Internetul Lucrurilor (Internet of Things − IoT) își dezvoltă adesea întregul potențial doar atunci când lucrurile au un anumit nivel de inteligență − de exemplu, atunci când sunt capabile să analizeze datele colectate. În special în domeniile mediului și sănătății, IoT poate fi un instrument foarte util pentru oameni: un exemplu grăitor fiind aplicația unui “nas electronic”.
Figura 1: Configurația de testare/măsurare utilizată pentru a obține date de referință este foarte asemănătoare cu mediul natural în care apar COV. ▶
Majoritatea europenilor și nord-americanilor își petrec zilele în spații închise. Calitatea aerului din interior are un mare impact asupra bunăstării noastre: cu cât calitatea aerului este mai scăzută, cu atât este mai dificil să ne concentrăm și să rămânem vigilenți. Pe termen lung, aceasta poate duce, de asemenea, la probleme de sănătate. Prin urmare, guvernul chinez încurajează companiile care dezvoltă produse pentru îmbunătățirea calității aerului. Totuși, ce înseamnă, de fapt, “calitatea redusă a aerului”?
Compușii organici volatili (COV) sunt principalii factori care contribuie la calitatea aerului. Aceștia se află în stare gazoasă la temperatura camerei și sunt așadar cele mai mici particule din aer. Sursele sunt, de exemplu, materialele de construcție, materialele plastice și solvenții; dar și microorganismele, oamenii și animalele emit COV în aer. Pot fi detectați atunci când se folosesc senzori adecvați. Aceștia conțin un substrat pe care VOC-urile se pot aduna și pot reacționa cu aerul. Ca urmare, rezistența senzorului se modifică. Senzorii emit conținutul de COV în ppm (părți pe milion).
Atunci când se iau măsuri de remediere împotriva unui nivel ridicat de COV, este adesea util să se cunoască originea particulelor. Modul în care un algoritm de extragere a datelor reușește să clasifice compușii organici volatili și să îi atribuie unei anumite substanțe este demonstrat aici, folosind compuși organici volatili din parfum, alcool și oțet. Acestea sunt ideale pentru testare, deoarece sunt substanțe de uz casnic obișnuite, al căror COV poate fi dăunător pentru oameni în concentrații mari fiind ușor de detectat de către senzorul COV.
Cum se generează datele de referință pentru algoritmul de extragere a datelor
Figura 2: Comportamentul COV-urilor din parfumuri diferă în timpul celor zece măsurători efectuate în compartimentul de testare de mici dimensiuni al instalației experimentale.
Examinarea se bazează pe măsurători. Acestea furnizează datele de referință necesare pentru a dezvolta un algoritm de extragere a datelor. Pe lângă un senzor COV, în acest scop au fost utilizați și un senzor de temperatură și unul de umiditate. Deoarece ambele valori influențează comportamentul COV-urilor.
Figura 3: Evoluția concentrației de COV de parfum în timpul celor zece măsurători efectuate în incinta de testare (mai mare) a instalației experimentale.
Cu ajutorul fuziunii senzorilor, adică a combinării valorilor măsurate de diferiți senzori, este posibil să se genereze un set de date care este analizat ulterior. Fuziunea senzorilor poate, de asemenea, să trateze efectele perturbațiilor din timpul măsurătorilor, oferind astfel un sistem global mai robust și o detecție mai fiabilă a elementelor individuale. Acest lucru este deosebit de important atunci când se măsoară COV, deoarece chiar și cele mai mici abateri pot influența negativ rezultatul în mod semnificativ. În plus, a trebuit să se ia în considerare factorii care influențează senzorii reali, de exemplu, deriva pe termen lung sau acuratețea semnalului.
Măsurătorile au fost efectuate într-o instalație de testare care imită un mediu natural de COV (Figura 1).
În partea de jos a unei incinte închise se afla un mic compartiment. În interiorul acestuia era plasat un recipient cu parfum, alcool sau oțet. În timpul măsurătorilor, compartimentul se deschidea în partea de sus, permițând astfel COV-urilor să pătrundă în incintă. Un mic ventilator amplasat în compartiment avea rolul de a crește viteza de pătrundere a COV-urilor. Pe de altă parte, ventilatoarele din incintă asigurau o disipare mai rapidă a COV-urilor în timpul operațiilor de igienizare între măsurători.
