30 oktober E-nose programma Dr. J.B. Milan

Transcriptie

1 Notitie Aan E-nose board Kopie aan Datum Documentnummer Project Auteur 30 oktober E-nose programma Dr. J.B. Milan Onderwerp Activiteit D 1 ste fase, E-nose data-analyse t.b.v. Geuroverlast Inleiding In het kader van het e-nose programma, specifiek voor activiteit D 1 ste fase, is een data-analyse studie uitgevoerd. Een doelstelling van een geur enose netwerk is het online verstrekken van informatie over de opkomst en verspreiding van gasvormige emissies met een kans op geuroverlast. Voor deze functionaliteit moeten de enoses adequaat reageren op variaties in de omgevingslucht die een indicatie zijn van een verhoogde kans op hinder. In de bijlage van deze notitie is een rapport getiteld Analyse van data enose in woonomgeving toegevoegd over dit onderwerp. Een korte samenvatting en aanbevelingen van het rapport staat hieronder beschreven. Samenvatting Het onderzoek is verricht op een dataset van dertien enoses, die stonden opgesteld in woonkernen van de regio Rijnmond (Vlaardingen, Schiedam, Spijkenisse, Hoogvliet en Pernis) en de klachten die zijn geregistreerd door de DCMR meldkamer in de periode van april 2010 tot april De volgende onderzoeksvragen stonden centraal bij de data-analyse: 1. Anomaliedetectie: zijn enoses goede indicatoren voor geurklachten? 2. Patroonherkenning: Zijn er patronen in het e-nose signaal te vinden die corresponderen met beschreven gerapporteerde hinder? 3. Gevoeligheid: Geeft de dataset informatie over de gevoeligheid van het enose netwerk? 4. Lange termijn stabiliteit: Geeft de dataset informatie over de lange termijn stabiliteit van het enose netwerk? Anomaliedetectie Bij anomaliedetectie wordt de enose data vergeleken met geurklachten gemeld aan de meldkamer van de DCMR. Gezocht wordt naar overeenkomsten in tijd en plaats tussen e-nose piekmomenten en geregistreerde klachten. Het antwoord op de van te voren gestelde onderzoeksvraag 1 is als volgt: enoses zijn goede indicatoren voor geurklachten. Bij 80% van de relevante geurvoorvallen met minmaal 3 geurklachten hebben de enoses in de buurt van de gehinderden ook daadwerkelijk toen iets geroken. Patroonherkenning In deze studie is onderzocht of patroonherkenning kan worden gebruikt voor de geurherkenning met enoses. Daarvoor is eerst ten behoeve van het trainen van de enoses een database van klachtenfingerprints gebouwd (e-nose patronen die corresponderen met de beschreven gerapporteerde hinder). Vervolgens is na de training de geurherkenning getest door de geuromschrijving van de enose te vergelijken met de geuromschrijving van de gehinderden. Deze studie toont dat het antwoord op de van te voren gestelde onderzoeksvraag 2 als volgt is: de Blad 1 van 2

2 potentie van patroonherkenning t.b.v. geurherkenning is aangetoond. Gesteld kan worden dat voor oliegerelateerde geur het percentage waarbij de enose en gehinderden dezelfde geur waarnemen 44% bedraagt. Andere typen geuren scoorden lager. De verklaring voor de lagere score kan gevonden vonden in het feit dat voor de training en het testen gebruik gemaakt is van de omschrijving van de geursituatie door de klagers. Deze omschrijving is niet altijd representatief voor de werkelijke geursituatie. Gevoeligheid De onderzochte dataset heeft informatie verstrekt over de gevoeligheid van het enose netwerk. De gevoeligheid van het enose netwerk is belangrijk omdat de enoses niet teveel foute meldingen mogen produceren, maar ook niet te ongevoelig mogen worden afgesteld. Het effect van het variëren van de hoogte van de drempelwaarde waarmee het signaalverschil moet afwijken ten opzichte van de vorige waarneming is onder meer onderzocht. Het resultaat is dat bij een hogere drempelwaarde de gevoeligheid afneemt. Tevens komt naar voren dat het instellen van de drempelwaarde op 2,5 db voor de data-analyse een voldoende representatief beeld geeft van de werkelijke situatie. Lange termijn stabiliteit De onderzochte dataset heeft informatie verstrekt over de lange termijn stabiliteit van het enose netwerk. De lange termijn stabiliteit van de enoses is een element voor het inschatten van het periodieke onderhoud intervallen en de technische levensverwachting van de enoses. De studie geeft aanwijzingen dat de enoses over een periode van twee jaar geen kwaliteitsafname door verouderingsverschijnselen vertonen. Aanbeveling 1. Deze data-analyse heeft het doel het gedrag van de enoses en de interne sensoren te onderzoeken. De resultaten zijn toe te passen voor de ontwikkeling en het optimaliseren van het online alarmeringssysteem in de DCMR meldkamer. Momenteel wordt daarbij gefocust op andere parameters, te weten een grenswaardeoverschrijding van het actuele somsignaal van de vier sensoren bij 5, 10, 15 db. Met deze resultaten kan de ontwikkeling worden uitgebreid naar een combinatie van actuele signaalhoogte, anomalie en patroonherkenning. 2. De geuromschrijving door de klagers is niet altijd betrouwbaar en is daarmee niet een ideale referentieset voor de geurtraining. De geurherkenning door enose kan worden verbeterd door een meer betrouwbaardere referentieset op te bouwen. Te denken valt aan uitbreiding van de geurlab training door Vito Blad 2 van 2

3 Analyse van data enose in woonomgeving Act. D, Onderzoek automatische geurherkenning

4 Analyse van data enose in woonomgeving Act. D, Onderzoek automatische geurherkenning Auteurs : S.K. Bootsma en J.B. Milan Datum : 28 oktober 2012 Comon Invent Postbus AA Delft 2

5 3

6 Inhoud 1 Samenvatting 5 2 Inleiding 7 3 Onderzoeksmethode Algemeen Anomaliedetectie Patroonherkenning Gevoeligheid Lange termijn stabiliteit 11 4 Resultaten Anomaliedetectie Patroonherkenning Gevoeligheid Lange termijn stabiliteit 22 5 Conclusies en aanbeveling 24 Bijlage A 26 Comon Invent Postbus AA Delft 4

