Project Visibilis: Finetunen Kalibratie Plantower PMSA003 tegen de BAM1020

0
237

In de vorige blog Kalibratie sensoren hebben we gezien hoe de kalibratie en validatie van de sensoren tegen de BAM1020 PM2.5 is uitgevoerd. In deze blog gaan we wat dieper in op de kalibratie van de Plantower PMSA003 fijnstof sensor. Deze sensor heeft namelijk de unieke eigenschap, dat naast het meten in massa concentratie ook de deeltjes concentratie gemeten kan worden. We gaan onderzoeken of het kalibratie model PM2.5 verbeterd kan worden door gebruik te maken van deze deeltjes concentratie. Verder gaan we wat dieper in op het meetprincipe van de PMSA003.

Inhoud

  • Meetprincipe PMSA003
  • Kalibratie & Validatie obv deeltjes
De Plantower PMSA003 Fijnstof Sensor (3x)

Meetprincipe PMSA003

De PMSA003 is een Plantower fijnstof sensor die een laser als lichtbron gebruikt. De deeltjes in de laser scatteren het licht in alle richtingen. De detector meet het gescatterde licht onder een hoek van 90°. De standaard output van de PMSA003 is de concentratie aan PM2.5 en PM10 in µg/m3. Hierbij is PM2.5 de concentratie aan deeltjes met een diameter kleiner dan 2.5µm en PM10 is de concentratie aan deeltjes met een diameter kleiner dan 10µm. De PM10 waarde is inclusief de PM2.5 waarde. Een schematisch blokschema van de sensor is weergegeven in afbeelding 1.

Afbeelding 1: Blokschema PMSA003

De lucht wordt door een ventilator door de meetruimte gezogen. Het elektrische signaal van de detector wordt versterkt en vervolgens verwerkt de microprocessor het tot een digitaal signaal. De uitgestuurde waarden voor deeltjes concentratie (deeltjes per 0.1L) wordt door een intern algoritme omgezet naar PM2.5 en PM10. Het is onbekend welk algoritme door Plantower wordt toegepast.

De PMSA003 kan de deeltjes concentratie voor totaal 6 klassen meten, te weten 0.3µm, 0.5µm, 1.0µm, 2.5µm, 5.0µm en 10.0µm. Voor bijvoorbeeld de 0.3µm klasse geldt dan, dat het aantal deeltjes representatief is voor alle deeltjes met een diameter >0.3µm. Deze logica geldt ook voor elke volgende  klasse. De 0.3µm klasse heeft het meest aantal deeltjes en de 10.0µm klasse heeft het minst aantal deeltjes. In grafiek 1 en 2 zijn de deeltjes concentraties weergegeven voor de uurwaarden van 4 en 5 augustus 2018.

Grafiek 1: Uurwaarden deeltjes concentratie 0.3µm, 0.5µm en 1.0µm per 0.1L
Grafiek 2: Uurwaarden deeltjes concentratie 2.5µm, 5µm en 10µm per 0.1L

Kalibratie & Validatie obv deeltjes

In de vorige blog is de kalibratie en validatie van PM2.5 voor de PMSA003 tegen de BAM1020 besproken. De kalibratie van het MLR model is toen uitgevoerd op basis van de massa concentratie (µg/m3), RH% en T. Mogelijk dat het interne algoritme van de PMSA003 sensor bepaalde informatie weglaat bij de omrekening van deeltjes naar massa, maar deze informatie zou wel eens van belang kunnen zijn bij het modelleren tegen de BAM1020. Om deze stelling te kunnen onderzoeken is de kalibratie  én validatie van PM2.5 tegen de BAM1020 uitgevoerd op basis van de deeltjesconcentratie van de 6 afzonderlijke klassen, RH% en T. De resultaten worden vervolgens vergeleken met de behaalde resultaten op basis van massa concentratie.

Voordat we de kalibratie tegen de BAM1020 hebben uitgevoerd, gaan we eerst eens kijken in hoeverre de verschillende deeltjes klassen zijn gecorreleerd met PM2.5 (µg/m3) zoals deze is uitgestuurd door de PMSA003. Het betreft hier een interne correlatie, dus de invloed van RH% en T worden hier niet meegenomen. In principe onderzoeken we hier dus het geheime interne algoritme, waarmee Plantower de deeltjes concentraties omzet in PM2.5 (µg/m3).

De uitkomst is verrassend! Er blijkt een perfecte correlatie te zijn zoals te zien is in grafiek 2. Hierbij is de MLR techniek toegepast waarbij elke deeltjesklasse een bijdrage levert in het model.

Grafiek 2: MLR model deeltjes klassen tegen PM2.5 (µg/m3) PMSA003

Het model is perfect lineair met een R² = 0.999 en een slope = 0.999 en de offset is te verwaarlozen. Als we kijken naar de bijdragen van de verschillende deeltjes klassen in dit PM2.5 MLR model dan zien we dat de klassen 0.3µm, 0.5µm, 1.0µm en 2.5µm een positieve bijdrage leveren en dat de klassen 5.0µm en 10.0µm een negatieve bijdrage leveren. Dat ligt dus in de lijn der verwachting. Deze goede correlatie tussen de deeltjes en PM2.5 kunnen we goed gebruiken als we de PMSA003 sensor kalibreren tegen de BAM1020.

Nu gaan we onderzoeken of het PM2.5 model van de PMSA003 verbeterd kan worden, als we het model baseren obv de deeltjes concentratie, RH% en T in plaats van PM2.5, RH% en T. In tabel 1 zijn de resultaten weergegeven, hierbij geldt:

  • PM2.5+RH%+T    : Model op basis van PM2.5(µg/m3) output + RH% + T
  • Deeltjes+RH%+T : Model op basis van deeltjes klassen + RH% + T
Tabel 1: Resultaten kalibratie & validatie MLR PMSA003 tegen BAM1020 obv massa- of deeltjes concentratie

Volgens de resultaten uit tabel 1 is de conclusie duidelijk: het MLR model op basis van deeltjes klassen, RH% en T presteert beter voor zowel de kalibratie als validatie. De aanname dat er informatie verloren gaat middels het interne algoritme van Plantower is hiermee aannemelijk geworden. De fout van het model daalt met 0.3 µg/m3 en dat is een verbetering van 10%. We hebben nu een model beschikbaar voor de PMSA003 sensor,  gebaseerd op de deeltjes concentratie, RH% en T, die een voorspelling kan geven voor PM2.5 ex BAM1020, met een voorspelfout van 2.8 µg/m3. Middels de validatie van dit model is aangetoond, dat het model robuust is en goed toepasbaar is voor nieuwe uurwaarden. In grafiek 3 is een grafische weergave van het model te zien. De range van het model is 0-60 µg/m3. De witte lijn is de zogenaamde “target lijn”, de perfecte correlatie en hiervoor geldt Y=X.

Verder geldt:

  • Measured Y : De gemeten waarde PM2.5 met de BAM1020
  • Predicted Y  : De voorspelde waarde PM2.5 BAM1020 met het MLR model
Grafiek 3: Kalibratie PMSA003 tegen BAM1020 voor PM2.5 obv deeltjes concentratie, RH% en T

In de volgende blog gaan we zien hoe we het model van de verschillende fijnstof sensoren kunnen toepassen in de praktijk. Verder gaan we onderzoeken hoe de verschillende modellen ten opzichte van elkaar presteren met nieuw verzamelde data.

 

 

LAAT EEN REACTIE ACHTER

Please enter your comment!
Please enter your name here