Tôi làm việc trên các cảm biến chất lượng không khí, một vài trong số đó là cảm biến khí điện hóa. Bằng cách nền, các cảm biến này được kích thích bởi một mạch chiết áp áp một điện áp phân cực và sau đó đo dòng điện chạy qua cảm biến (thường là theo thứ tự nano-Amps). Lượng dòng điện chạy qua cảm biến có liên quan đến nồng độ của khí mục tiêu mà cảm biến tiếp xúc. Dòng điện cũng liên quan đến áp suất, độ ẩm tương đối, nhiệt độ và tiếp xúc với các khí nhạy cảm chéo, trong đó nằm trong sự tồn tại của sự tồn tại của tôi.
Theo truyền thống, chúng tôi đã sử dụng phương pháp mô hình hóa dữ liệu để diễn giải dòng điện được đo từ cảm biến dưới dạng nồng độ của khí mục tiêu, dựa trên các khuyến nghị của nhà sản xuất cảm biến. Chúng tôi làm như vậy bằng cách đo phản ứng với không khí sạch, và trong một phạm vi nhiệt độ, và sau đó sử dụng đặc tính đó để giải thích độ lệch khỏi phản ứng cơ bản đặc trưng là do tiếp xúc với khí mục tiêu.
Chúng tôi không có phương tiện để thực sự đánh giá chất lượng của mô hình đó, bởi vì chúng tôi không có công cụ tham chiếu, cũng không có phương tiện để đưa cảm biến đến nồng độ khí được kiểm soát, nhưng chúng tôi có thể phơi cảm biến theo mục tiêu khí để xác nhận họ phản ứng đáng kể với khí mục tiêu.
Thách thức tôi gặp phải là mô hình dữ liệu được tham số hóa bằng đặc tính đã nói ở trên, trong khoảng thời gian dài hơn (tức là một tuần) và chịu không khí sạch dưới sự thay đổi tự nhiên của nhiệt độ, độ ẩm tương đối và áp suất, mang lại một khoảng sự thay đổi trong nồng độ được giải thích là lớn một cách vô lý. Nó không ồn ào, mà là trôi đi. Điều đó khiến tôi tin rằng mô hình dữ liệu đang rất thiếu.
Điều đó đã khiến tôi nghĩ rằng một phương pháp thuật toán (học máy) có thể mang lại kết quả tốt hơn. Cho rằng tôi có dữ liệu độ phân giải một phút về nhiệt độ, độ ẩm tương đối, áp suất và dòng cảm biến (tất cả có giá trị thực) trong điều kiện không khí sạch, công cụ nào sẽ phù hợp nhất để mô hình hóa dòng cảm biến như chức năng của nhiệt độ, độ ẩm tương đối, và áp lực? Điều tôi quan tâm nhất là thực tế chúng ta không thể tạo ra các điều kiện thể hiện một mặt cắt hợp lý của không gian đầu vào.
Sau đó, tôi sẽ sử dụng mô hình dữ liệu truyền thống để giải thích độ lệch khỏi đường cơ sở dự đoán để ước tính nồng độ khí.
Một lưu ý là nhiệt độ và độ ẩm tương đối có mối tương quan vật lý, mặc dù về mặt toán học tôi có thể lấy lại độ ẩm tuyệt đối từ nhiệt độ, độ ẩm tương đối và áp suất, mà tôi nghĩ sẽ làm giảm tương quan.
Cập nhật / làm rõ
Trong trường hợp điều này không rõ ràng ở trên, mục tiêu là có thể ước tính điện áp cơ sở do cảm biến tạo ra trong môi trường không khí sạch trong điều kiện áp suất, độ ẩm và nhiệt độ khác nhau - như một phương tiện để sử dụng độ lệch từ đó dự đoán đường cơ sở là tín hiệu quan tâm trong việc tính toán nồng độ khí của loài mục tiêu. Vì vậy, về cơ bản, tôi đang nghiên cứu các phương pháp thay thế cho cái thường được gọi là hiệu chuẩn 0 trong miền thiết bị.
Nếu tôi có dữ liệu sự thật về các loài mục tiêu, dường như tôi có thể bỏ qua việc kinh doanh về độ lệch khỏi đường cơ sở dự đoán và ước tính nồng độ trực tiếp từ các vectơ điện áp, nhiệt độ, độ ẩm và áp suất.