Gebäude erfüllen die unterschiedlichsten Funktionen wie den Schutz vor Wetter und das Sicherstellen von Privatsphäre. Dabei muss die Funktionalität des Wohnraumes im Sinne der Digitalisierung individualisierbarer werden. Das Fehlen modularer Ansätze im Smart Home behindert diese Entwicklung ebenso wie die fehlende Interoperabilität im Smart Home–Sektor. Der gewählte Ansatz eröffnet Simulationsmodelle, die die Komplexität des häuslichen Umfelds abbilden. Digitale Zwillinge des Gebäudes sowie des Nutzers repräsentieren reale Pendants innerhalb eines Frameworks, welches das Nutzerverhalten und Automationsaufgaben in ein Konstrukt übersetzt.

Die Anforderungen und Interaktionen des Nutzers an das Gebäude werden thematisch untergliedert. Die einzelnen Aspekte werden in modularisierter Form dargestellt. Es wird in vier Module unterschieden: Funktionsmodule, Hilfsmodule, Wirkmodule, Module für maschinelles Lernen und Vorhersage. Ein Modul hat im Sinne dieses Ansatzes eine einfache Struktur. Die für die Berechnung benötigten Daten werden importiert, im Funktionsblock verarbeitet und das Resultat wiederum ausgegeben. Mögliche Größen sind Sensorwerte, Parameter aus Datenbanken oder Ausgangsdaten aus anderen Modulen. Die funktionsfähige Zuordnung geschieht mit einem ontologiebasierten Algorithmus.

Hierfür werden in Form einer Ontologie digitale Repräsentanten erstellt. Das Wissen über die jeweiligen Repräsentanten wird in Form von Klassenzuordnung oder deren Zuweisung von Eigenschaften abgebildet. Die dafür notwendigen Daten können beispielsweise aus einem „Building Information Model” bezogen werden, insbesondere bauphysikalisch relevante Parameter. Damit ist die Methodik in der Lage, aufgrund des gespeicherten Wissens über das Gebäude und den Nutzer selbstständig mittels Reasoning auf Basis generierter Regeln Verbindungen zwischen Modulen und Sensoren zu erzeugen. So besteht die Möglichkeit, ein individuelles Berechnungssetup für das jeweilige Gebäude und den darin lebenden Nutzer zu schaffen.

Das Wirkmodul ermöglicht die Erzeugung zukunftsorientierter Daten in Form eines zeitbasierten Arrays mit Handlungsvorschlägen. Diese übernehmen damit die Funktion von prognostizierten Messwerten. Die Handlungsvorschläge der Wirkmodule erhalten einen Zielwert, eine Priorität und einen Abweichungsumfang. Diese Prioritätenbereinigung ermöglicht innerhalb des Anforderungsarrays die Suche nach gemeinsamen Lösungsräumen der Module. Dadurch wird verhindert, dass keine Dilemmas auftreten. Für den Fall des Verbleibens mehrerer Lösungsversionen wird diejenige gewählt, die auf das Gesamtsystem den geringsten Einfluss erzeugt oder vom Modulentwickler als präferiert angegeben wurde. Ebenso werden Ergebnisse beseitigt, die technisch nicht möglich sind.

In einer ersten Fallstudie wird eine einfache Berechnung der Schimmelpilzbildungsgefahr mit vollständiger Automatisierung bis zur Auslösung eines Aktuators umgesetzt. In einer zweiten Fallstudie wird der Prioritäten–Algorithmus, nutzerabhängige Variablen sowie eine kontextsensitive Betrachtung implementiert. Eine dritte Fallstudie zeigt die Möglichkeiten der Individualisierung des Systems auf den Nutzer und das Gebäude. Es konnte nachgewiesen werden, dass diese Methode im bauphysikalischen Sinne ein Smart Home nutzerindividuell, interaktiv, dynamisch, modular, offen und kontextsensitiv abbilden kann.