Air Support

19.06.2021 3 Minuten zum Lesen

Air Support ist ein digitaler Assistent zur optimalen Steuerung der Innenraumluftqualität, den ich als Produkt meiner Masterthesis umsetze.

Motivation

Die Luftqualität ist ein elementarer Einflussfaktor auf den Menschen. Unter schlechten klimatischen Bedingungen leidet die Leistungsfähigkeit. Bei erhöhten Schadstoffkonzentrationen der Luft drohen gesundheitliche Schäden. Folglich ist es von Relevanz, in der Umgebung von Menschen die bestmögliche Luftqualität zu gewährleisten.

Unzureichend gelüftete Innenräume erreichen über hundert mal höhere Werte der Luftverschmutzung als Außenbereiche. Erschwerend kommt hinzu, dass sich Mitteleuropäer durchschnittlich zu 90 % der Zeit in Innenräumen aufhalten. Die aktuell vorherrschende Corona-Pandemie schafft dem Thema der Raumluftqualität größere Bedeutung als je zuvor. Frequentes Lüften wird zu einem wichtigen Maßnahme im Kampf gegen den Virus. Abgesehen von den Einflüssen auf den Menschen, ist intelligentes Lüften ausschlaggebend für ressourcenschonendes Heizen und Gebäudeinstandhaltung. Trotz der Relevanz der Frischluftversorgung, wird die große Mehrzahl an Gebäuden manuell gelüftet. Das ist fehleranfällig. Wegen erhoffter finanzieller Einsparung oder fehlenden Bewusstseins des gegenwärtigen Raumklimas wird unbedacht und selten gelüftet. Weiterhin ist effiziente Raumlüftung komplex. Willkürliches Lüften führt unter Umständen nicht zum erwünschten Effekt des verbesserten Raumklimas. Gründe können falsches Lüften, schlechtere Bedingungen der Außenluft oder thermodynamische Effekte des Gebäudes sein.

Vorangehende Ausführungen erklären den Bedarf, die manuelle Fensterlüftung intelligent zu gestalten. Im Rahmen meiner Masterthesis setzte ich mir mit “Air Support” zum Ziel, einen digitalen Assistenten zu entwickeln, welcher den Menschen durch intelligente Anweisungen zur manuellen Fensterlüftung bei der Schaffung eines gesunden Raumklimas unterstützt. Das System hat den Anspruch, historische, gegenwärtige und zukünftige Einflussparameter aus rauminternen und -externen Quellen zu berücksichtigen. Die echtzeitrelevanten Anweisungen des Systems informieren den Nutzer über die optimale Art und Weise sowie den besten Zeitpunkt des nächsten Lüftungsvorgangs.

Kollaboration mit artiso solutions GmbH

Air Support und die zugehörige Masterarbeit setze ich gemeinsam mit der artiso solutions GmbH um, einem Software-Dienstleistungsunternehmen. Dabei dient das Office der artiso solutions GmbH als Testumgebung für Air Support.

Versuchsaufbau

Im Office der artiso solutions GmbH wird eine IoT-Infrastruktur aufgebaut. Räume unterschiedlicher Eckdaten werden mit Sensorik zur Datensammlung der relevanten Parameter ausgestattet. Die Außenluftqualität wird über Third-Party APIs und Sensorik im Außenbereich des Offices erfasst. Messwerte werden simultan, in Zyklen von wenigen Minuten erfasst. Die Fensteröffnung wird über Fensterkontakte ad-hoc festgestellt.

Die Mitarbeiter arbeiten, wie gewohnt, in den Räumen und interagieren mit ihnen. Sie produzieren Kohlenstoffdioxid durch Atmung, öffnen Türen und Fenster. Für jeden Raum wird ein Microsoft Teams Channel genutzt, welcher bei schlechter Innenraumluftqualität über Incoming Webhooks Aufforderungen zum Lüften erhält. Die IoT-Infrastruktur ist die Voraussetzung zur Generierung der Daten, die für das folgende Modeling wichtig sind.

Eckdaten des Projekts

  • Start: 08.02.2021
  • Status: Development / Production

Technische Beschreibung

Metriken

  • Commits: 345
  • Locations in Aufzeichnung: 9
  • Gesammelte Datenpunkte ~400.000 (19.06.2021)

Verwendete Technologien

  • C++ / PlatformIO: Programmierung der Mikrocontroller
  • NodeJS (TypeScript): Entwicklung der Azure Functions
  • Python: Data Science
  • Data Science
    • JupyterLab: Data Science Notebooks
    • Pandas: Data Analysis
  • Docker: Development (VSCode devcontainer)
  • Infrastruktur
    • Microsoft Azure: Cloud-Infrastruktur
      • IoT-Hub: Authentifizierung und Management der IoT-Devices
      • Service Bus: Entkopplung von IoT-Hub und verarbeitende Azure Function
      • Functions: Event-Driven Serverless Compute
        • Service Bus Trigger zur Verarbeitung der Sensordaten
        • Timer Function zum Abruf von Daten aus Third-Party APIs
        • HTTP Trigger zur Verarbeitung einer Microsoft Teams Outgoing Webhook
      • Key Vault: Speicherung von Secrets
      • Database for PostgreSQL mit TimescaleDB: Serverless Time Series Database
    • alembic: Database Migrations mit SQLAlchemy
    • Terraform: Infrastructure As Code zur Verwaltung der Azure Cloud-Infrastruktur
    • Microsoft Teams: Webhook-Integrationen