7 1 Samenvatting Dit rapport is een weerslag van een data-analyse studie uitgevoerd in het kader van het enose programma van de DCMR. Het onderzoek is verricht op een dataset van dertien enoses, die stonden opgesteld in woonkernen van de regio Rijnmond (Vlaardingen, Schiedam, Spijkenisse, Hoogvliet en Pernis) en de klachten die zijn verzameld in de periode van april 2010 tot april Een doelstelling van een geur enose netwerk is het online verstrekken van informatie over de opkomst en verspreiding van gasvormige emissies met een kans op geuroverlast. Voor deze functionaliteit moeten de enoses adequaat reageren op variaties in de omgevingslucht die een indicatie zijn van een verhoogde kans op hinder. Dit rapport is daarom een weerslag van de studie waarbij de volgende deelvragen behandeld zijn: 1. Anomaliedetectie: zijn enoses goede indicatoren voor geurklachten? 2. Patroonherkenning: Zijn er patronen in het e-nose signaal te vinden die corresponderen met beschreven gerapporteerde hinder? 3. Gevoeligheid: Geeft de dataset informatie over de gevoeligheid van het enose netwerk? 4. Lange termijn stabiliteit: Geeft de dataset informatie over de lange termijn stabiliteit van het enose netwerk? Anomaliedetectie Bij anomaliedetectie wordt de enose data vergeleken met geurklachten gemeld aan de meldkamer van de DCMR. Gezocht wordt naar overeenkomsten in tijd en plaats tussen e-nose piekmomenten en geregistreerde klachten. Relevant zijn de situaties waarbij aan de volgende criteria wordt voldaan: 1. Relevante enose waarneming: voor de analyse wordt gekeken naar piekmomenten in de ruwe enose data. Een piekmoment is gedefinieerd als een enose waarneming waarbij het signaalverschil minimaal 2,5 db hoger is dan de vorige waarneming. Dit is gedefinieerd als een anomalie; 2. Relevante voorval: is gedefinieerd als een voorval met minimaal drie geurhindermeldingen; 3. Plaatscriterium: De maximale afstand tussen locatie klacht en enose waarneming is 5 km; 4. Tijdcriterium: Het maximale tijdsverschil tussen klacht en enose waarneming is 2,5 uur. De enose waarneming is geclassificeerd als positief resultaat (relevante enose waarneming en relevant voorval), als fout-positief (relevante enose waarneming en geen relevant voorval) en foutnegatief (geen relevante enose waarneming en wel relevant voorval). Het positieve resultaat is ruim 80%! Dat wil zeggen dat 80% van de gevallen waarbij er relevante voorvallen met minmaal 3 geurklachten zijn gemeld de enoses in de buurt van de gehinderden ook daadwerkelijk toen iets hebben geroken. Patroonherkenning Bij anomalie detectie wordt geen aandacht besteed aan de onderlinge verhouding van de signalen van de vier sensoren in de enose. Bij patroonherkenning gebeurt dit wel. In deze studie is onderzocht of er patronen in de relevante enose waarnemingen zijn te vinden die corresponderen met de beschreven gerapporteerde hinder. Met andere woorden patroonherkenning wordt hier gebruikt voor de geurherkenning met enoses. Om patronen te kunnen herkennen dient een database met fingerprints te worden opgebouwd. Dit proces wordt het trainen van enoses genoemd. De training bestaat uit het gericht verzamelen van de enose data in situaties waarbij het ruwe enose signaal kan worden gekoppeld aan andere informatie waarmee een uitspraak over situatie kan worden gedaan. In dit onderzoek betreft die andere informatie de geur- omschrijving van de klagers. Na de training koppelt de enose de het actuele patroon aan de best passende fingerprint. De geurherkenning door de enoses wordt vervolgens getest door het opnieuw doorlopen van de dataset waarbij de geur die de enose denkt te ruiken wordt vergeleken met de geuromschrijving van de gehinderden. Uit deze studie komt naar voren dat voor oliegerelateerde geur het percentage waarbij de enose en gehinderden dezelfde geur waarnemen 44% bedraagt. Andere typen geuren scoorden lager. De verklaring voor de lagere score kan gevonden vonden in het feit dat voor de training en het testen 5

8 gebruikt gemaakt is van de omschrijving van de geursituatie door de klagers. Deze omschrijving is echter niet altijd representatief voor de werkelijke geursituatie. Desalniettemin toont deze studie het principe van geurherkenning door enoses. Gevoeligheid In de studie is de gevoeligheid van de enoses nader onderzocht. Dit is belangrijk omdat de enoses niet teveel foute meldingen mogen produceren, maar ook niet te ongevoelig mogen worden afgesteld. Het effect van het variëren van de hoogte van de drempelwaarde waarmee het signaalverschil moet afwijken ten opzichte van de vorige waarneming is onder meer onderzocht. Het resultaat is dat bij een hogere drempelwaarde de gevoeligheid afneemt. Tevens komt naar voren dat het instellen van de drempelwaarde op 2,5 db voor de data-analyse een voldoende representatief beeld geeft van de werkelijke situatie. Lange termijn stabiliteit De lange termijn stabiliteit van de enoses is een element voor het inschatten van het periodieke onderhoud intervallen en de technische levensverwachting van de enoses. Deze informatie is vooral van belang voor het bepalen van de business case voor een definitief enose netwerk. De studie toont een trend dat het enose netwerk na 2 jaar operatie geen afname van de gevoeligheid vertoont. De fabrikant van de sensoren in de enose heeft informatie gepubliceerd over experimenten waarbij de sensoren 15 jaar lang onder laboratoriumomstandigheden succesvol zijn getest. Over het gedrag van de sensoren in de enoses onder werkelijke omstandigheden is nog weinig bekend, maar het resultaat dat de enoses na 2 jaar operatie nog stabiel zijn, is een goede indicator. Comon Invent Postbus AA Delft 6

9 2 Inleiding In het kader van het enose programma van de DCMR dient antwoord te worden gegeven op de vraag of een enose netwerk in staat is om snel en gericht informatie te verstrekken over de opkomst en verspreiding van gasvormige emissies die kunnen leiden tot onrust en overlast bij de bevolking. Om deze vraag te kunnen beantwoorden wordt onderzoek verricht naar correlaties tussen de ruwe enose data en andere relevante informatiebronnen. Deze studie betreft onder meer een vergelijking tussen enose data die zijn gelogd in een periode van 2 jaar en hinderklachten die zijn binnengekomen bij de meldkamer van de DCMR. Sinds 2010 staat een netwerk met dertig enoses opgesteld in het industriegebied op de Vondelingenplaat en de omliggende woonkernen in de regio Rijnmond (Vlaardingen, Schiedam, Spijkenisse, Hoogvliet en Pernis). De analyse is verricht op de dataset over de periode april 2010 tot mei De analyse is uitgevoerd op de dertien neuzen die in de woonkernen staan opgesteld zoals aangegeven in figuur 1. De reden hiervan is dat deze studie is gericht op de relatie tussen gerapporteerde hinder en enoses. Daarvoor is het belangrijk dat wordt gefocust op de enoses in de hinderzone en niet in een industriegebied waar de aanwezigheid van hogere concentraties aan gasvormige stoffen in de omgevingslucht niet geheel is uit te sluiten en de kans op het ontstaan van hinder kleiner is omdat een industriegebied onbewoond is. Figuur 1. De data van groen omcirkelde enoses zijn in deze studie onderzocht 7

