Humboldt-Universität zu Berlin

Das Geschäftsfeld intelligentes Wohnen (smart home) ist ein Wachstumsmarkt, dessen Möglichkeiten noch nicht ausgeschöpft sind. Ein wichtiger Aspekt der Wohnqualität ist die Raumluftqualität. Eine schlechte Luftqualität kann sogar zum Gesundheitsrisiko werden. Im Rahmen des ZIM-Projekts „InGesWoh: Sensorgestützter Assistent zur Verbesserung der Luftqualität in Wohnräumen – Intelligentes und gesundes Wohnen“ soll eine fortschrittliche Steuerung für Systeme zur Hausbelüftung erstellt und in eine „smart home“ Anlage integriert werden. Diese basiert auf einer neu erstellten Multi-Sensor-Messeinheit, die neben den üblichen Sensoren für CO2, Luftfeuchtigkeit und Temperatur auch solche für verschiedene Arten flüchtiger organischer Verbindungen (VOCs), Stickoxide, CO und Feinstaub bereitstellt. Hierdurch wird die Datenbasis für eine umfassende und gesundheitsbezogene Raumluft-Gütebestimmung geschaffen. Durch die Nutzung von halbleiterbasierten Messsensoren ist die Miniaturisierung und eine kostengünstige Massenfertigung solcher Produkte möglich. Die hohe Datenbasis erfordert eine fortschrittliche Auswertung mit Methoden des überwachten Lernens und bietet die Chance, die Qualität der Raumluft zielgerichtet zu verbessern. Damit wird die Smart-Home-Automatisierung bei erfolgreichem Projektabschluss durch die Einbindung eines Raumluftqualitätsüberwachungsassistenten weiter vorangetrieben.

Die Entwicklung der Hardware und Sensorik wurde vom Kooperationspartner, dem Institut für Nanophotonik Göttingen e.V. übernommen, während in dieser Arbeit die Datenauswertung im Vordergrund stand. Es wurden hierbei im Speziellen drei Problemstellungen behandelt:

1. Datengestützte Vorauswahl der relevanten Sensoren für das betrachtete Szenario, und damit verbunden die Frage, auf welche Weise die Aussagekraft eines Sensors quantifiziert werden kann.
2. Einteilung von Events in Stufen/Typen nach Stärke bzw. Art durch ein Klassifikationsverfahren, bei dem die Daten von mehreren Sensoren gleichzeitig betrachtet und kombiniert werden.
3. Erkennung und Verfolgung von Ereignissen in Echtzeit mit Methoden basierend auf einem statistischen Changepoint-Modell. Auch hierbei werden mehrere Sensoren verwendet. Idealerweise sollten die Parameter dabei nicht für jeden Sensor neu gewählt werden müssen, sondern ein System gleichzeitig auf die verschiedenen Sensoren anwendbar sein.

Die in der Arbeit entworfenen Verfahren wurden auch an realen Daten getestet. Als praktisches Beispielszenario wurde das Kochen in der Küche ausgewählt, da dort relativ leicht und häufig Daten aufgezeichnet werden können, und wir zudem interessante und vielfältige Ereignisverläufe beobachten können. Zudem lassen sich so erste Erfahrungen im Blick auf die Küche als ein potenzielles Einsatzgebiet für eine spätere Anwendung sammeln, wie beispielsweise die automatische Steuerung der Dunstabzugsanlage. Zur Überprüfung der Ergebnisse wurden die erkannten Ereignisse mit der manuellen Betrachtung einer Videoaufzeichnung verglichen.