多組分氣體定量識別的電子鼻系統(tǒng)設(shè)計*

馬宏莉， 王 濤， 李泊龍， 曾 敏， 楊建華， 楊 志

(薄膜與微細(xì)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室 上海交通大學(xué) 電子信息與電氣工程學(xué)院 微納電子學(xué)系,上海 200240)

0 引 言

隨著城市化進(jìn)程的加快，室內(nèi)環(huán)境常存在氨氣(NH3)、甲醛(CH2O)、苯(C6H6)、甲苯(C7H8)等多種氣體污染物。長期生活和工作在受氣體污染的室內(nèi)環(huán)境中，人體健康將受到嚴(yán)重威脅[1,2]。此外，在生產(chǎn)生活中，天然氣與煤氣等有害氣體泄露的危險情況也時有發(fā)生。所以，研究室內(nèi)環(huán)境中的有毒有害氣體檢測，對于人體的安全健康保障具有重要的意義。

傳統(tǒng)的基于單一氣體傳感器的有毒有害氣體檢測方法，在應(yīng)用過程中易受背景環(huán)境氣體的影響而出現(xiàn)誤報，這是因?yàn)楝F(xiàn)有氣體傳感器材料均具有交叉敏感特性，即無法達(dá)到只對某一種氣體敏感。為提高復(fù)雜環(huán)境下特定氣體組分的定量識別效果，結(jié)合了傳感器陣列和機(jī)器學(xué)習(xí)算法的電子鼻系統(tǒng)被廣泛應(yīng)用。如Jia P等人[3]設(shè)計了基于金屬氧化物半導(dǎo)體氣體傳感器的電子鼻系統(tǒng)，實(shí)現(xiàn)了室內(nèi)C6H6、C7H8、CH2O和一氧化碳(CO)等四種常見的室內(nèi)污染氣體的檢測。類似地，Zhang D等人[4]將氣體傳感器陣列與反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)相結(jié)合，實(shí)現(xiàn)了CH2O和NH3混合時的組分識別。盡管電子鼻系統(tǒng)對于室內(nèi)氣體的檢測技術(shù)取得了一定進(jìn)展[5]，但其針對多種單一氣體及混合氣體同時進(jìn)行定量識別的研究還相對較少，文獻(xiàn)[6]只實(shí)現(xiàn)了丙酮(C3H6O)和2—丙醇(C3H8O)兩種氣體的單一及混合情況下的定量識別。

本文設(shè)計了一種高效且低成本的電子鼻系統(tǒng)，可同時實(shí)現(xiàn)6種常見室內(nèi)有毒有害氣體，包括硫化氫(H2S)、NH3、CO、C7H8、CH2O和C3H6O，在單一及二元?dú)怏w混合情況下的組分識別及體積分?jǐn)?shù)估計。設(shè)計的傳感器陣列采用4種商用金屬氧化物型氣體傳感器，降低了設(shè)備成本；采用先識別再估計的方法，保證了少量訓(xùn)練樣本情況下電子鼻系統(tǒng)較好的體積分?jǐn)?shù)估計性能；提出的層次分類器(hierarchical classifier,HC)很好地避免了分類器訓(xùn)練過程中的樣本不平衡問題，進(jìn)而提高了對未參與訓(xùn)練濃度樣本的識別率。

1 電子鼻系統(tǒng)設(shè)計

1.1 傳感器陣列設(shè)計

為實(shí)現(xiàn)H2S,CO,NH3,C7H8,CH2O,C3H6O等6種氣體在單一及混合情況下的組分識別，本文選取日本Figaro公司生產(chǎn)的TGS2620、TGS2603、TGS2600以及TGS2602等四種成熟的商用金屬氧化物型氣體傳感器以構(gòu)成傳感器陣列，將其集成于自制的PCB。此外，為實(shí)現(xiàn)傳感器陣列信號的采集，該P(yáng)CB還包括：基于AD620的多路模數(shù)轉(zhuǎn)換采樣模塊、基于RS—232串口的上位機(jī)通信模塊、基于STM32單片機(jī)的程序控制模塊、以及電源開關(guān)等其他相關(guān)外圍電路。

