores insights de acordo com a invenção. A execução do insight#l , a partir de dados de entrada da estação IoT, de perfil de usuário e de ambiente em tempo real visa determinar o grau e classificar o ambiente de conforto em insight#l derivado do MIA - AMBIENTE DE CONFORTO. Descrição do Modelo Fuzzy para Ajuste de Temperatura de Conforto de Usuário e do Ambiente
[0065] Uma entrada é obtida por meio d efeedback do usuário que deve selecionar através de um seletor de sensação de conforto (ver tela do aplicativo móvel ou APP com comando para ajuste de temperatura e de nível de conforto do usuário da Figura 11), outras entradas que são relacionadas a temperatura do ambiente interno a partir do sensor de temperatura da estação IoT e o perfil do ambiente e a saída é um ajuste de temperatura e conforto para o usuário e para o ambiente. Tal modelo é implementado como um daqueles serviços dentro da arquitetura da MIA-API. [0066] Este modelo receberá um conjunto de parâmetros referentes a um determinado usuário:
• Conjunto de últimos valores d feedback do usuário utilizado para manter a faixa de conforto atualizada;
• Temperatura de conforto do ambiente atual;
• Temperatura do ambiente (lida a partir do sensor da estação IoT);
• Feedback atual do usuário com entrada na APP representado por escala de -10 para muito frio à 10 para muito calor).
[0067] A partir dessas entradas, modelo fuzzy é executado e as funções de pertinência são ativadas, e, posteriormente, as regras são processadas e uma saída com o valor de ajuste é sugerida para mudança de temperatura do conforto para o usuário que é utilizada também para ajustar o conforto do ambiente.
[0068] Figura 12A, B e C mostram gráficos das funções de pertinência do conforto de usuários do ambiente, do feedback do usuário e da variação de temperatura sugerida de acordo com a invenção, onde o primeiro gráfico (ver Figura 12 A) apresenta as funções de pertinência do conforto dos usuários do ambiente; segundo gráfico (ver Figura 12B) apresenta as funções de pertinência do feedback do usuário atualizadas variando de -50 a 50; terceiro gráfico (ver Figura 12C) mostra as funções de pertinência da saída sugerida (variação, por exemplo, de temperatura necessária de ajustes para melhorar a sensação do conforto do usuário); quarto gráfico (ver Figura 12D) mostra quais funções de pertinência da saída foram ativadas pelas entradas do usuário. É possível ainda perceber que nesse caso específico 3 (três) funções foram ativadas com graus diferentes. Finalmente, quinto gráfico (ver Figura 12E) ilustra a agregação das funções de saída ativadas e o novo valor sugerido.
[0069] No caso dos gráficos apresentados na Figura 12 em específico, as entradas foram:
• Temperatura de conforto: 22°C
• Temperatura do ambiente: 22°C • Feedback do usuário: -4 (Entre frio e fresco)
[0070] Observa-se que nesse caso, mesmo que a temperatura seja igual à temperatura de conforto pré-estabelecida, o usuário diz sentir frio. Assim é sugerido que: A temperatura seja aumentada em 1,9°C (Figura 12E).
Processo de Cadastro
[0071] Neste processo, todas as características de ambiente e usuários e as suas preferências, assim como os parâmetros dos Modelos de Inteligência Artificial (MI As) são inseridos.
Processo de Coleta de Dados do Ambiente
[0072] Neste processo, todos os dados em tempo real são coletados do ambiente a partir da estação IoT.
Processo de Coleta de Dados Externos
[0073] Neste processo, dados históricos e em tempo real são coletados de aplicativos, sistemas, banco de dados, etc. presentes na web.
Processo de Modelagem, Geração e Recomendação de Insights
