Development of algorithm for pre-processing and prediction in capacative micromachined ultrasonic transducers

Abstract

The World Health Organization states that air pollution leads to 6.4 million premature deaths yearly and the number is increasing. Developing gas sensors that can measure air quality is therefore important. In this thesis, the potential for using a Capacitive Micromachined Ultrasonic Transducers (CMUTs) for air quality monitoring has been evaluated by comparing different technologies and commercial products. Especially as a supplement for more complex and stationary devices the CMUT stands out as a strong contender compared to more established technologies. Compared to other commercial sensors, the CMUT is documented to be more sensitive. In addition, the sensor is small-sized and easy to fabricate. The main challenge for the CMUT is developing selective layers so it can distinguish between different gases with a higher accuracy. Sensors can generate a vast amount of data. For the public, this information is nothing more than a chaos of numbers. For the CMUT to outcompete other sensors on the commercial market, the sensor must translate the data into comprehensive information answering two questions: 1) which gases are present and 2) at which concentration. As the second part of the thesis an algorithm (Auto-CMUT) was developed to answer these questions. The Auto-CMUT is an automatic system for pre-processing, classifying and quantifying gases in the air based on a Machine Learning approach. Due to lack of data from the CMUT the Auto-CMUT was applied to data from MOX sensors, which share several properties with the CMUT. The results showed that the algorithm performed substantially better on CO measurements than on NO2. Based on literature and findings when visualizing the dataset, it is likely that this difference is due to a poor selective layer on the MOX rather than the algorithm itself. The algorithm obtained scores as high as the best commercial sensors evaluated in the first part of the thesis with an R2-score of 0.80 for the CO measurements and 0.43 for NO2. It was also shown that the regression part of the Auto-CMUT increased the R2-score with 0.27 for CO and 0.43 for NO2.

Ifølge Verdens Helseorganisasjon fører luftforurensing til 6.4 millioner premature dødsfall hvert år og tallet stiger. Utvikling av sensorer som kan måle luftkvalitet er derfor viktig. I denne oppgaven ble potensialet for å bruke kapasitive mikromaskinerte ultralyd transdusere (CMUT) for og måle luftkvalitet evaluert. I første del av oppgaven ble CMUT teknologien sammenlignet med andre teknologier og kommersielle produkter. CMUT står frem som en sterk konkurrent sammenlignet med mer etablerte teknologier. CMUT har dokumentert høyere sensitivitet enn andre produkter. Sensoren er i tillegg liten i størrelse og enkel å produsere. Hovedutfordringen for CMUT teknologien er utviklingen av selektive lag som kan skille mellom ulike gasser med høy presisjon. Sensorer generer store mengder data. For folk flest er denne informasjonen ingenting mer enn et kaos av tall. For at CMUT sensoren skal kunne konkurrere på det kommersielle markedet må sensoren svare på to sentrale spørsmål: 1) Hvilke gasser er tilstede i luften, 2) Hva er konsentrasjonen til disse gassene. I andre del av oppgaven ble en algoritme (Auto-CMUT) utviklet for å svare på disse spørsmålene. Auto-CMUT er et automatisk system for preprosessering, klassifisering og predikasjon av konsentrasjon av gasser. Grunnet mangel på gode data fra CMUT sensoren ble algoritmen testet på et datasett fra en metal oksidert halvleder sensor (MOX), som har flere likheter med CMUT sensoren. Resultatene viste at algoritmen presterte bedre på CO målinger sammenlignet med NO2. Litteratur og visualisering av resultater indikerer at denne forskjellen mest sannsynlig skyldes en lavere selektivitet for NO2 enn CO og ikke algoritmen. Videre viste resultatene at algoritmen oppnådde like gode resultater som de beste kommersielle sensorene evaluert i første del av oppgaven med en R2 verdi på 0.80 for CO og 0.43 for NO2. Det ble også vist at regresjonssteget i algoritmen økte R2 verdien med 0.43 for NO2 og 0.27 for CO sammenlignet med rådata fra sensoren. For å forbedre sensorens resultater burde det i fremtiden prioriteres og skaffe datasett for ulike bruksområder slik at sensoren kan utvikles og selges for spesifikke bruksområder. Hvordan kjemisk degradering endrer sensoren over tid må også undersøkes nærmere. Hovedkonklusjonen i oppgaven er at CMUT sensoren sammen med et automatisert system for håndtering av rådataen har et potensial på det kommersielle markedet for elektroniske neser.