ActualitésActualités Smart Building

Surveillance et analyse de la Qualité de l’Air Intérieur à plus de 200km/h

By 11 novembre 2019 No Comments

A ce jour, nous avons déployé notre première version de capteurs LoRaWAN en mode réseau privé pour la mesure de la Qualité de l’Air Intérieur (QAI), à destination, entre autres, des ERP (Etablissement Recevant du Public).

Nous étoffons notre gamme avec une solution connectée utilisant le réseau LoRaWAN public. Cette nouvelle offre est pertinente pour les clients voulant équiper peu de pièces donc ne nécessitant pas l’utilisation d’une passerelle (petites structures ou besoin de mobilité inter-sites d’une partie du parc de capteurs installés).

Le produit QAI :

Le produit, dans les deux versions de connectivité, est équipé de capteurs pour mesurer les paramètres importants de la QAI, c’est-à-dire :

  • Température (paramètre dit de confort) ;
  • Humidité relative (paramètre ayant une influence sur les allergies – acariens et moisissures -) ;
  • CO2 (indicateur simple de la qualité de la ventilation de la pièce) ;
  • COV (Composés Organiques Volatiles issus de polluants domestiques et chimiques)


Figure 1: capteur Qualité de l’Air Intérieur (QAI)

Souvent la qualité de l’air intérieur est réduite à la simple mesure de CO2 car elle est décrite comme un indicateur assez fiable du renouvellement d’air de la pièce lié à la présence humaine.

Néanmoins, pour vraiment traiter la QAI dans sa globalité, elle ne peut être réduite à cette simple valeur. En effet, les COV doivent compléter cette vision en indiquant les pollutions liées aux sources intérieures (mobilier, peinture, bâti, produits liés aux usages, …).

En effet, nous ne le rappellerons jamais assez, l’air Intérieur est en moyenne jusqu’à 8 fois plus pollué que l’air extérieur.

Pour aider l’occupant à traiter la QAI, trois LEDs de couleur (petites lumières Verte, Jaune et Rouge), positionnées sur le boitier, indiquent en temps réel le niveau de la QAI. Cette indication permet aux occupants des lieux, si cela est possible, de mettre en œuvre les actions définies pour revenir à une QAI acceptable (indiquée alors par la lumière verte).

Cette indication permet aussi de minimiser les déperditions énergétiques en cas d’ouverture manuelle d’ouvrants surtout en plein hiver, en indiquant lorsque l’aération de la pièce est suffisante.

Opérateur LoRaWAN :

En termes de réseau public LoRaWAN, nous avons choisi l’opérateur ORANGE car celui-ci nous semble apporter toutes les garanties nécessaires à un déploiement rapide et réussi sur tout le territoire français. Les essais ci-dessous ne viendront pas démentir notre choix.

Essais complémentaires :

Concernant les essais menés sur le terrain pour ce nouveau capteur, ceux-ci ont été très positifs (mais y avait-il une raison pour qu’ils ne le soient pas ?).

L’idée a été d’aller plus loin que des essais in-situ, en essayant de voir à la fois si notre capteur avait des bonnes performances Radiofréquence en mobilité mais aussi de voir la couverture du réseau public LoRaWAN.

Nous avons donc profité d’un voyage en TGV à destination de Paris pour tester la transmission sur tout le trajet, c’est-à-dire Grenoble – Paris gare de Lyon (Figure 2).

Si ce trajet dessert deux villes françaises importantes, donc bien couvertes par LoRAWAN, il passe dans une partie du centre de la France où nous pourrions nous attendre à une couverture à problème. D’autre part, la vitesse de déplacement pourrait faire craindre des problèmes de connexion au réseau.

figure 2: trajet effectué

Trajet aller :

Sur ce trajet, la qualité de la réception était au rendez-vous ou en tout cas, nous n’avons pas noté de perte de données. Ainsi, cela nous à permis d’analyser tout l’historique des données durant ce voyage.

Sur le graphe ci-dessous (Figure 3), nous pouvons voir que la QAI est dans son ensemble bonne (principalement dans la zone verte du graphe).

