基于机器学习的虚拟传感器用于门开启检测和异常检测

论文标题：Virtual sensor for door opening detection and anomaly detection using machine learning（基于机器学习的虚拟传感器用于门开启检测和异常检测）

作者信息：

• Almir Neto，来自巴西马拉尼昂联邦教育、科学与技术研究所（IFMA），圣路易斯市。
• Luis Gomes 和 Zita Vale，来自葡萄牙波尔图理工学院（P.PORTO）的GECAD-Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development。

论文出处：2024年IEEE第22届智能系统应用于电力系统国际会议（ISAP），DOI: 10.1109/ISAP63260.2024.10744280。

主要内容：

摘要： 本文提出了一种使用机器学习技术替代真实传感器的虚拟传感器，特别适用于冰箱门的开启检测以及当门长时间未关闭时的异常检测。通过在ESP32微控制器上应用Tiny Machine Learning（TinyML），实现了回归和分类模型来检测门的开启和异常情况。测试结果显示，虚拟传感器与真实传感器的比较结果是令人满意的，分类准确度为99.59%，回归的均方根误差值为0.01。此外，还开发了一个原型，并将模型嵌入到ESP32微控制器中。

引言： 在智能家居自动化中，通常需要使用多种传感器，如光线、运动检测、温度、湿度、空气质量和烟雾检测等。为了简化物理传感器的实施和降低维护成本，一些研究使用机器学习从真实传感器的历史数据开发虚拟传感器。通过机器学习，可以将物理传感器读取的值转换为虚拟传感器，通过数据库中的其他变量或参数来测量特定参数。

相关工作： 在智能家庭中评估了虚拟传感器应用的性能，结果表明随机森林方法比线性回归和自适应助推器（AdaBoost）表现更好。提出了基于不同物理效应的H+的pH测量虚拟传感器，并评估了pH值从4到11的结果。还提出了使用线性回归模型创建两个虚拟传感器的建议，以及使用随机森林方法设计的智能家居架构。

提出的解决方案： 由于需要减少原型中使用的传感器数量，本项目虚拟化了传感器。虚拟传感器的开发包括数据分离、机器学习训练和测试、模型在微控制器中的实现、推理和虚拟传感器的验证。数据采集使用了一个月内收集的数据库数据，包括外部温度、室内温度和湿度数据以及电气网络参数。通过TinyML在微控制器上部署机器学习模型，并使用Edge Impulse平台训练、测试和实施机器训练。目标是训练一个神经网络，使用TinyML替换LDR传感器，预测门的开启（1）或关闭（0）。

数据采集是通过使用一个原型设备在一个月的时间内完成的，该原型设备基于之前研究中提出的设计[5]。在这个过程中，使用了以下传感器和设备来收集数据：

1. DS18B20传感器：用于读取外部温度数据（记作temp1）。

2. DHT22传感器：用于收集室内温度（记作temp2）和湿度（记作hum1）数据。

3. CVM-1D电力分析仪：用于获取电气网络参数，包括活跃功率（记作act1）和电流（记作curr1）。

在一个月的时间内，以5秒为一个读数周期，共收集了111,825条数据记录。数据的采集和存储是为了后续的虚拟化过程，这些数据被用来训练和测试机器学习模型，以实现虚拟传感器的功能。

在数据采集过程中，首先将数据分为输入参数（inputs）和输出（output），如表I所示。这些数据反映了冰箱门开启和关闭时的不同状态，其中活跃功率、电流、室内温度和湿度被选为模型训练的输入特征，而门的开启状态（开启为1，关闭为0）作为输出标签。

通过这种方式，研究者能够收集足够的数据来训练一个机器学习模型，该模型能够预测冰箱门是否开启，并检测门是否长时间未关闭的异常情况。这些数据为虚拟传感器的开发提供了基础，使得可以在不使用物理传感器的情况下，通过分析其他相关参数来推断门的状态。

虚拟传感器： ESP32是Espressif Systems的一款微控制器，具有WiFi、蓝牙、双核、520KB静态随机存取存储器等特性。LDR（光依赖电阻）传感器用于识别冰箱门的开启和关闭。在原型中，实际的LDR被用来比较虚拟传感器的效率。虚拟传感器的使用有助于识别门的开启，并减少项目中另一个传感器的实施。

异常检测： 虚拟传感器的另一个特性是异常检测，即检测与训练神经网络使用的数据不同的不寻常值。使用Edge Impulse的异常检测功能，通过act1、curr1、temp2和hum1轴进行检测。

案例研究： 在真实环境中测试了虚拟传感器，并将其结果与真实传感器进行了比较。模拟了门开启的情况，并比较了真实传感器（即LDR）和虚拟传感器的检测结果。结果表明，虚拟传感器在检测门开启方面表现出了优势，并且能够检测异常情况。

结论： 本文提出了一个机器学习模型，用于替代真实传感器的虚拟传感器。通过使用TinyML将模型应用于ESP32微控制器，并使用Edge Impulse开发原型。结果表明，虚拟传感器在门开启检测方面是有效的，准确度约为99.59%，均方根误差值为0.01。虚拟传感器的应用表明，可以替代真实传感器而不会失去其功能。未来的工作将包括增加测试数量，探索优化技术以减少门开启检测的延迟，并进行更详细的研究以减少异常检测时间。