10 Tijdens het onderzoek zijn de volgende onderwerpen behandeld. 1. Anomaliedetectie: zijn enoses goede indicatoren voor geurklachten op basis van het onderzoeken van de correlatie tussen gerapporteerde geurhinder en enose waarnemingen? 2. Patroonherkenning: Zijn er patronen in het enose signaal te vinden die corresponderen met beschreven gerapporteerde hinder? 3. Gevoeligheid: Geeft de dataset informatie over de gevoeligheid van het enose netwerk? 4. Lange termijn stabiliteit: Geeft de dataset informatie over de lange termijn stabiliteit van het enose netwerk? Anomaliedetectie Anomaliedetectie is een functionaliteit waarbij enoses generieke veranderingen in de omgevingslucht detecteren die een indicatie kunnen zijn van verspreidende gaswolken met een kans op geuroverlast of een veiligheidsrisico. In deze studie is onderzocht of een waargenomen anomalie door de enose een goede indicator is voor klachten. Patroonherkenning Bij anomaliedetectie wordt geen aandacht besteed aan de aard van het gasmengsel waar de enose op reageert. Bij patroonherkenning gebeurt dit wel. In deze studie is onderzocht of er patronen in de enose data zijn te vinden die corresponderen met gerapporteerde hinder. Gevoeligheid De drempelwaarde voor het detecteren van een anomalie is instelbaar en is bepalend voor de gevoeligheid van de enose. In twee eerdere studies was de drempelwaarde ingesteld op 2,5 db. Om de resultaten te kunnen vergelijken is de analyse ook nu met deze drempelwaarde uitgevoerd. Om de gevoeligheid van de enoses te testen is ondermeer onderzoek uitgevoerd met verschillende drempelwaarden. Lange termijn stabiliteit Van de sensoren die in de enose zijn verwerkt, voorspelt de fabrikant een lange levensverwachting. Dat wil zeggen, de fabrikant verstrekt informatie waarbij de sensoren onder laboratorium omstandigheden tot 15 jaar zonder significante verouderingsverschijnselen functioneren. De vraag is of de sensoren in de enoses onder werkelijke operationele omstandigheden gedurende een lange periode betrouwbare informatie produceren. Onderzocht is of over een periode van twee jaar de gevoeligheid van het enose netwerk intact is gebleven. Comon Invent Postbus AA Delft 8

11 3 Onderzoeksmethode. 3.1 Algemeen De gassensoren in de enose reageren op veranderingen van de concentratie oxideerbare en reduceerbare gasvormige stoffen in de directe omgeving van de enose. In de praktijk blijkt dat de enose in de meeste gevallen een stijging van het uitgangsignaal geven als de concentratie aan oxideerbare stoffen in de lucht stijgt. Omdat geuren zijn opgebouwd uit oxideerbare verbindingen, kan een verhoging van een enose duiden op een passerende geurwolk. Ook is het mogelijk dat de enose reageert op niet-geurende gassen of geuren die niet tot hinder leiden. Om de vraag te beantwoorden of enose geschikt is voor geurdetectie is het van belang om het gedrag van de enoses nader te beschouwen. Gekeken wordt hoe de enoses zich tijdens geurhinder episodes in Rijnmond gedragen en in de periodes waarbij er geen hinder is gerapporteerd aan de DCMR meldkamer. In een enose is een serie sensoren geplaatst die allemaal reageren op veranderingen van de samenstelling van de omgevingslucht. De signaalverandering van sensoren samen vormt een bepaald patroon. Periodiek (elke minuut) worden de sensorsignalen gelogd en in een database opgeslagen. Elk record in de database bevat dus het patroon van de sensorsignalen in de neus op het moment van de vastlegging. We noemen dit de ruwe enose data omdat deze data niet is gecorreleerd aan andere informatie over de luchtsamenstelling. E-neus data die kan worden gecorreleerd aan andere informatie vormt de basis van de online geurdetectie met enoses. Voor de geurdetectie met enoses zijn twee factoren belangrijk: 1. Aspecifieke signaalveranderingen (anomaliedetectie); 2. Patroonherkenning. 3.2 Anomaliedetectie Anomaliedetectie is een onderdeel van deze studie waarbij de enose data zijn vergeleken met geurhindermeldingen geregistreerd aan de meldkamer van de DCMR. Gezocht wordt naar correlaties in tijd en plaats. De dataset over deze periode bevat 9815 geurhindermeldingen en 13,7 miljoen enose registraties. Niet al deze data zijn relevant. Relevant zijn de voorvallen en enose waarnemingen die aan de volgende criteria voldoen: 1. Relevante enose waarneming: drempelwaarde > 2,5 db; 2. Relevant Voorval: een geurhinder voorval met minimaal drie klachten; 3. Plaatscriterium: afstand tussen enose en dichtstbijzijnde klacht maximaal 5 km 1 ; 4. Tijdcriterium: Tijdsverschil tussen de anomalie en klacht maximaal 2,5 uur De vergelijking van relevante enose waarnemingen met voorvallen kent vier toestanden: 1. Negatieve resultaten: ideale situatie geen hinder, geen relevante enose waarnemingen; 2. Positieve resultaten: relevante enose waarnemingen en relevante voorvallen; 3. Foutpositieve resultaten: relevante enose waarnemingen, geen relevante voorvallen; 4. Foutnegatieve resultaten: relevante voorvallen, geen relevante enose waarnemingen. In dit onderzoek wordt de verhouding tussen positieven en foutnegatieven als meetlat genomen. Dit omdat beiden uitsluitsel geven over de hindersituatie (er is namelijk hinder geregistreerd). Foutpositieve en negatieve resultaten geven geen uitsluitsel over de werkelijke geursituatie. De toestand foutpositief is feitelijk onjuist omdat een foutpositief resultaat impliceert dat een relevante enose waarneming niet overeenkomt met de werkelijkheid. Het gegeven dat er geen klachten zijn betekent echter nog niet dat de enose heeft gereageerd op een geursituatie. Door het ontbreken van referenties kan dit echter niet worden geduid. 1 In eerdere studies is voor het plaatscriterium naast de afstand ook heersende windrichting meegenomen. Dit is achterwege gelaten t.b.v. de benodigde versimpeling. 9

