Veröffentlicht von Sensorbee am · 5 min Lesezeit

Die Sommerpraktikanten Love Hedbom und Albin Söderteg mit dem Sensorbee-Team, Sommer 2026. Hinter ihnen solarbetriebene Sensorbee-Einheiten am Zaun des Teststandorts.
Seit 2024 nimmt Sensorbee jeden Sommer Ingenieurstudierende auf, um an einer Frage zu arbeiten: Wie holen wir genauere Gasmesswerte aus kostengünstigen elektrochemischen Sensoren heraus? Die diesjährigen Praktikanten, Love Hedbom und Albin Söderteg, machten dort weiter, wo das Team von 2025 aufgehört hatte. Sie bekamen ein Jahr neuer Felddaten, den Kalibriercode, der heute in der Produktion läuft, und den Auftrag, ihn zu verbessern.
Bis August hatten sie ein Kalibriermodell auf Basis maschinellen Lernens vorgestellt, das unsere aktuelle Methode sowohl bei Stickstoffdioxid (NO2) als auch bei Stickstoffmonoxid (NO) übertrifft — verpackt als kleine Bibliothek, die unser Backend-Team ausführen kann. Dieser Artikel fasst zusammen, was sie getan haben, was nicht funktioniert hat und wie es weitergeht.
Der Auftrag
Der Air Pro 2 misst Gase mit steckbaren elektrochemischen Modulen wie unserem NO2-Sensor. Diese Sensoren sind kompakt und erschwinglich, doch ihr Rohsignal driftet mit Temperatur, Feuchte und Alter. In der Produktion korrigiert Sensorbee dies mit einer automatischen Basislinienkalibrierung auf Grundlage eines Kalman-Filters. Sie benötigt kein Referenzinstrument — genau das macht sie auf einer Baustelle oder an einem Laternenmast einsetzbar.
Das Praktikum hatte vier Ziele:
- Die bestehende Kalibrierung optimieren. Die Basislinienkorrektur anhand der neuesten Daten neu abstimmen, damit sie über die Jahreszeiten hinweg robust bleibt.
- Sensoralterung und Drift untersuchen. Herausfinden, wie sich die Empfindlichkeit über die Lebensdauer eines Sensors verändert und ob sich das kompensieren lässt.
- Maschinelles Lernen und Sensorfusion erkunden. Testen, ob ein Modell, das aus Temperatur, Feuchte und parallel gemessenen Gaskanälen lernt, die konventionelle Signalverarbeitung schlagen kann.
- Signalintegrität verfeinern. Echte Konzentrationsänderungen von Rauschen und Ausreißern trennen.
Der Datensatz stammte von Sensorbee-Einheiten, die an drei Standorten — zwei in Stockholm und einem in Linköping — parallel zu Referenzanalysatoren betrieben wurden; die Stockholmer Referenzdaten lieferte SLB Analys, die Luftqualitätsstelle der Stadt Stockholm. Er umfasste rund 17 Monate in Fünf-Minuten-Auflösung, insgesamt etwa 925 Stationstage.
Die meiste Zeit ging in die Daten
Die erste Überraschung war, wie viel Aufwand saubere Daten kosten. Bevor überhaupt modelliert werden konnte, mussten Love und Albin Sensor- und Referenzreihen abgleichen, die in unterschiedlichen Intervallen aufgezeichnet worden waren, Zeitzonen und Sommerzeitumstellungen in Einklang bringen und Lücken sowie Sprünge in den Sensoraufzeichnungen manuell behandeln. Sie beschreiben das als den unscheinbarsten und zugleich wichtigsten Teil des Projekts. Ein Modell, das auf falsch ausgerichteten Daten trainiert wird, lernt die Fehlausrichtung.
Drei Ansätze, die nicht funktioniert haben
Ein Teil des Werts eines Forschungspraktikums besteht darin, Dinge mit Belegen auszuschließen. Drei Ideen wurden getestet und verworfen:
- Übertragungsfunktion im Frequenzbereich. Die Idee war, die Beziehung zwischen Sensor- und Referenzsignal im Frequenzbereich zu beschreiben und das eine in das andere zu übersetzen. Die resultierende Übertragungsfunktion sah aus wie weißes Rauschen, ohne verwertbare Struktur.
- Ausreißerentfernung. Physikalisch unplausible Sprünge in den Gas- oder Temperaturmesswerten zu entfernen, schien sinnvoll, doch die dadurch entstehenden Lücken brachten die Zustandsverfolgung des Kalman-Filters durcheinander und verschlechterten die Ergebnisse.
- Tiefpassfilterung. Das Herausfiltern hochfrequenten Rauschens verbesserte den mittleren Fehler, allerdings auf Kosten einer langsameren und schwächeren Reaktion auf kurze Spitzen hoher Konzentration. Bei der Luftqualitätsarbeit sind die Spitzen oft genau das, worauf es ankommt.
Sensordrift ist saisonal und an die Temperatur gekoppelt
Bei der Alterung deuteten die Daten auf eine mit der Zeit abnehmende Sensorverstärkung hin, doch das Muster folgte eher den Jahreszeiten als dem Kalender. Die Verstärkung zeigte einen starken inversen Zusammenhang mit der Temperatur, der rund zwei Drittel der Variation erklärte. Mit 17 Monaten Daten konnte das Team einen echten Alterungstrend nicht von einem wiederkehrenden Jahreszyklus trennen, und das sagen sie auch klar. Diese Frage steht jetzt auf der Liste für ein künftiges Projekt, und Sensorbee hat die Aufbewahrung der Referenzdaten auf drei Jahre verlängert, damit sie beantwortbar wird.
Abstimmung der bestehenden Kalibrierung
Das Durchlaufen des Parameterraums der aktuellen Kalman-Basislinienkorrektur brachte eine moderate Verbesserung und senkte den mittleren quadratischen Fehler bei NO2 von rund 16 auf 14,3. Das Team schlug außerdem saisonale Parametersätze und ein kürzeres Rückblickfenster als Folgemaßnahmen vor. Nützlich, aber kein Sprung nach vorn.
Der Sprung nach vorn: ein Gradient-Boosting-Modell
Das Ergebnis, das die Diskussion veränderte, war ein Gradient-Boosting-Baummodell. Statt die Physik des Sensors explizit zu modellieren, lernt es den nichtlinearen Zusammenhang zwischen dem Rohsignal des Sensors und dem Referenzwert aus den Daten. Es verwendet 24 Merkmale, die alle aus einem kleinen Satz von Eingangsgrößen abgeleitet sind, die auf jeder Einheit bereits verfügbar sind: die rohen NO- und NO2-Kanäle, Temperatur, Feuchte, Tages- und Jahreszeit sowie die modellierte Sonnenintensität am Standort der Einheit, die als Ersatz für Ozon dient, wo keine Ozonreferenz verfügbar ist.
Das Modell wurde auf zwei Arten validiert. Die Kreuzvalidierung (CV) prüft es an ungesehenen Zeiträumen an Standorten, auf denen es trainiert wurde. Leave-one-site-out (LOSO) ist der härtere Test: Das Modell wird an zwei Standorten trainiert und an einem dritten bewertet, den es nie gesehen hat — näher an der Art, wie es im Feld eingesetzt würde.
NO2 (Wurzel des mittleren quadratischen Fehlers, ppb)
| Methode | RMSE | R² |
|---|---|---|
| Rohsensor | 4,97 | −0,05 |
| Aktuelle Kalman-Basislinie | 3,78 | 0,39 |
| Gradient-Boosting-Modell, CV | 2,35 | 0,76 |
| Gradient-Boosting-Modell, LOSO | 3,02 | 0,61 |
NO (Wurzel des mittleren quadratischen Fehlers, ppb)
| Methode | RMSE | R² |
|---|---|---|
| Rohsensor | 42,6 | −35,0 |
| Aktuelle Kalman-Basislinie | 23,1 | −9,6 |
| Gradient-Boosting-Modell, CV | 5,04 | 0,50 |
| Gradient-Boosting-Modell, LOSO | 6,33 | 0,21 |