Figura 4: Concentrația de COV de parfum (roșu), alcool (albastru) și oțet (verde) în compartimentul mic de testare
Întreg ansamblul includea o placă de dezvoltare pe care au fost montate o placă de senzori COV cu un shield de senzori de mediu (ESS) de la Sensirion. Acesta a combinat senzorul SGP30 pentru detectarea concentrațiilor atmosferice de COV și CO2 cu senzorul SHTC pentru măsurarea umidității și a temperaturii.
‘Adulmecând’ la fiecare secundă
În timpul măsurătorilor, au fost emise la fiecare secundă o valoare măsurată generată de software și un marcaj în timp real. Pentru a asigura fiabilitatea măsurătorilor, acestea au fost repetate de zece ori pentru fiecare substanță. Măsurătorile parfumului sunt prezentate aici ca exemplu. Valorile din compartiment (figura 2) indică un comportament deviant: La 550 de secunde de la începerea măsurătorii, concentrația de COV a fost cuprinsă între 22 000 și 60 000 ppm, 60 000 ppm fiind valoarea maximă pe care senzorul o poate detecta. Rezultatele obținute prin teste de corelație au arătat că cele mai mari valori au fost măsurate la cele mai înalte temperaturi.
Figura 5: Concentrația de COV de parfum (roșu), alcool (albastru) și oțet (verde) în incinta de testare mai mare
Măsurătorile efectuate în cadrul incintei (figura 3) au arătat un model aproape opus: în acest caz, jumătate dintre curbe au prezentat o creștere plată timp de peste zece minute și doar două curbe au crescut brusc, atingând un vârf la o valoare a COV de peste 2 500 ppm. Alte două au fost constant liniare, atingând o valoare maximă de aproximativ 600 ppm. Valoarea maximă a tuturor măsurătorilor efectuate cu acest senzor a fost de 7.600 ppm. Din nou, însă, cele mai mari concentrații de COV au coincis cu cele mai ridicate temperaturi. Mai mult, măsurătorile cu niveluri ridicate de umiditate au arătat o creștere mai rapidă a nivelurilor de COV.
Parfum tipic, oțet tipic?
După ce au fost finalizate și măsurătorile cu alcool și oțet, au fost comparate toate rezultatele. La prima vedere, COV-urile alcoolului (figura 4, curbele albastre) și ale parfumului (figura 4, curbele roșii) se comportă în mod similar. Un motiv pentru acest lucru este conținutul de aproximativ 80% de alcool din parfum. Dar lucrurile stau foarte diferit în cazul oțetului: acești COV se volatilizează cu o viteză mult mai mică decât cei ai celorlalți doi compuși. Prin urmare, concluzia trasă în urma măsurătorilor din compartiment a fost că este posibil să se facă o distincție fizică între oțet și parfum, precum și alcool, dar nu și între parfum și alcool.
Măsurătorile din interiorul incintei au oferit o imagine foarte diferită (figura 5): diferențele dintre parfum și alcool sunt aparente și aici. COV din parfum se volatilizează mai repede decât cei din alcool. Încă o dată, oțetul se diferențiază în mod clar de celelalte două substanțe.
Algoritmul de extragere a datelor începe să “învețe să miroasă”
Astfel, a fost generată baza pentru algoritmul de extragere a datelor. Primul pas al algoritmului este analiza componentelor principale (PCA − Principal Component Analysis). PCA poate fi utilizată pentru a simplifica și ilustra seturi de date extinse. În ceea ce privește experimentul cu “nasul electronic”, acest lucru înseamnă că datele au fost folosite pentru a crea nori de trei culori care reprezintă grafic parfumul, alcoolul și oțetul, făcându-le să se distingă foarte clar (figura 6). Singura excepție: valoarea măsurată “Parfum 01” se comportă în mod similar cu valorile măsurate pentru alcool și, prin urmare, este localizată în norul albastru, care reprezintă alcoolul. Astfel de valori izolate pot fi utilizate pentru a antrena sistemul și pentru a îmbunătăți distincția între rezultate.
