Data-driven gas sensor calibration
- Reference number
- ID22-0058
- Project leader
- Oechtering, Tobias
- Start and end dates
- 230101-271231
- Amount granted
- 2 500 000 SEK
- Administrative organization
- KTH - Royal Institute of Technology
- Research area
- Information, Communication and Systems Technology
Summary
The main objective of the project is to enhance the technology readiness level of data-driven CO2 sensor modelling algorithms used for automated calibration of low-cost NDIR sensors and thereby effectively implement a knowledge transfer from academia to industry. Existing approaches will be enhanced using data augmentation, ensemble learning and transfer learning techniques. The project is split into three workpackages. First, robust and enhanced learning routines will be studied to improve the data efficiency and reduce the computational complexity. Second, sensor model initialization and fine-tuning algorithms should be studied for an efficient factory calibration procedure and automatic model adaptation during sensor operation. Third, efficient sensor model update algorithms should be studied to mitigate ageing effects. Each study should be completed with a prototype implementation and scientific publication. Innovative data-driven approaches are expected that mitigate sensing model discrepancies of low-cost CO2 sensors and thereby close the sensing model reality gap. This will enable a broad deployment of large scale sensor networks which will help to improve the CO2 awareness of greenhouse gas emissions as well as create conditions for informed decision making. CO2 also impacts health, both directly and indirectly, so these sensor networks could, in the long-term, support the improvement of conditions for living and health in society.
Popular science description
Luftkvalitet påverkar vår prestationsförmåga och, kanske ännu viktigare, vår hälsa. I städerna kan luftkvaliteten variera kraftigt från timme till timme, och från kvarter till kvarter. Ett sätt för att kunna fatta informerade beslut, samt långsiktigt hantera de växande problemen med luftföroreningar i städer, är via utbyggnaden av storskaliga sensornätverk som kontinuerligt och lokalt kan mäta luftkvaliteten i realtid. Ett problem för många typer av sensorer är dock att långtidsstabiliteten är dålig, vilket ger ett kontinuerligt kalibreringsbehov. Särskilt stort är detta problem för billiga sensorer, lämpliga för storskaliga installationer. Målet med projektet är att utveckla datadrivna självkalibreringsalgoritmer för gassensorer som är både data- och komplexitetseffektiva. Av särskilt intresse är lärande algoritmer (machine learning) för självkalibrering av sensorerna, med förmåga till överföring av lärande (transfer learning) från ett sensornätverk till ett annat med andra, men liknande, förutsättningar