Gebäudeleistungssimulationen können Aufschluss über IoT-Datenschutzlecks in Gebäuden geben

May 21, 2023

Wissenschaftliche Berichte Band 13, Artikelnummer: 7602 (2023) Diesen Artikel zitieren

567 Zugriffe

83 Altmetrisch

Details zu den Metriken

Da IoT-Geräte immer billiger, kleiner und allgegenwärtiger eingesetzt werden, können sie mehr Informationen preisgeben als vorgesehen und die Privatsphäre der Benutzer gefährden. IEQ-Sensoren (Indoor Environmental Quality), die zuvor zur Energieeinsparung und zur Überwachung der Gesundheit von Innenräumen installiert wurden, haben sich als Möglichkeit erwiesen, sensible Informationen über die Bewohner abzuleiten. Lichtsensoren sind beispielsweise ein bekanntes Mittel zur Überprüfung des Raumbelegungsstatus mit bewegungsempfindlichen Lichtern. Lichtsignale können auch auf sensible Daten wie die Identität des Insassen und digitale Bildschirminformationen schließen. Um die Sensorüberreichweite zu begrenzen, untersuchen wir die Auswahl der Sensorplatzierungen als Methodik. Konkret demonstrieren wir in dieser Proof-of-Concept-Untersuchung das Potenzial physikbasierter Simulationsmodelle zur Quantifizierung der minimalen Anzahl von Positionen, die zur Erfassung sensibler Schlussfolgerungen erforderlich sind. Wir zeigen, wie ein einzelner, gut platzierter Sensor in bestimmten Gebäudekontexten ausreichen kann, um die Umgebungszustände ganzheitlich zu erfassen, und wie zusätzliche, gut platzierte Sensoren zu detaillierteren Schlussfolgerungen beitragen können. Wir tragen zu einem geräteunabhängigen und gebäudeadaptiven Arbeitsablauf bei, um rückschlussbare Aktivitäten der Bewohner respektvoll zu erfassen und die Auswirkungen der Integration von Gebäudesimulationen in Sensorsysteme in der realen Welt zu erläutern.

Aufgrund des in den letzten zwei Jahrzehnten gestiegenen Bewusstseins für Maßnahmen zur Energieeinsparung in Gebäuden wurden zahlreiche technologische Fortschritte eingeführt, um die Veränderungen der Innenraumbedingungen zu überwachen. Sensoren und Aktoren werden zunehmend in Gebäude integriert, um den Gesamtenergieverbrauch zu senken und gleichzeitig den Komfort der Bewohner zu verbessern1,2. Beispielsweise können Gebäudeautomationssysteme den Energieverbrauch eines Gebäudes senken, indem sie die künstliche Beleuchtung dimmen, wenn im Gebäude ausreichend Tageslicht vorhanden ist3. Das Gebäude kann auch Belegungs- und Luftqualitätssensoren nutzen, um den Energiebedarf von Heizungs-, Lüftungs- und Klimaanlagen (HVAC) zu reduzieren, um die Anwesenheit oder den Komfort der Bewohner zu berücksichtigen4. Die Zahl der in Gebäuden installierten Sensoren wird mit steigenden Energiepreisen und den bekannten Vorteilen intelligenter Umgebungen nur zunehmen5. Allerdings bestehen noch zahlreiche Herausforderungen bei der Nutzung sensorgesammelter Daten zur Verbesserung des Nutzens für die Bewohner.

Erstens und grundsätzlich haben Sensoren unterschiedliche Datenerfassungsfrequenzen, sodass Forscher nicht einfach irgendeinen Umweltsensor kaufen und ihn installieren können, um alle Aktivitäten in Innenräumen zu erfassen. Die Häufigkeit der Datenerfassung schränkt die Art des Insassenverhaltens ein, die abgeleitet werden kann. Das Nyquist-Shannon-Abtasttheorem zeigt beispielsweise, dass Sie mehr als das Doppelte der höchsten Frequenzkomponente des Signals abtasten müssen, um es korrekt umzukehren6. Aufgrund der Zeitskalenunterschiede können Forscher das Verhalten von Probanden, das alle 15 Sekunden auftritt, nicht mit einer Kamera mit einem Bild pro 30 Sekunden erfassen, ohne dass Daten verloren gehen. Andererseits kann eine Erhöhung der Frequenz andere unerwünschte Effekte wie Signal-Aliasing verursachen. Ein Forscher (Designer oder Facility Manager) muss weiterhin die Spezifikationen des installierten Sensors festlegen, z. B. Frequenz, Modus und beobachtete Variable. Schon der Kauf der Hardware schränkt das nachgelagerte beobachtbare Verhalten dauerhaft ein.

Zweitens haben die Sensorplatzierungen einen großen Einfluss auf den nachgelagerten Nutzen der vom Sensor erfassten Daten, die Positionierung wird jedoch häufig übersehen oder beginnt zufällig und wird dann schrittweise verbessert7. Wenn Sensoren an falschen Positionen eingesetzt werden, kann dies zu falschen Messwerten führen8,9, es kann jedoch praktischer sein, Sensoren zu installieren und so schnell wie möglich mit der Datenerfassung zu beginnen. Darüber hinaus können bisher zur Bewertung eines Gebäudes installierte Sensoren für neue Raumnutzungen unzureichend oder unerwünscht werden. Beispielsweise können einige Bewohner ausziehen, wodurch frühere Sensoren an nicht mehr genutzten Standorten überflüssig werden. Ebenso können weitere Bewohner einziehen, sodass die bisherige Absicherung für die neue Flächennutzung nicht mehr ausreicht. Die Optimierung der Position und Anzahl der Sensoren kann zu einem geringeren Energieverbrauch und besseren Messwerten führen, es ist jedoch eine Herausforderung, Überlegungen zu sich ändernden Kontexten und Erfassungszielen für eine wachsende Anzahl von Sensoren manuell zu berücksichtigen und aufrechtzuerhalten.

Schließlich können installierte Sensoren aufgrund der Zweckmäßigkeit, immer mehr Daten zu sammeln, unbeabsichtigt mehr Informationen preisgeben, als für den beabsichtigten Zweck erforderlich sind, was zu Bedenken hinsichtlich der Privatsphäre der Bewohner führt. Beispielsweise zeigt das „Sensing by Proxy“-Paradigma, wie Proxy-Messungen wie \(\hbox {CO}_2\) auf die Anzahl und Aktivität der Insassen schließen können10,11. Ähnliche detaillierte Informationen zur Insassenaktivität wurden auch von anderen Sensoren beobachtet. Beispielsweise können Kochaktivitäten über die Schwankung von PM 2.512 beobachtet werden. Die granulare Gerätenutzung kann auch durch eine nicht-intrusive Lastüberwachung effektiv disaggregiert werden13. Beispielsweise können Geräte wie Kaffeemaschinen und Haartrockner einzigartige Energieverbrauchssignaturen aufweisen, die sich auf Startvorgänge und die physische Beschaffenheit des Geräts beziehen. Durch die Installation eines Lastwächters auf Stromkreisebene kann der Gesamtenergieverbrauch anhand der einzigartigen Signaturen des Geräts von den einzelnen Beiträgen getrennt werden, was invasive Rückschlüsse auf die Aktivität der Bewohner ermöglicht, ohne dass Sensoren im Gebäude selbst installiert werden müssen. Andere Beispiele, wie der Einsatz von Kameras und Bewegungsverstärkung, haben es Forschern ermöglicht, die Vibration von Snacktüten zu übertreiben und anhand visueller Daten entschlüsselbare Geräusche zurückzuentwickeln14.

