[논문 리뷰] Automated Estimation of Construction Equipment Emission Using Inertial Sensors and Machine Learning Models

Farid Shahnavaz|arXiv (Cornell University)|2022. 02. 26.

Vehicle emissions and performance참고 문헌 81인용 수 24

한 줄 요약

이 연구는 엔진 또는 연료 데이터에 의존하지 않고 건설 장비의 관성 센서 데이터(가속도계 및 자이로스코프)를 사용하여 실시간으로 CO, NOX, CO2 배출량을 예측하는 IoT 및 기계학습 프레임워크를 제안한다. 랜덤 포레스트 모델은 CO와 CO2에 대해 각각 R² 값 0.94를 기록했으며, NOX에 대해서는 0.91을 기록하여 운동 기반 입력 자료만으로도 높은 정확도를 보였다.

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.

연구 동기 및 목표

• 엔진 또는 연료 데이터 없이도 관성 센서 데이터만을 사용하여 건설 장비의 배출량을 비침습적이고 실시간으로 추정하는 방법을 개발하는 것.
• 비용이 많이 드는 PEMS나 엔진 파ameter 모니터링에 의존하지 않고, 장비의 운동을 배출 수준의 대체 지표로 활용함으로써 이를 제거하는 것.
• 실제 굴착기 운행 데이터를 활용하여 동기적으로 PEMS와 센서 데이터를 수집함으로써 프레임워크를 검증하는 것.
• 여러 기계학습 모델을 비교하여 운동 데이터에서의 배출 예측에 최적의 알고리즘을 도출하는 것.
• 다양한 건설 프로젝트에서 확장 가능하고 저비용의 배출 모니터링 기반을 마련하는 것.

제안 방법

• 굴착기의 캐빈과 암에 고정된 동기화된 가속도계 및 자이로스코프 센서를 활용하여 동적 운동 데이터를 캡처하기 위해 IoT 시스템을 구축하였다.
• CO, NOX, CO2, SO2, CH4를 ppm 단위로 측정하는 이동식 배출 측정 시스템(PEMS)을 사용하여 실제 배출 데이터를 동시에 수집하였다.
• 시간 도메인 특징인 평균, 표준편차, 첨도 및 변동 빈도를 추출하여 센서 데이터를 전처리하였다.
• 기능 엔지니어링을 거친 데이터를 기반으로 랜덤 포레스트, XGBoost, 기울기 부스팅, 다변량 선형 회귀 모델의 네 가지 지도 학습 모델을 훈련하고 비교하였다.
• 교차 검증을 통해 탄력성을 확보하면서 결정 계수(R²)를 사용하여 모델 성능을 평가하였다.
• CO, NOX, CO2 예측의 R² 점수를 기반으로 가장 우수한 성능을 보인 모델을 선별하였다.

실험 결과

연구 질문

• RQ1 엔진 또는 연료 데이터 없이도 관성 센서 데이터만으로 건설 장비의 실시간 배출량을 정확하게 예측할 수 있는가?
• RQ2 운동 기반 특징에서 CO, NOX, CO2 배출량을 예측하는 데 가장 우수한 기계학습 알고리즘은 무엇인가?
• RQ3 관성 데이터 기반으로 훈련된 기계학습 모델의 예측 성능는 도로 주행 차량에 대한 기존의 배출 추정 방법과 비교해 볼 때 어떻게 되는가?
• RQ4 장비의 운동 패턴과 배출률 사이에 강한 상관관계가 존재하는가, 이를 통해 간접적인 예측이 가능한가?
• RQ5 저비용이며 비침습적인 센서 시스템이 기존의 PEMS나 엔진 모니터링을 대체할 수 있는가?

주요 결과

• 랜덤 포레스트 모델은 CO에 대해 R² 값 0.94, NOX에 대해 0.91, CO2에 대해 0.94를 기록하여 다른 모델들을 압도적으로 뛰어넘었다.
• 연구는 관성 센서가 캡처한 장비의 운동 패턴이 실제 배출 수준과 강하게 상관관계가 있음을 입증하였다.
• 이 프레임워크는 PEMS나 엔진 데이터 없이도 두 대의 스마트폰에 장착된 센서만으로 실시간 비침습적 배출 추정이 가능하게 하였다.
• 결과적으로 기계학습이 운동 데이터만으로도 복잡한 배출 패턴을 효과적으로 학습할 수 있음을 보여주었다.
• 이 방법은 확장 가능하고 저비용이므로 다양한 건설 프로젝트에서의 배출 모니터링을 위한 실용적인 솔루션을 제공한다.
• 딥 러닝과 다중 장비 일반화를 위한 향후 연구의 기반을 마련하였다.