Die Luftqualität hat einen starken Einfluss auf die Gesundheit der Menschen. Insbesondere Feinstaub ist die Ursache für vielfältige Atemwegserkrankungen. Daraus ergibt sich die Notwendigkeit, Feinstaubkonzentrationen mit möglichst hoher zeitlicher und räumlicher Auflösung zu ermitteln. So könnten gezielter Maßnahmen zur Reduktion der Feinstaubkonzentration in räumlicher und zeitlicher Begrenzung unternommen werden.
Projektziel ist es, mit einem preiswerten Multisensorsystem und künstlicher Intelligenz zu gleichen oder ähnlichen Messergebnissen zu kommen, wie mit kostenintensiven Geräten, die eine aufwändige Probenvorbereitung beinhalten.
In einer neu entwickelten und aufgebauten Kalibrierbox wurden die Messköpfe des preiswerten Gerätes LMM22-xx sowie des Gerätes Fidas 200E der Firma Palas nebeneinander positioniert. Die Kalibrierbox ermöglicht das Einbringen von Stäuben unterschiedlicher Partikelgrößen und Konzentrationen sowie die Regelung der Temperatur (sowohl Kühlung als auch Heizung) sowie der Luftfeuchte.
In dieser Kalibrierbox wurden mit beiden Geräten gleichzeitig Messreihen unter Variation aller Parameter (Partikelgröße, -konzentration, Temperatur und Luftfeuchte) aufgenommen. Mit den Messwerten der Anzahlkonzentration des Gerätes LMM22-xx wurde ein Neuronales Netz angelernt, mit dem Ziel die vom Referenzgerät Fidas200E ausgegebenen Messwerte für die Massenkonzentration zu berechnen.
Zum Erstellen des Neuronalen Netzes wurde die Open-Source Bibliothek TensorFlow verwendet.
Die Aufnahme der Messreihen unter Variation aller oben genannten Parameter stellt einen erheblichen Aufwand dar, zumal die Kalibrierbox jedes mal nach der Verwendung eines Teststaubes gesäubert werden muss. Die in der Kalibrierbox notwendigen Ventilatoren würden ansonsten die verschiedenen Teststäube mischen.
Die aufgenommenen Messreihen beider Geräte wurden als csv- bzw. als txt-Dateien ausgelesen und konnten so auch in Excel exportiert werden. Die vom LMM22-xx jede Sekunde ausgegebenen Messwerte wurden dem gleichen Glättungsalgorithmus unterworfen, wie er im Fidas200E verwendet wird, so dass letztendlich Meßreihen mit einem über 15 Minuten gebildeten gleitenden Mittelwert vorlagen, die minütlich ausgegeben werden.
Mit diesen Meßreihen wurde mit Hilfe der Bibliothek TensorFlow vier Neuronale Netze erstellt, welche aus den Meßwerten der Anzahlkonzentration des LMM22-xx die Massenkonzentrationen errechnen, die den Meßwerten des Fidas200E entsprechen sollen.
Die Ergebnisse sind in weiten Bereichen sehr vielversprechend. Verbesserungspotentiale bestehen insbesondere bei der Verbreiterung des Trainingsdatensatzes, d.h. Aufnahme weiterer Meßreihen unter Variation aller o.g. Parameter sowie bei der Optimierung der Einstellungen bei der Erstellung der Neuronalen Netze.
Janke, J: "PhD Topic - a short overview", Vortrag an der UTHM, Batu Pahat, Malaysia, am 18.05.2022
Janke, J., Trentmann, W., Hoffmann, J.: "Entwicklung von Gerätetechnik für Feinstaubmessung mit hoher zeitlicher und örtlicher Auflösung", Vortrag auf dem "Zukunftsforum Luft 2023" am 22.06.2023 in Osnabrück
Die Ergebnisse zeigen, dass es prinzipiell möglich ist, mit schnellen, preiswerten optischen Geräten vergleichbare Ergebnisse in Bezug auf eine Partikelpopulation zu erhalten, wie mit langsamen, teuren, aber primär die gesetzeskonforme Massenkonzentration ermittelnden Geräten.
Die Ergebnisse zeigen aber auch, dass noch erheblicher Bedarf bei der Optimierung der Neuronalen Netze besteht und die zum Anlernen des Neuronalen Netzes verwendeten Messreihen wesentlich umfangreicher ausfallen müssen.