[0074] E um processo de criação, geração e recomendação de insights e ações de controle que recebe como entrada os dados coletados pela estação IoT, localização geográfica, dados auxiliares externos de API de terceiros e dados cadastrais e o perfil do usuário e de ambiente e tem como saída a geração e recomendação de insights e ações de controle.
[0075] Para alcançar estes objetivos, os modelos de representação dos insights são definidos, assim como usadas técnicas de IA para gerar, encontrar e recomendar os melhores insights. Figura 6 ilustra o processo de modelagem, de geração e de recomendação de insights de acordo com a presente invenção. A Figura 6 apresenta como este processo funciona.
[0076] Os insights são descritos usando o seguinte template :
Legenda:
definido por = ::
Nome do campo = nome do campo: Valores = <valorl, valor2...>
Template do Insight :
insisht identificador: <identificador único do Insight>
pré condição: <condição baseada nos valores coletados, no conjunto de regras induzidas por modelo de ML a partir dos dados e outras expressões para entrar nos insights>
condição de entrada: <condição de permanência do mesmo estado e espera> mensagem: <mensagem em texto ou voz do Insight>
objetivo: <descrição dos objetivos em texto, gráficos e outro material>
ação comando: <conjunto de ações e comando que podem ser executados> quem gerou: <quem escreveu os insights (pessoa ou assistente IA)>
data gerou: < data que os insights foram incluídos>
retorno feedback: <opções de retorno (sim, não, ignorar)>
quantidade disparo: <quantidade de vezes que foi gerado e visualizado> peso: <peso calculado a partir de dados feedback e vezes que foi gerado [0...1]> grau relevância: <grau de relevância do insight (alto, médio, baixo)>
Obs. Este template pode ser estendido com mais informações e campos.
[0077] Os insights poderão ser induzidos, criados e ajustados de uma forma automática ou semi-automática a partir de modelos de IA e ML, como
Arvore de Decisão, SVM, KNN, “Random Forest”, Técnicas de Regressão, Algoritmos Genéticos, Técnicas Bio-Inspirados, Redes Neurais Artificiais (RNAs) e Lógica Fuzzy, bem como técnicas de PLN, gerando um conjunto de regras que serão utilizados na parte de pré-condição, condição de entrada, na geração das mensagem e objetivo e também nos ajustes dos fatores entre eles, peso e grau relevância dos insights , além de um conjunto de ação comando os quais devem ser executados caso o insight for aceito.
Exemplo de Insight no MIA - AMBIENTE DE CONFORTO: insight #1 insisht identificador: <insight# 1>
pré condição: <(Estado(AR)=“Ligado”) & (Estado(iluminação)=“Desligado”)> condição de entrada: <Tempo_permanência > =“t” minutos [param] >
mensagem: <“ Ambiente“x” está com o ar condicionado ligado e a iluminação desligada a“y” min. Deseja desligar o ar condicionado ? Deseja repetir esta ação nas próximas ocorrências ?”>
objetivo: <Monitoramento de operação com objetivo de economia e redução de custo>
ação comando: <desligar(AR)>
quem gerou: <pessoa>
data gerou: <10.01.2018>
retorno feedback: <opções de retorno (sim, não, ignorar)>
quantidade_disparo: <50>
peso: <0.75>
grau relevância: <“Alto”>
Recomendação de Insights
[0078] Figura 7 mostra o processo de recomendar os insights usando técnicas de IA e ML, grau de similaridade e técnicas de vizinho mais próximo e também apresentar um ajuste dos parâmetros dinâmicos usando técnicas de IA como Algoritmos Genéticos para otimização multi-objetiva.
[0079] Dado um conjunto de insights ( Sl...Sn ), cada um com sua pré- condição ( PSl...PSm ); m<=n, onde alguns insights podem ter a mesma pré- condição; cada insight possui um peso ( Wl...Wn ), dado também um perfil de usuário (P) e conjunto de perfis de usuários (Pl...Pn), selecionar e recomendar os melhores e mais adaptados insights usando o seguinte processo e seguintes passos, que também estão ilustrados no fluxograma da Figura 7 (Rec-YYY): Passo 1: Receber com entrada dos dados e estados dos sensores e atuadores da estação-IoT;