Da immer mehr Projekte maschinelles Lernen und andere Rechenmethoden nutzen, um sensible Daten aus der Innenumgebung abzurufen, prüfen wir stattdessen, ob es ähnliche Rechenmethoden gibt, die dazu beitragen, rückschlussfähige Informationen von Sensoren zu reduzieren und die Privatsphäre der Gebäudenutzer zu schützen. Ein vielversprechender Weg, der Sensorinstallationen dabei helfen kann, die potenzielle Überreichweite der Sensorik zu bewältigen, ist die Schnittstelle von Simulationen und Sensorplatzierungen15. Simulationen werden traditionell verwendet, um verschiedene Gebäudeleistungsmerkmale während der Entwurfsphase zu bewerten. Die Ausrichtung von Gebäuden und die Platzierung von Fenstern können beispielsweise mithilfe eines Scores namens Tageslichtautonomie16 untersucht und quantifiziert werden. Simulationen der Wetterbedingungen und der Bewegung der Sonne in Verbindung mit der Lage des Gebäudes, der Größe, dem Material und der Ausrichtung von Fenster und Raum ermöglichen es Architekten, die gesamte Zeitspanne eines ganzen Jahres zu ermitteln, in der das Tageslicht effektiv zur Verfügung steht Ersatz für künstliche Beleuchtung. Ähnliche Simulationen und Metriken finden sich für HVAC, wo anhand der Nutzungsstunden des Gebäudes die Raumgröße, die erwartete Belegung, der Gesamtenergieverbrauch und der erforderliche Luftstrom vorhergesagt und quantifiziert werden können17. Die akustischen Eigenschaften eines Gebäudes können auch so gestaltet und angepasst werden, dass sie besser zur beabsichtigten Raumnutzung passen, z. B. längere Nachhallzeiten für Musiksäle und kürzere Nachhallzeiten für Klassenzimmer18. Der Zeitpunkt in der Pipeline, in dem diese Simulationen verwendet werden, stellt einen grundlegenden Diskurs bei digitalen Zwillingen dar19. Insbesondere kann ein Simulationsmodell dazu beitragen, die Platzierung von Sensoren zu optimieren, um über die Aktivität der Insassen zu informieren. Es muss nicht parallel zum physischen Zwilling in Echtzeit ausgeführt werden, um einen dauerhaften Einfluss auf die intelligente Umgebung zu haben.

Im Vergleich zu manuellen oder autonomen Methoden der Sensorpositionsoptimierung, bei denen Roboter die Umgebung routinemäßig abtasten und iterativ die optimalsten Positionen für die statischen Umgebungssensoren ermitteln20, bieten Simulationen eine kostengünstige Alternative zum Testen unbegrenzter virtueller Sensorpositionen zu Kosten von Rechenleistung. Anstatt sich mit Protokollen für institutionelle Prüfungsausschüsse (IRB) oder der Logistik der Umgebung (z. B. zur Vermeidung einer Party oder einer Rednerveranstaltung im Gebäude) auseinanderzusetzen, ermöglichen Simulationen den Forschern außerdem, ein breites Spektrum an Komplexität zu vermeiden, das für beide nichttriviale Störungen verursachen kann Studienleiter und Studienteilnehmer. Forscher (Designer oder andere Entscheidungsträger) können unbegrenzte Was-wäre-wenn-Szenarien durchführen, um zu sehen, wie sich verschiedene Umgebungs- oder benutzerbezogene Faktoren auf die Änderungen im Downstream-Signal auswirken können, bevor sie mit der physischen Umgebung interagieren. Beispielsweise kann die Bewegung von Bewohnern mithilfe künstlicher Mittel simuliert werden, um die Leichtigkeit der Navigation im Raum in Notfällen zu beurteilen21, die Bewegung der Sonne kann anhand historischer Himmelsinformationen simuliert werden22 und stochastische Modelle können verwendet werden, um die Interaktion von Bewohnern mit dem Gebäude zu simulieren Kontrollen23.

In diesem Artikel demonstrieren wir das Potenzial physikbasierter Simulationsmodelle zur Quantifizierung der minimalen Anzahl von Positionen, die zur Erfassung sensibler Schlussfolgerungen erforderlich sind. Wir zeigen, wie ein einzelner, gut platzierter Sensor in bestimmten Gebäudekontexten ausreichen kann, um die Umgebungszustände ganzheitlich zu erfassen, und wie zusätzliche, gut platzierte Sensoren zu detaillierteren Schlussfolgerungen beitragen können. Aufgrund der Zugänglichkeit und Geometrieabhängigkeit konzentrieren wir uns insbesondere auf Beleuchtungssimulationen als Testfall. Wir beantworten zwei Forschungsfragen:

RQ1: Was sind die Herausforderungen bei der Übersetzung der in der realen Welt gefundenen Beleuchtungsrückschlüsse in die in den Simulationen gefundenen Rückschlüsse? Und,

RQ2: Wie kann die Beleuchtungssimulation verwendet werden, um uns darüber zu informieren, wie aussagekräftig eine Reihe von Lichtsensorpositionen sind, wenn einige Annahmen über die Raumnutzung getroffen werden?

Wir befürworten den Einsatz von Simulationen als Standardwerkzeug, um (1) den idealen Standort für Sensoren zu identifizieren und die Anzahl der verteilten Sensoren zu minimieren und (2) potenzielle Informationen zu identifizieren, die Sensoren beim Einsatz im realen Leben sammeln können, indem die Fähigkeiten von Simulationen aufgezeigt werden zur umfassenden Berechnung von Gebäudezuständen mit granularer Bewohneraktivität. Mit anderen Worten: Wir zeigen, wie die simulierte Umgebung es Forschern ermöglicht, die Auswirkungen zu beurteilen, die die Position von Sensoren und die Geometrie des Gebäudes auf Rückschlüsse auf die Aktivitäten der Bewohner haben können. Der Arbeitsablauf zeigt künftigen Forschern eine Möglichkeit auf, mögliche Schlussfolgerungen bestehender Sensorpositionen zu überprüfen oder die „Anpassung von Sensorpositionen“ als Methode zur Begrenzung der Überreichweite von Sensorinferenzen zu nutzen.

Wir betrachten das Szenario, in dem ein Forscher versucht, den Lichtzustand beim Ein- und Ausschalten einzelner Leuchten zu ermitteln. Angesichts der additiven Natur des Lichts nähern wir uns der Zerlegung des summierten Lichtbeitrags an einem Sensorpunkt im Gebäude, indem wir ihn als Problem der perfekten Summe mit einem Rauschschwellenwert \(\epsilon\) formulieren. Da die Lichtintensität proportional zum Kehrwert des quadratischen Abstands von der Quelle abnimmt und jede Leuchte über fotometrische Daten verfügt, kann die endgültige Platzierung eines Lichtsensors in einem variablen Abstand von den Lichtquellen eine Aufschlüsselung der einzelnen Beiträge ermöglichen. Beispielsweise können wir die Geometrie und den Abfall der Lichtintensität je nach Entfernung nutzen, um eindeutige Fingerabdrücke für jede Leuchte in Reichweite zu koordinieren. Darüber hinaus ermöglicht die Möglichkeit, den gesamten Gebäuderaum als potenzielle Platzierungsbereiche zu nutzen, den Forschern die umfassende Erforschung der Möglichkeiten, Sätze potenzieller Sensorpositionen zu nutzen, deren Erfassung traditionell wiederholtes Ausprobieren erfordert.

