Stochastic Modeling for NDIR Gas Sensor Drift: Definition, Decomposition, Dynamics and Calibration
2026 (English)Doctoral thesis, monograph (Other academic)
Abstract [en]
Sensor drift is a major obstacle to reliable long-term measurements of low-cost sensors. It is commonly treated as a calibration problem, although its definition, causes, and temporal behavior are often left implicit. Focusing on non-dispersive infrared (NDIR) CO2 sensors, we develop a systematic approach to defining, understanding, characterizing, and addressing drift.
We first describe sensor measurements and measurement errors as stochastic processes. Within this framework, drift occurs when the statistical properties of the measurement error process vary with time. We then introduce an additive drift decomposition model (ADDM) to separate two principal sources of drift: reversible effects caused by environmental conditions and irreversible intrinsic changes in the sensing instrument. Experiments using long-term field data demonstrate the feasibility of estimating the individual components and support the additive formulation.
After environmental correction, most sensors exhibit mean-reverting instrumental errors rather than a common deterministic trend. We model these dynamics using an Ornstein–Uhlenbeck process, whose parameters characterize the sensor-specific equilibrium error, mean-reversion rate, and stochastic variation. These characteristics provide theoretical guidance for designing sensor-specific one-point calibration strategies.
Finally, we address calibration without a co-located reference instrument by extracting pseudo-reference information from three external sources: same-type sensors, distributed reference stations, and local sensor networks. First, nonlinear environmental dependencies estimated from tested sensors are transferred to other sensors of the same type for environmental compensation. Second, periodic minima are interpreted as order-statistic estimators of atmospheric background concentrations, and observations from distributed reference stations are fused using a spatio-temporal generalized additive model to construct dynamic baselines for one-point calibration. Third, normalized pairwise differences are used to identify rendezvous events within a local sensor network; adaptive piecewise constant approximation and a two-state explicit-duration hidden semi-Markov model are proposed to detect rendezvous suitable for the downstream network calibration. These methods are evaluated using long-term field data and dedicated indoor deployment experiments.
Abstract [sv]
Sensordrift är ett betydande hinder för tillförlitliga långtidsmätningar med lågkostnadssensorer. Drift behandlas vanligen som ett kalibreringsproblem, trots att dess definition, orsaker och tidsmässiga beteende ofta lämnas implicita. Med fokus på icke-dispersiva infraröda sensorer (NDIR-sensorer) för CO2 utvecklar vi ett systematiskt angreppssätt för att definiera, förstå, karakterisera och hantera drift.
Först beskriver vi sensormätningar och mätfel som stokastiska processer. Inom detta ramverk uppstår drift när de statistiska egenskaperna hos mätfelsprocessen varierar över tid. Därefter introducerar vi en additiv modell för uppdelning av drift (ADDM) som skiljer mellan två huvudsakliga källor: reversibla effekter orsakade av miljöförhållanden och irreversibla förändringar i själva mätinstrumentet. Experiment baserade på data från långvariga fältmätningar visar att de enskilda komponenterna kan skattas och ger stöd för den additiva modellformuleringen.
Efter miljökorrigering uppvisar de flesta sensorer instrumentella fel som återgår mot ett medelvärde, snarare än en gemensam deterministisk trend. Vi modellerar denna dynamik med en Ornstein–Uhlenbeck-process, vars parametrar beskriver den sensorspecifika jämviktsavvikelsen, återgångshastigheten mot medelvärdet och den stokastiska variationen. Dessa egenskaper ger teoretisk vägledning för utformningen av sensorspecifika enpunktskalibreringsstrategier.
Slutligen behandlar vi kalibrering utan ett samlokaliserat referensinstrument genom att utvinna pseudoreferensinformation från tre externa källor: sensorer av samma typ, distribuerade referensstationer och lokala sensornätverk. Först överförs icke-linjära miljöberoenden, skattade från testade sensorer, till andra sensorer av samma typ för miljökompensering. Därefter tolkas periodiska minima som ordningsstatistiska skattningar av atmosfäriska bakgrundskoncentrationer, och observationer från distribuerade referensstationer sammanförs med hjälp av en spatiotemporal generaliserad additiv modell för att konstruera dynamiska baslinjer för enpunktskalibrering. Slutligen används normaliserade parvisa skillnader för att identifiera rendezvous i ett lokalt sensornätverk. Adaptiv styckvis konstant approximation och en explicit tvåtillståndsmodell av typen dold semi-Markovmodell föreslås för att detektera rendezvous som är lämpliga för efterföljande nätverkskalibrering. Metoderna utvärderas med hjälp av långvariga fältdata och särskilt utformade experiment med sensorer utplacerade inomhus.
Place, publisher, year, edition, pages
Stockholm: KTH Royal Institute of Technology, 2026. , p. xvi, 119
Series
TRITA-EECS-AVL ; 2026:90
Keywords [en]
sensor drift, low-cost NDIR CO2 sensors, stochastic processes, environmental effects, instrumental drift, OU process, baseline calibration, generalized additive model, rendezvous detection, hidden semi-Markov model, network calibration
Keywords [sv]
sensordrift, lågkostnads-NDIR-sensorer för CO2, stokastiska processer, miljöpåverkan, instrumentdrift, OU-process, baslinjekalibrering, generaliserad additiv modell, detektion av rendezvous, dold semi-Markovmodell, nätverkskalibrering
National Category
Electrical Engineering, Electronic Engineering, Information Engineering
Research subject
Electrical Engineering
Identifiers
URN: urn:nbn:se:kth:diva-390502ISBN: 978-91-8106-734-7 (print)OAI: oai:DiVA.org:kth-390502DiVA, id: diva2:2109480
Public defence
2026-11-06, https://kth-se.zoom.us/j/62661699362, F3, Lindstedtsvägen 26, Stockholm, 14:00 (English)
Opponent
Supervisors
Funder
Vinnova, E!514
Note
QC 20261010
2026-10-102026-10-092026-10-10Bibliographically approved