Ich arbeite an Luftqualitätssensoren, von denen einige elektrochemische Gassensoren sind. Als Hintergrund werden diese Sensoren durch eine Potentiostatschaltung stimuliert, die eine Vorspannung anlegt und dann den Strom misst, der durch den Sensor fließt (typischerweise in der Größenordnung von Nano-Ampere). Die Strommenge, die durch den Sensor fließt, hängt von der Konzentration eines Zielgases ab, dem der Sensor ausgesetzt ist. Der Strom hängt auch mit dem Druck, der relativen Luftfeuchtigkeit, der Temperatur und der Exposition gegenüber kreuzempfindlichen Gasen zusammen, in denen sich der Fluch meiner Existenz befindet.
Wir haben traditionell einen Datenmodellierungsansatz verwendet, um den vom Sensor gemessenen Strom als Konzentration des Zielgases zu interpretieren, basierend auf den Empfehlungen des Sensorherstellers. Dazu messen wir die Reaktion auf saubere Luft und über einen Temperaturbereich und verwenden diese Charakterisierung dann, um die Ablenkung von der charakterisierten Grundlinienreaktion als auf die Zielgasexposition zurückzuführen zu interpretieren.
Wir haben nicht die Mittel, um die Qualität dieses Modells wirklich zu bewerten, da wir weder ein Referenzinstrument noch die Mittel haben, um den Sensor kontrollierten Gaskonzentrationen auszusetzen, aber wir sind in der Lage, die Sensoren der Reihe nach dem Zielgas auszusetzen um zu bestätigen, dass sie merklich auf das Zielgas reagieren.
Die Herausforderung, die ich erlebe, besteht darin, dass das Datenmodell, das durch die oben genannte Charakterisierung über längere Zeiträume (dh eine Woche) parametrisiert und sauberer Luft unter natürlich auftretenden Schwankungen von Temperatur, relativer Luftfeuchtigkeit und Druck ausgesetzt wird, eine Spanne von ergibt Variation der interpretierten Konzentration, die unangemessen groß ist. Es ist nicht laut, sondern treibt. Das lässt mich glauben, dass das Datenmodell schmerzlich fehlt.
Das hat mich zu der Annahme geführt, dass ein algorithmischer Ansatz (maschinelles Lernen) bessere Ergebnisse liefern könnte. Angesichts der Tatsache, dass ich einminütige Auflösungsdaten für Temperatur, relative Luftfeuchtigkeit, Druck und Sensorstrom (alle realwertig) unter sauberen Luftbedingungen habe, welche Werkzeuge eignen sich am besten zur Modellierung des Sensorstroms als Funktion von Temperatur, relativer Luftfeuchtigkeit, und Druck? Das, worüber ich am meisten besorgt bin, ist, dass wir praktisch keine Bedingungen schaffen können, die einen vernünftigen Querschnitt des Eingaberaums darstellen.
Ich würde dann das traditionelle Datenmodell verwenden, um die Ablenkung von der vorhergesagten Basislinie zu interpretieren und die Gaskonzentration abzuschätzen.
Eine Randnotiz ist, dass Temperatur und relative Luftfeuchtigkeit physikalisch korreliert sind, obwohl ich die absolute Luftfeuchtigkeit mathematisch aus Temperatur, relativer Luftfeuchtigkeit und Druck herausrechnen könnte, was meiner Meinung nach die Korrelation aufheben würde.
Update / Klarstellung
Falls dies aus dem oben Gesagten nicht klar hervorgeht, besteht das Ziel darin, die von einem Sensor in einer sauberen Luftumgebung unter verschiedenen Druck-, Feuchtigkeits- und Temperaturbedingungen erzeugte Grundlinienspannung abschätzen zu können - als Mittel, um die Ablenkung davon zu nutzen vorhergesagte Basislinie als das Signal von Interesse bei der Berechnung der Konzentration des Gases der Zielspezies. Im Grunde untersuche ich alternative Ansätze zur sogenannten Nullkalibrierung im Instrumentierungsbereich.
Wenn ich Wahrheitsdaten über die Zielspezies hätte, könnte ich das Geschäft über die Ablenkung von einer vorhergesagten Basislinie überspringen und die Konzentration direkt aus den Vektoren Spannung, Temperatur, Feuchtigkeit und Druckzeit abschätzen.