Sei \(L= [l_0, l_1,... l_{n-1}]\), wobei L ein Konfigurationsvektor von n einzelnen Lichtquellenzuständen \(l_i\in \{0,1\}\) ist. Dann sehen wir für jeden Ort s bei gegebener Konfiguration L den Beitragsvektor \(X(s,L) = [x_0, x_1, ..., x_{n-1}]\), wobei die Beiträge von jedem Die Lichtquelle \(x_i\) entspricht jedem Lichtzustand \(l_i\), der durch Entfernung und Hindernis verändert wird. Die maximale Anzahl möglicher Konfigurationen ist dann gleich der Kardinalität der mit jeder Lichtquelle eingestellten Leistung, oder \(2^{n}\).

Bei einem perfekten Summenlöser können wir eine Zielsumme \({{\textbf {K}}}\, einen Schwellenwert \(\epsilon\) und eine Liste einzelner Beiträge \([x_0,x_1,...x_ {n-1}]\) und gibt eine Liste von Listen zurück, die alle möglichen Kombinationen von Beiträgen enthalten, die zusammen \({{\textbf {K}}}\pm \epsilon\) ergeben. Jede Liste entspricht einer möglichen Konfiguration, die den Einschränkungen entspricht. Da jedoch letztendlich nur eine Konfiguration korrekt ist, berechnen wir die Genauigkeit für jede Inferenz mit \(\text {Accuracy} = \frac{|L \cap L_{\text {infer }}|}{|L \cup L_{\text {infer}}|}\) und geben Sie den Mittelwert zurück.

Sensorwerte von mehreren Punkten bestätigen nicht immer die gleichen Beleuchtungskonfigurationen. Um dies zu überwinden, disambiguieren wir falsch ausgerichtete Lichtkonfigurationsschlüsse durch die Verwendung eines Abstimmungsvektors \(V(s,L) = \begin{bmatrix} v_{0}, v_{1}, ... v_{n} \end{bmatrix }\), von jedem Sensor, wobei \(v_{i}\) 1 ist, wenn festgestellt wird, dass die Leuchte eingeschaltet ist, −1, wenn festgestellt wird, dass das Licht aus ist, und 0, wenn das Licht nicht erkannt werden kann (d. h. der Sensor befindet sich außerhalb der Reichweite der Leuchte). Die endgültige Schlussfolgerung wird auf der Grundlage der summierten Stimmen gewählt. Ist der Wert größer als Null, ist die Leuchte eingeschaltet. Wenn der Endwert kleiner als Null ist, betrachten wir die Leuchte als ausgeschaltet.

Um die reale Wahrnehmung auf Gebäudesimulationen zu verallgemeinern, führen wir einen Fehlerschwellenwert \(\tau\) ein und definieren einen Unterscheidbarkeitsvektor \(D_{\tau }\) als:

Wenn beispielsweise ein Beitrag gegeben ist, \(X(s,L) = [1, 2, 4]\), wenn die Fehlerschwelle \(\tau = 1\), dann ist \(D_{1}(X(s ,L)) = [0, 0, 1]\) und der Unterscheidbarkeitswert \({{\textbf {D}}}_{1} = \sum {D_{1}} = 1\). Wenn jedoch ein \(\tau = 0,5\) für den gleichen Beitrag gegeben ist, ist \(D_{0,5}(X(s,L)) = [1, 1, 1]\), also \({{\textbf { D}}}_{0,5} =3\). Die Summe des Unterscheidbarkeitsvektors hilft uns, die Gesamtzahl der erkennbaren Beleuchtungszustände an einer bestimmten Position zu entschlüsseln und berücksichtigt die Auflösung des Sensors bei der Zuweisung von Guthaben. Wir verwenden diesen Wert in unseren Simulationen, wobei die virtuellen Lichtsensoren in der Simulation nicht über die zusätzliche Lumenverschlechterung und andere Messrauschausdrücke verfügen.

Für unsere Aktivitätsrückschlüsse berücksichtigen wir \(j=3\) Türwinkel (d. h. \(\{0^{\circ }, 45^{\circ }\), \(90^{\circ }\} \)), für \(m=2\) Türen. Um den Unterscheidbarkeitswert für jeden gegebenen Anwendungsstatus zu ermitteln, ist a wie folgt:

Da die Wahl der minimalen Kombination von Sensorpositionen, die alle möglichen Anwendungen erkennen kann, ein bekanntes NP-hartes Problem ist, das als Minimum Set Cover (MSC)-Problem bezeichnet wird, visualisieren wir der Einfachheit halber die ableitbaren Zustände nur für das Einzelsensorszenario. Abschließend zeigen wir einen Beispielsatz von Lichtsensorstandorten, die unsere latente Variable und die Lichtzustände des Gebäudes mithilfe eines bekannten Algorithmus für das MSC-Problem erfassen können: der Greedy Set Cover Approximation (GSCA)24. Um zu sehen, ob eine Reihe von Lichtsensoren die dynamischen Gebäudeinformationen erfassen, können wir dann die gesamten Anwendungszustände als Zustandsuniversum verwenden, um einen Schwellenwert \(<\tau\) gegenüber allen anderen Sensorpositionszeilen für dieselbe Anwendungszustandsspalte abzudecken um die Mitgliedschaft zu informieren, um die minimale Teilmenge der Sensorstandorte zu finden, die erforderlich ist, um die Gesamtheit der Anwendungszustände abzudecken. Wir zielen auf die Verwendung von Türen ab, da diese fest verankert sind. Das Öffnen und Schließen von Türen hat einen großen Einfluss auf die von den Sensoren wahrgenommene Beleuchtung und kann dazu führen, dass bestimmte Bereiche der Beleuchtung dauerhaft blockiert werden. Darüber hinaus bietet die Türnutzung einen tieferen Einblick in die Raumnutzung, die von Lichtsensoren nicht erwartet wird. Die Nutzung des Badezimmers, Schlafzimmers oder Wohnzimmers erfordert natürlich das Öffnen und Schließen von Lichtern und Türen. In diesem Fall, in dem die Beleuchtung nicht automatisch ausgeschaltet wird, ermöglicht die Erkennung der Türbewegung, auch wenn alle Lichter eingeschaltet sind, detailliertere Rückschlüsse auf die Raumnutzung.

Wie in Abb. 1 dargestellt, kann der Winkel des Ruhezustands einer Tür selbst bei einer einzelnen Lichtquelle erheblichen Einfluss auf das endgültige erkannte Lichtsignal haben. Mit diesen Methoden haben wir zwei Experimente durchgeführt: (1) Wir haben Lichtsensoren in der modellierten Wohnumgebung eingesetzt, um reale Herausforderungen bei der Erkennung von Lichtzuständen und der Zusammenführung von Schlussfolgerungen mehrerer Sensoren zu untersuchen, und (2) wir haben das Wohngebäude modelliert und simuliert eine Reihe dynamischer Bauelemente zur Analyse der Anzahl der beobachtbaren Lichtzustände und latenten Zustände. Die reale Studie wurde zunächst als Überprüfung der geistigen Gesundheit durchgeführt; Wenn wir Sensoren ausschließlich mithilfe menschlicher Intelligenz willkürlich platzieren können, ist es nicht erforderlich, Simulationen zur Unterstützung der Sensorplatzierungen zu verwenden. Die Simulationsstudie wurde durchgeführt, um zu sehen, ob der Simulationsraum mit den Ergebnissen unserer realen Studie übereinstimmt, und um auch die Mindestanzahl von Sensoren abzuschätzen, die eine Reihe von leuchtend störendem Verhalten erfassen können.