12 3.3 Patroonherkenning Bij anomaliedetectie wordt geen aandacht besteed aan de onderlinge verhouding van de signalen van de sensoren in de enose. Bij patroonherkenning gebeurt dit wel. Onderzocht wordt of er patronen in de ruwe enose data zijn te herkennen waarbij een relatie met waarneembare geur kan worden gelegd. Het onderzoek naar de werking van de patroonherkenning is in twee fasen uitgevoerd: 1. Fase 1: Patroongeneratie of Pattern Generation - Het zoeken naar unieke patronen bij klachten; - Het aanleggen van een referentiedatabase. 2. Fase 2: Patroonherkenning of Pattern Recognition - Het testen van de referentiedatabase; - Onderzoeken of door enose herkende (referentie)geuren overeenkomen met gerapporteerde hinder. Voor het uitvoeren van deze twee stappen is de dataset gesplitst in twee subsets, te weten: 1. Referentieset: bevat alle positieve resultaten van de 13 enoses in de woonomgeving in de periode van april 2010 tot april 2011; 2. Testset: bevat alle relevante enose waarnemingen van de 13 enoses die in de woonomgeving stonden opgesteld in de periode van april 2010 tot april Voor het aanleggen van de referentiedatabase wordt Pattern Generation uitgevoerd: Selecteren van positieve resultaten uit de referentieset; Analyse van de enose patronen tijdens deze voorvallen met Pattern Generator software; Labelen van enose patronen aan de omschrijving van de geur door gehinderden. We noemen deze gelabelde patronen enose fingerprints voor de betreffende geur; Invoeren van fingerprints in de referentiedatabase. Figuur 2 illustreert het proces van Pattern Generation. Met deze referentiedatabase wordt de testset geanalyseerd om Pattern Recognition te toetsen. Van elke anomalie in de testset is bepaald welk referentiepatroon de grootste gelijkenis heeft met het patroon van de enose tijdens deze anomalie; Van de testset zijn dus alle positieve en foutpositieve resultaten voorzien van een enose geurlabel; Voor de positieve resultaten wordt vervolgens een vergelijking gemaakt tussen de enose geurlabel en de geuromschrijving door de klager. Comon Invent Postbus AA Delft 10

13 Ruwe E-neus data Klachten E-neus data & geurhinder gekoppeld patroon Figuur 2. het labelproces. 3.4 Gevoeligheid In deze studie is een anomalie gedefinieerd als een enose meting waarvan de opgetelde signalen van de vier sensoren ten opzichte van de vorige meting groter is dan de ingestelde drempelwaarde. Hoe lager de drempelwaarde hoe meer anomalieën zullen worden gedetecteerd. Het aantal relevante enose waarneming zal hierdoor toenemen. Met meer relevante enose waarnemingen zal ook het aantal positieve resultaten toenemen. Tegelijkertijd zal het aantal foutpositieve resultaten toenemen. Voor de data-analyse is gekozen om de drempelwaarde in te stellen op 2,5 db. Deze keuze is gemaakt omdat deze waarde in eerdere studies ook is toegepast. In deze studie is onderzocht wat het effect van het instellen van het variëren van de drempelwaarde betekent voor de gevoeligheid. Naast de hoogte van de drempelwaarde is in dit onderzoek ook het aantal positieve resultaten van de anomaliedetectie bepaald als functie van de tijd en afstand. 3.5 Lange termijn stabiliteit In de literatuur zijn gegevens bekend waarbij de producent van de sensoren claimt dat de sensoren een lange levensverwachting hebben. De fabrikant van de sensoren onderbouwt deze claim door het verstrekken van informatie van testen waarbij de sensoren gedurende 15 jaar onder laboratorium omstandigheden zijn onderworpen aan een testcyclus waarbij ze periodiek zijn blootgesteld aan een testgas isobutaan met een concentratie van 1000 ppm. De gepubliceerde resultaten van deze testen tonen geen verouderingsverschijnselen over deze lange periode. Onderzocht is of de enoses onder de werkelijke praktijkomstandigheden ook betrouwbaar zijn. In deze studie is de trend onderzocht van het aantal positieve resultaten over een periode van april 2010 tot en met april

14 4 Resultaten. 4.1 Anomaliedetectie vanuit het perspectief van de klachten Positive False negative Complaints April May June July August September October November December January February March Total April May June July August September October November December January February March Total resultaten (80%) en foutnegatieve resultaten (20%) tabel 1: positieve Tabel 1 toont de resultaten van de anomalie analyse vanuit het klachtenperspectief. Bij elke relevant voorval wordt dus naar relevante enose waarnemingen gezocht. Het uiteindelijke resultaat is: in 80% van alle voorvallen met minimaal 3 geurhindermeldingen die zijn gemeld in de buurt van een enose er sprake is er sprake dat de enose toen ook iets geroken heeft Negatieve en fout-positieve resultaten Negatieve resultaten hebben betrekking op de toestand waarbij er geen relevante voorvallen zijn en ook geen relevante enose waarnemingen. Dit is de gewenste situatie. Deze situatie kan als volgt bij benadering berekent worden. De 13 enoses hebben in twee jaar tijd waarnemingen geregistreerd met een interval van 1 minuut. Dit zijn waarnemingen waarvan er als relevante enose Comon Invent Postbus AA Delft 12

15 waarnemingen zijn geregistreerd (0,016%). Dit betekent dat op basis van de huidige instellingen van de anomaliedetector de totale relevante enose waarnemingen overeenkomen met 0,2% van de verstreken tijd. Of anders gezegd, 99,8% van de tijd is er sprake van een situatie zonder relevante enose waarnemingen en bij benadering zonder hinder. Fout-positieve resultaten hebben betrekking op de toestand waarbij er geen relevante voorvallen, maar wel relevante enose waarnemingen zijn gemeld. Het gegeven dat er geen relevante voorvallen zijn gerapporteerd betekent niet dat er in werkelijkheid geen geur aanwezig was die door mens en enose zijn waargenomen, maar het heeft in ieder geval niet geleid tot het indienen van een klacht. De vaststelling of een er sprake was van een werkelijke fout-positieve toestand kan niet worden gemaakt. Een onderbouwde uitspraak over de fout-positieve resultaten kan niet worden gemaakt Voorbeeld: Positief resultaat Om een indruk te krijgen hoe de resultaten van de data-analyse zich verhouden met de werkelijkheid is een relevant voorval nader belicht. Het betreft een voorval op 14 september 2010 met 15 klachten. De hinder wordt veroorzaakt door het fakkelen van procesgas door een olieraffinaderij. De gaswolk trekt over een deel van het enose netwerk. Om door de anomaliedetector te worden geclassificeerd als positief resultaat, dient er te worden voldaan aan de zoekcriteria. 1. Relevante enose waarneming: drempelwaarde > 2,5 db; 2. Relevant Voorval: een geurhinder voorval met minimaal drie klachten; 3. Plaatscriterium: afstand tussen enose en dichtstbijzijnde klacht maximaal 5 km; 4. Tijdcriterium: Tijdsverschil tussen de anomalie en klacht maximaal 2,5 uur. VLD-03 SDM-02 VLD-02 Figuur 3. De gele ellips toont de baan van de hindergevende pluim Figuur 3 toont dat de enose VLD-02, VLD-03 en SDM-02 ten minste in het verspreidingsgebied staan. De anomaliedetector heeft dit voorval als een positief resultaat meegeteld, omdat: 1. meer dan 2 klachten zijn; 2. Er zijn relevante enose waarnemingen geregistreerd; 3. De relevante waarnemingen klachten voldoen aan het tijd- en plaatscriterium. In de volgende paragraaf en in Bijlage A wordt dit voorval tevens verder uitgewerkt. 13

