Local distributed lifelong learning system architecture applied to smart buildings
Architecture de système de formation continue distribuée locale appliquée aux bâtiments intelligents
Résumé
Buildings both residential and commercial together consume close to half of the world’s total energy produced and is growing at a non decreasing pace.So efficient resource utilization forms the primary motivation behind integrating smartness into a brick and mortar structure.Although active from early 2000's, literature survey reveals that there are significant business gaps that bottlenecks smart building development.Data privacy, high capital investments and obscure monetary benefits are the major factors that impede the motivation to integrate smartness in a building.This work introduces the idea of a zero sensor intelligence by embedding human-space interaction models on a graph based abstraction of a building.Spectral decomposition of the semantically enriched connected graph helps in ranking multiple spaces with regard to temporal importance or likely energy dissipation.Next, we extend the problem of optimal sensor placement to finding the minimal sensing group that can robustly approximate missing sensors to provide complete spatial coverage.Lifelong learning mechanism is used to identify robust sensor placement configurations and continually learn a metric of hardness to approximate.This culminates in a novel pre-integration platform to bring clarity on at-least how many sensors are to be installed and where.Once sensors are installed, the platform enforces data privacy by design, being inspired from the philosophy of edge computing to process data as close as possible to the generation site.In a nutshell, the work lays the blueprint of a generic smart building solution with lesser sensors, lower carbon footprint and auto-updating models with strictly localised raw data at edge.
Les bâtiments résidentiels et commerciaux consomment ensemble près de la moitié de l'énergie totale produite dans le monde et croissent à un rythme non décroissant.L'utilisation efficace des ressources constitue donc la principale motivation derrière l'intégration de l'intelligence dans une structure de brique et de mortier.Bien qu'elle soit active depuis le début des années 2000, une étude de la littérature révèle qu'il existe des lacunes commerciales importantes qui entravent le développement de bâtiments intelligents.Confidentialité des données, investissements en capital élevés et bénéfices monétaires obscurs sont les principaux facteurs qui entravent la motivation à intégrer l'intelligence dans un bâtiment.Ce travail introduit l'idée d'une intelligence sans capteur en intégrant des modèles d'interaction homme-espace sur une abstraction basée sur un graphe d'un bâtiment.La décomposition spectrale du graphe connecté enrichi sémantiquement aide à classer plusieurs espaces en fonction de l'importance temporelle ou de la dissipation d'énergie probable.Ensuite, nous étendons le problème du placement optimal des capteurs à la recherche du groupe de détection minimal qui peut approximer de manière robuste les capteurs manquants pour fournir une couverture spatiale complète.Le mécanisme d'apprentissage tout au long de la vie est utilisé pour identifier des configurations de placement de capteurs robustes et apprendre en permanence une métrique de dureté à approximer.Cela aboutit à une nouvelle plate-forme de pré-intégration pour clarifier au moins combien de capteurs doivent être installés et où.Une fois les capteurs installés, la plateforme applique la confidentialité des données dès sa conception, s'inspirant de la philosophie du edge computing ou traite les données au plus près du site de génération.En bref, le travail pose le modèle d'une solution générique de bâtiment intelligent avec moins de capteurs, une empreinte carbone plus faible et des modèles de mise à jour automatique avec des données brutes strictement localisées à la périphérie.
Origine : Version validée par le jury (STAR)