1.2 數(shù)據(jù)集獲取

假設(shè)單一氣體和混合氣體H2S,CO,NH3,C7H8,CH2O,C3H6O,H2S+CO,NH3+C7H8,CH2O+C3H6O的類標(biāo)簽分別為1～9，則訓(xùn)練集和測試集中樣本的數(shù)量及樣本體積分?jǐn)?shù)分布如表1所示。

表1 訓(xùn)練集與測試集樣本數(shù)量及體積分?jǐn)?shù)分布

單一氣體的體積分?jǐn)?shù)以5×10-6的間隔在(5～30)×10-6之間變化，每個體積分?jǐn)?shù)實(shí)驗(yàn)重復(fù)3次?；旌蠚怏w中的每種氣體組分的體積分?jǐn)?shù)變化與單一氣體相同。

1.3 特征提取

傳感器陣列響應(yīng)的時域特征具有獲取快速簡單的特點(diǎn)，無需復(fù)雜的信號處理算法，適用于微小便攜式氣體傳感器陣列系統(tǒng)。因此，本文采用式(1)所示差分時域特征[7]，用于實(shí)現(xiàn)多組分氣體的定量識別

f=Rgas-Rair

(1)

式中f為提取的時域特征，Rair和Rgas分別為傳感器在潔凈空氣中的基線值和在待測氣體氛圍中的穩(wěn)態(tài)響應(yīng)值。

2 多組分氣體定量識別

2.1 基于BPNN-HC的氣體識別

HC通常由類別層次和基分類器兩部分組成[8]，本文設(shè)計的HC的類別層次示意圖如圖1所示。

圖1 類別層次示意

為實(shí)現(xiàn)每個層次的類識別，本文采用BPNN模型作為基分類器。BPNN模型主要由輸入層、隱含層和輸出層組成，隱含層激活函數(shù)常采用Sigmoid模型函數(shù)，典型單隱含層BPNN結(jié)構(gòu)如圖2所示[9]。

圖2 典型單隱含層BPNN模型結(jié)構(gòu)

單隱含層BPNN的輸入層與輸出層節(jié)點(diǎn)數(shù)主要由特征輸入x=[x1,x2,…,xm]和目標(biāo)輸出y=[y1,y2,…,yn]的維數(shù)決定，隱含層節(jié)點(diǎn)數(shù)可通過經(jīng)驗(yàn)公式(2)進(jìn)行選取

(2)

式中m,n變量為輸入層與輸出層節(jié)點(diǎn)數(shù);N為隱含層節(jié)點(diǎn)數(shù);a為1～10之間的常數(shù)。

此外，wij為第i個輸入層節(jié)點(diǎn)xi到第j個隱含層節(jié)點(diǎn)netj的權(quán)系數(shù)，w′jk為第j個隱含層節(jié)點(diǎn)netj到第k個輸出節(jié)點(diǎn)的權(quán)系數(shù)。θj為第k個隱含層節(jié)點(diǎn)netj的閾值。

2.2 基于偏最小二乘的體積分?jǐn)?shù)估計

假設(shè)有p個自變量X={x1,x2,…,xp}和q個因變量Y={y1,y2,…,yq}，用于研究因變量Y和自變量X之間統(tǒng)計關(guān)系的多元線性回歸模型可表述如下

Y=XB+Eγ

(3)

式中B和Eγ分別為常系數(shù)矩陣和殘差矩陣。

將多元線性回歸模型用于體積分?jǐn)?shù)估計的優(yōu)點(diǎn)在于利用少量樣本即可得到傳感器陣列響應(yīng)與氣體體積分?jǐn)?shù)的關(guān)系函數(shù)。同時，建立的多元回歸單輸出和多輸出模型，可分別用于實(shí)現(xiàn)單一氣體和二元混合物中對應(yīng)組分的體積分?jǐn)?shù)估計。