Passo 2: Encontrar e filtrar um conjunto de pré-condição que satisfaz os valores de entrada e respectivos insights a partir do ( PSl...PSm );
Passo 3: Se encontrar apenas um insight , então executa os passos do insight e vai para o passo 5;
Passo 4: Se encontrar mais de um insight , então se aplica o cálculo de seleção dos insights , os perfis dos usuários e a recomendação dos insights na ordem de prioridade e executa os passos do insight;
Passo 5: Atualizar os pesos e os dados dos insights ;
[0080] Recomendação dos insights usando técnicas de IA e ML, grau de similaridade e técnicas de vizinho mais próximo e também apresentação de um ajuste dos parâmetros dinâmicos usando técnicas de IA como Algoritmos Genéticos para otimização multi-objetiva conforme a Figura 7.
[0081] Para recomendar os melhores Insights , será realizado o cálculo de similaridade usando a distância Euclidiana (Equação 1):
Figure imgf000030_0001
[Equação 1] onde v são atributos no primeiro e segundo insights (x, y) e n é o total de atributos já selecionados por proximidade de localização, conforme já definido.
[0082] Em seguida, é aplicada técnica KNN para selecionar os vizinhos mais próximo e, desta forma, recomendar o insight mais próximo. Figura 9A apresenta uma visualização com 2 atributos e, neste caso, insight selecionado seria o Insight (s2) por ser o mais próximo na recomendação; e, a Figura 9B apresenta aplicação da técnica KNN para selecionar o vizinho mais próximo e, desta forma, recomendar insight mais próximo e, neste caso, insight selecionado seria o Insight (s2) por ser o mais próximo que deve ser recomendado.
Exemplos de Processos de Geração e Recomendação de Insights
Processo de Rateio de Energia, Billing e Perfil de Consumo
[0083] Este processo descreve rateio de energia entre cargas elétricas e o perfil de consumo de cada carga.
[0084] Os dados de consumo padrão são cadastrados pelo usuário.
[0085] Os dados lidos e pré-processados por aquele agente coletor são transmitidos à nuvem. [0086] Os dados são processados de forma automática a partir daqueles dados lidos do sensoriamento de energia local ou de forma manual em função do consumo teórico.
[0087] O rateio de energia ocorre entre as cargas deste processo e são indicados graficamente na interface com o usuário. Insights são gerados em função das metas de consumo de cada carga.
[0088] Dados para o perfil de consumo de cada carga são processados da mesma forma e a interface com o usuário indica graficamente o perfil de consumo de cada carga (real ou teórico) comparativamente com o seu consumo padrão, indicando aderência entre os dois gráficos, seus desvios e extrapolações. Insights são gerados em função de tal aderência entre os perfis de consumo real ou teórico e padrão.
[0089] No Billing, cálculo da energia acumulada de uma carga elétrica em determinado período é realizado a partir de dados lidos pelo agente coletor das medições de energia dos ambientes, do seu tempo de funcionamento, e da parametrização manual ou automática do consumo teórico de equipamentos e custo do kwh, com indicações gráficas da conta de energia, desvios, bem como extrapolações. Aqueles Insights são gerados em função das metas de consumo parametrizadas.
