Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/91550
Título: | Hardware design and integration of BME688 sensor into CPS devices for gas monitoring applications |
Outro(s) título(s): | Desenvolvimento de Hardware e integração do sensor BME688 em dispositivos CPS para aplicações de monitorização de gás |
Autor(es): | Costa, Rui Manuel Pereira da |
Orientador(es): | Cabral, Jorge |
Palavras-chave: | Deteção de gás Sensor BME688 Baixo consumo Machine learning Gas detection BME688 sensor Low-power |
Data: | 17-Fev-2023 |
Resumo(s): | Os efeitos de diferentes gases podem ser prejudiciais tanto para o ambiente como para os seres huma nos. Como tal a monitorização e deteção de gases é importante já que pode contribuir para um aumento
da segurança em diversas aplicações e áreas. A indústria mineira, a automóvel, áreas médicas e áreas
especializadas na monitorização da qualidade de ar em diversos locais têm contribuído para um aumento
no estudo da deteção de gases.
O objetivo da dissertação é o desenvolvimento de hardware para implementar o sensor de deteção
de gás BME688, e implementação de algoritmos para deteção dos gases 𝐶𝑂2
e 𝐻2
. Há muitos locais,
onde não é possível ter uma fonte de alimentação direta a fornecer energia aos circuitos eletrónicos. Nesta
dissertação serão utilizadas baterias, e como forma de reduzir custos de manutenção na troca de baterias
e de deslocações ao local a monitorizar, a placa de circuito impresso a desenvolver será de baixo consumo
energético.
Foi realizado o estudo do sensor BME688, visando o seu funcionamento e a análise do seu compor tamento relativamente á deteção dos gases 𝐶𝑂2
e 𝐻2
. Para desenvolver este estudo foi utilizado um kit
de desenvolvimento comercial que integrava estes sensores. Recorrendo ao kit do BME688 foi possível
recolher um dataset dos dois gases alvo e posteriormente foram desenvolvidos os circuitos electrónicos
(PCB), e implementados os algoritmos de AI para deteção de 𝐶𝑂2
e 𝐻2
.
Relativamente ao hardware, a placa foi desenvolvida para optimização do seu consumo energético.
Todos os circuitos eletrónicos foram dimensionados com esse propósito. Foram analisados os consumos
energéticos e comparados com o kit existente no mercado. Relativamente ao software, foram implementa dos algoritmos de AI. Foram implementadas soluções baseadas em decision tree,support vector machines
e rede neuronal. Foram analisados os consumos de todos os algoritmos, os seus resultados e o tempo
de execução dos mesmos. Foi ainda desenvolvido um estudo para estimar a duração de uma bateria.
Foi possível, com todos os resultados, avaliar o sistema desenvolvido e apresentar sugestões para
trabalho futuro. The effects of several gases can be harmful to both the environment and humans. Therefore, gas monitor ing and detection devices are vital as they increase safety in various applications and areas. The mining, automotive, medical, and other industries have contributed to an increase in the study of gas detection and monitoring air quality in various locations. Thus, the dissertation’s objective is to develop hardware to implement the BME688 gas detection sensor and the corresponding algorithms for𝐶𝑂2 and𝐻2 gas detection. In several places, it is not possible to have a direct power source to supply energy to electronic circuits. In this dissertation, batteries will be used. As a way to reduce maintenance costs in changing batteries and trips to the site to be monitored, the printed circuit board to be developed will be of low energy consumption. The BME688 sensor was studied, aiming at its operation and behavior regarding the gases 𝐶𝑂2 and 𝐻2 . To develop this study it was used a commercial development kit (reference board) that integrated these sensors. Using the BME688 kit it was possible to collect a dataset of the two target gases. Afterward, the electronic circuits (PCB) were developed, and the AI algorithms for 𝐶𝑂2 𝐻2 detection were implemented. Regarding hardware, the board was developed for optimization of its energy consumption. All the electronic circuits were sized for that purpose. The energy consumption was analyzed and compared with the existing kit in the market. Regarding software, AI algorithms were implemented. Solutions based on decision tree, support vector machines, and neural networks were implemented. The consumption of all algorithms, their results, and their execution time were analyzed. A study was also developed to estimate the lifetime of a battery. With all the results, it was possible to evaluate the developed system and make suggestions for future work. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Engenharia Eletrónica Industrial e Computadores Sistemas Embebidos e Computadores |
URI: | https://hdl.handle.net/1822/91550 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DEI - Dissertações de mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Rui Manuel Pereira da Costa.pdf | Dissertação de mestrado | 15,84 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons