Evolution of wireless sensor network for air quality measurements

Abstract

Este estudio aborda el desarrollo de una red de sensores de gas inalámbricos con nodos de bajo costo, tamaño pequeño y bajo consumo para aplicaciones ambientales y detección de la calidad del aire. A lo largo del artículo se presenta la evolución del diseño y desarrollo del sistema, describiendo cuatro prototipos diseñados. El nodo prototipo final propuesto tiene la capacidad de conectar hasta cuatro sensores de gas de óxido metálico (MOX), y tiene una gran autonomía gracias al uso de paneles solares, además de contar con un sistema de muestreo indirecto y de pequeño tamaño. El protocolo ZigBee se utiliza para transmitir datos de forma inalámbrica a una nube de datos de desarrollo propio. La capacidad de discriminación del dispositivo se comprobó con los compuestos orgánicos volátiles benceno, tolueno, etilbenceno y xileno (BTEX). Se logró una mejora del sistema para obtener tasas de éxito óptimas en la etapa de clasificación con el prototipo final. El procesamiento de los datos se llevó a cabo utilizando técnicas de reconocimiento de patrones e inteligencia artificial, como las redes de base radial y el análisis de componentes principales (PCA).

This study addresses the development of a wireless gas sensor network with low cost, small size, and low consumption nodes for environmental applications and air quality detection. Throughout the article, the evolution of the design and development of the system is presented, describing four designed prototypes. The final proposed prototype node has the capacity to connect up to four metal oxide (MOX) gas sensors, and has high autonomy thanks to the use of solar panels, as well as having an indirect sampling system and a small size. ZigBee protocol is used to transmit data wirelessly to a self-developed data cloud. The discrimination capacity of the device was checked with the volatile organic compounds benzene, toluene, ethylbenzene, and xylene (BTEX). An improvement of the system was achieved to obtain optimal success rates in the classification stage with the final prototype. Data processing was carried out using techniques of pattern recognition and artificial intelligence, such as radial basis networks and principal component analysis (PCA).