[0090] Figuras 10 A, B, C e D apresentam 4 fluxos descrevendo todo o processo de busca, execução de insights , e, por fim, processamento d efeedback de insights de acordo com a invenção. Figura 10A (Fluxo 1) revela o processo de busca por insights, onde a cada intervalo de tempo (específico para cada tipo de insight) tal processo busca no banco de dados os insights monitorados para o ambiente. Para cada insight, é verificada se a sua pré-condição de execução é satisfeita. Se sim, cria-se uma nova instância de insight ready, insight cuja pré- condição foi satisfeita e já está preparado para ser lançado no e processado pelo sistema. Figura 10B (Fluxo 2) descreve execução de insights propriamente dita, onde a cada instante de tempo predeterminado (cada 1 min e.g.) o sistema recupera a lista de insights ready e para cada insight é verificado se já está pronto para ser lançado no sistema. Se sim, o sistema cria uma nova instância de insight ativo e deixa disponível para o“APP mobile” ou a web buscar e visualizar. Figura 10C (Fluxo 3) divulga o processo de monitoramento de entrega de insight, onde toda vez que insight é buscado pelo cliente móvel ou é lido pelo usuário, um contador no insight é atualizado, servindo para informar as vezes que foi buscado e lido, respectivamente. Figura 10D (Fluxo 4) descreve o processamento áe feedhacks dos insights , cada insight possui suas opções d e feedback, cada qual com suas ações pré-definidas que serão executadas assim que o usuário enviar feedback para o sistema. Para todo feedback enviado, tal sistema entenderá que o insight foi resolvido e irá desativá-lo para não ser executado novamente.
[0091] As vantagens de um processo e um sistema tais como aqueles aqui apresentados na presente invenção são inúmeras:
• Maior eficiência energética;
• Menor tempo de tomada de decisão;
• Redução de custos de operação e manutenção;
• Maior sensação de conforto;
• Análises mais acertivas;
• Melhor gerenciamento de riscos;
• Previsibilidade do uso e consumo de energia;
• Para o mercado predial, melhor integração entre equipes de operação, manutenção e os usuários dos referidos ambientes.
[0092] Quanto a sua aplicabilidade industrial, o processo e sistema de gestão inteligente de ambientes com base na tecnologia IoT pode ser aplicado em prédios comerciais, residenciais, clubes, estádios, casas de show, shopping centers, igrejas, hospitais, hotéis, bancos, restaurantes, escolas, universidades, indústrias, aeroportos, fazendas, galpões, pátios, embarcações, automóveis, trens, aviões, helicópteros, elevadores, etc., além de outras residências/casas e condomínios de casas. [0093] Diferentes disposições tanto daqueles objetos apresentados nos desenhos ou descritos acima quanto dos recursos e passos não mostrados ou descritos são possíveis. Similarmente, alguns recursos e subcombinações são úteis e podem ser usados sem referência a outros recursos e subcombinações. As formas de realização da invenção foram descritas para fins de ilustração e não de restrição e formas de realização alternativas se tomarão evidentes para leitores desta revelação. Consequentemente, a presente invenção não se limita às formas de realização descritas acima ou retratadas nos desenhos e inúmeras formas de realização e modificações podem ser realizadas sem se afastar do escopo das reivindicações abaixo.
GLOSSÁRIO
• Agente Coletor: software instalado na estação IoT para leitura/atuação, pré-processamento e transmissão de dados;
• Ambientes: prédios comerciais, residenciais, clubes, estádios, casas de show, shopping centers, igrejas, hospitais, hotéis, bancos, restaurantes, escolas, universidades, indústrias, aeroportos, fazendas, galpões, aviões, trens, embarcações, helicópteros, elevadores e automóveis;
• Billing: conta;
• Estação IoT: Estação de coleta, pré-processamento e transmissão de dados baseada na IoT, sensores, controle remoto e outros dispositivos.
• Feedbacks : respostas dadas pelos usuários a partir de insights gerados;
• Insights : dicas e/ou recomendações;
• KNN: K Nearest Neighbor ou K vizinhos mais próximos;
• PLN: Processamento de Linguagem Natural (PLN);
• SET POINT: valor analógico desejado;
• SVM: Support Vector Machine ou máquina de vetores de suporte.

