Dagelijks hoor en lees je over artificiële intelligentie (AI). Daarbij worden vaak termen als neuraal netwerk en deep learning gebruikt. In dit artikel vertellen je hier meer over en gaan we ook zelf met AI aan de slag. We doen dit via TensorFlow Playground en Google Teachable Machine.

Het begrip artificiële intelligentie verwijst naar de mogelijkheid om zelfstandig kennis op te nemen, problemen op te lossen en beslissingen te nemen, net zoals een mens. Het woord ‘artificieel’ duidt erop dat deze vorm van intelligentie door mensen is ontworpen en door computers of machines wordt uitgevoerd en dus niet door een biologisch brein.

Veel AI-toepassingen, zoals beeld- en spraakherkenning en taalverwerking, maken hierbij gebruik van zogenoemde neurale netwerken. Deze zijn namelijk uitstekend geschikt voor het herkennen van complexe patronen in grote hoeveelheden ongestructureerde data.

Zo’n digitaal neuraal netwerk (DNN) is gebaseerd op de werking en structuur van het menselijke brein, maar het blijft niet meer dan een abstracte vereenvoudiging. Het menselijke brein is tenslotte (vooralsnog) aanzienlijk complexer, flexibeler en vooral ook energiezuiniger met een maximaal verbruik van circa 20 watt. Ons brein is bovendien superieur in creativiteit, contextueel begrip en emotionele verwerking. 

Digitaal neuraal netwerk

Een digitaal neuraal netwerk (DNN) werkt net als het biologisch brein met neuronen (zie bovenstaand tekstkader). Alleen in een DNN gaat het hierbij om wiskundige rekeneenheden die informatie verwerken. Elk neuron ontvangt invoer, vermenigvuldigt deze met een gewicht om de relevantie te bepalen en telt daar een compensatiewaarde, de zogeheten bias, bij op. Samen vormen deze gewichten en biases de ‘parameters’. GPT-4 bevat er naar schatting 1,7 biljoen.

De informatie stroomt door een of meer verborgen lagen tussen de invoer- en uitvoerlaag. Elke verborgen laag verwerkt de gegevens verder, waardoor complexere patronen worden herkend. Hiervoor gebruikt elk neuron een zogeheten activatiefunctie, die bepaalt of en in welke mate de uitvoer wordt doorgegeven. Zonder activatiefuncties zou het netwerk alleen eenvoudige wiskundige verbanden leren, zoals rechte lijnen, terwijl het nu ook met complexe, gebogen of gelaagde patronen overweg kan.

Een eenvoudig digitaal neuraal netwerk, met één verborgen laag.

Sturing en zelflering

Mensen sturen het DNN indirect aan door het bepalen van het aantal lagen, het aantal neuronen per laag en het type activatiefunctie. Verder kiezen ze hoe het netwerk moet leren, bijvoorbeeld door te bepalen hoeveel data het ziet en hoe complex de gegevens zijn, hoe vaak het leert en hoe groot de aanpassingen mogen zijn. Tijdens deze training worden de parameters automatisch aangepast door het netwerk om optimaal patronen te herkennen en voorspellingen te doen.

Vereenvoudigd komt het hierop neer: nadat het netwerk een voorspelling heeft gedaan, wordt berekend hoe ver deze afwijkt van de juiste waarde, waartoe het netwerk tijdens de training toegang heeft. Deze afwijking wordt vervolgens teruggestuurd door het netwerk, van de uitvoer- naar de invoerlaag. Onderweg berekent het netwerk hoeveel elke verbinding (gewicht) en extra waarde (bias) heeft bijgedragen aan de fout. Daarop past het netwerk de parameters aan om de fout kleiner te maken. Dit proces herhaalt zich vele malen, zodat het netwerk steeds accurater wordt. Dit principe wordt ‘backpropagation’ genoemd (letterlijk: achterwaartse terugkoppeling) en maakt dat het netwerk grotendeels zelflerend is.

©Vallabh soni - stock.adobe.com

Backpropagation: het netwerk stuurt zelf bij op basis van de vastgestelde afwijking.

