DC FieldValueLanguage
dc.contributor.advisorDietrich, Dietmar-
dc.contributor.authorBruckner, Dietmar-
dc.date.accessioned2020-06-30T10:50:07Z-
dc.date.issued2007-
dc.date.submitted2007-01-
dc.identifier.urihttps://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-14628-
dc.identifier.urihttp://hdl.handle.net/20.500.12708/12084-
dc.descriptionZsfassung in dt. Sprache-
dc.description.abstractGebäudeautomationssysteme finden speziell in den letzten Jahren eine immer größere Verbreitung sowohl in Nutzbauten als auch im Wohnbau.<br />Die technischen Entwicklungen in den Bereichen Sensorik, Aktuatorik und Embedded Systems führen zu immer leistungsfähigeren und komplexeren Systemen. Diese Systeme erleben eine ständige Verbesserung in ihrer Fähigkeit zur Observierung von Aktivitäten in Gebäuden, was zu einer Ausweitung ihres Einsatzgebietes führt. Leider sind Automationssysteme mit einer großen Zahl von Parametern mit gängigen Methoden schwer zu beschreiben, bzw. kann man die Geschehnisse, die zu der aktuellen Situation geführt haben - den Kontext - schwer herauslesen.<br />In dieser Arbeit wird untersucht, inwiefern statistische Methoden geeignet sind, in (zukünftigen) Gebäudeautomationssystemen zum Erkennen fehlerhaften Verhaltens oder sogar zum Finden von semantischer und kontextueller Information aus den Sensordaten eingesetzt zu werden. Eine auf hidden Markov Modellen basierende, hierarchische Modellstruktur wird als Rahmenstruktur präsentiert. Dieser Rahmen kann mit beliebigen statistischen Modellen ausgestattet werden. Diese Modelle werden vorgestellt, verglichen und bewertet.<br />Die unteren Schichten in der hierarchischen Modellstruktur werden verwendet, um die Sensordaten selbst zu bewerten, während die oberen Schichten verwendet werden können, um semantische Interpretationen der Geschehnisse im Gebäude vorzunehmen.<br />In dieser Arbeit werden drei Implementierungen von Teilaspekten des Gesamtsystems gezeigt: In Kapitel 7 wird gezeigt, dass alleine die Verwendung von einfachen statistischen Modellen zur Beschreibung des Sensorverhaltens Vorteile für den Benutzer des Gebäudeautomationssystems hinsichtlich Treffsicherheit von Alarmen bringt. Weiters wird das Ergebnis des vorhandenen, regelbasierten Systems mit dem des modellbasierten Systems verglichen. Die zweite Implementierung zeigt, dass die Kombination von einfachen Modellen im Rahmenmodell eines hidden Markov Modells (HMM) verwendet werden kann, um das Verhalten des Gesamtsystems zu modellieren. Eine konkrete Anwendung dieser Idee - die Überwachung der Verkehrssituation in einem Tunnel - wird in Kapitel 8 vorgestellt. Weiters wird erläutert, wie ein HMM in Kombination mit entsprechenden Modellen für die Sensoren dazu verwendet werden kann, Muster in Sensordaten zu finden. Diese Muster bilden sich in der Modellstruktur in einer Weise ab, die es einem Menschen ermöglicht, Zustände des Modells - oder Kombinationen von Zuständen - semantisch zu interpretieren. Anhand eines Beispiels in einem Bürogebäude werden alle notwendigen Überlegungen und Algorithmen in Kapitel 6 präsentiert. Diese Modelle können als Basis für zukünftige - die Situation des menschlichen Benutzers erkennende - Systeme dienen.<br />de
dc.description.abstractBuidlings automation systems have also seen widespread distribution in private residences over the past few years. The ongoing technological development in the field of sensors, actuators as well as embedded systems leads to more and more complex and larger systems.<br />These systems allow ever-better observations of activities in buildings with a rapid growing number of possible applications. Unfortunately, control systems with lots of parameters are hard to describe - and from a context-deriving view - hard to understand with standard control engineering techniques.<br />This thesis investigates how statistical methods can be applied to (future) building automation systems to recognize erroneous behavior and to extract semantic and context information from sensor data. A hierarchical model structure based on hidden Markov models is proposed to establish a framework. This framework can be equipped with any statistical model. Examples of models are given and their selection is justified. The lower levels of the model structure are used to observe the sensor values themselves whereas the higher levels provide a basis for the semantic interpretation of what is happening in the building.<br />In this work three implementations of different aspects of the overall system are presented: The advantages of utilizing simple statistical models to describe sensor values of single sensors in building automation systems are illustrated in chapter 7. This chapter also includes a comparison of the outcome of both systems, the traditional one and the statistical-model-based one. Further on, the combination of several models for single sensors within the framework of a HMM can be used to achieve an overview of the whole system behavior. An application of that idea is discussed in chapter 8. Finally, the HMM in combination with appropriate models for emissions can be used to find patterns in sensor values. This is done in a way that a human can interpret the model structure of the HMM and find states - or combinations of states - which have a semantic meaning. These models can be a basis for future context aware systems. The necessary ideas and algorithms are depicted in chapter 6 with the illustration of a concrete example located in an office building.en
dc.formatX, 124 Bl.-
dc.languageEnglish-
dc.language.isoen-
dc.subjectubiquitäre Computertechnikde
dc.subjectintelligente Umgebungde
dc.subjectGebäudeautomationde
dc.subjectstatistische Modellede
dc.subjecthidden Markov Modellede
dc.subjectAlarmierungde
dc.subjectVerkehrsflussüberwachungde
dc.subjectpervasive Computingde
dc.subjectKontextsensitivitätde
dc.subjectubiquitous computingen
dc.subjectintelligent environmenten
dc.subjectbuilding automationen
dc.subjectprobabilistic modelsen
dc.subjectstatistical modelsen
dc.subjectalarm generationen
dc.subjecttraffic flow controlen
dc.subjectpervasive computingen
dc.subjectcontext awarenessen
dc.titleProbabilistic models in building automation : recognizing scenarios with statistical methodsen
dc.typeThesisen
dc.typeHochschulschriftde
dc.contributor.assistantO'Connell, Brian M.-
tuw.publication.orgunitE384 - Institut für Computertechnik-
dc.type.qualificationlevelDoctoral-
dc.identifier.libraryidAC05033571-
dc.description.numberOfPages124-
dc.identifier.urnurn:nbn:at:at-ubtuw:1-14628-
dc.thesistypeDissertationde
dc.thesistypeDissertationen
item.openairetypeThesis-
item.openairetypeHochschulschrift-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.fulltextwith Fulltext-
item.cerifentitytypePublications-
item.cerifentitytypePublications-
item.grantfulltextopen-
item.languageiso639-1en-
Appears in Collections:Thesis

Files in this item:

Show simple item record

Page view(s)

16
checked on Jun 13, 2021

Download(s)

62
checked on Jun 13, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.