Datadriven kalibrering av gassensorer
- Diarienummer
- ID22-0058
- Projektledare
- Oechtering, Tobias
- Start- och slutdatum
- 230101-271231
- Beviljat belopp
- 2 500 000 kr
- Förvaltande organisation
- KTH - Royal Institute of Technology
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Huvudsyftet med projektet är att öka den teknologiska mognadsgraden hos datadrivna modelleringsalgoritmer för CO2-sensorer för automatisk kalibrering av lågkostnads-NDIR-sensorer. Ett mål är att realisera en effektiv kunskapsöverföring från akademin till industrin. Existerande tillvägagångssätt kommer förbättras med dataförstärkning (data augmentation), ensembleinlärning (ensemble learning) och tekniker för överföring av lärande (transfer learning). Projektet är uppdelat i tre arbetspaket. Först kommer robusta och förstärkta inlärningsalgoritmer att studeras för att förbättra dataeffektiviteten och minska den beräkningsmässiga komplexiteten. Sedan kommer sensormodellinitieringar och finjusteringsalgoritmer att studeras för effektivare fabrikskalibrering med automatisk modellanpassning i fält. Slutligen kommer effektiva sensormodelluppdateringsalgoritmer att studeras för att hantera åldringseffekter. Varje studie bör avslutas med en prototypimplementation och en vetenskaplig artikel. Projektet förväntas leda till innovativa datadrivna tillvägagångssätt för att minska sensormodellfel för lågkostnads CO2-sensorer. Detta kommer bidra till att möjliggöra en storskalig utbyggnad av sensornätverk, vilka kan skapa ökad medvetenhet om utsläppen av växthusgasen CO2 samt skapa förutsättningar för informerad beslutsfattning. CO2-utsläpp är också hälsovådliga, både direkt och indirekt, så dessa sensornätverk skulle långsiktigt stötta förbättrandet av livsvillkor och hälsan i samhället.
Populärvetenskaplig beskrivning
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