[論文レビュー] Quiver: Using Control Perturbations to Increase the Observability of Sensor Data in Smart Buildings

Jason Koh, Bharathan Balaji+3 more|arXiv (Cornell University)|Jan 27, 2016

Context-Aware Activity Recognition Systems参考文献 29被引用数 12

ひとこと要約

本論文では、スマートビルにおけるセンサーの観測可能性を向上させるために、標的的なHVACアクチュエータの調整を用いた安全な制御摂動フレームワーク「Quiver」を提案する。制御された摂動を適用することにより、Quiverは実際の商業ビルにおいて、センサーの同一位置特定（98.4%）、ポイントタイプ同定（85.3%）、アクチュエータの依存関係マッピング（73.5%）の高精度な同定を可能にする。

ABSTRACT

Modern buildings consist of hundreds of sensors and actuators for monitoring and operation of systems such as HVAC, light and security. To enable portable applications in next generation smart buildings, we need models and standardized ontologies that represent these sensors across diverse types of buildings. Recent research has shown that extracting information such as sensor type with available metadata and timeseries data analysis is difficult due to heterogeneity of systems and lack of support for interoperability. We propose perturbations in the control system as a mechanism to increase the observability of building systems to extract contextual information and develop standardized models. We design Quiver, an experimental framework for actuation of building HVAC system that enables us to perturb the control system safely. Using Quiver, we demonstrate three applications using empirical experiments on a real commercial building: colocation of data points, identification of point type and mapping of dependency between actuators. Our results show that we can colocate data points in HVAC terminal units with 98.4 % accuracy and 63 % coverage. We can identify point types of the terminal units with 85.3 % accuracy. Finally, we map the dependency links between actuators with an accuracy of 73.5 %, with 8.1 % and 18.4 % false positives and false negatives respectively.

研究の動機と目的

• スマートビルにおけるセンサーデータの多様性と標準化されたオントロジーの欠如という課題に対処すること。
• メタデータや時系列解析の限界を克服し、ポイントタイプや位置などのセンサーの文脈を同定すること。
• アクティブな制御を用いて文脈情報を抽出することで、ポータブルで相互運用可能なビルアプリケーションの実現を可能にすること。
• 運用を妨げることなくシステムの挙動を調査するため、HVACシステムを安全に制御する実験的フレームワークの開発。
• 制御摂動が、単なる受動的分析に比べて、センサーデータの観測可能性を顕著に向上させることを実証すること。

提案手法

• 制御入力範囲と作動周波数に制限を設けた、HVACターミナルユニット（VAV）アクチュエータに対する安全な摂動を実行する制御フレームワーク「Quiver」の設計。
• 作動信号を用いて局所制御システムを一意の動作状態に誘発し、センサーデータの区別が可能になるようにする。
• 摂動への同期応答に基づいて、単純なデータ分析を用いてセンサーの同一位置特定を実施する。
• 1つのVAVユニットから得た正解のポイントタイプを用いて、8つのゾーンにわたるポイントタイプを分類するためのトランスファーラーニングを活用する。
• 摂動実験における応答相関の確率的分析を用いて、アクチュエータ間の依存関係をマッピングする。
• ステータス照会、ロールバック機能、時間制限付き運用（週末・夜間）といった安全対策を実装する。

実験結果

リサーチクエスチョン

• RQ1 受動的データ分析に比べ、制御摂動はHVACシステムにおけるセンサーの同一位置特定の精度を向上させることができるか？
• RQ2 メタデータが信頼できない、あるいは存在しない状況下で、制御摂動はポイントタイプの同定をどの程度向上させることができるか？
• RQ3 制御摂動と応答相関を用いて、VAVユニット内のアクチュエータ間の依存関係を推定できるか？
• RQ4 実運用上の制約下で、依存関係マッピングにおける誤検出率（ファルス・ポジティブ）と見逃し率（ファルス・ネガティブ）はどのように変化するか？
• RQ5 安全で単一ユーザー向けの制御フレームワークは、文脈的情報の発見のための繰り返し可能で観測可能なシステムのプローブを可能にするか？

主な発見

• Quiverは、テストビル全体の63%をカバーする範囲で、HVACターミナルユニット内のデータポイントの同一位置特定に98.4%の精度を達成した。
• トランスファーラーニングを用いたポイントタイプ同定は、建物の8つの異なるゾーンで85.3%の精度に達した。
• アクチュエータ間の依存関係マッピングは73.5%の精度を示し、誤検出率8.1%、見逃し率18.4%であった。
• 制御摂動は、通常運転時におけるデータ特性が類似している場合に特に顕著に、受動的分析に比べてセンサー関係の同定性能を向上させた。
• このフレームワークは、実際のHVACシステムにおいて安全で繰り返し可能な実験を成功裏に実施し、広範な展開の可能性を示した。
• 摂動ベースの同定手法は、手動によるメタデータ整備への依存を低減し、建物システム間でのモデルのポータビリティを向上させた。