16 4.2 Patroonherkenning Bij anomaliedetectie wordt het enose signaal uitsluitend getoetst op een overschrijding van een drempelwaarde. Patroonherkenning gaat een stap verder. Bij patroonherkenning wordt het actuele patroon van de enose vergeleken met enose-fingerprints in een database. De enose-fingerprint uit de database met de grootste gelijkenis met het patroon van de actuele enose waarneming is het gasmengsel dat de enose dan denkt waar te nemen. Dit principe wordt hier toegelicht aan de hand van het voorbeeld van paragraaf Tabel 2 heeft betrekking op dezelfde resultaten als getoond in figuur 3. In kolom 3 van tabel 2 is de fingerprint van enose VLD-03 weergegeven en in kolom 4 is de klachtomschrijving van de gehinderden weergegeven. De gehinderden omschrijven de geur als: Stank, Zwavel, H2S/rotte eieren. De enose herkent het referentiepatroon Mercaptaan. Hier is dus een redelijke overeenkomst tussen de geurkwalificatie van de enose en gehinderden. Tabel 2. Positieve resultaten van VLD-03 tijdens voorval op 14 september 2010 In de volgende paragraaf wordt nader ingegegaan hoe de referentiepatronen tot stand zijn gekomen en zijn getest Fase 1: Trainen Voor het aanleggen van de referentiedatabase wordt een Pattern Generation uitgevoerd: Selecteren van voorvallen die met de anomaliedetectie hebben geleid tot positieve resultaten; Analyse van de enose patronen tijdens deze voorvallen met Pattern Generator Module; Labelen van enose patronen aan de omschrijving van de geur door gehinderden. Dit zijn de enose-fingerprints van deze training; Invoeren van fingerprints in de referentiedatabase. De eerste stap, het selecteren van voorvallen die met de anomaliedetectie hebben geleid tot positieve resultaten, is reeds behandeld in paragraaf 4.1. In bijlage A worden de andere benodigde stappen nader toegelicht. De training met behulp van de referentieset heeft geleid tot een set van 22 enoseklachten-fingerpints referenties (tabel 3). Tabel 3. Fingerprints in testset Comon Invent Postbus AA Delft 14

17 4.2.2 Fase 2: Testen Voor de patroonherkenning is een testset gecreëerd waarin alle anomalieën van de 13 enoses in de woonomgeving in de periode van april 2010 tot april 2012 zijn opgenomen. De testset omvat alle anomalieën die tot positief of foutpositief resultaat hebben geleid. Elke anomalie in de testset is gelabeld met een Reference label. Dit betekent dat de vorm van de onderhavige anomalie het meest lijkt op de vorm van het geselecteerde referentiepatroon. De selectie gebeurt door het bepalen van de gelijkheidsfactor, de L-factor. Het koppelen van de reference labels aan anomalieën volgens L-factor methode gebeurt door een berekening volgens de kleinste kwadraten methode. Het verschil tussen het patroon van de relevante enose waarneming met alle referentiepatronen wordt bepaald. Het verschil is een getal dat tussen 1 en oneindig ligt. In het hypothetische geval dat de vorm van de enose waarneming exact hetzelfde zou zijn als de vorm van een van de referentiepatronen, dan is de L-factor 1. Hoe meer de vorm afwijkt hoe groter de L-factor. Voor het testen is de set met 22 fingerprints van fase 1 gebruikt. Van elke relevante enose waarneming in de testset is de L-factor bepaald. De fingerprint met kleinste L-factor heeft de grootste gelijkenis en wordt aan de relevante enose waarneming gekoppeld. Het resultaat is een lijst waarin alle relevante enose waarnemingen zijn gelabeld. Tabel 4 is een voorbeeld waarin een deel van deze lijst is weergegeven. Tabel 4: een deel van de lijst met gelabelde relevante enose waarnemingen van de testset 15

18 Elke relevante enose waarneming in de testset is gekoppeld aan een fingerprint. Dit is de geur die de enose denkt te ruiken. De vraag is nu aan de orde hoe goed deze geurherkenning door de enose is. De volledige lijst met gelabelde enose waarnemingen omvat alle relevante enose waarnemingen. De volledige lijst bevat dus alle positieve en alle foutpositieve resultaten. Omdat foutpositieve resultaten niet nader zijn te onderbouwen kunnen alleen de positieve resultaten vergeleken worden met de geuromschrijving van de klagers. Tabel 5 toont een resultaat van een positief resultaat waarbij de enose hetzelfde ruikt als de gehinderden. Tabel 5: geclassificeerde labels voor brandlucht gerelateerde informatie Bij het voorval in tabel 5 is dus een sterke relatie tussen de geurherkenning van de enose en de beleefde hinder. Toch is in de meeste gevallen deze relatie nog niet zo sterk. Dit heeft te maken met de hoeveelheid en kwaliteit van de fingerprints en de kwaliteit van de referentiebron. De fingerprints worden bepaald op het moment dat er een hindersituatie is. Er zijn daarom diverse factoren die tot onzekerheid leiden zijn, de belangrijkste zijn: De beleefde geurwaarneming door de gehinderde is niet in alle gevallen correct. De enose kan ook door andere gassen worden beïnvloed dan uitsluitende het hindergevende gas; De enose c.q. hinder kan worden gevormd door een geur waarvan (nog) geen fingerprint is opgenomen in de referentieset. De L-factor kan dusdanig groot zijn dat de enose geurherkenning onwaarschijnlijk is. Een illustratie van een niet zo sterke relatie tussen de enose herkenning en de klachtenomschrijving is als volgt. In tabel 6 worden alle waarnemingen opgenomen waarbij de enoses de aan brandlucht gerelateerde fingerprints hebben geclassificeerd. In totaal zijn 42 relevante enose waarnemingen geclassificeerd als brandlucht. Vier keer is er echter een overeenkomst tussen de enose waarneming en de klacht. In dit geval geeft de enose een geurherkenning die maar ongeveer 10% correct is. Tabel 6 toont echter ook dat bandbreedte voor de L-factoren groot is (tussen ). Hoe hoger de L-factor, hoe groter de afwijking ten opzichte van de beschikbare fingerprints. Dus de niet zo sterke relatie tussen de enose herkenning en de klachtenomschrijving is hier grotendeels te wijten aan de slechte match (hoge L-factor) tussen de enose-referentie fingerprint en de positieve enose waarneming. Nader onderzoek naar de relatie tussen de hinder en de L-factoren is gewenst. Hieruit kan komen dat de L-factor als een kwaliteitsparameter voor de geurkerkenning moet worden genomen. Bijvoorbeeld wanneer de L-factor een ingestelde grens overschrijdt dan kan de relatie tussen de geurherkenning door de enose en de hinderomschrijving worden betwijfeld. Comon Invent Postbus AA Delft 16

