A workflow for training gas classification models from BME688 sensor data

Abstract

Digitalisaation lisääntyminen panimoteollisuudessa on lisännyt tarvetta parannetulle prosessien seurannalle ja luotettavuudelle. Tässä opinnäytetyössä tarkasteltiin tekoälyn käyttöä fermentaation aikana muodostuvien kaasujen havaitsemiseen ja luokitteluun. Opinnäytetyön tavoitteena oli kehittää työprosessi, joka mahdollistaa koneoppimismallien opettamisen anturidatasta sekä niiden soveltuvuuden arvioinnin eri käyttöympäristöissä.

Aineisto kerättiin Bosch BME688 -kaasuanturilla, ja se esikäsiteltiin Bosch BME AI-Studiolla ennen muuntamista rakenteiseksi tietoaineistoksi Python-pohjaisen käsittelyvaiheen avulla. Mallien kehitys toteutettiin PyTorch syväoppimiskehyksellä. Työvaiheisiin sisältyivät datan esikäsittely, aineiston muodostaminen sekä neuroverkon koulutus One-Cycle oppimisnopeusmenetelmää käyttäen.

Tuloksena syntyneet mallit luokittelivat onnistuneesti useita fermentaatioon liittyviä kaasuja ja täyttivät tärkeimmät joustavuuden ja alustariippumattomuuden vaatimukset. Kehitetty työprosessi luo perustan jatkokehitykselle, kuten raakadatan suoralle käsittelylle ja laajennetulle laitteistotuelle. Opinnäytetyö osoitti, että koneoppimista voidaan tehokkaasti hyödyntää kaasujen seurantaan älykkäissä panimojärjestelmissä.

Digitalization in the brewing industry has increased the need for improved process monitoring and reliability. This thesis examines the use of artificial intelligence for detecting and classifying gases produced during fermentation, with the goal of developing a workflow for training machine learning models from sensor data and evaluating potential deployment platforms.

Data were collected using the Bosch BME688 gas sensor, and the outputs were preprocessed with the Bosch BME AI-Studio and converted into structured datasets through a Python-based pipeline. Model development was conducted with the PyTorch deep learning framework, incorporating data preprocessing, dataset creation, and neural network training using the One-Cycle learning rate strategy.

The resulting models successfully classified multiple fermentation-related gases and met the main requirements of flexibility and platform independence. The developed workflow forms a basis for future improvements, such as direct raw data processing and expanded hardware support and demonstrates that machine learning can be effectively applied to gas monitoring in smart brewery systems.