IoT i strojno učenje za detekciju čistih plinova

U radu objavljenom u časopisu Applied Sciences, istraživači su integrirali Internet stvari (IoT) sa strojnim učenjem (ML) kako bi razlikovali čiste plinove u različitim aplikacijama. Umrežili su senzore plina za kontinuirani nadzor u stvarnom vremenu, generirajući podatke za ML modele.

Koristeći nadzirane algoritme poput nasumičnih šuma, stvorili su točne modele klasifikacije na temelju spektralnih potpisa i odziva senzora. Ova integracija omogućuje robusnu, automatiziranu detekciju plina s visokom preciznošću i minimalnim kašnjenjem. Ovaj pristup povećava sigurnost, učinkovitost i održivost u industrijskim i komercijalnim aplikacijama.

Uvod

Dosadašnji rad istraživao je utjecaj rashladnih sredstava na okoliš i zdravlje, naglašavajući složene kompromise između smanjenja oštećenja ozona i potencijala globalnog zatopljenja. Studije naglašavaju potrebu za sveobuhvatnim politikama i prijelazom na alternative s niskim potencijalom globalnog zatopljenja (GWP) kao što je difluorometan (R32). Napredak u tehnologiji ML i senzora poboljšava upravljanje rashladnim sredstvom, dok europski propisi o fluoriranom plinu (F-plin) pokreću tržišne trendove prema održivim rješenjima za hlađenje.

Tijek rada klasifikacije plinova

Detaljan tijek rada za klasifikaciju rashladnih plinova uključuje IoT tehnologiju i ML s fokusom na plinove 1,1,1,2-tetrafluoroetan (R134a) i R32, koje nadziru senzori tijekom faze prikupljanja signala za prikupljanje podataka u stvarnom vremenu. Ovi se podaci obrađuju putem Raspberry Pi-a, koristeći IoT tehnologiju za učinkovito rukovanje podacima.

Ekstrakcija značajki pretvara neobrađene podatke senzora u format kompatibilan sa strojnim učenjem pomoću biblioteke ‘tsfresh’, f. Nasumični šumski (RF) klasifikator osposobljen je za razlikovanje plinova na temelju prepoznatih uzoraka, postižući preciznu i automatiziranu klasifikaciju plinova.

Mobilni uređaj integrira IoT mogućnosti za identifikaciju korisnika putem vanjske mobilne aplikacije i jedinstvene kodove za brzi odgovor (QR) za uređaj i bocu za pohranu rashladnog sredstva. QR kod uređaja povezan je s njegovom kontrolom pristupa medijima (MAC), snima se i sprema u bazu podataka, sprječavajući manipulaciju podacima. QR kod na boci rashladnog sredstva također se skenira i pohranjuje s rezultatima mjerenja u vanjskoj bazi podataka, osiguravajući sveobuhvatno prikupljanje podataka i sigurno skladištenje.

Mikrokontroler STM32 upravlja hardverskim periferijama i brzim prikupljanjem podataka, prikuplja podatke brzinom od 1 točke po milisekundi. Infracrveni (IR) izvor funkcionira u pulsacijama na 10 Hz s radnim ciklusom od 62%, dajući 100 podatkovnih točaka po kanalu po impulsu, od kojih se koristi 60. Podaci se prikupljaju preko 1000 impulsa i prenose na Raspberry Pi za analizu. Ova metoda osigurava učinkovito i točno prikupljanje podataka za naknadnu analizu.

Ekstrakcija značajki, ključna za klasifikaciju signala, transformira sirove signale u korisne značajke za strojno učenje. Knjižnica ‘tsfresh’ automatizira ovaj proces, učinkovito rukujući velikim skupovima podataka vremenskih serija i izvlačeći vrijedne značajke. Stabla odlučivanja (DT) konstruiraju se korištenjem nasumičnih podskupova podataka i modeliranih značajki, što pomaže u ublažavanju prekomjernog opremanja i poboljšava sposobnost modela za generalizaciju.

Analitičari su koristili nasumične podskupove podataka i modeliranih značajki kako bi izgradili stabla odlučivanja, smanjujući prekomjerno opremanje i poboljšavajući generalizaciju modela. RF model, konfiguriran s 300 stabala i maksimalnom dubinom od 5, pokazao je robusnu izvedbu i računsku ravnotežu u rukovanju varijabilnošću skupa podataka.

Analiza izvedbe modela

Ovaj odjeljak predstavlja sveobuhvatnu analizu ishoda razvijenih modela, koristeći stratificiranu metodologiju čekanja za podjelu skupa podataka na modele za treniranje i testiranje. Tim je definirao istinske pozitivne (TP), lažno pozitivne (FP), istinske negativne (TN) i lažno negativne rezultate (FN) za problem klasifikacije više klasa kako bi se osigurala nijansirana procjena izvedbe modela.

Točnost, preciznost, prisjećanje i rezultat F1 bili su primarni pokazatelji za procjenu izvedbe modela. Ove su metrike izračunate za dva različita zadatka klasifikacije: razlikovanje između rashladnih plinova R32 i R134a u binarnoj klasifikaciji i razlikovanje između R32, R134a i različitih razina razrjeđivanja u klasifikaciji od dvanaest klasa.

U prvom eksperimentu, usredotočenom na klasifikaciju tipa plina, matrica zabune pokazuje visoku točnost u razlikovanju između R134a i R32, s dijagonalnim elementima koji pokazuju točna predviđanja, a nedijagonalni elementi pokazuju pogrešne klasifikacije. Preciznost, prisjećanje i F1 rezultati za oba plina su dosljedno visoki, odražavajući učinkovitost modela u identificiranju i klasificiranju ovih plinova. Ove snažne performanse naglašavaju prikladnost modela za precizne aplikacije detekcije plina, kao što su nadzor okoliša i industrijska sigurnost.

Drugi eksperiment, koji se bavi klasifikacijom vrste plina i razine razrjeđivanja, pruža detaljne metrike performansi u dvanaest različitih klasa. Matrica zabune otkriva varijabilnu izvedbu, sa savršenim rezultatima za određene razine razrjeđenja, ali izazove pri nižim koncentracijama i nekim razrjeđenjima srednje razine. Ovi rezultati naglašavaju područja u kojima se model ističe i područja koja trebaju poboljšanja, posebno razlikovanje plinova pri nižim i srednjim razrjeđenjima. Analiza ukazuje na potencijalna poboljšanja u ekstrakciji značajki i tehnologiji senzora za rješavanje ovih problema.

Vizualizacija podataka s t-distribuiranim stohastičkim ugrađivanjem susjeda (t-SNE) otkrila je različite uzorke grupiranja za različite plinove i razine razrjeđivanja, potvrđujući učinkovitost izdvajanja značajki uz naglašavanje izazova poput preklapanja razina razrjeđivanja. Ovi su uvidi ključni za usavršavanje metoda pretprocesiranja i povećanje točnosti modela za sustave detekcije plina u stvarnom svijetu.

Zaključak

Ukratko, integracija IoT tehnologije s ML algoritmima učinkovito je klasificirala rashladne plinove R32 i R134a. Senzori plina prikupili su skup podataka koji je obučavao modele, pri čemu je RF pokazao najbolju izvedbu. Ovaj pristup poboljšao je detekciju plina u stvarnom vremenu i operativnu učinkovitost — budući rad usmjeren na proširenje skupa podataka i istraživanje dodatnih ML tehnika za povećanje točnosti modela.