[论文解读] 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 24

一句话总结

本研究提出了一种基于物联网和机器学习的框架，利用建筑设备的惯性传感器数据（加速度计和陀螺仪）在不依赖发动机或燃油数据的情况下，实时预测CO、NOX和CO2的排放。随机森林模型在CO和CO2预测中的R²值达到0.94，在NOX预测中达到0.91，表明仅使用基于运动的输入即可实现高精度的排放估算。

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.

研究动机与目标

• 开发一种非侵入式、实时的建筑设备排放估算方法，仅依赖惯性传感器数据。
• 通过将设备运动作为排放水平的代理指标，消除对昂贵的PEMS或发动机参数监控的依赖。
• 通过同步采集PEMS和传感器数据，在真实挖掘机作业中验证该框架。
• 比较多种机器学习模型，以确定从运动数据中预测排放的最佳算法。
• 为建筑项目中可扩展、低成本的排放监测建立基础。

提出的方法

• 在挖掘机的驾驶室和机械臂上安装同步的加速度计和陀螺仪传感器，部署物联网系统以捕获动态运动数据。
• 使用便携式排放测量系统（PEMS）同步采集真实排放数据，测量CO、NOX、CO2、SO2和CH4的ppm浓度。
• 通过提取均值、标准差、峰度和波动频率等时域特征，对传感器数据进行预处理。
• 在特征工程处理后的数据上，训练并比较四种监督机器学习模型——随机森林、XGBoost、梯度提升和多元线性回归。
• 使用决定系数（R²）评估模型性能，并通过交叉验证确保结果的稳健性。
• 基于CO、NOX和CO2预测的R²得分，选择表现最佳的模型。

实验结果

研究问题

• RQ1 仅依靠惯性传感器数据，能否在无发动机或燃油数据的情况下准确预测建筑设备的实时排放？
• RQ2 在基于运动特征预测CO、NOX和CO2排放时，哪种机器学习算法表现最佳？
• RQ3 基于惯性数据训练的机器学习模型的预测性能，与现有用于公路车辆的排放估算方法相比如何？
• RQ4 设备运动模式与排放速率之间是否存在强相关性，从而支持间接估算？
• RQ5 低成本、非侵入式传感器系统能否替代传统的PEMS或发动机监控系统用于排放追踪？

主要发现

• 随机森林模型在CO预测中达到最高的R²值0.94，在NOX预测中为0.91，在CO2预测中也为0.94，优于其他模型。
• 研究表明，惯性传感器捕获的设备运动模式与实际排放水平之间存在强相关性。
• 该框架可仅使用两个安装在智能手机上的传感器，实现实时、非侵入式的排放估算，无需PEMS或发动机数据。
• 结果表明，机器学习能够仅从运动学数据中有效学习复杂的排放模式。
• 该方法具有可扩展性和成本效益，为在各类建筑项目中监测排放提供了实用解决方案。
• 本研究为未来使用深度学习和多台设备泛化能力的研究奠定了基础。