Beziehungen zwischen Gebäudeelementen und Beleuchtung können genutzt werden, um über Veränderungen in der physischen Umgebung zu informieren.

In der realen Welt haben wir alle Lampen in einem Wohnhaus mit Philips Hue A19-Lampen mit 800 Lumen und 10 Watt nachgerüstet und jeden Leuchtensatz der entsprechenden Leuchte zugeordnet. Beispielsweise können jedem Lichtschalter zwei bis drei Lampen zugeordnet werden. Wir haben jede Philips Hue-Lampe mithilfe der Hue-API und Python gesteuert, um die Notwendigkeit zu minimieren, die Lichtschalter manuell zu ändern. Als Sensor verwendeten wir dann Raspberry Pi 4s, die mit CQRobot TSL2591X-Lichtsensoren mit einem effektiven Erfassungsbereich von 0–88.000 Lux verbunden waren und über die I2C-Schnittstelle mit dem Pi kommunizierten. Um die Schwankungen zu berücksichtigen, haben wir die mittleren Lux-Werte für 3 Sekunden als Basislinien verwendet, die bei 4,7 Hz erfasst wurden, nachdem unser Code die Beleuchtungskonfigurationskonfiguration L für 3 Sekunden aufgrund der Änderungen der Lichtintensität während Zustandsübergängen geändert hatte. Wir haben die Nähe der Lichtquellen als Leitfaden für die Installation der Lichtsensoren an jedem Ort und in jeder Ausrichtung verwendet, wie in Abb. 2 dargestellt. Insbesondere haben wir visuell nach Sensorpositionen an verschiedenen Wänden gesucht, damit die Sensoren Licht aus unterschiedlichem Licht erfassen können Quellen. Dann haben wir unser Sensorsystem über jede Position bewegt und die Lichtübergänge mithilfe des Raspberry Pi automatisiert und die endgültigen Daten zur Nachbearbeitung in eine CSV-Datei exportiert. Die endgültige Genauigkeit, die wir melden, wird in den Ergebnissen erklärt, wobei die Grundwahrheit der Eingabebefehl ist, den wir zur Automatisierung der Lichtzustände verwendet haben. Um einen ersten Satz Sensoren zu installieren, identifizierten wir Wände im Prüfstand, die alle Leuchten erreichen können, und platzierten dann sieben Sensoren an diesen Wänden, sieben Fuß über dem Boden, wie in Abb. 2 gezeigt. Die Idee ist zu sehen, ob dies möglich ist Installieren Sie Sensoren an Orten, an denen Rauschen in den Daten vermieden wird, das durch Schatten im menschlichen Verkehr, die Reflexion von Möbeln und andere LEDs von Geräten und Gegenständen verursacht wird. Dadurch können wir den Beleuchtungszustand des Gebäudes für das statische Szenario mit offenen Türen genau erkennen, bevor wir uns im Simulationsexperiment mit den Permutationen der Türen befassen.

Gebäude- und Beleuchtungslayout. Die Zahlen bezeichnen die Lichtsensorpositionen und die Buchstaben die Lichtquellen. Die gestrichelten Linien stellen geometrische Grenzen dar, anhand derer wir nach unseren Kandidatenwänden für die Installation der Sensoren gesucht haben.

In einer Simulation verwendeten wir Grasshopper zur Parametrisierung mehrerer Türbewegungen und simulierten jede der zugewiesenen Türwinkelkombinationen mit Rhino25. Anschließend haben wir wie in unserer vorherigen Arbeit27 das Grasshopper-Plug-in honeybee26 verwendet, um die Beleuchtungsbeiträge an jedem Sensorpunkt zu extrahieren. Im Wesentlichen fungiert das Plug-in als Middleware, die die Gebäudegeometrie und fotometrischen Beleuchtungsdateien (IES-Dateien), die die geometrische Intensitätsverteilung des Lichts beschreiben, an die Beleuchtungs-Render-Engine „Radiance“ weiterleitet28. Es wurde davon ausgegangen, dass das Experiment nachts mit abgedeckten Fenstern durchgeführt wurde, um externe Lichtquellen zu vermeiden. Wir haben das Simulations-Standardmaterial für alle Wand-, Boden-, Decken-, Tür- und Fensterobjekte verwendet. Für die fotometrischen Beleuchtungsdateien verwendeten wir generische Deckeneinbauleuchten für die Leuchten A, B, C, E und F und eine generische Wandleuchte für D. Wir automatisieren die Eingaben in den Grasshopper-Workflow und exportieren die von uns konvertierten Textdateien für die Nachbearbeitung mit Python-Modulen in Grasshopper. Der Prozess gibt für jede definierte virtuelle Sensorposition eine Raytracing-Lichtdarstellung des Gebäudes zurück. Wir extrahieren jeden Beleuchtungswert für die Nachbearbeitung, indem wir ihn durch die Perfect Sum-Löser und den GSCA-Algorithmus leiten. Dieser Arbeitsablauf ermöglichte es uns, potenzielle Beleuchtungsunterschiede in der gesamten Umgebung zu untersuchen, ohne neue Sensoren physisch platzieren, die ein- und ausgeschalteten Leuchten ändern und die Türen in der realen Welt bewegen zu müssen.

Wir haben zunächst eine Machbarkeitsstudie durchgeführt, um die potenziellen Herausforderungen der manuellen Erfassung von Sensordaten zu untersuchen. Die gewonnenen Erfahrungen nutzten wir dann für die Modellierung des Gebäudes im Simulationsraum. Nachfolgend fassen wir das reale Experiment und das Simulationsexperiment zusammen.

Abbildung 3 zeigt die Streuung der individuellen Genauigkeit für diese Standorte. Die mittlere Genauigkeit der Schlussfolgerungen lag im Allgemeinen über 80 %, wobei Standort 6 die niedrigste mittlere Genauigkeit aufwies. Wir vermuten, dass dies darauf zurückzuführen ist, dass die Ausrichtung des Sensors direkt gegenüber der Leuchte F liegt und dass das von der Wand reflektierte Licht weniger stark ist als der Intensitätsabfall aufgrund der Entfernung. Insgesamt fanden wir es immer noch möglich, alle möglichen Lichtzustände mithilfe eines einzigen Sensors (dh eines Lichtsensors an Position 4) zu disaggregieren, aber viele Faktoren können zu den unvollständigen Schlussfolgerungen beitragen. Wenn ein Bewohner beispielsweise die Tür zu einem beliebigen Raum schließt, gehen die Informationen über den Lichtzustand in diesem Raum an die Sensoren außerhalb des Raums verloren. Wir erleben auch Situationen, in denen der abgeleitete Lichtzustand der Signale nicht miteinander übereinstimmt, weil das Rauschen in der Umgebung und im Sensor größer war als die zur Unterscheidung der Zustände erforderliche Auflösung. Beispielsweise kann der Beleuchtungsbeitrag von zwei unterschiedlichen Lichtquellen in der Summe gleich sein (z. B. 2 + 5 und 3 + 4 ergeben jeweils 7), was zu mehrdeutigen Messwerten führt. Dies veranlasste uns, einen Abstimmungsmechanismus zu nutzen, um den Gesamtfehler des Systems zu reduzieren, der im Abschnitt „Methoden“ näher beschrieben wird.