Claims

REIVINDICAÇÕES
1. Processo de gestão inteligente de ambientes, caracterizado por compreender os seguintes passos:
- coletar dados de sensores localizados no ambiente;
- calcular um perfil dinâmico de usuário a partir de pelo menos um dentre dados de cadastro do usuário e dados de sensores do ambiente, e da leitura de dados externos ao ambiente;
- calcular um perfil dinâmico do ambiente a partir do perfil dinâmico de usuário e dos dados externos ao ambiente;
- gerar pelo menos um insight a partir de pelo menos um dentre dados a respeito do ambiente, perfil dinâmico de usuário e perfil dinâmico de ambiente;
- processar o dito pelo menos um insight utilizando uma lógica de decisão para selecionar um insight;
- realizar uma ação de controle com base no insight selecionado; e
- interagir com o usuário com base em interface construída com elementos gráficos.
2. Processo de gestão inteligente de ambientes, de acordo com a reivindicação 1, caracterizado por incluir ainda construção e manutenção do perfil dinâmico de usuário e de ambientes, os quais ocorrem a partir da coleta de dados de cadastro do usuário, da leitura dos dados do ambiente por meio de um agente coletor, e da coleta de dados externos, a partir do cálculo do perfil dinâmico do usuário e do ambiente, aplicando-se técnicas de IA e ML, cujos perfis são também influenciados dinamicamente, de forma geral, em função da variação na função áe feedhacks do próprio usuário aos insights gerados a ele, e, especificamente ao ambiente, o qual é influenciado pelo perfil dinâmico dos usuários inseridos no referido ambiente, bem como pelo clima da região e pela estação climática - outono, inverno, primavera ou verão, formando, deste modo, um circuito fechado de usuário(s) e de ambiente(s) influenciado(s) e também influenciador(es) mutuamente entre si; e a partir da modelagem, da geração e da recomendação de insights que são induzidos, criados e ajustados de forma automática ou semi-automática a partir de modelos de IA e ML para gerar um conjunto de regras usadas na parte de pré-condição e condição de entrada, na geração das mensagens e dos insights e a realização de ações de controle para usuário(s) e ambiente(s), que são capazes de serem manual ou automaticamente respondidos pelo usuário de acordo com o seu perfil e o perfil do ambiente.
3. Processo de gestão inteligente de ambientes, de acordo com a reivindicação 1, caracterizado pelo fato de o passo de interação com o usuário ser realizado a partir de interface construída com elementos gráficos, sobre os quais imagens representam os, dados e informações; e, tarefas disponíveis são manuseadas diretamente pelo usuário a partir da construção de aplicativos em celular(es),‘wearables’,‘smart speakers and home assistants’,‘smart devices’, ‘smart home’, computadores, laptops, tablets, por meio de telas gráficas, textos de mensagens, voz e vídeo.
4. Processo de gestão inteligente de ambientes, de acordo com a reivindicação 1 , caracterizado por incluir ainda descrição de indicadores de conforto de usuário(s) e ambiente(s) a partir de cálculo de aderência de ambiente aos perfis dinâmicos de usuários com base em preferências dos usuários relativas a conforto térmico, nível de iluminação e ocupação, aplicando-se técnicas de IA e ML e a partir da interação com o usuário com a indicação de escalas gráficas, as quais determinam visualmente a parametrização e a classificação do referido ambiente e o seu nível de aderência aos perfis de seus usuários, o que indica a percepção de conforto dos usuários acerca do referido ambiente.
5. Processo de gestão inteligente de ambientes, de acordo com a reivindicação 4, caracterizado por incluir ainda descrição de indicadores de economia e eficiência do ambiente a partir do cálculo e da geração dos insights aplicando-se técnicas de IA e ML e a partir da interação com o usuário com a indicação de escalas gráficas incluindo etiquetas cujas indicações determinam visualmente a parametrização e a classificação do referido ambiente, o que indica o grau de economia e eficiência do referido ambiente.
6. Sistema de gestão inteligente de ambientes, caracterizado por compreender:
- um agente coletor de dados configurado para coletar dados de sensores localizados no ambiente para transmití-los para a nuvem;
- meio de cálculo configurado para calcular um perfil dinâmico de usuário a partir de pelo menos um dentre dados de cadastro do usuário, dados de sensores do ambiente, e dados externos ao ambiente;
- meio de cálculo configurado para calcular um perfil dinâmico de ambiente a partir do perfil dinâmico de usuário e dados externos ao ambiente;
- meio de geração de insight configurado para gerar pelo menos um insight a partir de pelo menos um dentre os dados a respeito do ambiente, perfil dinâmico de usuário e perfil dinâmico do ambiente;
