- Hochschule Trier
- Campus wählen
- Quicklinks
-
- English
Der CO₂-Raumluftdemonstrator zeigt, wie sich moderne Sensortechnik, energieeffiziente KI und nachhaltige Datenverarbeitung verbinden lassen, um die Qualität der Innenraumluft zu messen und zu verbessern. Ziel ist es, Lüftungssituationen realitätsnah abzubilden, den Einfluss auf das Raumklima transparent darzustellen und nachhaltige Smart-Building-Lösungen praxisnah zu erproben.
Viele der methodischen Grundlagen, wie das Daten-Preprocessing mit Sliding-Window-Techniken, sowie die eingesetzten Machine-Learning-Modelle und Energieeffizienzbewertungen – wurden ausführlich in der Publikation von Cetkin et al. beschrieben und wissenschaftlich evaluiert. Auf diesen Ergebnissen baut der Demonstrator auf und überträgt sie in eine praxisorientierte Anwendungssituation.
Zitierung:
Cetkin, B.; Begic Fazlic, L.; Guldner, A.; Naumann, S.; Dartmann, G. (2024): Towards Sustainable Machine Learning: Analyzing Energy-Efficient Algorithmic Strategies for Environmental Sensor Data. In: INFORMATIK 2024, Gesellschaft für Informatik. DOI: 10.18420/inf2024_102
Das Setup bildet einen Raum mit zwei Fenstern nach und erfasst kontinuierlich raumklimatische Daten.
Zur Simulation der Anwesenheit erzeugt eine Flasche Sprudelwasser CO₂ als Ersatz für menschliche Atmung.
Die Datenerfassung erfolgt mit einem IoT-Mikrocontroller (ESP32/ESP8266) in Intervallen von 5 Sekunden. Anschließend werden die Werte an einen Raspberry Pi übertragen und dort mittels MQTT, InfluxDB und Grafana gespeichert und visualisiert.
Damit die aufgezeichneten Messwerte zuverlässig für die Modellbildung genutzt werden können, durchlaufen sie ein mehrstufiges Preprocessing. Die Sensordaten (CO₂, Temperatur, Luftfeuchtigkeit und VOCs) werden dabei in Form von Zeitfenstern verarbeitet. Jedes Fenster umfasst eine Minute, was bei der Abtastrate von fünf Sekunden pro Messwert zwölf Datenpunkte entspricht. Anschließend wird das Fenster um einen Messpunkt weitergeschoben, sodass eine lückenlose Abbildung des Raumklimas entsteht.
Kurze und instabile Ereignisse – wie ein nur für wenige Sekunden geöffnetes Fenster – werden gezielt herausgefiltert. So bleibt der Datensatz robust gegenüber Störungen und konzentriert sich auf relevante Zustandsänderungen. Am Ende des Prozesses werden die Zeitfenster in drei Kategorien eingeteilt:
Um die Daten für den Einsatz in Machine-Learning-Modellen vorzubereiten, erfolgt eine Vektorisierung der Zeitfenster. Auf diese Weise kann jedes Fenster als Feature-Vektor genutzt werden. Durch dieses Vorgehen wird die Aussagekraft der Modelle erhöht und eine zuverlässige Erkennung realer Lüftungssituationen ermöglicht.
Die Messdaten werden in Sequenzen verarbeitet, die Zustandsänderungen wie „Fenster geöffnet“ oder „Fenster geschlossen“ erkennen. Zur Analyse und Vorhersage werden unterschiedliche Machine-Learning-Algorithmen getestet, darunter:
Die Evaluation erfolgte mit 49 verschiedenen Modell-Szenarien. Besonders effizient erwiesen sich Kombinationen aus CO₂- und Feuchtigkeitswerten, während reine Temperaturdaten weniger Aussagekraft hatten. Modelle wie der Extra-Trees-Classifier erreichten Genauigkeiten von über 90 % bei gleichzeitig hoher Energieeffizienz.
Ein zentrales Element ist die Verbindung mit einem AI-on-Device Board:
Statt Rohdaten werden nur Modellgewichte ausgetauscht. Dadurch entstehen föderierte Raummodelle, die gemeinsames Lernen ermöglichen, ohne zentrale Datenspeicherung. Dieses Vorgehen reduziert den Energiebedarf, stärkt den Datenschutz und macht den Demonstrator zu einer Plattform für nachhaltige Smart-Building-Konzepte.
Die Forschung zeigt, dass Modellwahl und Feature-Selektion maßgeblich die Balance zwischen Genauigkeit und Energieverbrauch bestimmen:
Die Bewertung erfolgte nach dem Green Software Measurement Model (GSMM), das Energieaufnahme, Latenzen und Genauigkeit systematisch erfasst und vergleichbar macht.
Der CO₂-Raumluftdemonstrator bietet vielfältigen Mehrwert:
Damit leistet das Projekt einen Beitrag zu Raumluftüberwachung, ressourcenschonender Datenverarbeitung und sicherer KI im Edge-Cloud-Kontinuum.
Bitte beachten Sie: Sobald Sie sich das Video ansehen, werden Informationen darüber an Youtube/Google übermittelt. Weitere Informationen dazu finden Sie unter Google Privacy.
Videoinhalte von Berkay Cetkin
Sie verlassen die offizielle Website der Hochschule Trier
