Umgebungssensor mit KI

In Gebäuden treten häufig störende Gerüche auf, was schnell zu Beschwerden führen kann. Doch wie lässt sich die Geruchsbelastung objektiv erfassen? Ein Sensor von Bosch Sensortec lässt sich mittels Machine Learning auf Gerüche trainieren und macht subjektives Empfinden messbar. 

Der ursprünglich zur Erkennung von faulem Obst und Gemüse in Kühlschränken entwickelte Sensor wird mittlerweile auch zur Frühwarnung vor Waldbränden genutzt. Auf die technische Gebäudeausrüstung übertragen, lassen sich hier Anwendungen rund um Küchen und WC-Abluft, Abfallcontainer, sowie die Erkennung von schmorenden Bauteilen in Schaltschränken und Technikzentralen erkennen.

Für das Training wird die Sensorplatine mit einer Powerbank verbunden und der belasteten Luft vor Ort ausgesetzt. Über eine mobile Android-App startet man die Probenahme für ca. 20 Minuten und benennt sie für die spätere Auswertung. Anschließend muss der Normalzustand erfasst werden – also „normale“ Luft, idealerweise aus demselben Raum, jedoch ohne störende Gerüche.

Mit den gesammelten Daten kann das eigentliche Training auf dem Laptop erfolgen. In einfachen Schritten lernt ein neuronales Netzwerk, selbstständig zwischen den beiden aufgenommenen Zuständen zu unterscheiden. Sobald das Netzwerk auf die Sensorplatine übertragen wird, zeigt es im „Live Test“-Modus den aktuellen Zustand an, zum Beispiel „Normal“ oder „Abwasser“.

So konnte in einem von SPIE betriebenen Gebäude die Geruchsquelle eines problembehafteten WC-Raums erfolgreich identifiziert werden. Hier wurde der Nachweis erbracht, dass auch subtilere Konzentrationen durch den Sensor unterschieden werden können. 

Zukünftig ist auch ein Einsatz flankierend zu bestehenden Gaswarnanlagen vorgesehen. So könnten Fehlalarme, die durch Querempfindlichkeiten gegenüber anderen Stoffen im Gebäude ausgelöst werden, besser eingeschätzt werden. Dann ist unseren Kolleginnen und Kollegen eine bessere Einschätzung dieser Situationen möglich. 

Ein Sensor kann auf bis zu vier unterschiedlichen Gerüchen gleichzeitig trainiert werden. Dies genügt für viele Anwendungsfälle. Sollen weitere Zustände unterschieden werden, nimmt man einfach einen weiteren Sensor hinzu. 

Der Sensor ist ein Beispiel dafür, wie der Funktionsumfang bestehender Technik durch Künstliche Intelligenz auf manchmal verblüffende Weise erweitert werden kann.