TensorFlow Playground

Spelen met werking DNN

Het wordt interessanter wanneer je zelf experimenteert met de principes en werking van een DNN. Ga naar https://playground.tensorflow.org. Hier herken je de lagen met neuronen: een invoerlaag, twee verborgen lagen en een uitvoerlaag. Bij DATA is al een specifieke dataset geselecteerd. Zodra je op Run (het pijltje) klikt, probeert het netwerk het patroon in de gekozen dataset te herkennen. Het resultaat verschijnt onder Output.

Hoe langer je het proces laat lopen, hoe hoger het aantal trainingscycli (hier epochs genoemd) en hoe accurater de ruimte-indeling of dataclassificatie in de output: blauwe achtergrond voor blauwe punten en oranje achtergrond voor oranje punten. Omdat het standaard om een eenvoudig datapatroon gaat, zal de Training loss waarschijnlijk 0.000 zijn. Dit betekent dat het netwerk het patroon vrijwel meteen correct herkent op basis van de ingestelde parameters, zodat er nauwelijks of geen backpropagation nodig is.

Met de standaardinstellingen kan dit neurale netwerk moeiteloos overweg.

Verdere aansturing

Je kunt het netwerk flink uitdagen door enkele instellingen aan te passen. We geven je enkele mogelijkheden die zeker leerzaam kunnen zijn. Activeer in de invoerlaag bijvoorbeeld alleen de bovenste eigenschap X1. Het netwerk classificeert dan uitsluitend op basis van de horizontale posities van de punten. Voor de derde dataset (linksonder) kan dit voldoende zijn, maar voor andere niet. Probeer het gerust zelf uit. Je zult ook merken dat hoe meer features je inschakelt, hoe meer informatie het netwerk gebruikt en hoe beter het complexe patronen kan herkennen.

Verhoog eens Noise (ruis) met de schuifknop om het leerproces te bemoeilijken. De datapunten worden hierdoor minder gestructureerd, wat je meteen terugziet in de Output. Verminder nu eens het aantal neuronen (via de minknop boven elke laag) om het netwerk minder complexe beslissingen te laten nemen. Minder verborgen lagen verlaagt eveneens de capaciteit om diepere datapatronen te leren.

Nog steeds te makkelijk? Verlaag dan de Learning rate naar bijvoorbeeld 0.0001. Een lagere leerratio betekent tenslotte kleinere stappen bij het aanpassen van de gewichten (wat zich hier visueel vertaalt als minder snel aangepaste lijndiktes tussen de neuronen), waardoor het netwerk langzamer leert.

Experimenteer gerust verder met andere, ook meer geavanceerde instellingen om het netwerk – en jezelf – uit te dagen.

Met deze instellingen wordt de training van het neurale netwerk nagenoeg onmogelijk.

Deep learning

Een DNN is een van de meest effectieve methoden of algoritmen binnen machine learning (ML), waarbij computers leren van data zonder ze expliciet te moeten programmeren. Het is vooral geschikt voor complexe taken zoals beeldherkenning, spraakherkenning en taalverwerking.

Eenvoudige ML-modellen hebben meestal een of enkele verborgen lagen. Bij een complexere architectuur met meerdere verborgen lagen, die in staat is complexere patronen en relaties te herkennen, spreekt men van deep learning (DL). Deep learning is daarmee een subonderdeel van machine learning, al is het onderscheid niet altijd scherp te maken.

Bij DL gebruikt het neurale netwerk logischerwijze meer parameters, wat meteen ook een grotere hoeveelheid data vereist om het effectief te kunnen trainen. Meer data en parameters vereisen uiteraard ook meer rekenkracht, waarvoor vaak talrijke gpu’s (Graphics Processing Units) of gespecialiseerde processors als Googles TPU’s (Tensor Processing Units) nodig zijn.

Een Google TPU op een PCIe-kaart.

