การพัฒนาระบบตรวจวัดคุณภาพอากาศด้วยเทคโนโลยีอินเทอร์เน็ตของสรรพสิ่ง
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้นาเสนอการพัฒนาระบบตรวจวัดมลพิษทางอากาศด้วยเทคโนโลยีอินเทอร์เน็ตของสรรพสิ่ง (IoT) ที่สามารถใช้งานได้ทั้งภายในและภายนอกอาคาร ระบบประกอบด้วยการตรวจวัดแบบเรียลไทม์ พร้อมหน่วยควบคุมความเร็วลมที่ปรับตามสภาพจริง เพื่อลดความคลาดเคลื่อนในการวัดของเซ็นเซอร์ โดยมีระบบจัดการพลังงานทาหน้าที่กักเก็บพลังงานแบบอัตโนมัติสาหรับใช้งานภายนอกอย่างต่อเนื่อง ข้อมูลจากเซ็นเซอร์ถูกส่งผ่าน Wi-Fi โดยใช้โปรโตคอล MQTT ไปยังแพลตฟอร์มคลาวด์ เพื่อจัดเก็บและแสดงผล ระบบยังประยุกต์ใช้โครงข่ายประสาทเทียม Long Short-Term Memory (LSTM) สาหรับพยากรณ์ระดับมลพิษในแบบอนุกรมเวลา พร้อมใช้การวิเคราะห์องค์ประกอบหลัก (PCA) เพื่อลดจานวนมิติและเพิ่มความแม่นยาของผลการทดสอบพบว่าเมื่อใช้ PCA 6 องค์ประกอบ (EVR ≈ 0.96) แบบจาลองให้ค่าความผิดพลาดเฉลี่ยสัมบูรณ์ (MAPE) ที่ 5.27% บนชุดทดสอบ ระบบรองรับการเข้าถึงข้อมูลย้อนหลัง และการวิเคราะห์แนวโน้ม และการแจ้งเตือนล่วงหน้า พร้อมรองรับการใช้งานด้านสภาพอากาศภายในห้องและระบบควบคุมอากาศในห้องปฏิบัติการโดยอัตโนมัติ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
L. Morawska, P. K. Thai, X. Liu, A. Asumadu-Sakyi, and G. Ayoko, “Applications of low-cost sensing technologies for air quality monitoring and exposure assessment: How far have they gone?,” *Environ. Int.*, vol. 116, pp. 286–299, 2018.
P. Acosta-Vargas, R. Zalakeviciute, S. Luján-Mora, and W. Hernández, “Accessibility evaluation of mobile applications for monitoring air quality,” in *Proc. Inf. Technol. Syst. (ICITS)*, A. Rocha, C. Ferrás, and M. Paredes, Eds., Cham: Springer, 2019, *Adv. Intell. Syst. Comput.*, vol. 918, pp. 638–648, doi: 10.1007/978-3-030-11890-7_61.
K. V. Sharma and P. Jain, “Deep learning approach for prediction of air quality index in Delhi,” *Air Qual. Atmos. Health*, vol. 13, no. 10, pp. 1237–1247, 2020, doi: 10.1007/s11869-020-00872-8.
J. Jo, B. Jo, J. Kim, S. Kim, and W. Han, “Development of an IoT-based indoor air quality monitoring platform,” *J. Sens.*, 2020, Art. no. 8749764, doi: 10.1155/2020/8749764.
P. Chirdsiri et al., “The study of indoor air quality effect on the sick building syndrome of photocopier operators,” *Princess Naradhiwas Univ. J.*, vol. 9, no. 3, pp. 106–120, 2017.
M. Eriyadi, D. Notosudjono, H. Setiana, and M. A. A. A. Yakin, “Low-cost mobile air quality monitoring based on internet of things for factory area,” *Indones. J. Electr. Eng. Comput. Sci.*, vol. 32, no. 1, pp. 545–554, Oct. 2023, doi: 10.11591/ijeecs.v32.i1.pp545-554.
N. Zimmerman et al., “A machine learning calibration model using random forests for low-cost air quality sensors,” *ACS Sens.*, vol. 3, no. 12, pp. 2277–2286, Dec. 2018, doi: 10.1021/acssensors.8b00781.
L. Zhang, J. Li, X. Wang, and Y. Zhao, “A distributed air quality monitoring system using wireless sensor networks and machine learning,” *IEEE Sens. J.*, vol. 22, no. 9, pp. 8921–8930, May 2022, doi: 10.1109/JSEN.2022.3165432.
H. Yan, H. Zhang, and Y. Liu, “PM2.5 prediction based on attention mechanism and bidirectional LSTM,” *Atmos. Pollut. Res.*, vol. 14, no. 3, p. 101733, 2023, doi: 10.1016/j.apr.2023.101733.
T. Ma et al., “DeepAir: Deep learning for air quality prediction with real-time data,” in *Proc. 27th ACM SIGSPATIAL Int. Conf. Adv. Geogr. Inf. Syst.*, 2019, pp. 369–372, doi: 10.1145/3356995.3364478.
X. Li et al., “Long short-term memory neural network for air pollutant concentration predictions: Method development and evaluation,” *Environ. Pollut.*, vol. 231, pp. 997–1004, 2017, doi: 10.1016/j.envpol.2017.08.082.
Y. Tsai, Y. Zeng, and Y. Chang, “Air pollution forecasting using RNN with LSTM,” in *Proc. IEEE 16th Int. Conf. Dependable, Autonomic and Secure Comput. (DASC)*, Aug. 2018, pp. 864–869,doi:10.1109/DASC/PiCom/DataCom/CyberSciTec.2018.00145.
Shenzhen Plantower Co., Ltd., *PMS5003 Series Data Manual*, ver. 2.3, written by Zhou Yong; verified by Zheng Haoxin, Jun. 1, 2016.
