Optymalizacja zarządzania energią bezprzewodowych sieci sensorowych dla zastosowań w obszarowej kontroli prędkości pojazdów

Rychlicki, Mariusz

doi:10.5604/01.3001.0055.1556

Artykuł - szczegóły

Tytuł artykułu

Optymalizacja zarządzania energią bezprzewodowych sieci sensorowych dla zastosowań w obszarowej kontroli prędkości pojazdów

Autorzy

Rychlicki Mariusz

Treść / Zawartość

Pełne teksty:

02_Rychlicki_Optymalizacja_JoK_2025_2.pdf

Pobierz

Identyfikatory

DOI

10.5604/01.3001.0055.1556

Warianty tytułu

Optimization of energy management in wireless sensor networks for applications in area-based speed control

Języki publikacji

Abstrakty

Artykuł prezentuje zagadnienie optymalizacji zarządzania energią w bezprzewodowych sieciach sensorowych WSN, stosowanych w obszarowej kontroli prędkości pojazdów. Głównym celem pracy jest opracowanie skutecznych metod minimalizacji zużycia energii w sieciach LoRaWAN, jednocześnie zapewniając ich nie-zawodność i wydajność transmisji. W badaniach zastosowano dwie metody przypisywania sensorów do bramek: metodę najbliższego sąsiada NN oraz inteligentną lokalizację i routing ILR. Pierwsza polega na przypisaniu każdego sensora do najbliższej bramki, co minimalizuje odległości i zużycie energii. Druga uwzględnia ograniczenia przepustowości bramek, zapewniając równomierne rozłożenie obciążenia w sieci. Dla metod tych opracowano modele symulacyjne, które zostały zaimplementowane w środowisku MATLAB. Dzięki przeprowadzonym symulacjom porównano efektywność obu metod, analizując całkowity koszt transmisji, średnie i maksymalne odległości sensorów od bramek, a także wpływ na stabilność i niezawodność sieci. Wyniki symulacji wykazały, że metoda NN pozwala na uzyskanie niższego całkowitego kosztu i mniejszych średnich oraz maksymalnych odległości sensorów od bramek. Z kolei metoda ILR, choć generuje wyższe wartości tych parametrów, pozwala uniknąć przeciążeń, co zwiększa stabilność i niezawodność sieci. Wykazano, że optymalizacja energetyczna w sieciach LoRaWAN wymaga kompromisu między minimalizacją zużycia energii a równomiernym rozkładem obciążenia. W prostych implementacjach lepiej sprawdza się metoda NN, natomiast w bardziej wymagających środowiskach, takich jak inteligentne systemy trans-portowe czy proponowana przez autora autorska koncepcja obszarowej kontroli prędkości, konieczne jest w odniesieniu do zarządzania energią stosowanie zaawansowanych metod optymalizacyjnych, takich jak ILR.

This article addresses optimizing energy management in wireless sensor networks WSN used for area-based speed control. The primary objective is to develop effective methods for minimizing energy consumption in LoRaWAN networks while ensuring reliability and transmission efficiency. The study employs two sensor-to-gateway assignment methods: the nearest neighbor NN method and intelligent location and routing ILR. The NN method assigns each sensor to the nearest gateway, minimizing transmission distances and energy consumption. The ILR method, in contrast, accounts for gateway bandwidth limitations, ensuring an even distribution of network load. Simulation models for both methods were developed and implemented in the MATLAB environment. The simulations evaluated their effectiveness by analyzing total transmission cost, average and maximum sensor-to-gateway distances, and the impact on network stability and reliability. The results indicate that the NN method achieves lower total cost and shorter average and maximum distances. However, the ILR method, while resulting in higher values for these parameters, prevents overloads, enhancing network stability and reliability. The study demonstrates that energy optimization in LoRaWAN networks requires balancing energy consumption minimization with equitable load distribution. The NN method is preferable for simpler implementations, whereas in complex environments, such as intelligent transportation systems or the author's original concept of area-based speed control, advanced optimization techniques like ILR are necessary for effective energy management.

Słowa kluczowe

optymalizacja zarządzanie energią sieci sensorowe LoRaWAN obszarowa kontrola prędkości