Google Teachable Machine

Experimenten met AI

Het zal je nauwelijks verbazen dat je, behalve geavanceerde kennis, frameworks als TensorFlow of PyTorch nodig hebt om een DL-model te ontwikkelen. Wil je hier desondanks toch mee experimenteren, dan biedt Googles Teachable Machine een uitstekende omgeving. Dit project heeft namelijk een interface waarmee je zonder technische expertise toch een AI-model kunt trainen.

Het platform is gebaseerd op DL-technieken en gebruikt neurale netwerken om patronen en kenmerken in diverse datasets te herkennen. Het werkt met voorgetrainde modellen, maar je kunt ook eigen gegevens toevoegen om een aangepast model te trainen. Na training kun je het model exporteren in verschillende formaten en inzetten in een web-app, mobiele app of op toestellen als Raspberry Pi, Arduino of IoT-apparaten.

Via deze GitHub-pagina vind je talrijke leuke projecten met Teachable Machine (van Bananameter tot Snake Game), evenals tutorials. Maar laten we nu vooral zelf aan de slag gaan met een bescheiden project.

Dit model heeft meteen door dat deze banaan overrijp is.

Starten met project

Surf naar https://teachablemachine.withgoogle.com. Hier leer je een computer trainen om je eigen afbeeldingen, geluiden en houdingen te herkennen. Klik op Aan de slag om een nieuw project te starten en kies uit drie modelopties: Projectafbeelding, Audioproject of Project met houdingen.

Wij nemen het eerste model als voorbeeld. Dit opent een venster waarin je kunt kiezen tussen een Model voor standaardafbeelding (kleur, 224 × 224 pixels) of een Model voor ingesloten afbeelding (grijswaarden, 96 × 96 pixels). Dit laatste, een embedded model, is geschikt voor microcontrollers. Wij kiezen hier voor het wat grotere standaardmodel.

Teachable Machine laat je uit drie grote trainingsmodellen kiezen.

Dataset en klassen aanmaken

Je komt nu terecht op een webpagina waar je eerst je dataset moet aanmaken. In dit geval bestaat deze uit afbeeldingen. Je deelt deze op in twee of meer categorieën, die je ook labelt. Teachable Machine heeft standaard twee categorieën (klassen), maar via +Een klasse toevoegen kun je eenvoudig meer klassen toevoegen.

Het aantal klassen dat je nodig hebt, hangt af van je project. Voor het onderscheiden van bijvoorbeeld QR-codes en zebrapatronen volstaan twee klassen (QR en Zebra). Wil je echter overrijpe, rijpe en rauwe bananen classificeren, dan heb je er minstens drie nodig. Zorg eerst dat het juiste aantal klassen beschikbaar is. Via de knop met drie stippen verwijder je desnoods overtollige klassen. Klik bij elke klasse op het potloodicoon en geef de categorie een zinvolle naam.

Daarna voeg je data toe aan elke klasse via de knop Uploaden of Webcam. Bij gebruik van de webcam moet je de pagina toegang geven tot de aangekoppelde camera. Door op Ingedrukt houden om op te nemen te klikken, stuur je continu snapshots naar Teachable Machine. De afbeeldingen verschijnen vervolgens in de betreffende klasse.

Vul je dataset met voldoende en gevarieerde afbeeldingen, via webcam en/of uploads.

Trainen en testen

Zodra je voldoende en gevarieerde data hebt toegevoegd, kun je het AI-model trainen. Klik op Model trainen om direct te starten of pas eerst enkele instellingen aan via het pijlknopje bij Geavanceerd. Hier kun je Tijdvakken, Batchgrootte en Leersnelheid aanpassen, vergelijkbaar met Epochs, Batch size en Learning rate in TensorFlow Playground. Klik op het vraagteken voor meer uitleg. Bij Geavanceerde opties kun je in een apart venster interessante statistieken over het trainingsproces bekijken. Na afloop verschijnt de melding Model getraind.

Klik rechts op Voorbeeld bekijken, zet Invoer op AAN en kies of je via Webcam of Bestand data wilt aanleveren. Wij kozen voor Webcam en testten met verschillende afbeeldingen van QR-codes en zebra’s. Bij Uitvoer toont Teachable Machine een percentage dat de zekerheid van de classificatie weergeeft.