- um processador de dados em nuvem configurado para processar o pelo menos um insight utilizando uma lógica de decisão para selecionar um insight;
- uma interface com usuário configurada para realizar uma ação de controle com base no insight selecionado; e
- interação com o usuário com base em interface construída com elementos gráficos.
7. Sistema de gestão inteligente de ambientes, de acordo com a reivindicação 6, caracterizado pelo fato de o processador de dados em nuvem basear-se em API (Application Programming Interface) seguindo a arquitetura de implementação de API REST (Representational State Transfer) - RESTfull web Services e linguagens de programação usados na web (Java, Nodejs, PHP, Python e Ruby).
8. Sistema de gestão inteligente de ambientes, de acordo com a reivindicação 6 ou reivindicação 7, caracterizado pelo fato de o processador de dados em nuvem basear-se no processamento e na aplicação de estratégias de IA e ML como Árvore de Decisão, SVM, KNN,“Random Forest”, Técnicas de Regressão, Algoritmos Genéticos, Técnicas Bio-Inspiradas, Redes Neurais Artificiais, e Lógica Fuzzy, assim como técnicas de PLN, para gerar modelos treinados e integrados (MIAs) a serem empregados na parte de pré-condição, condição de entrada, na geração das metas e insights e também nos ajustes de fatores, peso e grau de relevância para efetuar cálculo, classificação e predição dos níveis de conforto do ambiente, cálculo e predição do consumo de energia, gastos financeiros e perfil dinâmico de consumo individual e coletivo a partir dos dados históricos e em tempo real, além de realizar um conjunto de ações / comandos recomendado pelo insight que deverá ser manual ou automaticamente executado pelo usuário de acordo com o seu perfil e o perfil do ambiente.
9. Sistema de gestão inteligente de ambientes, de acordo com a reivindicação 6, caracterizado pelo fato de que a interface com usuário executa comandos de ligar e de desligar ar condicionado e iluminação e de enviar SET POINT de temperatura a equipamentos de ar condicionado, que são executados remotamente de forma manual por ação do usuário, de forma automática por programação horária tipo LIGA/DESLIGA ou como resultado dos MIAs.
10. Sistema de gestão inteligente de ambientes, de acordo com a reivindicação 6, caracterizado pelo fato de o processador de dados em nuvem executar o ML -ADERÊNCIA DO AMBIENTE AOS PERFIS DINÂMICOS
DOS USUÁRIOS, que implementa os indicadores de conforto do(s) usuário(s) e ambiente(s) com a parametrização e com a classificação das preferências dos usuários relativas ao conforto térmico, nível de iluminação e ocupação a partir da aplicação de técnicas de IA e ML e a partir da interação com o usuário com indicação de escalas gráficas que determinam visualmente a parametrização e a classificação do referido ambiente e seu nível de aderência aos perfis de seus usuários, o que indica a percepção de conforto dos usuários acerca do referido ambiente.
11. Sistema de gestão inteligente de ambientes, de acordo com a reivindicação 6, caracterizado pelo fato de o processador de dados em nuvem executar o MIA-GERAÇÃO DE INDICADORES DE ECONOMIA E DE EFICIÊNCIA DO AMBIENTE, que implementa os indicadores de economia e eficiência do ambiente com a parametrização e a classificação dos ambientes a partir da aplicação de técnicas de IA e ML e a partir da interação com o usuário com indicação de escalas gráficas incluindo etiquetas cujas referidas indicações determinam visualmente a parametrização e a classificação do ambiente, o que indica o grau de economia e eficiência do referido ambiente.
12. Sistema de gestão inteligente de ambientes, de acordo com a reivindicação 6, caracterizado pelo fato de a interface com usuário compreender sistema de interação através de dashboard acessado via WEB para comandos, visualização do estado de equipamento e sistemas e recebimento de insights com visualização dos resultados a partir de imagens, gráficos, texto e voz em função da parametrização definida pelo usuário.
13. Sistema de gestão inteligente de ambientes, de acordo com a reivindicação 6, caracterizado pelo fato de a interface com usuário compreender sistema de interação por aplicativo APP Mobile, instalado nos smartphones dos usuários a partir de lojas na nuvem como a PlayStore e a AppleStore para comandos, visualização do estado de equipamento e sistemas e recebimento de insights com visualização de resultados a partir de imagens, gráficos, texto e voz em função da parametrização definida pelo usuário.
PCT/BR2019/050527 2018-12-07 2019-12-09 Processo e sistema de gestão inteligente de ambientes WO2020113305A1 (pt)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/311,612 US20220019186A1 (en) 2018-12-07 2019-12-09 Method and system for smart environment management