optimization energy management sensor networks LoRaWAN area-based speed control

Wydawca

Wydawnictwo Instytutu Technicznego Wojsk Lotniczych

Czasopismo

Journal of KONBiN

Rocznik

2025

Tom

Vol. 55, iss.2

Strony

33--50

Opis fizyczny

Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Rychlicki Mariusz

mariusz.rychlicki@pw.edu.pl

Warsaw University of Technology (Politechnika Warszawska), Poland

https://orcid.org/0000-0003-4978-3395

Bibliografia

1. R. Marappan et al., “RETRACTED ARTICLE: Efficient evolutionary modeling in solving maximization of lifetime of wireless sensor healthcare networks,” Soft Comput., vol. 27, no. 16, pp. 11853–11867, 2023. [Online]. Available: https://doi.org/10.1007/s00500-023-08623-w
2. S. Hattarge, A. Kekre, and A. Kothari, “LoRaWAN based GPS tracking of city-buses for smart public transport system,” in Proc. 2018 Int. Conf. Secure Cyber Comput. Commun. (ICSCCC), 2018, pp. 265–269. [Online]. Available: https://doi.org/10.1109/icsccc.2018.8703356
3. Z. Kasprzyk and M. Rychlicki, “The use of Bluetooth standard for communication between vehicles under traffic,” J. KONBiN, vol. 46, no. 1, pp. 153–169, 2018. [Online]. Available: https://doi.org/10.2478/jok-2018-0028
4. LoRa Alliance, “About LoRa Alliance,” 2023. [Online]. Available: https://lora-alliance.org/about-lora-alliance/ [Accessed: Feb. 3, 2025].
5. R. Harwahyu, A. Presekal, and R. F. Sari, “LoRaWAN performance evaluation with optimized configuration,” Int. J. Future Gener. Commun. Netw., vol. 11, no. 4, pp. 51–68, 2018. [Online]. Available: https://doi.org/10.14257/ijfgcn.2018.11.4.05
6. J. Tapparel, M. Xhonneux, D. Bol, J. Louveaux, and A. Burg, “Enhancing the reliability of dense LoRaWAN networks with multi-user receivers,” IEEE Open J. Commun. Soc., vol. 2, pp. 2725–2738, 2021. [Online]. Available: https://doi.org/10.1109/ojcoms.2021.3134091
7. N. Montavont and G. Z. Papadopoulos, Eds., Ad-hoc, Mobile, and Wireless Networks, Lecture Notes in Computer Science. Cham, Switzerland: Springer, 2018. [Online]. Available: https://doi.org/10.1007/978-3-030-00247-3
8. N. Chinchilla-Romero, J. Navarro-Ortiz, P. Muñoz, and P. Ameigeiras, “Collision avoidance resource allocation for LoRaWAN,” Sensors, vol. 21, no. 4, p. 1218, 2021. [Online]. Available: https://doi.org/10.3390/s21041218
9. R. S. Benatti, C. P. de Souza, and O. Baiocchi, “An optimization method based on LoRa parameters for energy consumption reduction,” in Proc. 2021 Int. Symp. Instrum. Syst., Circuits Transducers (INSCIT), 2021, pp. 1–5. [Online]. Available: https://doi.org/10.1109/inscit49950.2021.9557241
10. C. Savithi and C. Kaewta, “Multi-objective optimization of gateway location selection in long-range wide area networks: A tradeoff analysis between system costs and bitrate maximization,” J. Sens. Actuator Netw., vol. 13, no. 1, p. 3, 2024. [Online]. Available: https://doi.org/10.3390/jsan13010003
11. R. Carvalho, F. Al-Tam, and N. Correia, “Q-learning ADR agent for LoRaWAN optimization,” in Proc. 2021 IEEE Int. Conf. Ind. 4.0, Artif. Intell., Commun. Technol. (IAICT), 2021, pp. 104–108. [Online]. Available: https://doi.org/10.1109/iaict52856.2021.9532518
12. E. Bäumker, A. Miguel Garcia, and P. Woias, “Minimizing power consumption of LoRa® and LoRaWAN for low-power wireless sensor nodes,” J. Phys. Conf. Ser., vol. 1407, no. 1, p. 012092, 2019. [Online]. Available: https://doi.org/10.1088/1742-6596/1407/1/012092
13. R. M. Sandoval, A.-J. Garcia-Sanchez, and J. Garcia-Haro, “Optimizing and updating LoRa communication parameters: A machine learning approach,” IEEE Trans. Netw. Serv. Manag., vol. 16, no. 3, pp. 884–895, 2019. [Online]. Available: https://doi.org/ 10.1109/tnsm.2019.2927759
14. A. Rahmadhani and F. Kuipers, “When LoRaWAN frames collide,” in Proc. 12th Int. Workshop Wireless Netw. Testbeds, Exp. Eval. Charact. (WiNTECH), 2018, pp. 89–97. [Online]. Available: https://doi.org/10.1145/3267204.3267212
15. K. Ntshabele, B. Isong, N. Gasela, and A. M. Abu-Mahfouz, “A comprehensive analysis of LoRaWAN key security models and possible attack solutions,” Mathematics, vol. 10, no. 19, p. 3421, 2022. [Online]. Available: https://doi.org/10.3390/math10193421
16. S. Li, U. Raza, and A. Khan, “How agile is the adaptive data rate mechanism of LoRaWAN?,” in Proc. IEEE Global Commun. Conf. (GLOBECOM), 2018, pp. 206-212. [Online]. Available: https://doi.org/10.1109/glocom.2018.8647469
17. B. Moons, A. Karaagac, J. Haxhibeqiri, E. D. Poorter, and J. Hoebeke, “Using SCHC for an optimized protocol stack in multimodal LPWAN solutions,” in Proc. 2019 IEEE 5th World Forum Internet Things (WF-IoT), 2019, pp. 430–435. [Online]. Available: https://doi.org/10.1109/wf-iot.2019.8767210
18. N. Kaushik and T. Bagga, “Smart cities using IoT,” in Proc. 2021 9th Int. Conf. Rel., Infocom Technol. Optim. (Trends Future Dir.) (ICRITO), 2021, pp. 1–6. [Online]. Available: https://doi.org/10.1109/icrito51393.2021.9596386
19. G. Callebaut, G. Ottoy, and L. van der Perre, “Cross-layer framework and optimization for efficient use of the energy budget of IoT nodes,” in Proc. 2019 IEEE Wireless Commun. Netw. Conf. (WCNC), 2019, pp. 1–6. [Online]. Available: https://doi.org/10.1109/wcnc.2019.8885739
20. M. Rychlicki, Z. Kasprzyk, M. Pełka, and A. Rosiński, “Use of wireless sensor networks for area-based speed control and traffic monitoring,” Appl. Sci., vol. 14, no. 20, p. 9243, 2024. [Online]. Available: https://doi.org/10.3390/app14209243
21. R. K. Halder, M. N. Uddin, Md. A. Uddin, S. Aryal, and A. Khraisat, “Enhancing K-nearest neighbor algorithm: A comprehensive review and performance analysis of modifications,” J. Big Data, vol. 11, no. 1, 2024. [Online]. Available: http://doi.org/10.1186/s40537-024-00973-y

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-271661b5-7c2d-4d76-a93a-5c27ca08b7ad