19 Tabel 6. Deel van de aan brandlucht gerelateerde enose waarnemingen en klachtomschrijving door gehinderde. 17

20 Aantal klachten Patroonherkenning voor olielucht gerelateerde hinder. In de vorige paragraaf is het resultaat beschreven van de geurherkenning door de enoses voor brandlucht. Brandlucht is echter niet een veelvoorkomend oorzaak van hinder in Rijnmond. Brandlucht staat op de achtste plaats in de geurhinder top 25 van de DCMR (zie figuur 4). Oliegerelateerde geurhinder is veel prominenter in het Rijnmondgebied. Daarom is in deze paragraaf het resultaat van het onderzoek naar de oliegerelateerde hinder uitgewerkt. Top 25 - Klachtendatabase DCMR /4/ /3/2011 1/4/ /3/ Olie Algemeen Chemisch algemeen Raffinaderijlucht / Petrochemisch Gasolie / Diesel Industrielucht Algemeen Stookolie Brandlucht Algemeen H2S / Rotte eieren Zoet / Weeïg Benzine Misselijkmakend / Walgingwekkend Verbrand plastic Gasachtig Gier/mest Gist / Vergisting / Alcohol Crude Verbrand rubber Petroleum / Kerosine Asfalt / Bitumen / Teer Rioollucht Vies / Smerig Zuur Verf / Terpentine / Thinner Geuromschrijving Figuur 4. Top 25 gerapporteerde geurhinder meldkamer DCMR De eerste stap voor vergelijking van de oliegerelateerde geuren is het maken van een clustering van alle oliegerelateerde fingerprints en geuromschrijvingen. Deze classificatie is gedaan omdat de geurspecificatie door de gehinderen niet altijd even eenduidig is. Een enose herkenning van de fingerprint Olie kan overeenkomen met een klacht van Stank, Olie, Stookolie. Hoewel in dit geval waarschijnlijk sprake is van een goede relatie zou een automatische geurherkenning het niet als een positief resultaat identificeren. Door introductie van de enose Class en Complaint Class is een betere vergelijking mogelijk tussen geurherkenning van de enoses en menselijk beleefde geurhinder. De olieclassificatie voor zowel de enose als de mens is gegeven in tabel 7 Tabel 7: geclassificeerde labels voor olie gerelateerde informatie Comon Invent Postbus AA Delft 18

21 Selectie van alle positieve relevante enose waarnemingen gedurende 2 jaar behorende tot olieclassificatie geeft 142 resultaten. Vergelijking van de olie gerelateerde positieve enose waarneming met de bijbehorende klachtenomschrijving geeft het volgende resultaat: 55 keer van de 142 keer is de geurherkenning tussen de enose en de klacht overeenkomstig. Dit is een score van bijna 40%. Het resultaat is in tabel 8 weergegeven. De verwachting is dat dit percentage stijgt wanneer de set fingerprints kwantitatief en kwalitatief toeneemt Tabel 8. Deel van de olie gerelateerde enose waarnemingen en klachtomschrijvingen Een tegenstelling tot de anomaliedetectie in paragraaf 4.1 is dat bij deze analyse alle voorvallen zijn gebruikt, dus ook die met 1 klacht. Een ander verschil is dat gekozen is om het onderzoek naar de geurherkenning niet te beperken tot de geuromschrijving van de eerste 3 klachten. De onderliggende reden is dat anders het resultaat teveel wordt beïnvloed door grote incidenten. Dit wordt geïllustreerd aan de hand van het voorval Het betreft hier het voorval waarbij een stroomstoring op 17 mei 2010 leidde tot de noodzaak van het fakkelen van procesgas van een raffinaderij. Dit leidde tot een voorval met ruim 400 geurklachten. De geurwolk is over het enose netwerk getrokken en is op een afstand van 20 km tot het incident goed door de enoses waargenomen. 19

22 Het blijkt dat een anomalie die enose SDM-02 heeft waargenomen in dit extreme geval correspondeert met 46 klachten. Voor 39 klachten hiervan geldt dat de geurherkenning correct is (zie tabel 9). Tabel 9. Anomalie van enose SDM-02 correspondeert met 46 klachten Voor andere enoses geldt bij dit voorval een vergelijkbare situatie. Dit betekent dat er een paar honderd correcte waarnemingen aan slechts een aantal enose waarneming zijn te koppelen. Dit leidt tot een onrealistisch hoog aantal correcte waarnemingen op de totale testset. Om dit te voorkomen is het aantal klachten dat wordt betrokken bij de analyse begrensd tot 3 per anomalie. Comon Invent Postbus AA Delft 20