Als wir die Beleuchtungszustände automatisierten, stellten wir auch fest, dass das Ein- und Ausschalten von Lichtern in der realen Welt im Gegensatz zu Simulationen nicht augenblicklich erfolgt. Insbesondere beim Einschalten des Lichts gibt es eine erkennbare Anlaufzeit, wenn das Licht nach dem Umlegen des Schalters dunkler wird und sich nach einer Verzögerung seiner endgültigen Helligkeit nähert. Darüber hinaus stellten wir beim Nachrüsten der Leuchten fest, dass nicht alle Leuchten die gleichen Glühbirnen verwendeten und dass wahrscheinlich häufiger frequentierte Bereiche über Glühbirnen verfügten, die häufiger ausgetauscht wurden. Dies deutet darauf hin, dass die Überwachung des Lichtverbrauchs in einem Gebäude auch hilfreich sein kann, um festzustellen, welche Lampen möglicherweise ausgetauscht werden müssen, und um den Helligkeitsverlust der Lampen im Laufe der Zeit zu berücksichtigen. Schließlich haben wir herausgefunden, dass die Anzahl der verfügbaren Sensoren, Mikrocontroller und Ausgänge auch eine Grenze dafür darstellt, wie viele Positionen gleichzeitig getestet werden können. Zusätzlich zum Kauf eines langen Verlängerungskabels, um unsere Sensorgeräte durch das Gebäude zu bewegen, hatten wir uns auch an ein Verfahren gehalten, bei dem Sensoren bewegt, Sensoren installiert, alle Lichtzustände durchgespielt und Sensoren deinstalliert wurden, um jede Position zu erfassen.

Genauigkeit der Lichtzustandsinferenz für jede der 7 Positionen für 64 mögliche Beleuchtungszustände für manuell ausgewählte Positionen. Die Dreiecke markieren die mittlere Genauigkeit für jeden Sensorstandort, während die Linie in der Mitte des Kästchens die mittlere Genauigkeit markiert.

Zusammenstellung der Distinctness Score \({{\textbf {D}}}_{0.01}\)-Heatmaps für jede Gebäudekonfiguration. Zusätzlich zur Auflösung des Sensors kann auch die physische Konfiguration des Gebäudes die ableitenden Zustände des Sensorsatzes systematisch verändern. Beachten Sie, dass der Maßstab für die Abbildungen ((a) bis (i) bei 64 liegt, während der aggregierte Maßstab bei (j) bei 576 liegt.

Unter Nutzung der Informationen, die wir aus dem realen Experiment gewonnen haben, haben wir eine Beleuchtungssimulation entwickelt, die von herkömmlichen Beleuchtungssimulationen abweicht, um Orte zu erkunden, an denen uns statische Sensorinstallationen die meisten Informationen liefern können. Insbesondere haben wir in unserer Beleuchtungssimulation Wände einbezogen, anstatt die traditionelle Arbeitsebene zu verwenden – eine imaginäre Ebene auf der Höhe eines Schreibtisches, auf dem gearbeitet wird –, weil wir nicht an der Raumnutzung interessiert sind, sondern vielmehr an der Fähigkeit, dies zu tun Installieren Sie echte statische Sensoren und erkennen Sie unterschiedliche Verhaltensweisen im Raum (z. B. Lichtschalterverhalten). Die Ergebnisse der Simulation sind in Abb. 4 dargestellt. Abbildung 4a bis Abb. 4i stellen die verschiedenen Zustände dynamischer Gebäudeelemente dar, wobei die Heatmap den Unterscheidbarkeitswert \({{\textbf {D}}}_{0,01}\ zeigt. ) Wert von 0 bis 64, der die Anzahl der kollektiven Zustände darstellt, die ein am Standort platzierter Sensor erkennen kann. Abbildung 4a stellt eine typische Lichtsensorsimulation dar, bei der die Bewegung zusätzlicher Gebäudeelemente nicht berücksichtigt wird. In diesem Szenario können viele Positionen in der Mitte des Raumes, die von allen Leuchten erreicht werden können, genutzt werden, um auf den Lichtzustand aller Leuchten zu schließen. Aus Abb. 4b–i zeigen wir, dass diese informativen Mittelpositionen beim Schließen der Türen abnehmen und Beleuchtungsbeiträge aus verschiedenen Quellen blockieren. In Abb. 4d und e sehen wir, wenn alle Türen noch teilweise geöffnet sind, eine leichte Reduzierung der Bereiche, die noch alle gezielten Rückschlüsse ziehen können. In Abb. 4c, f, g, h und i sehen wir jedoch, dass sich die insgesamt möglichen Schlussfolgerungen sichtbar um die Hälfte bis drei Viertel verringern.

Abbildung 4j stellt den aussagekräftigsten Einzelstandort dar, der alle möglichen Türzustände berücksichtigt. So sehr es in der Mitte informative Orte gibt, beobachten wir auch, dass es Stellen gibt, an denen Informationen verloren gehen, dunkle Zonen, die ein geringeres Rückschlusspotenzial haben. Dies ist auf das Aufeinanderprallen leichter Beitragskombinationen zurückzuführen, die zu mehrdeutigen Lesarten führen. Vergleichsweise weist Abb. 4i zwar eine geringere Anzahl möglicher Schlussfolgerungen in der Mitte auf, es gibt jedoch auch weniger aussagekräftige „dunkle Flecken“ aufgrund von Kollisionen. Abbildung 4k zeigt, wie Greedy Set Cover Approximation (GSCA) einen einzelnen Ort gefunden hat, der alle Lichtzustände erkennen kann, aber Abb. 4l zeigt, dass der bisher beste Ort nicht mehr gültig ist, wenn wir das Öffnen und Schließen von Türen berücksichtigen. Genauer gesagt können wir eine Reihe von Sensoren sehen, die tief in Räumen, entfernt von lauten Bereichen in der Mitte, angebracht sind und dabei helfen, die Messwerte eindeutig zu machen, wenn die Lichtsignale durch Reflexion und Dämpfung im zentralen Bereich getrübt werden.

Die wichtigste Erkenntnis aus unserer Studie ist: Die Sensorposition ist wichtig, und Simulationen können verwendet werden, um zu quantifizieren, wie wichtig die Position ist. Durch die Quantifizierung rückschlussfähiger Informationen in der Simulation können Gebäudebetreiber das Datenschutz-Nutzungsspektrum dahingehend anpassen, wo die Sensorinstallation vor dem Einsatz erfolgen sollte. Die Anzahl und Position der Sensoren kann geändert werden, um mögliche Schlussfolgerungen basierend auf den physikalischen Eigenschaften der Umgebung gezielt zu beseitigen. Auch nach der Bereitstellung verdeutlicht die Simulation, wo sich die aktuelle Installation in diesem Spektrum befindet und wie dieser Kompromiss bewältigt werden kann. In unserem Szenario ist dieser Kompromiss zwischen Privatsphäre und Nutzen genau der Unterscheidbarkeitswert, ein quantifizierbarer Wert zwischen Null und der Gesamtzahl der von uns betrachteten Staaten.

