使用机器学习对电化学传感器系统的校准和单位间一致性评估

科学领域:

• 环境科学 环境科学
• 传感器技术 传感器技术
• 数据科学数据科学数据科学

背景情况:

• 低成本的电化学传感器为大气污染物监测提供了一个可扩展的解决方案.
• 包括传感器漂移,交叉敏感性和单元不一致性在内的挑战会影响数据可靠性.
• 精确的校准对于这些传感器的有效部署至关重要.

研究的目的:

• 评估低成本电化学空气质量传感器的三个不同的校准方法.
• 将制造商提供的方程与使用原始电压信号的机器学习 (ML) 方法进行比较.
• 通过利用传感器交叉灵敏度来评估ML算法的性能提升.

主要方法:

• 在希腊的三个城市地区对CO,NO,NO2和O3传感器进行实验性校准.
• 使用高端仪器仪表用于参考度数据.
• 实施并比较了三个校准策略:制造商方程,ML与转换数据,ML与原始电压信号.
• 采用随机森林ML算法进行性能评估.

主要成果:

• 与制造商方程相比,直接将ML应用于电压信号可以减少相同传感器之间的变化.
• 当使用电压信号时,CO,NO,NO2和O3传感器的校准效率得到了提高.
• 将所有传感器电压信号集成到ML模型中,提高了交叉灵敏度,进一步提高了校准准确度.
• 随机森林算法在城市空气质量传感器校准方面表现出强大的性能.

结论:

• 应用于原始电压信号的机器学习是校准低成本电化学空气质量传感器的优质方法.
• 这种方法提高了传感器的可靠性和准确性,使它们更适合广泛的城市监测.
• 随机森林算法对开发类似传感器网络的有效校准模型具有显著的前景.