Система самокалібрування сенсорів розумного будинку на основі робастної регресії та онлайн-детекції аномалій

Abstract

The paper examines a smart-home sensor self-calibration platform implemented as an external Python service for local Internet of Things (IoT) infrastructures. The relevance of the study is determined by the fact that drift and systematic bias of low-cost temperature and humidity sensors directly affect indoor climate monitoring, the correctness of automated heating and ventilation scenarios, and the overall energy efficiency of residential environments. At the software level, the study reconstructs a complete processing pipeline that covers data ingestion through a REST API, MQTT or a built-in simulator, persistence in PostgreSQL, periodic retraining of the calibration model, correction of incoming measurements, online anomaly detection, and subsequent visualization through a web dashboard and Grafana. The methodological novelty of the solution lies in combining time alignment of “raw sensor – reference sensor” pairs, robust affine correction with HuberRegressor, a model acceptance rule based on reducing mean absolute error (MAE) by at least 2%, and anomaly scoring based on median absolute deviation (MAD) with a fallback z-score procedure. The study shows that the algorithm does not merely train a correction model; it can also safely refuse to apply calibration when the model quality is insufficient or when the amount of training data is inadequate. An experiment performed on the built-in simulator, which models four rooms, 20 sensors and 4,800 measurements, demonstrated a strong error reduction for temperature channels: after the initial calibration stage, the average MAE decreased 1.56 to 0.31 °C. For humidity channels, the effect was more moderate, with the average error decreasing 1.44 to 1.34 % RH. In the final online window after a series of retraining cycles, the mean MAE reduction across all paired channels reached 30.4 %; specifically, temperature sensors achieved a 42.3% improvement, as humidity sensors achieved a 14.5 % improvement. Additional verification on the archived SQLite database bundled with the project confirmed a strong effect for the living-room temperature sensor (1.789 → 0.162) and a moderate effect for the humidity channel (0.611 → 0.588). The practical significance of the proposed approach lies in the fact that it can be integrated into the existing local smart-home infrastructure without modifying the firmware of end devices, thereby improving telemetry reliability, reducing false automation triggers, and creating prerequisites for energy savings in home automation systems. Beyond its technical effect, the proposed solution also has clear applied socio-economic significance, since it makes it possible to improve the performance of low-cost sensors by software means without switching to more expensive hardware. This can substantially simplify everyday use for people relying on affordable smart-home systems, make such systems more accessible to a wider range of consumers, and, in the long term, contribute to reducing their overall cost both at the deployment stage and during further operation.

Розглянуто програмну платформу самокалібрування сенсорів розумного будинку, реалізовану як зовнішній сервіс на Python для локальних систем Інтернету речей (IoT). Актуальність роботи зумовлена тим, що дрейф і систематична похибка недорогих температурних та вологісних сенсорів безпосередньо впливають на якість моніторингу мікроклімату, коректність автоматизованих сценаріїв керування опаленням і вентиляцією, а також на енергетичну ефективність житла. На рівні програмної реалізації відтворено повний конвеєр обробки даних: надходження показів через REST API, MQTT або симулятор, збереження в базі даних PostgreSQL, періодичне перенавчання калібрувальної моделі, застосування корекції до нових вимірювань, онлайн-виявлення аномалій та подальшу візуалізацію через веб-дашборд і Grafana. Методична новизна рішення полягає у поєднанні часової синхронізації пар «сирий сенсор – еталон», робастної афінної корекції за допомогою HuberRegressor, правила прийняття моделі за критерієм зменшення середньої абсолютної похибки (mean absolute error, MAE) не менше ніж на 2 % та онлайн-детекції аномалій на основі медіанного абсолютного відхилення (median absolute deviation, MAD) з резервним переходом до z-оцінки. Показано, що алгоритм не лише навчає корекційну модель, а і може безпечно відмовлятися від її застосування, якщо якість моделі недостатня або даних для навчання замало. Експеримент на вбудованому симуляторі, який моделює чотири кімнати, 20 сенсорів і 4800 вимірювань, засвідчив виражене зменшення похибки для температурних каналів: середня MAE після початкового калібрування зменшилася з 1,56 до 0,31 °C. Для каналів вологості ефект виявився помірнішим: середня похибка знизилася з 1,44 до 1,34 %RH. У завершальному онлайновому вікні після серії перенавчань середнє зменшення MAE для всіх парних каналів становило 30,4 %, при цьому для температурних сенсорів воно досягло 42,3 %, а для вологісних — 14,5 %. Додаткова перевірка на архівній SQLite-базі з проєкту підтвердила сильний ефект для температурного датчика у вітальні (1,789 → 0,162) та помірний ефект для вологісного каналу (0,611 → 0,588). Практична цінність запропонованого підходу полягає в тому, що його можна інтегрувати у локальну інфраструктуру розумного будинку без модифікації прошивки кінцевих пристроїв, підвищуючи достовірність телеметрії, зменшуючи кількість хибних спрацювань та створюючи передумови для економії енергії в системах домашньої автоматизації. Окрім технічного ефекту, запропоноване рішення має виражене прикладне соціально-економічне значення, оскільки дає змогу підвищити якість роботи дешевих сенсорів програмними засобами без переходу на дорожче обладнання. Це суттєво полегшує повсякденне користування бюджетними системами розумного дому, робить такі системи доступнішими для ширшого кола споживачів і в перспективі сприяє зменшенню їх загальної вартості як на етапі впровадження, так і під час подальшої експлуатації.