Figura 6: Fiecare compus (parfum, alcool și oțet) este reprezentat sub forma unui nor de culoare în analiza componentelor principale (PCA).
Cea de-a doua etapă s-a concentrat pe proiectarea algoritmului de extragere a datelor. Aceasta a implicat utilizarea instrumentului Orange3, care oferă trei metode: regresie logistică, rețele neurale și un arbore de decizie. Pentru a obține cele mai bune rezultate globale, toate cele trei metode au fost utilizate pe bază de încercare, iar rezultatele lor au fost comparate. Conform Orange3, rețelele neurale au produs cele mai precise rezultate, având o acuratețe de 98,1%. Pentru comparație: regresia logistică a obținut doar 74,9%.
Figura 7: Test reușit: algoritmul a atribuit corect șase noi valori măsurate la fiecare dintre cei trei compuși.
Astfel, datele de referință etichetate, adică datele etichetate “parfum”, “alcool” sau “oțet”, au fost introduse într-o rețea neurală după PCA pentru a o antrena. Ulterior, etichetele au fost eliminate din unele dintre datele de referință, iar datele au fost introduse din nou în rețeaua neurală. Era prima dată când datele neetichetate se întâlneau cu datele de referință ale algoritmului. Datele au fost supuse aceluiași proces ca și datele de referință și, prin urmare, ar trebui să fie atribuite corect uneia dintre cele trei substanțe de către algoritm. Rezultatele sunt întotdeauna încorporate în calcule pentru a asigura o îmbunătățire constantă a clasificării.
Test de miros reușit
În fine, ultimul pas al procesului de extragere a datelor este interpretarea și evaluarea rezultatelor. Acest lucru se face prin verificarea acurateței valorilor COV măsurate și prin repetarea măsurătorilor pentru a verifica estimările algoritmului.
În acest scop, au fost efectuate noi măsurători cu parfum, alcool și oțet. După cum se observă în figura 7, acest experiment a avut succes: algoritmul poate face distincția între parfum, alcool și oțet pe o bază matematică, detectând astfel compușii pe baza măsurătorilor de COV.
Pentru a putea utiliza algoritmul într-o aplicație, este necesar mai întâi să se înțeleagă ce anume distinge algoritmul și de ce. Ca atare, constatările actuale trebuie să fie urmărite și documentate cu ajutorul datelor de referință. Apoi pot fi definite etapele ulterioare, de exemplu, declanșarea unui semnal de avertizare atunci când sunt detectate niveluri ridicate de COV de alcool.
Dacă la datele de referință se adaugă noile date COV înregistrate și clasificate, acuratețea algoritmului crește succesiv. Acest lucru este logic, deoarece cu cât baza de date este mai mare, cu atât rezultatele algoritmului sunt mai bune. Dacă sistemul este utilizat apoi într-o aplicație pentru clienți, acesta poate stoca și compuși nou înregistrați, îi poate antrena pe baza unor date suplimentare și, astfel, poate clasifica și compuși străini. În plus, sunt posibile predicții, astfel încât aplicația poate face o prognoză despre sursă cu foarte puține valori măsurate.
Concluzie
O distincție pur fizică a COV-urilor din alte substanțe nu este în mod clar fezabilă. Acest lucru este posibil doar printr-un algoritm de extragere a datelor. Date de referință relativ puține sunt suficiente în acest scop, dar fiabilitatea datelor și acuratețea clasificării cresc odată cu numărul de măsurători.
În plus: dezvoltarea senzorilor COV se află încă la început. Mulți furnizori lucrează în prezent la o mai bună înțelegere a COV-urilor. Pe măsură ce expertiza crește, senzorii vor oferi rezultate de măsurare mai bune și mai fiabile.
Autor: Julian Eise, Product Sales Manager Opto
Rutronik | https://www.rutronik.com
