Framework de Calibração para Microssensores Ambientais de Baixo Custo

La Plate-forme Urbansense est une architecture d'infrastructures à grande échelle qui a été développée pour surveiller des phénomènes environnementaux, comprenant: la qualité de l'air, les niveaux sonores, le rayonnement solaire, et les conditions météorologiques.

Cette plateforme est constituée de plusieurs unités de détection, déployées sur l'ensemble de la ville, qui envoient les données collectées vers une infrastructure cloud, soit via une infrastructure sans fil statique, soit par un réseau de véhicules mobiles qui relaient les données détectées vers l'infrastructure cloud.

O principal problema de qualquer sensor é a sua calibração. Pode ser mais ou menos simples em função da qualidade dos sensores. Mesmo os de alta qualidade são mais caros e precisam de ser calibrados pelo menos uma vez por ano. A calibração serve para corrigir o desvio que o sensor sofre ao longo do tempo, aproximando-o do valor real esperado. A qualidade está diretamente relacionada com o preço. Os sensores mais baratos tendem a ter uma qualidade e precisão piores, o que obriga a uma calibração mais frequente (Spinelle et al., 2015). A probabilidade de sofrerem de sensibilidade cruzada é maior nos sensores mais baratos, o que obriga a novas técnicas de calibração para corrigir esses problemas.

2.1 Problema principal O principal problema apresentado por qualquer sensor é a sua calibração, ela torna-se mais simples ou não dependendo da qualidade dos sensores. Mesmo os de alta qualidade e mais caros necessitam de ser calibrados pelo menos uma vez por ano. Esta calibração serve para corrigir o desvio que o sensor sofre ao longo do tempo aproximando-o do valor real esperado. Diretamente relacionado com o preço está a sua qualidade. Os sensores mais baratos normalmente tende para uma pior qualidade e precisão, requerendo a calibração com maior frequência (Spinelle et al., 2015). A probabilidade de sofrerem de sensibilidade cruzada é elevada para os sensores mais baratos.

2.2.1 Problemas de calibração dos sensores low-cost Os sensores low-cost foram projetados para sensorizar elevados níveis de concentrações. No entanto, quando expostos a ambientes urbanos eles apresentam instabilidades e problemas de sensorização. A figura 2.2 relaciona os problemas com as estratégias solucionais. Estes problemas diferem do tipo de sensor como do meio envolvente. Os sensores digitais tendem a ser mais estáveis. Normalmente dispõem de uma calibração de fábrica, requerendo só um ajuste na sua curva de calibração. O grande desafio está nos sensores analógicos. É comum a sua utilização para a sensorização da qualidade do ar. Estes sensores podem ser do tipo eletroquímico ou resistivo, (ver figuras 2.3 e 2.4.

2.3 Calibração à escala urbana A densidade de nós disponíveis numa rede de sensores dificulta o processo de calibração. Os métodos de calibração manual em ambientes controlados não é aplicável, devido a fatores já mencionados na secção anterior. No entanto o elevado número de nós, carece o custo da manutenção da plataforma (Whitehouse, 2002; Hasenfratz, 2015; Spinelle et al., 2015). A necessidade de minimizar os custos obriga a novas estratégias de calibração. Estas são desenhadas a pensar nos problemas dos sensores, como na diminuição dos custos.

A framework de calibração proposta para a plataforma Urbansense opera no Backoffice de modo centralizado na camada de processamento, (ver figura 1.1). Assim libertará processamento das DCUs e poupará a sua memória, como mostra a figura 1.4. O objetivo desta framework é garantir que todos os dados gerados pelos sensores da plataforma sejam calibrados no menor espaço de tempo, após a sua chegada ao servidor de cloud. Outro aspeto importante é disponibilizar uma fácil integração dos modelos de calibração e uma fácil manutenção. A framework deverá ser capaz de gerir os diferentes algoritmos de calibração, como a aplicar a parametrização aos modelos dos diferentes sensores e nós corretamente (Whitehouse e Culler, 2002). Assim garantirá calibração da plataforma de uma maneira simples para quem vai estudar e calibrar estes sensores e as suas medições.