Een QR-code op de rug van een zebra: daar heeft Teachable Machine niet van terug.

Export

Als alles goed werkt en je het model buiten de Teachable Machine-omgeving wilt gebruiken, klik je op Model exporteren. Kies voor Tensorflow.js, selecteer Downloaden en klik op Mijn model downloaden. Pak het gedownloade zip-bestand uit in een lege submap \my_model. Deze bevat een drietal bestanden, maar niet je trainingsdata. Dit komt doordat de neurale netwerkarchitectuur, geoptimaliseerde gewichten en modelconfiguratie kunnen volstaan voor nieuwe voorspellingen.

Ga vervolgens naar het tabblad Javascript, klik op Kopiëren en plak de code in een teksteditor, zoals Kladblok of Notepad++. Sla dit op als een html-bestand in de map net boven de submap \my_model.

Om lokaal te kunnen testen zonder browserfoutmeldingen zet je eerst een eenvoudige webserver op. Wij gebruikten de gratis Abyss Web Server (voor Windows, macOS en Linux). Plaats het html-bestand samen met de submap \my_model in de standaardmap C:\Abyss Web Server\htdocs. Dubbelklik erop om het in je browser te starten. Als het goed is, kun je nu meteen je AI-model testen. Succes.

Je kunt het model bijvoorbeeld testen via een lokale webserver.

Een inbouw-magnetron is ideaal als je op zoek bent naar een vaste plek voor je magnetron in een strakke, opgeruimde keuken. Maar hoe weet je welke je moet kiezen? De opties zijn uitgebreid: van compacte solo-magnetrons tot volwaardige combi-magnetrons met stoomfunctie. In dit artikel lees je waar je op moet letten zodat je een model vindt dat past bij jouw keuken én bij de manier waarop je kookt!

Meten = weten

Een inbouw-magnetron moet precies passen in de nis van je keukenmeubel. Daarom is het belangrijk om goed naar de afmetingen te kijken. Fabrikanten vermelden altijd de benodigde nishoogte, nisbreedte en nisdiepte in de specificaties. De standaard nishoogtes zijn meestal 38 cm of 45 cm. Sommige modellen zijn hoger, maar dan gaat het vaak om combi-ovens of apparaten met extra functies.

De nisbreedte is vrijwel altijd 56 cm. 60 cm komt ook voor, maar dat is eigenlijk meer geschikt voor een volledige oven dan voor een inbouw-magnetron. De nisdiepte varieert tussen de 55 en 58 cm. Meet de beschikbare ruimte goed op, inclusief de diepte van de achterwand en eventuele obstakels zoals elektriciteitsleidingen. Zit er een plint of deur onder? Controleer dan ook of de klep van de magnetron volledig open kan. Hieronder lees je nog wat meer over de afmetingen.

©RossandHelen

Solo of combi: welk type magnetron heb je nodig?

Een solo-magnetron gebruik je voor het opwarmen van voedsel, het ontdooien van diepvriesproducten of het bereiden van eenvoudige gerechten. Dit type magnetrons is eenvoudig in gebruik, vaak goedkoper en verbruikt minder stroom. Gebruik je de ovenfunctie nauwelijks, dan is dit een logische keuze.

Een combi-magnetron combineert de magnetronfunctie met een heteluchtoven. Je kunt er dus ook pizza's, taarten of ovenschotels in maken. Sommige combi-magnetrons hebben zelfs een grillstand of een stoomfunctie , waardoor je meerdere keukenapparaten kunt vervangen door één toestel. Houd er wel rekening mee dat een combi-magnetron doorgaans iets duurder is en iets langer nodig heeft om voor te verwarmen dan een volwaardige oven.

Voorbeeld: kook je veel met verse groenten en vis, dan is een model met stoomfunctie interessant. Warm je vooral soep en kant-en-klaarmaaltijden op, dan is een solo-magnetron vaak meer dan voldoende.

Bediening: draaiknop of touch?

