Fik hjælp til at finde og udbedre usikkerheder i IoT-løsninger til indeklima

En IoT-løsning består typisk af flere forskellige hardware- og softwareløsninger, der er leveret af flere virksomheder. Kombinationen af forskellige kompetencer, der er enten it-tekniske eller domænespecifikke, kan gøre det potentielt svært at spotte fejl og uregelmæssigheder – også kaldet anomalier – i et IoT-setup.

Det er netop en udfordring, som mange danske IoT-virksomheder står med. En af dem er CLIMAID, der har specialiseret sig indeklima-måling. De står bag en softwareløsning, der kan måle det fysiske og oplevede indeklima. 

Deres løsning henter data fra mange af de forskellige sensorer, der findes på markedet. Nogle af dem er billige, og der kan være stor forskel på kvaliteten. De havde derfor brug for en metode til at spotte eventuelle fejl i sensorerne, allerede inden deres løsning når ud til kunderne. Samarbejdet har primært givet dem viden om kalibrering af sensorerne.

I et fælles samarbejde med FORCE Technology og os har man undersøgt, hvordan man kan spotte eventuelle fejl i de datapakker, der strømmer igennem IoT-løsningerne. 

“Anomali-detektion er en del af en større pakke for troubleshooting af IoT-løsninger. Der er mange potentielle fejlkilder for data i et IoT-system, og det er derfor vigtigt at have en systematisk tilgang til at undersøge data. Det skal både sammenholdes med systemet og det miljø, som det er installeret i,” forklarer Anders Mynster fra FORCE Technology. 

Spotte fejl i kalibreringen
I projektet har man blandt andet kigget på størrelsen af datapakkerne og eksempelvis fundet frem til, at der nogle gange kommer unaturligt høje målinger af fx CO2-koncentration. Det skyldtes små unøjagtigheder i selve kalibreringen af sensorerne. Det blev identificeret ved først at se på data fra systemerne og derefter kalibrere udvalgte CO2-sensorer i FORCE Technologys akkrediterede faciliteter. 

I andre situationer rapporterede sensorer et batteriniveau i forskellige formater, hvilket gjorde sammenligning besværlig og kunne føre til fejl i algoritmer. I et andet scenarie begyndte sensorerne at sende data langt hyppigere end normalt, hvilket kan være et problem for batteriet. 

CLIMAID havde i forvejen et stærkt fokus på troubleshooting i deres IoT-systemer, men samarbejdet har givet dem vigtige indsigter omkring kalibrering, forklarer Søren Andersen, der er teknisk direktør i CLIMAID:

“Det har givet os indblik i, hvad der sker, når de her data kommer ind. Det har givet os mulighed for at spotte, når der er fejl i kalibreringen, og det er rigtig godt. Det gør jo, at man går fra at have forkerte målinger og til at have korrekte, og det er vigtigt”, forklarer han.

Forskellige scenarier
For at spotte anomalier skal man ikke kun kigge på værdierne men også på metadata, og på om ændringerne i værdierne ikke passer, lyder det fra vores Senior Cyber-Physical Specialist, Alexandre Alapetite. Hvis en lokationssensor som fx på en bil eller lastbil flytter sig fra Paris til Moskva på under fem sekunder, så er ændringen forkert.

Der kan også være problemer med metadata som eksempelvis størrelsen af datapakken, eller hvornår den kommer. Hvis man forventer data hvert minut, og der går tre minutter, så er der et problem. Og omvendt, hvis man får datapakkerne hurtigere, er der også et problem, da det koster i strøm. Hvis en sensor sender en stor pakke hvert minut og en mindre hvert tiende, og dette mønster ændrer sig, er det også vigtigt at dobbelttjekke.

Der findes forskellige måder at tjekke det på, forklarer Alexandre Alapetite:

“Reglerne kan være manuelle, hvor man siger, at jeg forventer en datapakke hvert minut. Eller den kan være intelligent og baseret på statistik, hvor man observerer et relativt gennemsnit på tværs af sensorer. Og hvis der er nogen, der afviger, skal man dobbelttjekke. Man kan også bygge en model, der er baseret på machine learning, og hvor man kan tage hensyn til andre parametre som ferie, weekend eller andet.”