Zur Antwort auf Frage 1: Wir haben festgestellt, dass die Aussagekraft des Sensorstandorts auch von der Auflösung des Sensors abhängt. Paradoxerweise gilt: Je mehr Beiträge verschiedener Lichtquellen von einem Sensor-Standort-Paar erfasst werden, desto größer ist die Wahrscheinlichkeit, dass es aufgrund der Anzahl möglicher Kombinationen und Jitter in den Sensorsignalen zu mehrdeutigen Messwerten im perfekten Summenlöser kommt. Diese in Abb. 1 dargestellten Jitter verdeutlichen einen entscheidenden Unterschied zwischen realen und virtuellen Sensoren in Simulationen. Das Hinzufügen weiterer Sensoren in der physischen Welt erhöht standardmäßig nicht die Genauigkeit der endgültigen Lichtzustandsinferenz. Die Anforderung an eine genaue Wahrnehmung beruht darauf, dass die Mehrheit der abgegebenen Stimmen korrekt ist. Um vor dem Kauf eines Sensors die niedrigste Auflösung zu ermitteln, die für eine genaue Erfassung zulässig ist, können Simulationen ein nützliches Hilfsmittel bei der Planung sein. In der Simulation ist die Auflösung der virtuellen Sensoren unter denselben Parametern deterministisch, und durch die Einführung zusätzlicher Rauschterme können Anpassungen vorgenommen werden, um unterschiedliche Sensorauflösungen zu simulieren. Darüber hinaus können Simulationen durch das Hinzufügen weiterer Informationen über die Aktivität verbessert werden, um unterschiedliche Abtastfrequenzen zu berücksichtigen, indem Abtastpunkte basierend auf einer kontinuierlichen Antwortfunktion diskretisiert werden. Bei ausreichenden Rechenressourcen können Permutationen verschiedener Stichprobenverfahren und Sensorbeschreibungen verwendet werden, um die Inferenzgenauigkeit, Redundanz und Effizienz zu optimieren. Mit Simulationen können Forscher im Vergleich zu ohne Simulationen mit weniger Sensoren, weniger Proben und weniger Energie aufdringlichere Schlussfolgerungen ziehen.

Zur Beantwortung von RQ2: Wir haben herausgefunden, dass wir durch die Verwendung von Beleuchtungssimulationen mit einer Formulierung des Perfektsummenproblems mit dem Set-Cover-Problem die minimale Anzahl von Lichtsensoren quantifizieren konnten, die erforderlich sind, um den Lichtzustand des Gebäudes zu erfassen, einschließlich der Änderung der Türen. Wir haben herausgefunden, dass ein einzelner Sensor theoretisch ausreicht, um alle möglichen Lichtkonfigurationen im Gebäude abzuleiten, wenn die Auflösung \(\ tau\) ausreichend klein ist. Da jedoch Türen eingeführt werden, die den Lichtanteil anderer Leuchten blockieren können, entspricht die Mindestanzahl der Sensoren, die zur Erfassung des Beleuchtungszustands des Gebäudes erforderlich sind, der Gesamtzahl der unabhängigen Zonen. Beispielsweise benötigen drei separate Räume mindestens drei Sensoren, um den Beleuchtungszustand zu erfassen, unabhängig von der Anzahl der Leuchten in jedem Raum. Die Mindestanzahl der erforderlichen Sensoren erhöht sich von eins auf 31, wenn wir die Bewegung der Türen berücksichtigen, wie in Abb. 4k im Vergleich zu Abb. 4l dargestellt. Dies weist darauf hin, dass selbst einfache Wohngebäude ohne Dimmer zu komplexen Lichtumgebungen führen können, wenn alltägliche Bauelemente wie Türen berücksichtigt werden. Wenn die Forscher nicht über Tausende von Sensoren verfügten, die an jedem Zentimeter des Raums angebracht wären, wären sie nicht in der Lage, den gesamten Raum auf einmal zu testen.

Schließlich können Simulationen bei der Suche nach optimalen Positionen viel schneller sein. In unserem Experiment haben wir ungefähr 30 Minuten gebraucht, um eine Position in der realen Welt zu testen, wobei wir wie im Simulationsraum alle 0,11 Minuten der Simulation ungefähr einen Sensorstandort abdecken (für die 64 Punkte können alle 5 Minuten etwa 2800 Punkte berechnet werden). verschiedene Lichtzustände). Dies entspricht einer ungefähr 270-fachen Effizienzsteigerung bei der Verwendung von Simulationen zum Testen von Positionen im Vergleich zu Tests in der realen Welt, ohne Berücksichtigung der Rüstzeit in beiden Szenarien. Da es für Simulationen auch nicht erforderlich ist, dass die Forscher physisch im Weltraum anwesend sind, bieten Simulationen einen deutlichen Vorteil gegenüber manuellen Tests, da sie einen wichtigen Schritt zur Verbesserung des Einsatzes physischer Sensoren darstellen. Mit zunehmenden Simulationsszenarien, die menschliche Bewegungen und andere Modalitäten wie Lärm und HVAC einbeziehen, wird der digitale Raum nicht nur für die Sensorpositionierung, sondern auch für eine Vielzahl von Auswahlaufgaben immer wichtiger. Von der Art der einzusetzenden Sensoren, der Häufigkeit der Datenerfassung, den Informationen, die sie zu welchen unterschiedlichen Tages- und Jahreszeiten liefern, mit welchen unterschiedlichen Aktivitätsniveaus der Bewohner zu rechnen ist und mit welchen Softsensoren29 man sie kombinieren und daraus Rückschlüsse ziehen kann werden Simulationen eine immer wichtigere Rolle bei der Kontrolle und Prüfung des Umfangs von Schlussfolgerungen in Gebäuden einnehmen. Methoden wie diese zeigen, dass Simulationen das Potenzial haben, als Ersatz für Fachexperten zu dienen. Wenn Experten beispielsweise das Wissen über bestimmte Sensorplatzierungen für die Gebäudeinbetriebnahme digitalisieren können, können sie barrierefreie und gesetzeskonforme Designs zum Schutz der Privatsphäre der Bewohner ermöglichen und gleichzeitig die Möglichkeit bieten, mit anderen Simulationen zu interagieren, die dasselbe Gebäudemodell verwenden.