Het gebruiksgemak verschilt per model. Traditionele modellen hebben vaak draaiknoppen: één voor het vermogen, één voor de tijd. Simpel en overzichtelijk, vooral geschikt als je de magnetron hoofdzakelijk gebruikt voor opwarmen en ontdooien.

Moderne inbouw-magnetrons zijn vaak uitgerust met touchbediening of zelfs een touchscreen. Je selecteert dan via het display het programma, de temperatuur of het gewicht. Sommige modellen hebben automatische programma's die zelf de bereidingstijd en het vermogen aanpassen. Handig, maar soms ook wat omslachtiger bij simpele taken.

Tip: probeer in een winkel of showroom hoe intuïtief het menu aanvoelt. Kies een bediening die past bij hoe jij graag kookt.

©Tom Baker | tab62

Let op de aansluiting en ventilatie

Een inbouw-magnetron werkt op een standaard stopcontact (230 volt), maar let goed op het vermogen. Sommige combi-modellen hebben een hoger piekverbruik; zorg dat de groep waarop je het aansluit dit aankan. Kijk ook waar de stekker zit: die moet je kwijt kunnen achter het meubel of via een uitsparing in de achterwand.

Daarnaast is ventilatie belangrijk. Tijdens het gebruik komt warmte vrij. In de handleiding van het apparaat staan minimale ventilatieruimtes aangegeven, bijvoorbeeld 2 cm boven en 5 cm achter. Houd je je daar niet aan, dan kan de magnetron oververhit raken of minder lang meegaan. Zit er al een oven onder of boven de plek waar je de magnetron wilt inbouwen? Controleer dan of de gecombineerde warmteafvoer goed geregeld is.

Praktische keuzehulp

Stel jezelf de volgende vragen voor je een keuze maakt:

☐ Waar komt de magnetron precies? In een hoge kast, boven een oven of op ooghoogte?
☐ Gebruik je nu vooral de magnetronfunctie of bak je ook regelmatig in de oven?
☐ Heb je al een aparte oven? Dan heb je vaak voldoende aan een solo-magnetron
☐ Wil je kunnen grillen of stomen?
☐ Wil je eenvoudige bediening of juist veel automatische programma's?
☐ Komt de magnetron in een bestaande nis of kastenwand, of wordt de keuken nog gebouwd?

Een voorbeeld: stel, je woont alleen, kookt snel en gebruikt de oven amper. Dan is een solo-magnetron van 38 cm hoog met draaiknoppen prima. Heb je een gezin, kook je gevarieerd en wil je ruimte besparen? Dan is een combi van 45 cm met grill en stoomfunctie een betere match.

Conclusie

Een inbouw-magnetron kiezen begint bij de afmetingen, maar gaat vooral over hoe jij kookt. Warm je snel iets op, dan is een eenvoudige solo-magnetron vaak genoeg. Bak je graag of heb je weinig ruimte, dan loont het om te investeren in een goede combi-magnetron. Let altijd op de inbouwmaten, ventilatie en bediening. Zo voorkom je verrassingen en haal je het meeste uit je keuken.

Er komen steeds meer toepassingen voor het automatiseren van je huis. SwitchBot is al wat langer in Nederland actief en heeft naast robotstofzuigers, schakelaars voor lichtknoppen en elektronische sloten ook een automatisch open- en sluitsysteem voor gewone gordijnen in het assortiment. Daar is nu een systeem voor rolgordijnen bijgekomen: de Roller Shade.

Thuisautomatisering is een handige manier om apparaten in het huishouden te bedienen zonder dat je in de meeste gevallen ook zelf thuis hoeft te zijn. Denk bijvoorbeeld aan het aanpassen van de temperatuur in huis, het bedienen van de verlichting of deuren, maar ook het openen of sluiten van de gordijnen. Op warme dagen kan het bijvoorbeeld slim zijn om die gordijnen automatisch te sluiten als de temperatuur boven een bepaalde waarde uitkomt, of wanneer er een bepaalde intensiteit van lichtinval is.

