[论文解读] 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 12

一句话总结

本文提出 Quiver，一种用于智能建筑的安全控制扰动框架，通过有针对性地调整暖通空调（HVAC）执行器，提升传感器数据的可观测性。通过施加受控扰动，Quiver 在真实商业建筑中实现了高精度的传感器共位置识别（98.4%）、点类型识别（85.3%）以及执行器依赖关系映射（73.5%）。

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.

研究动机与目标

• 解决智能建筑中传感器数据异构性以及缺乏标准化本体论的问题。
• 克服元数据和时间序列分析在识别传感器上下文（如点类型和位置）方面的局限性。
• 通过主动控制提取上下文信息，实现可移植、互操作的建筑应用。
• 开发一种安全的实验性框架，用于驱动暖通空调系统，以探测系统行为，同时不干扰正常运行。
• 证明控制扰动相比仅依赖被动分析，能显著提升传感器数据的可观测性。

提出的方法

• 设计 Quiver，一种安全控制框架，通过在受限输入范围和执行频率下对暖通空调末端装置（VAV）执行器施加扰动。
• 利用执行信号激发局部控制系统进入独特运行状态，使传感器数据可被区分。
• 应用简单数据分析，基于对扰动的同步响应实现传感器共位置识别。
• 利用来自一个 VAV 单元的真实点类型数据，通过迁移学习对建筑内八个区域的点类型进行分类。
• 通过扰动实验中响应相关性的概率分析，映射执行器之间的依赖关系。
• 实施安全机制，包括状态查询、回滚功能以及时间受限操作（周末/夜间）。

实验结果

研究问题

• RQ1 与被动数据分析相比，控制扰动是否能提升暖通空调系统中传感器共位置识别的准确性？
• RQ2 当元数据不可靠或缺失时，控制扰动在多大程度上能增强传感器点类型的识别能力？
• RQ3 能否通过受控扰动和响应相关性推断出 VAV 单元中执行器之间的依赖关系？
• RQ4 在真实运行约束条件下，依赖关系映射中的假阳性率和假阴性率如何变化？
• RQ5 一种安全的单用户控制框架是否能够实现可重复、可观测的系统探测，以发现上下文数据？

主要发现

• Quiver 在暖通空调末端装置内实现了 98.4% 的数据点共位置识别准确率，覆盖测试建筑的 63%。
• 通过迁移学习实现的点类型识别在建筑八个不同区域中达到 85.3% 的准确率。
• 执行器之间的依赖关系映射准确率为 73.5%，假阳性率为 8.1%，假阴性率为 18.4%。
• 控制扰动在识别传感器关系方面显著优于被动数据分析，尤其在正常运行期间数据特征相似的情况下表现更优。
• 该框架成功实现了对真实暖通空调系统的安全、可重复实验，证明了其在更广泛部署中的可行性。
• 基于扰动的发现方法减少了对人工元数据整理的依赖，并提升了模型在不同建筑系统间的可移植性。