Nb : La loi de surveillance de la QAI dans les ERP indique un premier seuil à 1000ppm de CO2 pour lequel la qualité de l’air est bonne (zone verte du graphe), entre 1000ppm et 1700ppm la qualité est moyenne (zone orange du graphe) et au-delà la qualité est mauvaise (zone rouge).

Figure 3: mesure du taux de CO2 sur le trajet aller

A noter que le train n’a pas dépassé la vitesse de 200 km/h, car dixit le conducteur, il y avait un train devant qui nous empêchait d’aller plus vite que cette vitesse là.

Trajet retour :

Nous avons profité du retour le lendemain pour faire les mêmes mesures dans le sens inverse (plus par curiosité que pour une raison spécifique d’attente de résultats bien différents).

Sur le graphe de CO2 correspondant (partie TGV), la courbe obtenue n’est pas bien différente qu’à l’aller.

Concernant la réception des données par le réseau, celle-ci est toujours aussi bonne même si nous sommes allés plus vite (donc potentiellement plus de difficulté à accéder au réseau) car cette fois ci il n’y avait pas de train devant pour nous ralentir.

Notre produit étant mobile et en fonctionnement continu, nous en avons profité pour relever la QAI durant toute la journée dont l’après-midi. A 16h, nous avons pris un bus pour nous ramener du salon à la gare. Ce bus était bondé et la QAI s’en est ressentie. Sur le graphe, elle apparait comme étant moyenne (autour des 1600ppm) mais assez proche de la valeur définie comme mauvaise.

Néanmoins, la valeur est stable montrant qu’une ventilation était opérationnelle mais quelque part insuffisante.

Figure 4: mesure du taux de CO2 sur le trajet retour

La courbe qui suit (Figure 5) montre la superposition du taux de CO2 et de la température. Comme il est souvent le cas, il y a une certaine corrélation entre les deux surtout pour la partie voyage en TGV.

Ceci n’est en revanche pas le cas pour la partie voyage en bus.

Figure 5: superposition des mesures de CO2 (bleu) et Température (orange)

Pour aller un peu plus loin dans l’analyse des données, nous avons superposé le taux de CO2 et les COV. Cette courbe est aussi intéressante (Figure 6).

Dans le bus, le taux de COV n’a pas arrêté de monter (en partant d’une valeur initiale forte) alors que le taux de CO2 est resté stable (même si à une valeur très haute).

Ceci est à mettre en corrélation avec le graphe de la température. Cette similitude sur ces deux paramètres semble montrer une influence anthropique (vêtements, cosmétique, parfums, lessive, sudation, …) car le taux d’occupation était important au regard du volume.

Ces deux valeurs indiquent que le taux de renouvellement de l’air existe (taux de CO2 ne montant pas indéfiniment) mais insuffisant vu le taux de COV qui continue à croitre et bien sûr le fort taux de CO2.

Dans le train, les COV était à une valeur correcte (entre 350 et 200ppb) et le taux de CO2 était acceptable. Ceci montre que la ventilation de la rame était suffisante, tout du moins par rapport à son occupation et de ses conditions (température, humidité, typologie des voyageurs et éléments stockés, …).

Figure 6: superposition courbes CO2 (bleu) et COV (orange)

Conclusion :   Performances atteintes

Ce nouveau capteur permet de surveiller très simplement et en temps réel la QAI d’un lieu. Il permet aussi d’en analyser l’évolution dans le temps. Cette consultation de l’historique des données permet une analyse plus poussée de problèmes potentiels et d’en définir les actions d’amélioration (action sur la ventilation, l’aération, …).

L’essai en itinérance a montré que le niveau de performance du produit est largement conforme à nos attentes et permet d’entrevoir des applications dans ce type de transports.

Coté connectivité, son mode LoRaWAN public lui donne une souplesse très importante dans son utilisation quotidienne, offrant une rapidité de visualisation des problèmes et ainsi de prendre en compte les actions d’amélioration à effectuer.