Bei NO2 senkt das Modell den Fehler gegenüber der aktuellen Methode um rund ein Drittel — selbst an einem Standort, den es nie gesehen hat. Bei NO ist der Gewinn noch größer, weil das elektrochemische NO-Signal allein mit Basislinienverfolgung weit schwerer zu korrigieren ist. Das Modell war zudem spürbar besser darin, kurzen Spitzen hoher Konzentration zu folgen — genau dem Fall, in dem Filteransätze Schwierigkeiten hatten.
Wie es weitergeht
Die Praktikanten lieferten das Modell als kleine Python-Bibliothek mit zwei Teilen: eine zustandslose Laufzeitkomponente, die das Backend pro Messwert aufruft, und ein Retraining-Skript mit einem einzigen Befehl für den Fall, dass neue Referenzdaten eintreffen. Beide teilen denselben Merkmalscode, sodass das, was trainiert wird, auch das ist, was ausgeliefert wird. Es benötigt keine spezielle Infrastruktur.
Diese Bibliothek wurde an unser Backend-Team zur Bewertung und Integration in Sensorbee Cloud übergeben. Parallel dazu sind die vorgeschlagenen Verbesserungen der bestehenden Kalman-Korrektur geplant, zusammen mit einem Berichtsmechanismus, mit dem wir die Kalibrierleistung kontinuierlich statt nur zu Überprüfungszeitpunkten verfolgen können.
Weitere vom Team empfohlene Arbeiten:
- Den Ansatz auf andere Gase ausweiten, beginnend mit Kohlenmonoxid.
- Gemessenes Ozon einspeisen, wo eine Referenz verfügbar ist, statt des Sonnen-Proxys.
- Die Fusion zweier NO2-Sensoren auf einer Einheit erkunden.
- Leichtgewichtige Versionen entwickeln, die auf dem Gerät selbst laufen könnten.
Danke, Love und Albin
Forschungspraktika sind ein echter Teil davon, wie Sensorbee seine Produkte entwickelt. Das Projekt 2026 lieferte ein einsatzfähiges Ergebnis, einen ehrlichen Bericht über drei Sackgassen und einen klaren Satz offener Fragen für das Team 2027. Unser Dank gilt Love Hedbom und Albin Söderteg für einen konzentrierten Sommer Arbeit und SLB Analys für die Referenzdaten, die diese Arbeit möglich gemacht haben.
Interessiert daran, wie Sensorbee an Sensorgenauigkeit herangeht? Nehmen Sie Kontakt auf oder laden Sie den Katalog herunter.

Sensorbee
Environmental Monitoring