Al deze zaken en meer kun je inregelen met de spullen van SwitchBot. Het ecosysteem van dit bedrijf omvat een scala aan apparaten, variërend van raam- en deursensors en lichtknoprobots die je lichtknoppen kunnen indrukken tot complete aircosystemen en zelfs robotstofzuigers. Maar ook slimme lampen en gordijnsystemen dus. We hebben van SwitchBot al eerder de SwitchBot Curtain en de SwitchBot Curtain 3 getest, systemen die bedoeld zijn voor gordijnen op rails.

Complete set

De SwitchBot Roller Shade is een rolgordijnsysteem waar het rolgordijn zelf al bij wordt geleverd, in tegenstelling tot de SwitchBot Curtain die bedoeld is om aan een bestaand gordijnsysteem te koppelen. Overigens kun je ook je eigen bestaande rolgordijn op het systeem van de Roller Shade monteren.

De Roller Shade is een compleet rolgordijnpakket, en in de doos vind je alles wat je nodig hebt om het systeem op te hangen. Alle beugels, het rolsysteem, schroeven en pluggen worden meegeleverd, en zelfs gereedschap voor het vastdraaien van schroeven en het op maat snijden van het rolgordijn zelf ontbreekt niet. Verder krijg je er een bedieningspaneeltje bij, bestaande uit een omhoog- en omlaagknopm, en een kabeltje van zo'n twee meter dat kan worden aangesloten op de daarvoor gemaakte aansluiting op het frame. De Roller Shade wordt aangedreven door een interne batterij die volgens SwitchBot acht maanden lang werkt zonder tussentijds opladen. Via de usb-c-poort kan het systeem indien nodig bijtanken.

Goed opmeten

Voordat je aan de slag gaat met de Roller Shade, of eigenlijk: voordat je er eentje gaat kopen, moet je eerst even goed controleren of je de juiste afmetingen in je winkelwagentje hebt. De SwitchBot Roller Shade is beschikbaar in vier breedteversies en in twee basiskleuren: gebroken wit en grijs. Voor de breedte kun je kiezen uit small, medium, large en extra large, waarbij je opeenvolgend kunt kiezen voor breedtes van 58 t/m 80 cm, 80 tot 110 cm, 110 tot 140 cm en 140 tot 185 cm.

Wij hebben voor de XL-versie gekozen, omdat het kozijn waarop de SwitchBot wordt getest een breedte van 171 cm heeft. Geen enkele SwitchBot Roller Shade zal direct passen op het raamkozijn waar je hem wilt gebruiken, waardoor je waarschijnlijk altijd een stuk gordijnstof zult moeten verwijderen. Verderop lees je hoe dat werkt.

Belangrijk is om vooraf goed te bedenken hoe je de SwitchBot Roller Shade(s) wilt inzetten. De gordijnen zijn van polyester en verduisteren volledig. Dat kan donkerder zijn dan je gewend bent, maar in een slaapkamer is het juist vaak ideaal. Houd er wel rekening mee dat de kosten snel oplopen als je meerdere kozijnen naast elkaar hebt, omdat je voor elk raam een afzonderlijke Roller Shade nodig hebt.

Daarnaast bedekken de gordijnen nooit de volledige breedte van het kozijn. Aan beide zijden van de rol blijft een paar centimeter open, omdat de roller niet strak tegen het ophangframe aansluit. Afhankelijk van de montage kunnen hierdoor kieren ontstaan, waardoor er toch licht binnenvalt, vooral aan de kant van de motor. Plaats je meerdere Roller Shades naast elkaar voor één breed raam, dan blijven er altijd kleine openingen zichtbaar tussen de afzonderlijke gordijnen.

Op maat maken

Omdat de Roller Shade direct uit de doos waarschijnlijk niet meteen past, moet het systeem op maat worden gemaakt. Hoe dat werkt? Het ophangsysteem bestaat uit een verschuifbare aluminium balk waartussen het rolgordijn hangt. Aan een van de zijdes bevindt zich de motor, die via een stang in de aluminium rol van het gordijn is geschoven. De gordijnrol kan door de andere zijkant los te maken van de motorstang worden afgeschoven en eventueel worden vervangen door je eigen rolgordijn. In dit artikel houden we het bij de uitleg van het meegeleverde gordijn.

