@phdthesis{Wills,
  author    = {Wills, Nadine},
  title     = {Modell bedarfsorientierter Leistungserbringung im FM auf Grundlage von Sensortechnologien und BIM},
  publisher = {Eigenverlag der Professur Baubetrieb und Bauverfahren},
  address   = {Weimar},
  doi       = {10.25643/bauhaus-universitaet.4924},
  url       = {http://nbn-resolving.de/urn:nbn:de:gbv:wim2-20230214-49248},
  school      = {Bauhaus-Universit{\"a}t Weimar},
  pages     = {171},
  abstract  = {W{\"a}hrend der Digitalisierung im Bauwesen insbesondere im Bereich der Planungs- und Errichtungsphase von Bauwerken immer gr{\"o}ßere Aufmerksamkeit zuteilwird, ist das digitale Potenzial im Facility Management weit weniger ausgesch{\"o}pft, als dies m{\"o}glich w{\"a}re. Vor dem Hintergrund, dass die Bewirtschaftung von Geb{\"a}uden jedoch einen wesentlichen Kostenanteil im Lebenszyklus darstellt, ist eine Fokussierung auf digitale Prozesse im Geb{\"a}udebetrieb erforderlich. Im Facility Management werden Dienstleistungen h{\"a}ufig verrichtungsorientiert, d. h. nach statischen Intervallen, oder bedarfsorientiert erbracht. Beide Arten der Leistungserbringung weisen Defizite auf, beispielweise weil T{\"a}tigkeiten auf Basis definierter Intervalle erbracht werden, ohne dass eine Notwendigkeit besteht oder weil bestehende Bedarfe mangels M{\"o}glichkeiten der Bedarfsermittlung nicht identifiziert werden. Speziell die Definition und Ermittlung eines Bedarfs zur Leistungserbringung ist h{\"a}ufig subjektiv gepr{\"a}gt. Auch sind Dienstleister oft nicht in fr{\"u}hen Phasen der Geb{\"a}udeplanung involviert und erhalten f{\"u}r ihre Dienstleistungen notwendige Daten und Informationen erst kurz vor Inbetriebnahme des zu betreibenden Geb{\"a}udes. Aktuelle Ans{\"a}tze des Building Information Modeling (BIM) und die zunehmende Verf{\"u}gbarkeit von Sensortechnologien in Geb{\"a}uden bieten Chancen, die o. g. Defizite zu beheben. In der vorliegenden Arbeit werden deshalb Datenmodelle und Methoden entwickelt, die mithilfe von BIM-basierten Datenbankstrukturen sowie Auswertungs- und Entscheidungsmethodiken Dienstleistungen der Geb{\"a}udebewirtschaftung objektiviert und automatisiert ausl{\"o}sen k{\"o}nnen. Der Fokus der Arbeit liegt dabei auf dem Facility Service der Reinigungs- und Pflegedienste des infrastrukturellen Facility Managements. Eine umfangreiche Recherche etablierter Normen und Standards sowie {\"o}ffentlich zug{\"a}nglicher Leistungsausschreibungen bilden die Grundlage der Definition erforderlicher Informationen zur Leistungserbringung. Die identifizierten statischen Geb{\"a}ude- und Prozessinformationen werden in einem relationalen Datenbankmodell strukturiert, das nach einer Darstellung von Messgr{\"o}ßen und der Beschreibung des Vorgehens zur Auswahl geeigneter Sensoren f{\"u}r die Erfassung von Bedarfen, um Sensorinformationen erweitert wird. Um Messwerte verschiedener und bereits in Geb{\"a}uden existenten Sensoren f{\"u}r die Leistungsausl{\"o}sung verwenden zu k{\"o}nnen, erfolgt die Implementierung einer Normierungsmethodik in das Datenbankmodell. Auf diese Weise kann der Bedarf zur Leistungserbringung ausgehend von Grenzwerten ermitteln werden. Auch sind Verkn{\"u}pfungsmethoden zur Kombination verschiedener Anwendungen in dem Datenbankmodell integriert. Zus{\"a}tzlich zur direkten Ausl{\"o}sung erforderlicher Aktivit{\"a}ten erm{\"o}glicht das entwickelte Modell eine opportune Ausl{\"o}sung von Leistungen, d. h. eine Leistungserbringung vor dem eigentlich bestehenden Bedarf. Auf diese Weise k{\"o}nnen t{\"a}tigkeits{\"a}hnliche oder r{\"a}umlich nah beieinander liegende T{\"a}tigkeiten sinnvoll vorzeitig erbracht werden, um f{\"u}r den Dienstleister eine Wegstreckeneinsparung zu erm{\"o}glichen. Die Arbeit beschreibt zudem die f{\"u}r die Auswertung, Entscheidungsfindung und Auftrags{\"u}berwachung ben{\"o}tigen Algorithmen. Die Validierung des entwickelten Modells bedarfsorientierter Leistungserbringung erfolgt in einer relationalen Datenbank und zeigt simulativ f{\"u}r unterschiedliche Szenarien des Geb{\"a}udebetriebs, dass Bedarfsermittlungen auf Grundlage von Sensortechnologien erfolgen und Leistungen opportun ausgel{\"o}st, beauftragt und dokumentiert werden k{\"o}nnen.},
  subject      = {Facility-Management},
  language  = {de}
}
@article{ShamshirbandJoloudariGhasemiGoletal.,
  author    = {Shamshirband, Shahaboddin and Joloudari, Javad Hassannataj and GhasemiGol, Mohammad and Saadatfar, Hamid and Mosavi, Amir and Nabipour, Narjes},
  title     = {FCS-MBFLEACH: Designing an Energy-Aware Fault Detection System for Mobile Wireless Sensor Networks},
  series = {Mathematics},
  volume    = {2020},
  journal   = {Mathematics},
  number    = {Volume 8, Issue 1, article 28},
  publisher = {MDPI},
  doi       = {10.3390/math8010028},
  url       = {http://nbn-resolving.de/urn:nbn:de:gbv:wim2-20200107-40541},
  pages     = {24},
  abstract  = {Wireless sensor networks (WSNs) include large-scale sensor nodes that are densely distributed over a geographical region that is completely randomized for monitoring, identifying, and analyzing physical events. The crucial challenge in wireless sensor networks is the very high dependence of the sensor nodes on limited battery power to exchange information wirelessly as well as the non-rechargeable battery of the wireless sensor nodes, which makes the management and monitoring of these nodes in terms of abnormal changes very difficult. These anomalies appear under faults, including hardware, software, anomalies, and attacks by raiders, all of which affect the comprehensiveness of the data collected by wireless sensor networks. Hence, a crucial contraption should be taken to detect the early faults in the network, despite the limitations of the sensor nodes. Machine learning methods include solutions that can be used to detect the sensor node faults in the network. The purpose of this study is to use several classification methods to compute the fault detection accuracy with different densities under two scenarios in regions of interest such as MB-FLEACH, one-class support vector machine (SVM), fuzzy one-class, or a combination of SVM and FCS-MBFLEACH methods. It should be noted that in the study so far, no super cluster head (SCH) selection has been performed to detect node faults in the network. The simulation outcomes demonstrate that the FCS-MBFLEACH method has the best performance in terms of the accuracy of fault detection, false-positive rate (FPR), average remaining energy, and network lifetime compared to other classification methods.},
  subject      = {Vernetzung},
  language  = {en}
}