Low-Complexity Polynomial Regression Framework for Environmental Drift Compensation in MOX Gas Sensing Systems

हमारी आधुनिक दुनिया के शांत कोनों में, हमारे घरों में लगे वायु गुणवत्ता मॉनिटरों से लेकर औद्योगिक संयंत्रों की सुरक्षा प्रणालियों तक, एक छोटी लेकिन महत्वपूर्ण तकनीक हमें सूचित रखने के लिए अथक कार्य करती है: मेटल-ऑक्साइड सेमीकंडक्टर गैस सेंसर। ये उपकरण पर्यावरणीय निगरानी के गुमनाम नायक हैं, जो मीथेन, कार्बन मोनोऑक्साइड और हाइड्रोजन सल्फाइड जैसे अदृश्य खतरों का उल्लेखनीय संवेदनशीलता के साथ पता लगाने में सक्षम हैं। वे एक गर्म धातु की सतह के साथ गैस अणुओं की परस्पर क्रिया के दौरान विद्युत प्रतिरोध (electrical resistance) में होने वाले परिवर्तनों को मापकर कार्य करते हैं, जो एक प्रक्रिया है जो सरल भी है और प्रभावी भी। हालाँकि, इन सेंसरों में एक महत्वपूर्ण दोष है जिसने इंजीनियरों और वैज्ञानिकों को लंबे समय से निराश किया है: वे अपने परिवेश के प्रति अत्यधिक संवेदनशील होते हैं। जिस तरह एक संगीतकार को तब ताल बिठाने में संघर्ष करना पड़ सकता है जब कमरे का तापमान बदल जाए या हवा में नमी आ जाए, ये सेंसर भी मौसम बदलने पर भटक जाते हैं और अपनी सटीकता खो देते हैं। गर्मी में वृद्धि या आर्द्रता में उछाल सेंसर को एक ऐसे गैस रिसाव की रिपोर्ट करने के लिए मजबूर कर सकता है जो वहां मौजूद ही नहीं है, या वास्तविक खतरे को पूरी तरह से अनदेखा कर सकता है, केवल इसलिए क्योंकि वातावरण ने सेंसर की आधार रेखा (baseline) रीडिंग को बदल दिया है। यह अस्थिरता उन्हें वास्तविक दुनिया में दीर्घकालिक उपयोग के लिए अविश्वसनीय बनाती है, जहाँ स्थितियाँ शायद ही कभी स्थिर होती हैं।

इस समस्या को हल करने के लिए, यूनिवर्सिटी मलेशिया पर्लिस और एडिलेड यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इन सेंसरों को मौसम को अनदेखा करना सिखाने का तरीका खोजने का निर्णय लिया। उन्होंने मीथेन, हाइड्रोजन सल्फाइड और कार्बन मोनोऑक्साइड का पता लगाने के लिए उपयोग किए जाने वाले तीन सामान्य प्रकार के वाणिज्यिक सेंसरों पर ध्यान केंद्रित किया। लक्ष्य एक अधिक महंगी या जटिल मशीन बनाना नहीं था, बल्कि उन डेटा को व्याख्यायित करने का एक स्मार्ट गणितीय तरीका विकसित करना था जो ये सेंसर पहले से ही प्रदान करते हैं। शोधकर्ता जानते थे कि सेंसर की रीडिंग, तापमान और आर्द्रता के बीच का संबंध एक सीधी रेखा नहीं था; यह एक जटिल, घुमावदार वक्र (curve) था जहाँ एक कारक में छोटे बदलाव अन्य कारकों में अप्रत्याशित बदलाव ला सकते थे। इसे ठीक करने के पिछले प्रयास अक्सर सरल, सीधी रेखा वाली गणनाओं पर निर्भर थे, जिन्हें शोधकर्ताओं को संदेह था कि वे समस्या की वास्तविक प्रकृति को समझने के लिए बहुत ही साधारण उपकरण थे। इसके बजाय, उन्होंने 'पॉलीनोमियल रिग्रेशन' (polynomial regression) नामक एक अधिक लचीले गणितीय दृष्टिकोण का उपयोग करने का प्रस्ताव दिया। यह विधि एक ऐसे मॉडल की अनुमति देती है जो डेटा के अनुरूप मुड़ और झुक सके, ठीक वैसे ही जैसे एक दर्जी किसी विशिष्ट शरीर के आकार के अनुसार सूट को ढालता है, न कि हर किसी पर एक मानक आकार थोपने की कोशिश करता है।