23 4.3 Gevoeligheid De gevoeligheid van de anomaliedetector (dus ook van de patroonherkenner) wordt in dit onderzoek bepaald door de onderstaande instellingen. 1. Relevante enose waarneming: drempelwaarde > 2,5 db; 2. Relevant Voorval: een geurhinder voorval met minimaal drie klachten; 3. Plaatscriterium: afstand tussen enose en dichtstbijzijnde klacht maximaal 5 km; 4. Tijdcriterium: Tijdsverschil tussen de anomalie en klacht maximaal 2,5 uur Deze instellingen zijn vrij instelbaar. In dit geval zijn ze vergelijkbaar gekozen met de instellingen zoals ze in eerdere studies met betrekking tot dit onderwerp zijn uitgevoerd. De resultaten van de analyse worden echter wel beïnvloed door de instellingen. Het tijdcriterium is gebaseerd op een maximale tijdspanne van 2,5 uur. In de praktijk blijkt dit een ruim gedimensioneerde waarde. De gemiddelde tijdspanne tussen klacht en relevante enose waarneming blijkt 23 minuten In figuur 5 wordt het aantal positieve resultaten weergegeven van de dataset van de 13 enoses over de periode van april 2010 tot april 2011 als functie van de drempelwaarde en de afstand. Deze analyse is bepaald vanuit het perspectief van de enoses. Bij elke relevante enose waarneming wordt gezocht naar klachten uit relevante voorvallen. Het aantal positieven neemt toe bij verlaging van de drempelwaarde en vergroting van de maximale afstand. Een zelfde trend als in figuur 5 wordt gevonden voor de foutpositieven. Een optimale instelling geeft een groot aantal positieven maar daarbij ook een laag aantal foutpositieven. De gekozen instellingskeuze van deze studie (drempelwaarde van 2,5 db en een maximale afstand van 5 km) geven daarom een voldoende beeld van de werkelijke situatie. Positive readings km 1km 5.0 5km 4 km 3km Figuur 5. gevoeligheid positieve resultaten als functie van de plaats en drempelwaarde. In andere studie naar de resultaten van de enoses op en rond de Vopak Terminal Europoort wordt ook aandacht besteed aan de instellingen. Ook uit die studie volgt dat een drempel van 2,5 db een realistisch beeld oplevert in de verhouding tussen positieve en fout-positieve resultaten. 21

24 positive results 4.4 Lange termijn stabiliteit Figuur 10 toont dat het aantal positieve resultaten in dezelfde periodes in 2010 en 2011 gelijk is. Dit betekent dat de enose over deze periode ongeveer hetzelfde aantal anomalieën heeft waargenomen die corresponderen met klachten. Een verondersteld ouderdomsverschijnsel is dat de gevoeligheid van de sensoren in de tijd afneemt. Dit zou tot uiting kunnen komen doordat de correlatie met de klachten verslechtert. Het aantal positieve resultaten zou dan afnemen. Dit effect wordt niet gezien. Dit is een aanwijzing dat de gevoeligheid na 2 jaar continue operatie niet is afgenomen. Positive results (Threshold = 2.5 db) Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Time Figuur 6. Het aantal positieve resultaten vertoont geen afnemende trend over twee jaar. Comon Invent Postbus AA Delft 22

25 Deze bevinding wordt ondersteund door een voorval op 8 oktober s-ochtends registreert de enose VLD-02 een oliegerelateerde geur. Een medewerker van Comon Invent is rond 10 uur ter plaatse en heeft de waarneming zintuiglijk bevestigd. Het betreft hier een positief resultaat waarbij in totaal drie klachten uit Vlaardingen zijn gemeld. Dit betekent dat deze enose na ruim 2 jaar en 7 maanden operatie nog steeds correct functioneert. Figuur 7. Positief resultaat met correcte geurherkenning door VLD-02 op 8 oktober

26 5 Conclusies en aanbeveling Anomaliedetectie Vanuit het klachtenperspectief kan worden geconcludeerd dat het percentage positieve resultaten meer dan 80% bedraagt bij voorvallen met meer dan 3 klachten; De anomaliedetectie laat zien dat de werkelijke tijd waarbij er geen sprake is van een geursituatie in de buurt van de enoses 99.8% van de tijd bedraagt. Patroonherkenning Deze studie toont de potentie van de patroonherkenning. Gesteld kan worden dat een juiste geurherkenning op basis van deze referentie- en testset leidt tot een resultaat waarbij ten minste 44% van de enose waarnemingen plausibele geurherkenning weergeeft voor de oliegerelateerde voorvallen. Gevoeligheid De gevoeligheid van de anomaliedetector is afhankelijk van de drempelwaarde waarbij een enose waarneming als relevant wordt beschouwd en tijd en afstand met de klachten binnen relevante voorvallen. De resultaten hangen samen met de instellingen. De instellingen die hier zijn gebruikt zijn gebaseerd op eerdere onderzoeken over dit onderwerp en geven een voldoende representatief beeld van de werkelijke situatie. Lange termijn stabiliteit De studie geeft aanwijzingen dat de enoses over een periode van twee jaar geen kwaliteitsafname door verouderingsverschijnselen vertonen. Aanbeveling Deze data-analyse heeft het doel het gedrag van de enoses en de interne sensoren te onderzoeken. De resultaten zijn toe te passen voor de ontwikkeling en het optimaliseren van het online alarmering systeem in de DCMR meldkamer. Momenteel wordt daarbij gefocusd op andere parameters, te weten een grenswaardeoverschrijding van het actuele somsignaal van de vier sensoren bij 5, 10, 15 db. Met deze resultaten kan de ontwikkeling worden uitgebreid naar een combinatie van actuele signaalhoogte, anomalie en patroonherkenning. De geuromschrijving door de klagers is niet altijd betrouwbaar en is daarmee niet een ideale referentieset voor de geurtraining. De geurherkenning door enose kan worden verbeterd door een meer betrouwbaardere referentieset op te bouwen. Te denken valt aan uitbreiding van de geurlab-training door Vito. Comon Invent Postbus AA Delft 24

27 Referenties DCMR Rapport: Analyse van de enose informatie met statische technieken over de eerste pilot fase in de regio Rijnmond in 2008 Bootsma et. al. April 2010 (projectnummer 34101) DCMR Rapport DMS_MP-# Analyse van data Vopak & DCMR e-neuzen in 2009 Act. B, 1 e fase (Pilot-studie industrie) Bootsma et. al. September 2011 The Stannic Oxide Gas Sensor Ihokura & Watson ISBN Nicolas J., Cerisier C., Delva J. and Romain A.C., 2012 Potential of electronic noses to assess in real time the odour annoyance in the environment of a compost facility. Chemical Engineering Transactions, 30, DOI: /CET

28 Bijlage A Fingerprint determinatie onderzoek met Pattern Generator Module Comon Invent Postbus AA Delft 26

29 Een fingerprint van een enose voor een willekeurig gasmengsel wordt bepaald door de onderlinge verhouding tussen de sensoren in de enose. Deze verhouding kan worden vastgelgd met behulp van de Pattern Generator Module. In deze bijlage wordt de werkwijze het proces van de patroongeneratie met deze module aan de hand van een praktijksituatie toegelicht. De praktijkcase betreft een verdieping van het voorval op 14 september 2010 (zie ook paragraaf 4.1.1) Bij het determineren van enose fingerprints wordt ruwe enose data vergeleken met andere informatie over de omgevingstoestand in de buurt van de enose op hetzelfde moment. Er zijn meerdere vergelijkende informatiebronnen mogelijk. In dit geval wordt de klachtendata gerapporteerd aan de meldkamer van de DCMR als referentiebron gebruikt. Tijdens een voorval op 14 september 2010 trekt een gaswolk over een deel van het enose netwerk. Tussen 8:40 en 10:42 worden 12 klachten gemeld uit de nabije omgeving van SDM-02. Dit is een interessant gegeven voor een nader fingerprint onderzoek. Figuur A1. SMD-02 in hindergebied op 14 september 2010 Figuur A2. Ruwe data enose SDM-02 op 14 september

