NDIRメタンセンサーと聞くと、どのような環境でも安定して測定できると期待するかもしれません。しかし、原理上の利点と現場で求められる性能は分けて考える必要があります。『炭素削減を実証する技術とソリューション』第8章では、センサー方式とあわせて、メタンセンサーの校正、汚染、環境の影響を取り上げます。原理を知る段階から、実際の運用条件へ一歩踏み込んでみましょう。
本書でまず区別しておきたいことです
校正で異常が見つかった場合、過去のデータをすべて破棄すべきなのか疑問に思うかもしれません。まず、どの期間にどのような影響があったのかを評価する根拠を探す必要があります。点検と再校正の記録から、どの範囲までデータを復元できるかも確認します。十分な根拠がない期間については、定量的な主張に制限を設けることがあります。校正の連鎖、標準ガスの条件、使用履歴を記録しておけば、こうした判断に役立ちます。問題が起きた後も説明を続けるには記録が必要です。
境界設定で特に注意すべき誤りは、チェリーピッキングである。削減効果が大きく見える排出源だけを含め、残りを除外することだ。この誤りは、多くの場合、意図的に行われるのではない。入手できるデータだけを含めるうちに、自然に生じることがある。
校正。いつ、どの標準と手順で実施したか、調整前の状態と調整後の状態を区別して記録する。二つの点検時点の差だけから、その間のドリフトの推移を確定することはできない。中間点検・環境ログ・再校正データもあわせて検討し、影響期間や補正の根拠が不十分であれば、該当結果の不確実性または使用制限に反映する。
機械換気の畜舎では、ファンの定格だけでなく、静圧や稼働状態、汚れ・摩耗による実風量の変化を確認します。自然換気では、風向・風速、温度差、開口部の状態を調べる必要があります。換気量推定の不確実性が排出率にどの程度影響するかは、測定モデルの中で評価します。
個体単位の方法には、目的ごとに異なる長所と短所があります。開放式呼吸代謝チャンバーは流入・流出空気と流量から質量収支を求めますが、動物の馴化と費用の負担が大きくなります。GreenFeedはフードを訪れた際の濃度と空気の流れを利用するため、1日の訪問が代表的であるかが重要です。SF6法では、既知の放出率を持つ透過管を反芻胃に挿入し、外部の採取装置で呼吸・げっぷのガスを採取します。技術名による単一の精度順位よりも、回収率、校正、サンプリング、実施記録を比較しなければなりません。畜舎の一地点の濃度は、これらの排出率と同じ測定量ではありません。
非分散型赤外線（NDIR）は、メタンによる赤外線吸収を利用する方式です。触媒燃焼式のような酸素依存性や触媒被毒はありませんが、光学系の汚染や温度・圧力・水分の影響を受けないわけではありません。原理だけで農場の長期観測に適していると判断せず、想定濃度や内外の濃度差に対して、検出限界・再現性・ドリフトが十分かどうかを製品ごとに確認します。
現場ではこのように見てみるとよいでしょう
センサーが長期間稼働している畜舎を思い浮かべてみてください。画面に数値が表示され続けていても、光学窓の状態や温度・水分の影響を確認する必要があります。その間の性能がどのように保たれたかを示す点検・校正記録も欠かせません。同じ原理の製品でも、仕様や管理方法は異なる場合があります。
校正の周期は、使用環境、メーカーの手順、実際のドリフト記録、求められる不確かさに基づいて決めます。現場での校正に対応していない装置も、定期的な基準器との比較、回収後の校正、点検ガスによる確認を組み合わせて管理できます。重要なのは一律の周期ではなく、校正間の性能を裏付ける記録と、異常時のデータ処理規則です。
センサーを比較する際は、測定範囲と分解能、他のガスに対する交差感度、応答時間、ドリフトをあわせて確認します。温度・湿度・粉じんなどの環境条件と校正要件も検討する必要があります。小さな濃度差を見分ける必要がある場合、装置の表示単位と不確かさが目的に適しているかを、製品と運用モードごとに確認します。センサー原理の名称だけでは、これらの条件を代替できません。
AIは、異常の兆候を候補として検出したり、定められた条件下で短い欠測を推定したり、複数の変数間の関係を探索したりするために活用できます。データ整理や品質点検、報告書の草案作成を支援することもあります。機能ごとに目的と失敗時のコストは異なるため、すべてを同じ性能指標で評価してはなりません。どの入力と前提から結果を作成したかを明らかにし、推定値を直接観測値と区別する必要があります。
投資を検討するとき、あわせて尋ねてみましょう
装置を検討するなら、校正周期を一つの数字で決めるより、メーカーの手順や使用環境、実際のドリフト記録を確認するとよいでしょう。点検で異常が見つかった場合、どの期間のデータに影響するかも確認する必要があります。一度校正したかどうかより、その後のデータをどのように管理しているかが重要です。
評価データはまず分割する。同じ農場の隣接する時刻のデータを無作為に混ぜると、現場の反復パターンを記憶した性能を、新しい農場に対する性能と誤認する可能性がある。将来の運転予測が目的なら時間順に、別の農場への展開が目的なら農場単位で分割する。モデル選択に使った検証データと最終的な性能確認に使うデータを区別し、前処理と欠測補完も学習データで定めた規則に従って実行する。
AIの評価資料は、利用目的に応じて分ける。将来の運転状態を予測するなら時間順の分割を、別の農場に展開するなら農場単位の分割を検討する。モデル選択に使うデータと、最後の性能確認に使うデータも分ける。単純な基準モデルと比較し、平均誤差だけでなく、農場・季節ごとの偏りや失敗条件も確認しなければ、実際の利用範囲を説明できない。
本を閉じる前に考えておきたい問いです
センサーの原理を理解すれば、利点だけでなく確認すべき弱点も見えてきます。そこに校正履歴と現場点検を結び付けてみてください。どの条件ならその数値を利用できるのか説明しやすくなります。
著者紹介
イ・ボンジュンは、西江大学校の技術経営大学院（MOT）を修了。Infitron Co., Ltd.で7年、Honeywellで20年、ガス計測分野に27年間従事し、サービスエンジニア、技術営業、チャネル管理の業務を担当した。現在はAI Safety Korea Co., Ltd.の創業者として、センサー・AI・データ分析を活用した畜産メタンモニタリングと測定・報告・検証（MRV）の仕組みを研究している。