Analiza współczynników zdrowego powietrza wewnątrz budynków pod kątem indywidualnego i komfortowego samopoczucia Grit Behrens, Klaus Schlender, Florian Fehring FH Bielefeld University of Applied Sciences Solar Computing Lab II Konferencja Naukowo Techniczna Technologie informatyczne w ochronie i kształtowaniu środowiska Warszawa 14 czerwca 2018 r.
University of Applied Sciences Bielefeld - Campus Minden
Ogólne cele projektu Większa akceptacja dla termomodernizacji Zwiększanie efektywności energetycznej budynków Zapewnienie zdrowego klimatu wewnętrznego Wzmocnienie świadomości środowiska wśród mieszkańców i naszych studentów Transfer wiedzy między uniwersytetem a przemysłem Znalezienie nowych partnerów do projektów naukowo-badawczych Też w Polsce!
Czujniki pomiarowe Jednokanałowy C0 2 Module Telaire T6613 : Zawartość dwutlenka węgla [0-5000 ppm] Bosch Sensortect Integrated Unit BME280 - czujnik środowiskowy: Ciśnienie pow. [300 hpa, 1100 hpa ] +/- 1 hpa Temperatura pow. [-40, +85 ] +/- 1.0 Wilgotność względna [0%-100% ] +/-3% Platforma komputerowa Raspberry Pi: Pomiary co 30 sekund Przechowywanie danych wszystkich czujników w lokalnej bazie danych 2x termometr cyfrowy DS18B20 : Zakres wartości [-55, +125 ] +/- 0.5 Temperatura wewnętrzna zewnętrznej ściany Temperatura ogrzewania Czujnik okienny HomeMatic HM-Sec-RHS 76789: Stany otwarcia okien [otwarte, zamknięte,uchylone]
Pozycje czujników w mieszkaniu Czujnik Okienny Wewnętrzna strona zewnętrznej ściany Termometr cyfrowy Termometr cyfrowy Czujnik środowiskowy C0 2 Module
Zbieranie danych w mieszkaniach
System pomiarowy w domu mieszkalnym 1. Platformy komputerowe Raspberry Pi z czujnikami zbierają dane i przesyłają je do głównej platformy komputerowej serwer Raspberry Pi 2. Dane zostaną zakodowane przez silne algoritmy szyfrujace typu NTRU-> po kwantowy bezpieczny tunel danych 3. Dane przesłane poprzez serwis internetowy do serwera badawczego na uczelni -> skalowalny wirtualny serwer WWW i serwer danych
Aplikacja webowa SmartMonitoring Baza Danych PostgreSQL Wizualizacja i analiza danych
Interfejs systemu pomiarowego dla mieszkańców Jak bardzo jesteś zadowolony z klimatu w pomieszczeniu? Wartości mierzonej jakości powietrza (temperatura, wilgotność, zawartość CO 2) Przyciski opinii mieszkanców o uczuciach zadowolenia z wewnętrznego klimatu
Poszczególne cele projektu Nauczanie maszynowe wartości współczynników zdrowego powietrza według normy DIN (Niemiecki Instytut Standardyzacji) Nauczanie maszynowe korekty osobistej mieszkanców mieszkań pod kątem indywidualnego i komfortowego samopoczucia Wykorzystanie wiedzy sztucznej inteligencji do: Sterowania wentylacją Oszczędzania energii cieplnej
Proces eksploracji danych Data Mining RaspberryPi dane z mieszkan i laboratorium + Stacje pogodowe dane z uczelni i miasta Bielefeld- Sennestadt Filtrowanie danych usuwanie wartości odstających Interpolacja Normalizacja Istotne cechy danych? Zmiejszenie zakresu danych (pory roku) Wizualizacja Sieć neuronowa -Deep Learning- Nadzorowane uczenie się na danych z laboratorium Klasyfikacja na danych z mieszkań Zbieranie danych Wstępne przetwarzanie danych Analiza danych Eksperymenty klasyfikacyjne
Zbieranie danych Stacja pogodowa SolarComputingLab: Temperatura [ºC] Wilgotność względna [%] Prędkość wiatru [km/h] Stacja pogodowa port lotniczy Bielefeld: Temperatura [ºC] Wilgotność względna [%] Prędkość wiatru [km/h]
Wstępne przetwarzanie danych Wykrywanie wartości odstających metodą progów dla prawidłowych wartości min, max Oczyszczanie wektorów cech z brakujących wartości czujników
Wstępne przetwarzanie danych Poszczególne cechy mają bardzo różne zakresy wartości. Metody klasyfikacji numerycznej zignorowałyby cechy o mniejszych zakresach. Wektor cech używany w badaniach z zakresami wartości (zima):
Wstępne przetwarzanie danych : Normalizacja Na przykład dane zimowe : funkcja odwrotności
Analiza danych Zmniejszenie zakresu danych dla pór roku:
Eksperymenty klasyfikacyjne Nadzorowane uczenie się stanów jakości powietrza w pomieszczeniu według normy DIN przykładowo dla zimy : Cecha Wilgotność względna Jednostka min max DIN dobrz e min DIN dobrz e max DIN neutr. min DIN neutr. max DIN Źle min DIN Źle max [%] 14,27 49,00 40 68 40 62 <40 >70 Zawartość dwutlenku węgla Temperatura ściany [ppm] 371 1358 0 1000 1000 2000 >2000 [ ] 15,88 39,38 13 23 23 35 <13 >35 Temperatura powietrza [ ] 17,45 26,27 21 23 20 24 <20 >24 DIN- Niemiecki Instytut Standaryzacji
Eksperymenty klasyfikacyjne Nadzorowane uczenie się Zbieranie danych z systemu pomiarowego i ze stacji pogodowych Dzielenie danych na sensony z ogrzewaniem i bez ogrzewanie (zima / lato) Nadzorowane uczenie się systemu według normy DIN Rozszerzone nadzorowane uczenie się systemu za pomocą używania danych z przycisków opinii (stany zadowolenia z jakości powietrza) Testowanie systemu inteligentnego na danych z mieszkań
Eksperymenty klasyfikacyjne - Nadzorowane uczenie się - Dodawanie normy DIN - Dzielenie zestawu wektorów cech: 70% na trening i 30% na testowanie - Najlepszy wskaźnik wykrywalności w testach: 98 % Wykresy: Porównanie liczby stanów zadowolenia według normy DIN dla zimy
Eksperymenty klasyfikacyjne Rozszerzone nadzorowane uczenie się systemu za pomocą używania danych z przycisków opinii (stany zadowolenia z jakości powietrza) w laboratorium - 70/30 - Najlepszy wskaźnik wykrywalności w testach: 78 % Wykres: Porównanie wyników klasyfikacyjnych dla testu inteligentnego systemu nauczonego wedlug normy DIN z wynikami klasyfikacyjnymi systemu nauczonego na stanach zadowolenia z laboratorium i testowanego na danch z mieszkania
Dron z rozpoznawaniem mostków termicznych Rozpoznawanie mostków termicznych : Przetwarzanie na obraz w skali szarości Obliczanie histogramu Obliczanie progu dla mostków termicznych Zastosowanie algorytmu canny-edge do obliczania obramowania
Dron termiczny 3D Rekonstrukcja 3D i wizualizacja: Zbieranie danych z kamery termowizyjnej i z kamery światła dziennego Obliczanie siatek 3D najpierw dla światła dziennego, a następnie dla danych Transformacja danych dla Wizualizacji jako modele 3D w przeglądarce WWW