30 Het onderzoek start met de bestudering van de ruwe data van deze enose gedurende deze hele dag. Figuur A2 toont de grafiek met de ruwe data van SDM-02. Het blauwe omlijnde blok is het tijdvak waarin de klachten worden gerapporteerd. Hoewel in de ruwe data ook op andere momenten pieken worden gezien, valt op dat de hoogste pieken worden geregistreerd in de periode die samenvalt met de hinder. De Pattern Generator Module is een programma verwant aan het K-means clustering algoritme. Het algoritme is gebaseerd op het vectoriseren van de sensordata. De gevectoriseerde componenten worden onderling vergeleken waarbij ze worden gesorteerd in een aantal clusters. In deze case wordt de dataset geclusterd in drie compenentclusters. De clusters worden vervolgens in een 2D-vlak geprojecteerd. Alle groene blokjes zijn de enose waarnemingen die bij cluster 1 horen. De gele blokjes bij cluster 2 en de witte blokjes bij cluster 3. Elk relevante waarneming is ingedeeld bij een van de drie clusters. Echter, de kans dat het patroon van die waarneming exact lijkt op dat van de hoofdcomponent is gering. Het patroon vertoont weliswaar de grootste gelijkenis met de hoofdcomponent van het cluster waarbij het is ingedeeld, maar kan ook op de andere hoofdcomponenten lijken. Hoe minder sterk de gelijkenis hoe groter de aan aantrekkingskracht van de andere clusters. Dit komt tot uiting in de puntenwolk in plaatje rechtsboven. In dit geval zijn er drie hoofdcomponenten. Deze zijn gesitueerd op een denkbeeldige cirkel met een straal 1 gerekend vanuit de oorsprong. De hoofdcomponenten staan op een equidistante plaats op de cirkel, in dit geval dus onder een hoek van 120 ten opzichte van elkaar. De patronen van cluster 1 zullen afhankelijk van de gelijkenis met de andere clusters in de richting van de positie van de andere hoofdcomponenten worden getrokken. Een enose waarneming waarvan het patroon evenveel gelijkenis met alle drie hoofdcomponenten vertoont, ligt exact in de oorsprong van de assenstelsel. Het resultaat van de analyse van de data van SDM-02 van heel 14 september toont dat de meeste relevante waarnemingen bij cluster 1 zijn ingedeeld, maar dat de gelijkenis met de andere twee patronen groot is. Er wordt met deze analysestap dus niet een sterk onderscheidend patroon gevonden in deze dataset. Figuur A3. Resultaat van de Patroon Generator Module op ruwe data SDM-02 d.d. 14 september 00:00-23:59 De volgende stap die wordt genomen is het inzoomen op van het tijdvak rondom de hindergolf. De Patroon Generator Module geeft dan een opnieuw drie patronen weer die zichtbaar sterker zijn. Dit wordt geïllustreerd in figuur A4 waarbij de drie ellipsen elkaar niet meer overlappen. Comon Invent Postbus AA Delft 28

31 Figuur A4. Resultaat van de Patroon Generator Module op ruwe data SDM-02 d.d. 14 september 8:00-10:00 De volgende stap is het terugtransformeren van de geclusterde patronen naar het tijddomein. In wordt in figuur A5 weergegeven. Het blauwe blok is weer het tijdvak van de hinder. Opvallend is dat de het patroon wordt gerepresenteerd door de witte blokjes (patroon 3) door de enose is waargenomen vlak voordat de eerste klacht is gemeld. Mogelijk is dit het patroon van het gasmengsel dat de hindergevende componenten bevat. Figuur A5. Weergave van de drie gevonden patronen SDM-02 d.d. 14 september 8:00-10:00 Het lijkt erop dat in de data van SDM-02 patronen zijn te vinden die een kennelijk verband hebben met de hindergevende componenten in de lucht. Met de Patroon Generator Module kan nu worden bepaald of ditzelfde patroon ook door andere enoses is waargenomen. Het resultaat van deze toets is weergegeven in figuur A6 waarbij de data van alle enoses (dus ook die in het industriegebied) op 14 september 2010 van 00:00 tot 23:59 is vergeleken met patroon 3 uit figuur A4. 29

32 Figuur A6. Weergave van de drie gevonden patronen SDM-02 d.d. 14 september 8:00-10:00 De gele punaises in figuur A6, representeren de enoses die patroon 3 hebben waargenomen. Figuur A7. Weergave alle enoses die zijn geanalyseerd Comon Invent Postbus AA Delft 30

33 Het resultaat is bijzonder. Figuur A6 toont dat alleen de enoses in de hinderzone patroon 3 hebben waargenomen! De conclusie van deze analyse met de Patroon Generator Module is dat het resultaat in dit geval een plausibel patroon is gegeneerd die een duidelijk verband vertoont met geur die door de gehinderden wordt omschreven als Stank, Zwavel, H2S/rotte eieren Vanwege deze goede overeenkomst kan dit patroon als enose fingerprint worden opgenomen in de set met referentie fingerprints. Zoals gezegd is de data van alle enose geanalyseerd met patroon 3 van de dataset van SDM-03. Numeriek wordt het patroon gerepresenteerd door vier getallen. Deze getallen betreft de onderlinge verhouding tussen de sensor signalen in de enose. Deze getallen kunnen nu samen met de gewenste omschrijving en codering worden toegevoegd aan de fingerprint database van de Comon Suite. Het scherm van deze functie is in figuur A8 afgebeeld. Figuur A8. invoerscherm voor het toevoegen van nieuwe Fingerprints aan de geurdatabase van de Comon Suite Bij het invoeren in de vingerprint database wordt het nieuwe patroon vergeleken met de bestaande fingerprints. In dit geval wordt de best match gevormd door het bestaande patroon Stack gas (SO2- rich). Het betreft hier een fingerprint die is resultaat van de analyse van enose data die is verkregen door een olfactometrisch laboratorium onderzoek verricht door VITO op luchtmonsters van SO 2 -rijk uitlaatgas van een fabrieksschoorsteen. 31