Om het meegeleverde SwitchBot-gordijn op maat te maken, is een vrij ingenieus systeem bedacht: aan de niet-gemotoriseerde kant kun je een apart blokje met een snijmes monteren, waar het rolgordijn met buis en al doorheen moet worden gehaald. Op die plek wordt het rolgordijn namelijk op maat gesneden.

In de SwitchBot-app geef je aan dat je een snij-sessie wilt starten. De motor van het rolgordijn begint nu langzaam te draaien. Tijdens het draaien moet je met de meegeleverde schroevendraaier het messysteem aandraaien, zodat het mes steeds dieper door de gordijnstof snijdt. Dat aandraaien doe je net zo lang tot het mes volledig door de stof heen is en bij de buis zelf is beland.

Het laatste deel van de buis waarop het gordijn is gerold, bestaat uit plastic. Als de snij-sessie correct is uitgevoerd en het mes met de schroevendraaier strak genoeg is aangedraaid, kan zelfs het plastic worden doorgesneden, of er in elk geval voor zorgen dat het makkelijker kan worden afgebroken.

Volledig uitrollen

Wanneer het overtollige stuk stof is losgesneden van de rest van het rolgordijn, blijft dat stuk aan het eind natuurlijk nog wel vastzitten aan de oprolbuis. Om dat stuk los te kunnen krijgen, moet de hele gordijnrol worden afgerold. Met een totale lengte van maar liefst 2,20 meter is dat nogal wat. Dat afrollen kan door middel van de app, maar kan ook handmatig door de oprolbuis eerst van de motorstang af te halen. Nadat het gordijn tot het eind is afgerold, kan het overtollige deel van de oprolbuis worden losgeknipt. Daarna breek je (zoals hierboven besproken) het overtollige plastic deel van de oprolbuis buis af, maar beter kun je proberen om dat stuk met een goed stanleymes af te snijden (het plastic is niet heel dik).

Het complete plastic deel van de oprolbuis moet er nu afgehaald worden, zodat de rest van het gordijn fatsoenlijk aan de buis kan worden bevestigd. De oprolbuis heeft nog een binnenste buis die je weer door het plastic deel moet schuiven. Vervolgens schuif je het dikke gedeelte van het gordijn door de sleuf van de plastic buis en schroef je alles vast.

Het opnieuw oprollen van het rolgordijn dient zorgvuldig te gebeuren, waarbij de linker- en de rechterkant gelijkmatig moeten worden opgerold. Gaat dat niet helemaal netjes, dan bestaat de kans dat het gordijn na het oprollen niet helemaal recht en strak om de oprolbuis zit. In ons geval moesten we het een paar keer opnieuw doen om alles strak te krijgen. Als het gordijn scheef op de rol zit, kan deze vast komen te zitten tijdens het automatisch omhoog rollen.

Ophangen

Het ophangsysteem van de Roller Shade is anders dan het gemiddelde rolgordijn. Die worden doorgaans links en rechts van de oprolbuis op het kozijn geschroefd. Bij de Roller Shade zit het bevestigingssysteem boven de aluminium balk en moet het systeem daar schuin in worden geklikt. Op zich is dat een prima manier, maar het vergt wel wat handigheid en je moet ietsje boven je macht werken omdat het hele systeem relatief zwaar is. De klus kun je dan ook beter met z'n tweeën doen.

Ook zijn de beugels waarin het aluminium frame wordt opgehangen niet heel stevig, waardoor alles een beetje naar beneden zakt op het moment dat het systeem wordt vastgeklikt. Ook belangrijk om te weten: past het frame precies in een raamnis, dan moet je het systeem compleet met het rolgordijn erin ophangen. Het rolgordijn er achteraf in plaatsen is dan niet mogelijk, omdat het systeem alleen vanaf één kant kan worden losgemaakt en het rolgordijn over de aandrijfstang van de motor geplaatst moet worden.