टीम ने अपने सेंसरों से भारी मात्रा में डेटा एकत्र करके शुरुआत की, जिसमें यह रिकॉर्ड किया गया कि वे मीथेन, हाइड्रोजन सल्फाइड और कार्बन मोनोऑक्साइड के विभिन्न स्तरों के प्रति कैसे प्रतिक्रिया करते हैं, जबकि तापमान और आर्द्रता को सावधानीपूर्वक नियंत्रित और परिवर्तित किया गया था। फिर उन्होंने छह अलग-अलग गणितीय मॉडल बनाए, जिनमें से प्रत्येक पिछले मॉडल की तुलना में थोड़ा अधिक जटिल था, यह देखने के लिए कि कौन सा मॉडल सबसे अच्छी तरह से भविष्यवाणी कर सकता है कि यदि वातावरण पूरी तरह से स्थिर होता तो सेंसर की रीडिंग क्या होनी चाहिए। उन्होंने इन मॉडलों का परीक्षण डेटा के विरुद्ध किया, यह देखते हुए कि किस बिंदु पर अधिक जटिलता जोड़ने से मदद मिलना बंद हो जाती है और सिस्टम अनावश्यक रूप से भारी होने लगता है। उनके अन्वेषण से पता चला कि जबकि सरल मॉडल कुछ सुधार प्रदान कर सकते हैं, वे पूरी तस्वीर पकड़ने में विफल रहे। सबसे प्रभावी समाधान एक विशिष्ट मॉडल था जिसमें वक्र संबंधी पद (curved terms) और चरों के बीच की अंतःक्रिया (interactions) शामिल थी, जिससे यह तापमान और नमी के मिलकर सेंसर को भ्रमित करने के तरीके को ध्यान में रख सका। यह मॉडल, जिसे शोधकर्ताओं ने सटीकता और सरलता के बीच का 'स्वीट स्पॉट' (sweet spot) माना, मानक रैखिक (linear) विधियों की तुलना में कहीं अधिक श्रेष्ठ साबित हुआ।

जब शोधकर्ताओं ने अपने चुने हुए मॉडल को कच्चे सेंसर डेटा पर लागू किया, तो परिणाम चौंकाने वाले थे। वे अराजक, भटकती हुई रेखाएं जो सेंसर के कच्चे आउटपुट का प्रतिनिधित्व करती थीं, स्थिर, विश्वसनीय संकेतों में बदल गईं। मीथेन का पता लगाने वाले सेंसर के लिए, भविष्यवाणी में त्रुटि पुराने रैखिक तरीके की तुलना में लगभग 19 प्रतिशत कम हो गई। हाइड्रोजन सल्फाइड सेंसर के लिए, सुधार और भी नाटकीय था, जिसमें त्रुटि लगभग आधी रह गई। कार्बन मोनोऑक्साइड सेंसर के लिए भी, जो एक अनूठी चुनौती पेश करता था, नए मॉडल ने त्रुटि को एक चौथाई तक कम कर दिया। लेकिन किसी भी वैज्ञानिक मॉडल की असली परीक्षा यह है कि क्या वह उस डेटा पर काम करता है जिसे उसने पहले कभी नहीं देखा है। इसकी पुष्टि करने के लिए, टीम ने अपने मॉडल को एक पूरी तरह से नए सेट पर लागू किया, जिसमें गैस की सांद्रता प्रशिक्षण चरण के दौरान उपयोग किए गए स्तरों से भिन्न थी। मॉडल अपनी पकड़ बनाए रखने में सफल रहा। इसने मीथेन सेंसर के लिए सेंसर रीडिंग की परिवर्तनशीलता को 71 प्रतिशत से अधिक और हाइड्रोजन सल्फाइड के लिए 57 प्रतिशत से अधिक सफलतापूर्वक कम कर दिया। हालांकि कार्बन मोनोऑक्साइड सेंसर के लिए सुधार अधिक मामूली था, फिर भी इसने अस्थिरता में स्पष्ट कमी दिखाई।

इस कार्य का महत्व इसकी व्यावहारिकता में निहित है। शोधकर्ताओं ने ऐसा समाधान प्रस्तावित नहीं किया जिसके लिए महंगे नए हार्डवेयर या विशाल कंप्यूटिंग शक्ति की आवश्यकता हो; उन्होंने एक कम-जटिलता वाला ढांचा (framework) प्रदान किया जिसे अधिकांश आधुनिक सेंसिंग उपकरणों को चलाने वाले छोटे, किफायती माइक्रोकंट्रोलर में आसानी से लागू किया जा सकता है। यह सिद्ध करके कि एक सावधानीपूर्वक ट्यून किया गया गणितीय वक्र तापमान और आर्द्रता की अव्यवस्थों को ठीक कर सकता है, उन्होंने वास्तविक दुनिया में गैस सेंसरों को अधिक विश्वसनीय बनाने का मार्ग प्रशस्त किया है। इसका अर्थ यह है कि भविष्य में, हमारे शहरों के वायु गुणवत्ता मॉनिटर और हमारे कारखानों की सुरक्षा प्रणालियों पर, चाहे वह गर्म, उमस भरा दिन हो या ठंडा, सूखा दिन, सटीक रीडिंग देने के लिए भरोसा किया जा सकेगा। यह अध्ययन दर्शाता है कि कभी-कभी, एक जटिल भौतिक समस्या को हल करने की कुंजी अधिक शक्तिशाली मशीन नहीं, बल्कि उस गणित की स्पष्ट समझ होती है जो हमारे आसपास की दुनिया को नियंत्रित करती है।