[論文レビュー] Automated Estimation of Construction Equipment Emission Using Inertial Sensors and Machine Learning Models

Farid Shahnavaz|arXiv (Cornell University)|Feb 26, 2022

Vehicle emissions and performance参考文献 81被引用数 24

ひとこと要約

本研究では、エンジンや燃料データに依存せずに、建設機械のインertialセンサ（加速度計およびジャイロスコープ）データを用いて、CO、NOX、CO2の排出ガスをリアルタイムで予測するIoTおよび機械学習フレームワークを提案する。ランダムフォレストモデルは、COおよびCO2で0.94、NOXで0.91のR²値を達成し、運動に基づく入力のみを用いた排出ガス推定において高い精度を示した。

ABSTRACT

The construction industry is one of the main producers of greenhouse gasses (GHG). With the looming consequences of climate change, sustainability measures including quantifying the amount of air pollution during a construction project have become an important project objective in the construction industry. A major contributor to air pollution during construction projects is the use of heavy equipment. Therefore, efficient operation and management can substantially reduce a project’s carbon footprint and other environmental harms. Using unintrusive and indirect methods to predict on-road vehicle emissions has been a widely researched topic. Nevertheless, the same is not true in the case of construction equipment. This paper describes the development and deployment of a framework that uses machine learning (ML) methods to predict the level of emissions from heavy construction equipment. Data is collected via an Internet of Things (IoT) approach with accelerometer and gyroscope sensors as data collection nodes. The developed framework was validated using an excavator performing real-world construction work. A portable emission measurement system (PEMS) was used along with the inertial sensors to record the amount of CO, NOX, CO2, SO2, and CH4 pollution emitted by the equipment. Different ML algorithms were developed and compared to identify the best model to predict emission levels from inertial sensors data. The results show that Random Forest with the coefficient of determination (R2) of 0.94, 0.91, and 0.94, and normalized root-mean-square error (NRMSE) of 4.25, 6.42, and 5.17 for CO, NOX, and CO2, respectively, was the best algorithm among different models evaluated in this study.

研究の動機と目的

• エンジンや燃料データに依存せずに、インエラスセンサデータのみを用いて、建設機械の排出ガスを非侵襲的かつリアルタイムで推定する手法を開発すること。
• 高価なPEMSやエンジンパラメータの監視に依存することを回避し、機械の運動を排出ガスレベルの代理指標として活用すること。
• 実際の excavator 動作を用いて、同時並行でPEMSとセンサデータを収集することで、フレームワークの妥当性を検証すること。
• 複数の機械学習モデルを比較し、運動データからの排出ガス予測に最適なアルゴリズムを特定すること。
• 多様な建設プロジェクトに応用可能なスケーラブルで低コストの排出ガスモニタリングの基盤を構築すること。

提案手法

• 建設機械のキャビンおよびアームに取り付けた同期化された加速度計およびジャイロスコープセンサを用いて、動的運動データを収集するIoTシステムを導入した。
• CO、NOX、CO2、SO2、CH4（ppm単位）を測定するポータブル排出ガス測定システム（PEMS）を用いて、同時に真値の排出ガスデータを収集した。
• 時間領域特徴量（平均、標準偏差、尖度、フラクチュエーション周波数など）の抽出により、センサデータを前処理した。
• 特徴量エンジニアリングを施したデータを用いて、4つの教師あり機械学習モデル（ランダムフォレスト、XGBoost、勾配ブースティング、多変量線形回帰）を訓練および比較した。
• 交差検証を用いて妥当性を確保しつつ、決定係数（R²）を用いてモデルの性能を評価した。
• CO、NOX、CO2の予測において、R²スコアを基準に、最も優れた性能を示したモデルを選定した。

実験結果

リサーチクエスチョン

• RQ1 エンジンや燃料データがなくとも、インエラスセンサデータのみで建設機械の排出ガスをリアルタイムに正確に予測できるか？
• RQ2 運動ベースの特徴量からCO、NOX、CO2排出ガスを予測する際、どの機械学習アルゴリズムが最も優れた性能を示すか？
• RQ3 インエラスセンサデータから学習した機械学習モデルの予測性能は、道路走行車両向けの既存の排出ガス推定手法と比較してどうか？
• RQ4 機械の運動パターンと排出ガス率の間に強い相関関係があるか、間接的推定が可能か？
• RQ5 低コストで非侵襲的なセンサーシステムは、排出ガス追跡のための従来のPEMSやエンジン監視に置き換え可能か？

主な発見

• ランダムフォレストモデルが、COで0.94、NOXで0.91、CO2で0.94の最高R²値を達成し、他のモデルを上回った。
• 本研究では、インエラスセンサが捉えた機械の運動パターンと実際の排出ガスレベルとの間に強い相関関係があることが実証された。
• 本フレームワークにより、PEMSやエンジンデータを一切不要とし、2つのスマートフォン搭載センサのみでリアルタイムかつ非侵襲的な排出ガス推定が可能になった。
• 結果から、機械学習が運動データからのみ複雑な排出ガスパターンを効果的に学習できることを示した。
• 本手法はスケーラブルでコスト効率が良く、多様な建設プロジェクトにおける排出ガスモニタリングの実用的解決策を提供する。
• 本研究は、将来の深層学習やマルチマシン一般化を活用した研究の基盤を確立した。