Die von uns abgeschlossene Arbeit stellt sowohl prädiktive Modellaufgaben dar, bei denen wir den Anwendungsfall des Insassen vor der Installation der Sensoren antizipieren, als auch einen Schritt zur Verringerung der Lücke zwischen dem digitalen Zwilling und dem ursprünglichen Zwilling. Sensorinstallationen können mehr als nur ihre Platzierung in Bezug auf gängige Gebäudeelemente wie Böden, Wände und Türen nutzen. Sensorplatzierungen können auch von der Kenntnis anderer Sensoren im Kontext profitieren. Der von uns demonstrierte Arbeitsablauf ermöglicht Untersuchungen zur Gestaltung von Gebäuden, die mit weniger Sensoren effektiver in Betrieb genommen werden können. Die Entwicklung von Metriken zur Quantifizierung möglicher Schlussfolgerungen bietet Designern und Forschern auch eine zusätzliche Möglichkeit, die Privatsphäre der Benutzer zu berücksichtigen. Beispielsweise könnten spezielle „Ruhezonen“ eingerichtet werden, in denen Sensoren aufgrund der physikalischen Gesetze keine Insassenaktivität erkennen können. Simulationen können ein wirksames Werkzeug sein, um mit dem Umfang der Sensorentwicklungen zu konkurrieren, da sie ihre Benutzer vor Szenarien schützen können, die noch nicht eingetreten sind, und Modelle anhand realer Daten informieren und anpassen können. Während sich die Kluft zwischen digitalen und ursprünglichen Zwillingen verringert, sind wir der Ansicht, dass ihre unterschiedlichen Identitäten bestimmte Vorteile mit sich bringen. Beispielsweise können digitale Zwillinge „offline“ betrieben werden, um reaktive und prädiktive Szenarien zu erkunden, die Aufschluss über die optimale Korrekturmaßnahme geben, ohne den Betrieb im realen System zu beeinträchtigen. Dies bedeutet jedoch nicht, dass Simulationen nicht auch einen immer wichtigeren Teil des Betriebs in Echtzeitsystemen einnehmen werden. Entscheidungen zur Bewältigung der möglichen geteilten Anreize zwischen Gebäudebetreiber und Bewohner werden wahrscheinlich von den Umständen abhängen und möglicherweise routinemäßige Aktualisierungen erfordern, um neue Management- und neue Mieter zu unterstützen. Ein Gebäudebetreiber könnte in allen Räumen Lichtsensoren installieren, um die Komplexität der Schlussfolgerung zu vermeiden, aber Informationen über die Küche, das Wohnzimmer und das Badezimmer des Bewohners offenlegen, die er als privat betrachtet. Ebenso könnte ein Bewohner einen Sensor installieren, um die Beleuchtung im Wohnzimmer zu verstehen, aber versehentlich die Beleuchtungszustände anderer Räume an den Gebäudebetreiber weitergeben. Entscheidungen darüber, welche Daten aus Datenschutzgründen verborgen bleiben oder für Zwecke der Nutzung verfügbar gemacht werden sollen, würden eine Verschmelzung der Ideologien in Bezug auf Raumeigentum, Dateneigentum, Ethik und andere Überlegungen erfordern. Unabhängig von der Perspektive besteht der erste Schritt darin, datengesteuert und reproduzierbar aufzuzeigen, wo eine Sensorinstallation theoretisch im Datenschutz-Nützlichkeits-Spektrum liegt.

Eine Einschränkung dieser Studie bestand darin, dass sie an einer älteren Wohneinheit durchgeführt wurde, deren Gebäude möglicherweise nicht ein moderneres Verständnis der effizienten Nutzung von Beleuchtungskörpern widerspiegeln. Die Auswirkungen der Sensornutzung auf die Privatsphäre in öffentlichen und halböffentlichen Situationen wie Büros und Bibliotheken könnten weitreichendere Auswirkungen auf die Anzahl der betroffenen Personen haben. Eine weitere Einschränkung ist unsere Annahme von Snapshot-Ansichten in Simulationen. Wir haben die Zeit (Analyse von Signalen anstelle von Werten) nicht einbezogen, beispielsweise durch Bulb-Response-Funktionen30. Dies kann die Fähigkeit von Simulationen einschränken, die Zeit zwischen Schnappschüssen und die zusätzlichen Schlussfolgerungen widerzuspiegeln, die aufgrund realistischerer Abtastraten gezogen werden können. Eine weitere Einschränkung besteht darin, dass wir nur Lichtintensitätsniveaus erfasst haben, andere Eigenschaften des Lichts, wie z. B. die Lichtfarben, jedoch nicht weiter untersucht haben. Wir vermuten, dass Farben ein wichtiger Weg sein können, Lichtsignale weiter zu verdeutlichen. Beispielsweise könnten die einzelnen Lichter zunächst nach Farbe gefiltert werden, wodurch die Gesamtzahl möglicher Kombinationen und Kollisionen verringert würde. Eine weitere Einschränkung besteht darin, dass der Einsatz einiger Möbel das Raumklima verändern kann. Beispielsweise kann ein Spiegel an der Wand die Lichtumgebung drastisch verändern, ähnlich wie lichtabsorbierende Materialien auf dem Boden. Schließlich befasst sich unsere Arbeit weder mit der Schwierigkeit, ein repräsentatives Gebäudemodell zu konstruieren, noch mit den potenziell geringeren Erträgen einer realistischeren Modellierung der Umgebung. Während mit einem informativen Gebäudemodell zahlreiche Vorteile erzielt werden können, können die Kosten für die Erstellung eines repräsentativen Modells letztendlich die Anforderungen an den Schutz der Privatsphäre eines Bewohners überwiegen. Die Kosten des Gebäudemodells können noch weiter steigen, wenn mehr Rechenzeit für die Berechnung physikalischer Wechselwirkungen im Raum erforderlich ist, wie z. B. eine Erhöhung der Anzahl der Sprünge bei Beleuchtungssimulationen oder der Anzahl der Partikel bei Simulationen der Computational Fluid Dynamics (CFD).

Wir demonstrieren einen theoretischen Rahmen für die Auswahl von Indoor-Aktivitätsinferenzen durch Simulationsexperimente und reale Sensorplatzierungen. Wir zeigen, wie Simulationen mithilfe eines Unterscheidbarkeitswerts die Aktivitäten von Insassen quantifizieren können und wie man durch Anwendung des Konzepts der festgelegten Abdeckung einen mathematisch minimalen Satz von Sensorpositionen findet, die zu deren Erkennung erforderlich sind. Die resultierenden Metriken zur Quantifizierung unterscheidbarer Aktivitäten ermöglichen es künftigen Sensoreinsätzen, die Gebäudegeometrie besser zu berücksichtigen und eine potenzielle Überreichweite der Sensordaten zu begrenzen. Wir gehen davon aus, dass die Verwendung von Sensorpositionierung in Kombination mit Gebäudesimulationen zu einer wesentlichen Technik für Forscher werden wird, um den Kompromiss zwischen Privatsphäre und Nutzen für die intelligenten Gebäude von morgen zu bewältigen.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Cureau, RJ et al. Überbrückung der Lücke von Testräumen zu Feldtests für Studien zum menschlichen Innenraumkomfort: Eine kritische Überprüfung des Nachhaltigkeitspotenzials lebender Labore. Energieres. Soc. Wissenschaft. 92, 102778 (2022).

Artikel Google Scholar

Wagner, A., O'Brien, W. & Dong, B. Erforschung des Bewohnerverhaltens in Gebäuden. (Hrsg. Wagner, A., O'Brien, W., Dong, B.) (2018).

Lu, J., Birru, D. & Whitehouse, K. Mit einfachen Lichtsensoren eine intelligente Tageslichtnutzung erreichen. In Proceedings of the 2nd ACM Workshop on Embedded Sensing Systems for Energy-efficiency in Building 73–78 (2010).

Yan, D., Feng, X., Jin, Y. & Wang, C. Die Bewertung stochastischer Insassenverhaltensmodelle aus anwendungsorientierter Perspektive: Verwendung des Beleuchtungsverhaltensmodells als Fallstudie. Energieaufbau. 176, 151–162 (2018).

Artikel Google Scholar

Zhou, W., Jia, Y., Peng, A., Zhang, Y. & Liu, P. Die Auswirkungen neuer IoT-Funktionen auf Sicherheit und Datenschutz: Neue Bedrohungen, bestehende Lösungen und noch zu lösende Herausforderungen. IEEE Internet Things J. 6, 1606–1616 (2018).

Artikel Google Scholar

Por, E., Kooten, MV & Sarkovic, V. Nyquist-Shannon-Stichprobentheorem (Universität Leiden, 2019).

