应用人工智能算法和低成本传感器来估计工作场所的可呼吸灰尘

科学领域:

• 职业健康 职业健康 职业健康
• 环境科学 环境科学
• 传感器技术 传感器技术

背景情况:

• 工作场所可呼吸尘埃 (RD) 监测至关重要,但具有挑战性.
• 现有的 RD 测量方法在实时应用方面存在局限性.
• 物联网 (IoT) 和低成本传感器为改善暴露评估提供了潜力.

研究的目的:

• 开发和验证人工智能 (AI) 驱动的预测模型,用于工作场所的可呼吸灰尘 (RD) 监测.
• 评估用于RD检测的新型低成本传感器模块的性能.
• 评估开发的职业流行病学研究系统的稳定性和准确性.

主要方法:

• 将各种低成本传感器组合到一个RD传感器模块中,与便携式气溶监测器集成.
• 利用人工智能算法,特别是随机森林回归,从14天的分钟数据开发预测性 RD 模型.
• 在飞机制造环境中,使用标准气旋采样方法在8小时周期内5天内验证模型.

主要成果:

• 随机森林回归模型实现了高预测能力 (R2 = 0.97,RMSE = 2.82 μg/m3).
• 现场验证显示,预测的RD度与传统采样结果非常接近 (斯皮尔曼的r=0.70).
• 开发的传感器模块表现出极好的准确性 (94.2%),最小偏差 (-2.2μg/m3),良好的精度 (5.8μg/m3) 和高数据完整性 (99.7%).

结论:

• 使用人工智能算法开发的低成本传感器模块为工作场所可呼吸尘埃监测提供了稳定而准确的方法.
• 这项技术在职业暴露评估和流行病学研究中具有很大的应用潜力.
• 该系统克服了传统方法的局限性,提供实时可靠的研发和开发数据.