PMS5003
PMS7003 سنسور Plantower PMS 5003 و PMS 7003
سنسورهای PMS 7003 و PMS 5003 هفتمین نسل پنجم از سری PMS x 003 هستند که توسط Plantower (نام چینی 攀藤) توسعه یافته‌اند.
تنظیم آزمایش
برای این آزمایش، 3 PMS 7003 و 3 PMS 5003 با هم قرار می گیرند. هدف این است که دقت خوانش سنسورها و سطح احتمالی خطا ناشی از عدم کالیبراسیون کارآمد سنسورهای کم هزینه را درک کنیم.
برای هر سنسور (PMS5003 و PMS7003)، 3 حسگر (مشخص به PMSx003 #1، #2 و #3) وجود دارد که به طور متناوب در مدت زمان 3 دقیقه کار می کنند. برای هر دقیقه، فقط داده های 30 ثانیه آخر جمع آوری می شود، همانطور که 30 ثانیه اول نگه داشته می شود تا سنسور خروجی خود را تثبیت کند.
سنسور PMS5003 اضافی وجود دارد (شماره 4): این یک سنسور استفاده شده (قدیمی) است که چندین ماه در حالت مداوم در فضای باز کار می کند. هدف این سنسور این است که بفهمد آیا دقت با افزایش سن کاهش می‌یابد (در حین خاموش شدن لیزر یا فن).
برگه های مشخصات: PMS5003.pdf and PMS7003.pdf.توجه داشته باشید که داده‌های PMS x از سنسور در دو نوع ارائه می‌شوند: «标准颗粒物» (ذرات استاندارد یا CF-1، بایت‌های 4-9) و «大气环境下» (محیط جوی، بایت‌های 10-15). این دومین موردی است که ما برای این آزمایش استفاده می کنیم (با تشکر از بارت برای توضیح).
پارگی سنسور
تصاویر زیر از یک PMS5003 گرفته شده است که چندین ماه در فضای باز در حالت پیوسته کار می کند.
خبر خوب این است که Plantower موفق شد یک طراحی مکانیکی بسیار خوب انجام دهد که از تجمع گرد و غبار در قسمت جلویی PCB (نگاه کنید به تصویر A در سمت راست)، جایی که لیزر و دیود نصب شده‌اند، جلوگیری می‌کند. در مقایسه با تجمع گرد و غبار در Dylos ، طول عمر و دقت داده ها در طول زمان بسیار بهتر را تضمین می کند.
از نظر قطعات الکتریکی و الکترونیکی، PMS5003 تفاوت چندانی با طراحی اولیه PMS1003 ندارد. CPU هنوز Cypress CY8C4245 است که یک ARM Cortex-M0 ترکیبی با فرکانس 48 مگاهرتز با ADC اختصاصی برای نمونه‌برداری از خروجی دیود استفاده می‌کند.
داده های زمان واقعی
db مخفف dust bin است و بر حسب تعداد در دقیقه اندازه گیری می شود. به عنوان مثال، db2.5-um تعداد ذرات با قطر آیرودینامیکی زیر 2.5 میکرومتر را نشان می دهد.
سری زمانی برای شرایط هواشناسی
شرایط هواشناسی و به ویژه رطوبت نسبی (RH) مورد نیاز است زیرا RH بالا ممکن است تأثیر مستقیمی بر اندازه اندازه ذرات شناسایی شده توسط لیزر داشته باشد. برای سنسورهای BAM، در واقع نیاز به رطوبت ثابت وجود دارد.
نمودار فوق بر اساس ایستگاه CWOP EW2754 است. جدول زیر بر اساس خوانش های زمان واقعی ایستگاه GAIA A12 ما است
سری زمانی برای ذرات معلق
توجه داشته باشید که 3 نمودار سری زمانی اول مقادیر را با استفاده از AQI (و نه mg/m3 خام) نشان می‌دهند. AQI بر اساس نقاط شکست EPA ایالات متحده است. برای PM 1 ، از نقاط شکست PM 2.5 استفاده می شود.
برای نمودارهای ذرات معلق، اندازه‌گیری‌های BAM مرجع از ایستگاه‌های همسایه نشان داده شده است، اما برای نمودار انحراف در نظر گرفته نشده است. بین سنسورهایی که از فناوری‌های مختلف استفاده می‌کنند (مثلاً شمارنده لیزر در مقابل کاهش بتا).
نمودار انحراف زیر هر سری زمانی به عنوان تفاوت بین حداقل (به رنگ آبی) محاسبه می شود. حداکثر (به رنگ قرمز) مقدار و میانگین قرائت برای هر بلوک دوره 5 دقیقه. محور X مقدار میانگین را نشان می دهد و محور Y تفاوت بین حداقل/حداکثر و میانگین را نشان می دهد. برای 3 نمودار سری زمانی اول، تفاوت در AQI بیان می شود: به این ترتیب، ارزیابی خطای احتمالی در مقدار AQI آن سنسورهای کم هزینه آسان است.
مقایسه بین ذرات استاندارد (ذرات معلق استاندارد) و جو (محیط جوی) استاندارد
The graphs below shows the correlation for the CF1 (X, absyss) and the ratio CF1/SAT (Y, ordinate), for the PM2.5 and PM10 data.
The almost too perfect correlation between approx. 30 mg to 100 mg for PM2.5 / PMS5003, (40mg to 150 for PM10) does not sound too scientific...
cf1<30 ⇒ sat=cf1
cf1>100 ⇒ sat = cf1 * 2/3
cf1 in ∈ [30;100] ⇒ sat = 30 + cf1 * (cf1-30)/70 * 2/3
The formula has been updated with correct ratio (2/3)
یک سوال جالب این است که آیا نسبت CF-1/SAT بخشی از فرآیند کالیبراسیون انجام شده توسط Plantower است؟ حداقل، برای PM2.5 آستانه بالایی برای PMS7003 و PMS5003 متفاوت است (85 برای اولی، و 100 برای دوم). هنگامی که اطلاعات کافی در دسترس باشد، این صفحه با پاسخ به روز رسانی خواهد شد...
همبستگی بین PM10 و PM2.5
در حال حاضر، همبستگی کاملاً خطی به نظر می رسد، اما به محض وقوع رویداد بعدی آلودگی PM 10 ، نمودار می تواند کارایی تشخیص اندازه سطل را تأیید کند.
علاوه بر این، یک الگوی جالب برای بررسی، منحنی غیر خطی است که در سنسور Dylos قابل مشاهده است. این الگوی منحنی به این دلیل است که حسگر نمی تواند به درستی سطل های ذرات مختلف را تشخیص دهد، که ناشی از تعداد بسیار زیاد ذرات "مسدود" دیود است. در حال حاضر، آلودگی هوا برای شناسایی این پدیده بسیار کم است، اما به محض فرا رسیدن زمستان، داده ها وجود این الگو را تایید می کنند یا خیر.
سری زمانی برای ذرات معلق (تنظیمات داخلی)
--