偏最小二乘(partial least-squares,PLSR)回歸在多元線性回歸的基礎(chǔ)上，利用主成分分析(PCA)算法對輸入和輸出向量同時進(jìn)行分析，充分利用自變量與因變量間的相關(guān)關(guān)系，提高多元回歸模型的預(yù)測性能。

3 實(shí)驗(yàn)結(jié)果分析

3.1 多組分氣體識別結(jié)果

為減少傳感器陣列中的冗余信息對分類效果的影響，本文采用PCA降維后的差分時域特征作為分類器的輸入，其對應(yīng)的主成分得分圖如圖3所示。

圖3 差分時域特征的主成分得分

為驗(yàn)證本文提出的基于類別層次的氣體識別方法的優(yōu)越性，分別將BPNN和基于反向傳播神經(jīng)網(wǎng)絡(luò)的層次分類器(back propagation neural network-based hierarchical classi-fier,BPNN-HC)用于多組分氣體的識別。對表1中的訓(xùn)練和測試樣本進(jìn)行多次重復(fù)試驗(yàn)后，BPNN及BPNN-HC的分類性能對比結(jié)果如表2所示。其中，準(zhǔn)確率、精確率以及召回率的微平均和宏平均是多分類中常用的性能評價指標(biāo)。其中，宏平均主要用于評價分類器對訓(xùn)練樣本數(shù)量少的類別的識別效果，微平均則相反。

表2 BPNN與BPNN-HC多分類性能對比 %

從表2中可以看出，本文設(shè)計的電子鼻系統(tǒng)對未參與訓(xùn)練的體積分?jǐn)?shù)樣本的識別準(zhǔn)確率達(dá)到96.81 %。此外，對比宏平均精確率結(jié)果可以發(fā)現(xiàn)，BPNN-HC相比于BPNN能更有效地識別具有少量樣本的單一氣體。

3.2 體積分?jǐn)?shù)估計結(jié)果

在實(shí)現(xiàn)6種單一氣體和3種混合氣體的模式識別后，針對每個模式分別建立回歸模型以實(shí)現(xiàn)體積分?jǐn)?shù)估計。以H2S和CO為例，其在單一和混合情況下體積分?jǐn)?shù)估計結(jié)果分別如圖4和圖5所示。

本文6種有毒有害氣體在單一和混合情況下，測試樣本的體積分?jǐn)?shù)預(yù)測結(jié)果如表3所示。其中，平均絕對誤差(mean absolute error,MAE)、均方根誤差(root mean square error,RMSE)以及決定系數(shù)(R-square,R2)等是常見的回歸模型評價指標(biāo)。

圖4 單一氣體H2S和CO的體積分?jǐn)?shù)預(yù)測結(jié)果對比

圖5 混合氣體H2S+CO中H2S和CO體積分?jǐn)?shù)預(yù)測結(jié)果對比

表3 測試樣本的體積分?jǐn)?shù)預(yù)測結(jié)果

從圖5和表3可以看出，針對不同模式建立的PLSR模型能夠較好地預(yù)測單一氣體和混合氣體對應(yīng)組分的體積分?jǐn)?shù)，其未訓(xùn)練樣本體積分?jǐn)?shù)預(yù)測的平均絕對誤差均小于2.5×10-6。

4 結(jié) 論

本文設(shè)計的電子鼻系統(tǒng)，有效地實(shí)現(xiàn)了多種室內(nèi)有毒有害氣體的識別與體積分?jǐn)?shù)估計。提出的基于BPNN-HC具有良好的泛化性能，并對6種單一氣體及3種混合氣體的識別準(zhǔn)確率達(dá)到了96.81 %。針對每個模式分別建立的回歸模型，其決定系數(shù)R2均大于0.91，有效地實(shí)現(xiàn)了單一及混合情況下的氣體組分體積分?jǐn)?shù)估計。因此，本文所設(shè)計的高效且低成本的電子鼻系統(tǒng)，將使得室內(nèi)環(huán)境氣體檢測的大規(guī)模推廣成為可能。