©MG | ID.nl

Kalibratie

Nadat de Roller Shade is opgehangen, is het tijd voor de kalibratie. Dat is nodig voor het systeem om te kunnen bepalen wanneer het rolgordijn volledig is opgerold en wanneer hij helemaal is uitgerold. Het rolgordijn is namelijk geschikt voor ramen tot zo'n 2 meter hoog, en dan moet op een bepaald moment worden ingesteld tot hoe ver het gordijn moet uitrollen totdat het venster compleet door het gordijn is bedekt. Het systeem kan niet uit zichzelf zien of het zich helemaal heeft opgerold; ook dat moet worden gekalibreerd.

Je start de kalibratie met behulp van de app, waarbij eerst moet worden bepaald wanneer het systeem volledig is opgerold. Aan de onderkant van het gordijn is een (eerder gemonteerde) aluminium stang geplaatst, die fungeert als tegengewicht om het gordijn op zijn plek te houden. Die stang dient tevens als buffer om te voorkomen dat het gordijn na het compleet oprollen blijft doordraaien. Tijdens het kalibratieproces kun je zelf niet aangeven wanneer tijdens het oprollen het einde is bereikt; dat stopt vanzelf zodra de aluminium stang het ophangframe bereikt. De app vraagt de gebruiker vervolgens of het systeem is vastgelopen of dat het einde is bereikt.

Het oprollen stopt hierdoor echter wel vrij abrupt en lijkt hiermee het ophangsysteem te beschadigen, omdat de aluminium balk relatief bruusk tegen het ophangframe wordt getrokken. Deze manier van kalibreren voelt al met al wat primitief aan, maar het werkt wel. De volgende stap is het bepalen van de afrollengte. Hierbij bepaalt de gebruiker wanneer het einde is bereikt en het raam naar wens is bedekt. Je drukt dan simpelweg op de stopknop en accepteert de stand van het gordijn. Na de kalibratie kun je de Roller Shade volledig gebruiken.

Schema's en timers

De SwitchBot-app voor de kalibratie en de bediening gebruik je ook als je andere apparaten van dit merk in huis hebt. De app is niet specifiek gericht op het rolgordijnsysteem, maar kan ook worden gebruikt voor het uitlezen van de verschillende temperatuur- en vochtmeters van SwitchBot, het bedienen van de andere gordijnsystemen zoals de SwitchBot Curtain 1 en Curtain 3 en andere slimme apparaten.

Handig is dat je verschillende apparaten en meters van SwitchBot aan elkaar kunt koppelen. Zo kun je er bijvoorbeeld bij het bereiken van een ingestelde temperatuur voor zorgen dat de Roller Shade automatisch wordt gesloten of geopend. Dat kan ook bij een bepaalde lichtintensiteit: als je een (apart te verkrijgen) zonnepaneel aan de usb-c-poort op de Roller Shade aansluit, kun je aangeven bij welke intensiteit het gordijn moet sluiten of openen. Met het aansluiten van zo'n zonnepaneel wordt de Roller Shade trouwens ook automatisch opgeladen.

Conclusie

De SwitchBot Roller Shade is een mooie manier om je huis te automatiseren en kan een prima toevoeging zijn als je al delen van je huis hebt geautomatiseerd. In combinatie met bijvoorbeeld een slimme thermostaat, verlichting en koel- of verwarmingsapparaten kun je bij warm weer je huis koel houden, of 's winters juist warmer krijgen. Dankzij het SwitchBot-ecosysteem is het handig dat je het rolgordijnsysteem kunt meenemen in alle routines voor huisautomatiseringen.

De Roller Shade is 100 procent verduisterend. Dat kan prettig zijn, maar dat werkt alleen goed als je het rolgordijnsysteem ook echt goed passend krijgt. Helaas lukt dat niet altijd, omdat het rolgordijn zelf niet de volledige breedte van het montagesysteem heeft. Daarnaast luistert de installatie vrij nauw, dus alles goed van tevoren opmeten is essentieel.