Calibrazione dei sensori

Buona parte dei sensori disponibili in commercio fornisce un dato già calibrato. I sensori installati nelle stazioni mobili del progetto Cagliari2020 effettuano misure di vari parametri ambientali quali temperatura, pressione, tasso di umidità, posizione gps, pressione sonora, livello di diossido di carbonio, particolato, indice UV e generalmente non necessitano di un’ulteriore elaborazione.

Ciò nonostante qualche complicazione emerge nel caso dei sensori elettrochimici per le misure ambientali (pressione, temperatura, umidità), dove caratteristiche quali sensibilità, tempo di risposta e corrente di zero dipendono in modo non banale dalle condizioni di lavoro. In particolare, si osserva un’importante dipendenza del funzionamento dei sensori dalla temperatura e dalle variazioni repentine di umidità, incidono in maniera non banale nel processo di misura. Non solo, l’anomalo funzionamento dei sensori ambientali porta anche a una bassa specificità del sensore per il gas proprio nominale (cosiddetta cross-sensitivity). Tutti questi fattori giocano un ruolo cruciale nelle stazioni mobili dove le condizioni di lavoro sono infatti rapidamente variabili.

Sebbene il produttore dei sensori fornisca curve e algoritmi di calibrazione che si rivelano mediamente accurate se si vuole ottenere una misura di massima della qualità dell’aria (fattore positivo per le specifiche del progetto), emergono dei problemi con i transienti e in condizioni di forte umidità, mostrando una deriva temporale con l’invecchiamento. Si può fare di meglio?
Di seguito verranno illustrate due tipologie di calibrazione, la calibrazione sul campo e la calibrazione in laboratorio.

Calibrazione sul campo

Una delle possibile tecniche di calibrazione che permette di migliorare le performance dei sensori è la calibrazione sul campo con il machine learning.
In letteratura esistono numerosi esempi di algoritmi di successo che permettono di calibrare opportunamente e in maniera intelligente i sensori. In particolare, sfruttando l’idea innovativa di Cagliari2020 sul monitoraggio dei parametri ambientali attraverso un grande numero di stazioni mobili a basso costo, gli algoritmi più efficaci si rivelano essere quelli basati su modelli di regressione. Questi producono un modello predittivo nella forma di un insieme di modelli predittivi deboli (le singole stazioni, ndr), partendo dai cosiddetti alberi di decisione (boosted tree).
Dal punto di vista operativo, questo si traduce nel prevedere la presenza di tanti sensori low-cost che lavorano insieme per ottenere un dato confrontabile con i rilevatori più avanzati.
In particolare, si prevede una co-locazione delle stazioni accanto a stazioni meteorologiche già presenti nell’area urbana così da favorire l’apprendimento da dati di riferimento certificati. In questo modo i parametri osservati da ciascuna stazione sono correlati alla quantità di gas da misurare e ognuno di loro fornisce un pezzetto di informazione da elaborare.

I vantaggi di una calibrazione di questo tipo sono legati ai risultati ottenuti con i modelli di regressione basati sugli algoritmi tipo boosted tree e ai risultati di esperimenti su dateset analoghi (UCI AirQuality Set). In particolare, questi modelli risultano essere particolarmente promettenti in quanto in grado di apprendere rapporti complessi tra i diversi gas e di adattarsi all’ambiente urbano su cui sono calibrati generando, tra l’altro, un grande interesse scientifico da diversi gruppi attivi in scenari simili.

Sulla sinistra: un grafico che mostra il confronto tra addestramento e previsione del modello in un unico periodo, l’estate.

 

La calibrazione sul campo comporta però una serie di svantaggi di cui tenere conto:
– il set di addestramento è spesso non rappresentativo delle condizioni reali di funzionamento;
– se ci sono bias, il modello li apprende;
– calibrazione non precisa dovuta alle forti variazioni stagionali nelle concentrazioni di gas;
– servono tempi lunghi di co-locazione per osservare tutto lo spazio dei parametri;
– se addestriamo in estate, si presenta un’inferenza scadente in inverno e viceversa (vedi immagine a lato);
– la procedura di co-locazione va ripetuta per ogni sensore (problema risolvibile utilizzando le stazioni mobili);
– la calibrazione è difficile da scalare, difficile da automatizzare.

Di seguito illustriamo una tecnica di calibrazione che può ovviare a tutti questi svantaggi.

 

Calibrazione in laboratorio

La calibrazione dei sensori in laboratorio
La colonna di calibrazione per i sensori delle stazioni del progetto Cagliari2020 realizzata dai ricercatori INFN Cagliari

La procedura di calibrazione in laboratorio serve per definire una procedura rapida, riproducibile e scalabile. Anche in questo caso si utilizzano dei metodi di machine learning, ma si monitorano meno parametri di cui si ha il pieno controllo. In particolare, questa procedura permette l’esplorazione di un vasto spazio delle fasi in tempi rapidi e, seppur la calibrazione risulta essere meno accurata di quella sul campo, fornisce dei risultati più robusti. Questo è dovuto alla possibilità di acquisire conoscenze dettagliate sui sensori grazie allo studio del drift temporale e del comportamento dinamico dei sensori. Inoltre, il vantaggio maggiore è dato dal fatto che la procedura è automatizzabile e ripetibile!

 

 

Acquisizione dei dati e delle misure di calibrazione dei sensori

Per finalizzare la procedura di calibrazione in laboratorio è necessario costruire una camera di calibrazione e dotarsi di bombole di gas tossici quali diossido di azoto, diossido di zolfo, monossido di carbonio e monossido di azoto. I gas vengono iniettati nella camera e vengono effettuate le misure di test per calibrare i sensori.
Attraverso questa procedura è possibile controllare con accuratezza la concentrazione dei gas con una precisione di qualche ppb. Rispetto alla calibrazione sul campo si guadagna anche la possibilità di variare umidità e temperatura, fondamentali per la corretta calibrazione (i sensori sono particolarmente sensibili alla variazione di questi due parametri).
Infine, è possibile monitorare e controllare costantemente la misura attraverso il software LabView.

 

Per maggiori dettagli sul processo di calibrazione in laboratorio si rimanda al seguente video realizzato dai ricercatori del progetto.