СИСТЕМА САМОКАЛІБРУВАННЯ СЕНСОРІВ РОЗУМНОГО БУДИНКУ НА ОСНОВІ РОБАСТНОЇ РЕГРЕСІЇ ТА ОНЛАЙН-ДЕТЕКЦІЇ АНОМАЛІЙ

О. В. Бойко; М. В. Добролюбова

doi:10.31649/1997-9266-2026-186-3-99-109

Автор(и)

О. В. Бойко ORCID 0009-0007-3991-6410

Національний технічний університет України ""Київський політехнічний інститут імені Ігоря Сікорського"" ROR

М. В. Добролюбова ORCID 0000-0003-3647-3320

Національний технічний університет України «Київський політехнічний інститут ; Київський національний економічний університет імені Вадима Гетьманам. Ігоря Сікорського»;

DOI https://doi.org/10.31649/1997-9266-2026-186-3-99-109

Ключові слова

розумний будинок самокалібрування сенсорів робастна регресія HuberRegressor середня абсолютна похибка медіанне абсолютне відхилення виявлення аномалій MQTT FastAPI PostgreSQL Grafana програмування база даних

Анотація

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.

76 24

Як цитувати

[1]

«СИСТЕМА САМОКАЛІБРУВАННЯ СЕНСОРІВ РОЗУМНОГО БУДИНКУ НА ОСНОВІ РОБАСТНОЇ РЕГРЕСІЇ ТА ОНЛАЙН-ДЕТЕКЦІЇ АНОМАЛІЙ», Вісник ВПІ, вип. 3, с. 99–109, Лип 2026, doi: 10.31649/1997-9266-2026-186-3-99-109.

Завантажити посилання

Біографії авторів

автор О. В. Бойко, афіліація Національний технічний університет України ""Київський політехнічний інститут імені Ігоря Сікорського""

студентка факультету робототехніки та приладобудування

автор М. В. Добролюбова, афіліація Національний технічний університет України «Київський політехнічний інститут ; Київський національний економічний університет імені Вадима Гетьманам. Ігоря Сікорського»;

канд. техн. наук, доцент кафедри інформаційно-вимірювальних технологій Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського»; доцент кафедри інформаційних систем в економіці, Київського національного економічного університету імені Вадима Гетьмана, Київ

Посилання

K. Yamamoto, T. Togami, N. Yamaguchi, and S. Ninomiya, “Machine Learning-Based Calibration of Low-Cost Air Temperature Sensors Using Environmental Data,” Sensors, vol. 17, no. 6, article 1290, 2017. https://doi.org/10.3390/s17061290 .

R. Dubey, A. Telles, J. Nikkel, et al., “Low-Cost CO2 NDIR Sensors: Performance Evaluation and Calibration Using Machine Learning Techniques,” Sensors, vol. 24, no. 17, article 5675, 2024. https://doi.org/10.3390/s24175675 .

M. Taştan, “Machine Learning-Based Calibration and Performance Evaluation of Low-Cost Internet of Things Air Quality Sensors,” Sensors, vol. 25, no. 10, article 3183, 2025. https://doi.org/10.3390/s25103183 .

K. DeMedeiros, A. Hendawi, and M. Alvarez, “A Survey of AI-Based Anomaly Detection in IoT and Sensor Networks,” Sensors, vol. 23, no. 3, article 1352, 2023. https://doi.org/10.3390/s23031352 .

C. Leys, C. Ley, O. Klein, P. Bernard, and L. Licata, “Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median,” Journal of Experimental Social Psychology, vol. 49, no. 4. pp. 764-766, 2013. https://doi.org/10.1016/j.jesp.2013.03.013 .

OASIS. MQTT Version 5.0. OASIS Standard, 07 March 2019. [Online]. Available: https://docs.oasis-open.org/mqtt/mqtt/v5.0/mqtt-v5.0.html . Accessed: March 17, 2026.

Home Assistant. MQTT integration documentation. [Online]. Available: https://www.home-assistant.io/integrations/mqtt/ . Accessed: February 14, 2026.

Scikit-learn developers. HuberRegressor – official API reference. [Online]. Available: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.HuberRegressor.html. Accessed: February 14, 2026.

FastAPI. Official documentation. [Online]. Available: https://fastapi.tiangolo.com/. Accessed: February 14, 2026.

Grafana Labs. PostgreSQL data source documentation. [Online]. Available: https://grafana.com/docs/grafana/latest/datasources/postgres/ . Accessed: March 17, 2026.

P. J. Huber, “Robust Estimation of a Location Parameter,” The Annals of Mathematical Statistics, vol. 35, no. 1, pp. 73-101, 1964. https://doi.org/10.1214/aoms/1177703732 .