دانشگاه جامع امام حسین (ع) پژوهش در ایمنی، سلامت و محیط زیست 2981-2496 2 8 2025 03 18 Design and Implementation of a Factory Pollutant Monitoring System using Plasma by Self-Encoding Neural Network طراحی و پیاده سازی سیستم نظارت بر آلاینده های کارخانه‌ای با استفاده از پلاسما به کمک شبکه عصبی خودرمزگذار 43 54 209860 FA محمد خدادادی نژاد گروه مهندسی کامپیوتر، واحد خرم آباد، دانشگاه آزاد اسلامی، خرم آباد، ایران 0009-0004-5749-7078 صبا جودکی گروه مهندسی کامپیوتر، واحد خرم آباد، دانشگاه آزاد اسلامی، خرم آباد، ایران Journal Article 2024 09 10 A factory pollutant monitoring system using the Internet of Things (IoT), machine learning, and plasma technology has been designed and implemented. The goal is to effectively reduce pollution and absorb hazardous particles. So, an ESP32 electronic board has been used along with temperature and humidity (DHT22), carbon dioxide (MG812-CO2), and sulfur dioxide (MQ136-SO2) sensors to collect data and transmit it to the server via the IoT. The data is stored in Google Sheets and prepared for modeling after preprocessing. Then, an Autoencoder network has been used, due to its high ability to reduce dimensions and eliminate noise, reconstructs the data with minimal error. The Autoencoder extracts key features of the data to optimize the plasma level and pollution reduction. The results show that this system performs better in reducing pollution and energy consumption than traditional methods such as electro-filters. Also, high efficiency and cost reduction are advantages of this approach. در این مقاله ساخت سیستم نظارت بر آلاینده‌های کارخانه‌ای با استفاده از اینترنت اشیاء، یادگیری ماشین و فناوری پلاسما طراحی و پیاده‌سازی شده است. هدف این سیستم، کاهش آلودگی و جذب ذرات خطرناک است. برای این منظور، از برد الکترونیکی ESP32 همراه با سنسورهای تشخیص دما و رطوب (DHT22)، دی اکسید کربن (MG812-CO2) و دی اکسید گوگرد (MQ136-SO2) استفاده شده که داده‌ها را جمع‌آوری و از طریق اینترنت اشیاء به سرور منتقل می‌کند. داده‌ها در گوگل شیت ذخیره و پس از پیش‌پردازش برای مدل‌سازی آماده می‌شوند. سپس از یک شبکه خودرمزگذار (Autoencoder) استفاده شده است که به دلیل توانایی بالای این شبکه در کاهش ابعاد و حذف نویز، داده‌ها را با کمترین خطا بازسازی می‌کند. اتوانکدر ویژگی‌های کلیدی داده‌ها را استخراج و داده‌های اضافی را حذف می کند تا سطح پلاسمای لازم برای یونیزه‌سازی و در نتیجه کاهش آلودگی بهینه گردد. نتایج نشان می دهد که این سیستم نسبت به روش‌های سنتی مانند الکتروفیلترها، در کاهش آلودگی و مصرف انرژی عملکرد بهتری دارد. همچنین بهره‌وری بالا و کاهش هزینه‌ها از مزایای این رویکرد بوده و انتظار می‌رود به راه‌حلی مؤثر برای حفاظت از محیط زیست منجر شود. https://hse.ihu.ac.ir/article_209860_e6b6b63473d3b458b773db1ae5e82337.pdf