Stochastic Modeling for NDIR Gas Sensor Drift

QC 20261010

Abstract

Sensordrift är ett betydande hinder för tillförlitliga långtidsmätningar med lågkostnadssensorer. Drift behandlas vanligen som ett kalibreringsproblem, trots att dess definition, orsaker och tidsmässiga beteende ofta lämnas implicita. Med fokus på icke-dispersiva infraröda sensorer (NDIR-sensorer) för CO₂ utvecklar vi ett systematiskt angreppssätt för att definiera, förstå, karakterisera och hantera drift.

Först beskriver vi sensormätningar och mätfel som stokastiska processer. Inom detta ramverk uppstår drift när de statistiska egenskaperna hos mätfelsprocessen varierar över tid. Därefter introducerar vi en additiv modell för uppdelning av drift (ADDM) som skiljer mellan två huvudsakliga källor: reversibla effekter orsakade av miljöförhållanden och irreversibla förändringar i själva mätinstrumentet. Experiment baserade på data från långvariga fältmätningar visar att de enskilda komponenterna kan skattas och ger stöd för den additiva modellformuleringen.

Efter miljökorrigering uppvisar de flesta sensorer instrumentella fel som återgår mot ett medelvärde, snarare än en gemensam deterministisk trend. Vi modellerar denna dynamik med en Ornstein–Uhlenbeck-process, vars parametrar beskriver den sensorspecifika jämviktsavvikelsen, återgångshastigheten mot medelvärdet och den stokastiska variationen. Dessa egenskaper ger teoretisk vägledning för utformningen av sensorspecifika enpunktskalibreringsstrategier.

Slutligen behandlar vi kalibrering utan ett samlokaliserat referensinstrument genom att utvinna pseudoreferensinformation från tre externa källor: sensorer av samma typ, distribuerade referensstationer och lokala sensornätverk. Först överförs icke-linjära miljöberoenden, skattade från testade sensorer, till andra sensorer av samma typ för miljökompensering. Därefter tolkas periodiska minima som ordningsstatistiska skattningar av atmosfäriska bakgrundskoncentrationer, och observationer från distribuerade referensstationer sammanförs med hjälp av en spatiotemporal generaliserad additiv modell för att konstruera dynamiska baslinjer för enpunktskalibrering. Slutligen används normaliserade parvisa skillnader för att identifiera rendezvous i ett lokalt sensornätverk. Adaptiv styckvis konstant approximation och en explicit tvåtillståndsmodell av typen dold semi-Markovmodell föreslås för att detektera rendezvous som är lämpliga för efterföljande nätverkskalibrering. Metoderna utvärderas med hjälp av långvariga fältdata och särskilt utformade experiment med sensorer utplacerade inomhus.

Link to DiVA