Google Scholar

Gautam, DK, Kotecha, P. & Subbiah, S. Effizientes k-Means-Clustering und gierige auswahlbasierte Reduzierung des Knotensuchraums zur Optimierung der Sensorplatzierung in den Wasserverteilungsnetzen. Wasserres. 220, 118666 (2022).

Artikel CAS PubMed Google Scholar

Ghahramani, A. et al. Persönliche CO2-Blase: Kontextabhängige Variationen und Benutzerfreundlichkeit tragbarer Sensoren. J. Bauen. Ing. 22, 295–304 (2019).

Artikel Google Scholar

Pantelic, J. et al. Persönliche CO2-Wolke: Labormessungen der metabolischen CO2-Inhalationszonenkonzentration und -verteilung in einer typischen Büroschreibtischumgebung. J. Exp. Wissenschaft. Umgebung. Epidemiol. 30, 328–337 (2020).

Artikel CAS Google Scholar

Jin, M., Bekiaris-Liberis, N., Weekly, K., Spanos, C. & Bayen, A. Sensing by Proxy: Belegungserkennung basierend auf der CO2-Konzentration in Innenräumen. UBICOMM 2015, 14 (2015).

Google Scholar

Szczurek, A., Maciejewska, M. & Pietrucha, T. Belegungsbestimmung basierend auf Zeitreihen von CO2-Konzentration, Temperatur und relativer Luftfeuchtigkeit. Energieaufbau. 147, 142–154 (2017).

Artikel Google Scholar

Yoon, YR, Lee, YR, Kim, SH, Kim, JW & Moon, HJ Ein nicht-intrusives datengesteuertes Modell zur detaillierten Klassifizierung der Aktivitäten der Bewohner in Wohngebäuden anhand von Umwelt- und Energieverbrauchsdaten. Energieaufbau. 256, 111699 (2022).

Artikel Google Scholar

Huchtkoetter, J. & Reinhardt, A. Über den Einfluss der zeitlichen Datenauflösung auf die Genauigkeit der nicht-intrusiven Lastüberwachung. In Proceedings of the 7th ACM International Conference on Systems for Energy-Efficient Buildings, Cities, and Transportation 270–273 (2020).

Wadhwa, N. et al. Eulersche Videovergrößerung und -analyse. Komm. ACM 60, 87–95 (2016).

Artikel Google Scholar

Wagiman, KR, Abdullah, MN, Hassan, MY & Radzi, NHM Eine neue optimale Methode zur Platzierung von Lichtsensoren eines Innenbeleuchtungssteuerungssystems zur Verbesserung der Energieeffizienz und des Sehkomforts. J. Bauen. Ing. 30, 101295 (2020).

Artikel Google Scholar

Lm, I. Anerkannte Methode: IES räumliche Tageslichtautonomie (SDA) und jährliche Sonneneinstrahlung (ASE). Beleuchtung. Ing. Soc.. https://www.ies.org/product/ies-spatial-daylight-autonomy-sda-and-annual-sunlight-exposure-ase (2013).

Shin, M. & Haberl, JS Thermische Zoneneinteilung für Gebäude-HVAC-Design und Energiesimulation: Eine Literaturübersicht. Energieaufbau. 203, 109429 (2019).

Artikel Google Scholar

Wang, C. & Kang, J. Entwicklung einer akustischen Computersimulation für Aufführungsräume: Eine systematische Überprüfung und Metaanalyse. In Building Simulation 1–17 (Springer, 2022).

Batty, M. Digitale Zwillinge (2018).

Belhaj, LA, Gosselin, S., Pouyllau, H. & Semet, Y. Optimierung der Smart-Sensor-Platzierung unter Energiezielen. Im Jahr 2016 Global Information Infrastructure and Networking Symposium (GIIS) 1–7 (IEEE, 2016).

Li, N., Becerik-Gerber, B., Krishnamachari, B. & Soibelman, L. Ein BIM-zentrierter Indoor-Lokalisierungsalgorithmus zur Unterstützung von Brandschutzmaßnahmen in Gebäuden. Autom. Konstr. 42, 78–89 (2014).

Artikel Google Scholar

Aguilar-Carrasco, MT, Diaz-Borrego, J, Acosta, I, Campano, M. & Domínguez-Amarillo, S. Validierung der lichtparametrischen Workflow-Tools von Ladybug und Solemma unter Verwendung von CIE-Testfällen. J. Bauen. Ing. Rev. 64, 105608 (2022).

Artikel Google Scholar

Reinhart, CF Lightswitch-2002: Ein Modell zur manuellen und automatisierten Steuerung elektrischer Beleuchtung und Jalousien. Sol. Energie 77, 15–28 (2004).

Artikel ADS Google Scholar

Young, NE Greedy-Set-Cover-Algorithmen (1974–1979, Chvátal, Johnson, Lovász, Stein). Encyclopedia of Algorithms 379–381 (2008).

Cheng, RK Inside Rhinoceros 5 (Cengage Learning, 2013).

Google Scholar

Roudsari, MS, Pak, M., Smith, A. et al. Ladybug: Ein parametrisches Umwelt-Plugin für Grasshopper, das Designern dabei hilft, ein umweltbewusstes Design zu erstellen. In Proceedings of the 13th International IBPSA Conference Held in Lyon, France 3128–3135 (2013).

Heydarian, A., Pantazis, E., Wang, A., Gerber, D. & Becerik-Gerber, B. Auf dem Weg zum benutzerzentrierten Gebäudedesign: Ermittlung der Beleuchtungspräferenzen der Endbenutzer mithilfe immersiver virtueller Umgebungen. Autom. Konstr. 81, 56–66 (2017).

Artikel Google Scholar

Ward, GJ Das Strahlungsbeleuchtungssimulations- und Renderingsystem. In Proceedings of the 21st Annual Conference on Computer Graphics and Interactive Techniques 459–472 (1994).

Agarwal, A., Munigala, V. & Ramamritham, K. Observability: Ein prinzipieller Ansatz zur Bereitstellung von Sensoren in Gebäuden. In Proceedings of the 3rd ACM International Conference on Systems for Energy-Efficient Built Environments 197–206 (2016).

Sheinin, M., Schechner, YY & Kutulakos, KN ​​Computergestützte Bildgebung im Stromnetz. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 6437–6446 (2017).

Referenzen herunterladen

Diese Arbeit wurde teilweise durch den Zuschuss der Virginia Commonwealth Cyber ​​Initiative (CCI) und den Zuschuss Nr. 1823325 der National Science Foundation (NSF) unterstützt.

Link Lab, Computer Engineering, University of Virginia, Charlottesville, 22903, USA

Alan Wang

Link Lab, Informatik, University of Virginia, Charlottesville, 22903, USA

Bradford Campbell

Link Lab, Engineering Systems and Environment, University of Virginia, Charlottesville, 22903, USA

Arsalan Heydarian

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

AW, BC, AH haben zur Ideenfindung beigetragen. AW führte die Experimente durch und analysierte die Ergebnisse. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Arsalan Heydarian.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Wang, A., Campbell, B. & Heydarian, A. Gebäudeleistungssimulationen können Aufschluss über IoT-Datenschutzlecks in Gebäuden geben. Sci Rep 13, 7602 (2023). https://doi.org/10.1038/s41598-023-34450-y

Zitat herunterladen

Eingegangen: 01. Januar 2023

Angenommen: 30. April 2023

Veröffentlicht: 10. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-34450-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.