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
BRBR1020180754459 2018-12-07
BR102018075445-9A BR102018075445A2 (pt) 2018-12-07 2018-12-07 Processo e sistema de gestão inteligente de ambientes

Publications (1)

Publication Number Publication Date
WO2020113305A1 true WO2020113305A1 (pt) 2020-06-11

Family

ID=70973403

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/BR2019/050527 WO2020113305A1 (pt) 2018-12-07 2019-12-09 Processo e sistema de gestão inteligente de ambientes

Country Status (3)

Country Link
US (1) US20220019186A1 (pt)
BR (1) BR102018075445A2 (pt)
WO (1) WO2020113305A1 (pt)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210116888A1 (en) * 2019-10-21 2021-04-22 Semiconductor Components Industries, Llc Systems and methods for system optimization and/or failure detection
US20210241595A1 (en) * 2020-02-04 2021-08-05 Johnson Controls Technology Company Systems and methods for software defined fire detection and risk assessment
CN116828486A (zh) * 2022-03-21 2023-09-29 华为技术有限公司 一种通信方法及相关装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BRPI1104120A2 (pt) * 2011-08-01 2013-07-30 Guimaraes Ubirajara E Silva Gabriel Peixoto sistema, mÉtodo e equipamento de automoÇço residencial e predial baseado em computaÇço em nuvem, uso do sistema e uso do equipamento
US20180284746A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for data collection optimization in an industrial internet of things environment
US20180288161A1 (en) * 2016-11-17 2018-10-04 BrainofT Inc. Utilizing context information of environment component regions for event/activity prediction

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11651238B2 (en) * 2017-10-20 2023-05-16 Bragi GmbH Earpiece advisor

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BRPI1104120A2 (pt) * 2011-08-01 2013-07-30 Guimaraes Ubirajara E Silva Gabriel Peixoto sistema, mÉtodo e equipamento de automoÇço residencial e predial baseado em computaÇço em nuvem, uso do sistema e uso do equipamento
US20180284746A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for data collection optimization in an industrial internet of things environment
US20180288161A1 (en) * 2016-11-17 2018-10-04 BrainofT Inc. Utilizing context information of environment component regions for event/activity prediction

Also Published As

Publication number Publication date
BR102018075445A2 (pt) 2020-06-16
US20220019186A1 (en) 2022-01-20

Similar Documents

Publication Publication Date Title
Mariano-Hernández et al. A review of strategies for building energy management system: Model predictive control, demand side management, optimization, and fault detect & diagnosis
Taheri et al. Learning-based CO2 concentration prediction: Application to indoor air quality control using demand-controlled ventilation
Mofidi et al. Intelligent buildings: An overview
US11774930B2 (en) Building system with digital twin based agent processing
US20200355391A1 (en) Predictive building control system with neural network based comfort prediction
US10852023B2 (en) Building management autonomous HVAC control using reinforcement learning with occupant feedback
WO2020113305A1 (pt) Processo e sistema de gestão inteligente de ambientes
CN110494811A (zh) 具有时间序列数据的声明性视图的建筑物管理系统
Broday et al. The role of internet of things (IoT) in the assessment and communication of indoor environmental quality (IEQ) in buildings: a review
US12013673B2 (en) Building control system using reinforcement learning
Liu et al. A user-interactive system for smart thermal environment control in office buildings
Lachhab et al. Context-driven monitoring and control of buildings ventilation systems using big data and Internet of Things–based technologies
Ushada et al. Affective temperature control in food SMEs using artificial neural network
Zhou et al. A comprehensive review of the applications of machine learning for HVAC
CN113821903B (zh) 温度控制方法和设备、模块化数据中心及存储介质
Lachhab et al. A context-driven platform using Internet of things and data stream processing for heating, ventilation and air conditioning systems control
Syed Ahmad et al. Nonlinear integrated fuzzy modeling to predict dynamic occupant environment comfort for optimized sustainability
Kučera et al. Semantic bms: Ontology for analysis of building automation systems data
Zhang et al. Bio-Sensing and Reinforcement Learning approaches for Occupant-Centric Control.
Zhang et al. Multi-factor indicator of thic intelligent lighting system with bp neural network
Kim et al. Real-time predictive control of HVAC systems for factory building using lightweight data-driven model
Fazenda et al. Context-based reasoning in smart buildings
Silva et al. Information fusion for context awareness in intelligent environments
US20220222608A1 (en) Systems and methods for workspace recommendations
Husein et al. Towards High-Performance Buildings using IoT and AI technologies: A Comprehensive Review

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19891810

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19891810

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 05.11.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19891810

Country of ref document: EP

Kind code of ref document: A1