Integração dos modelos de calibração:

• A framework de calibração proposta para a plataforma Urbansense opera no Backoffice de modo centralizado na camada de processamento.
• O objetivo desta framework é garantir que todos os dados gerados pelos sensores da plataforma sejam calibrados no menor espaço de tempo, após a sua chegada ao servidor de cloud.
• Outro aspeto importante é disponibilizar uma fácil integração dos modelos de calibração e uma fácil manutenção.

Os resultados obtidos pelos diferentes testes realizados ao longo desta dissertação vem des- critos neste capítulo. Inicialmente, foram feitos estudos aos sensores low-cost que equipam a plataforma, de modo a avaliar a sua correlação. Seguidamente, procedeu-se a uma avaliação da sua qualidade de sensorização verificando a sua correlação com sensores Ground Truth em ambi- entes urbanos, de modo a compreender o seu comportamento perante este tipo de ambientes. Por último apresentamos os resultados dos modelos de calibração preliminares para os diferentes hops, usando um cenário real instalado numa das zonas da cidade. Estes modelos foram implementados para prova de conceito do funcionamento da framework.

• Sensores de temperatura e humidade: Apresentam um valor de correlação muito alto, perto de 90%, demonstrando uma boa qualidade de sensorização para ambientes urbanos. Regressões lineares simples são suficientes para sua calibração.

• Sensores de gases: Demonstram algumas deficiências de sensorização em ambientes ur- banos, com baixas correlações com o Ground Truth. Necessitam de estudos mais aprofundados para identificar problemas específicos, como sensibilidade cruzada ou incapacidade de detecção de baixas concentrações.

• Identificação de problemas com sensores de NO2 e CO:

  • O sensor de NO2 apresenta correlação nula com o Ground Truth e alta correlação com o sensor de O3, indicando possível troca ou alta sensibilidade ao ozono.
  • O sensor de CO apresenta baixa correlação com o Ground Truth devido a concentrações muito baixas (ruído), mas pode fornecer informações úteis após filtragem.

• Matriz de correlação entre sensores: Mostra elevado valor de correlação entre sensores de gases, indicando sensibilidade cruzada. Atributos correlacionados (como temperatura e umidade) devem ser usados para ajustar curvas de calibração.

• Resultados positivos:

  • Erro do modelo (Ground Truth - DCU) para temperatura menor que 1°C.
  • Erro do modelo para umidade de aproximadamente 2%.
  • Modelo de calibração ajustado para sensor de O3, com correlação de 95% e erro de 0,0018 mg/m3.
  • Modelo de calibração para sensor de CO com correlação de 60% após filtragem de ruído.

• Uso de regressões lineares simples: Todos os modelos são regressões lineares simples, exceto o sensor de CO que usa filtro passa baixa para eliminar ruído.

• Sensores analógicos vs digitais: Sensores digitais são mais confiáveis que analógicos devido à calibração de fábrica, mas ainda requerem calibração.

• Sensores inadequados: Sensores de NO2 e CO não são adequados para ambientes urbanos devido à sensibilidade cruzada e baixas concentrações, respectivamente.

• Framework de calibração: Automação do processo de calibração. A calibração multi-hop é eficaz na detecção de contatos para treinamento de modelos. A calibração é realizada centralmente no servidor Backoffice, aplicando calibração em tempo real (Streaming Calibration) à medida que os dados chegam.

Os sensores low-cost usados ​​na plataforma foram avaliados para determinar sua correlação. Os sensores de temperatura e umidade apresentaram alta correlação. Os sensores de gás apresentaram correlação mais baixa com seus respectivos sensores de referência Ground Truth e sensibilidade cruzada com outros compostos químicos na atmosfera.

Uma estratégia de calibração multi-hop foi implementada para corrigir erros nos sensores. Esta estratégia envolve dois hops: um entre o Ground Truth e um nó móvel (Mobile DCU Reference) e outro entre o nó móvel e nós ativos (Active DCUs). Os modelos de calibração foram treinados usando regressões lineares simples. Os modelos para os sensores de temperatura, umidade e ozônio apresentaram bons resultados, enquanto os sensores de CO e NO2 apresentaram maior erro devido a interferências e baixas concentrações, respectivamente.