机器嗅觉系统是一种利用仿生检测技术实现气体/气味定性识别和定量分析的电子设备,在环境监测、食品药品加工、易燃易爆气体检测、医学临床分析与诊断等领域展现了广阔的应用前景[1],其工作原理如图1所示。

图1 机器嗅觉系统原理框图

金属氧化物半导体MOS(Metal-Oxide Semiconductor)传感器阵列以其响应速度快、灵敏度高、成本低廉等优点,已成为目前机器嗅觉系统中使用最为普遍的信息获取装置,其响应输出信号的准确性和可靠性直接影响后续模式识别方法的检测与分析结果。鉴于此,MOS气体传感器阵列工作状态的好坏直接决定了机器嗅觉系统整体性能的优劣[2-3]。MOS气体传感器阵列长期运行过程中不可避免地会遇到外界干扰(粉尘附着、腐蚀性气体影响、温湿度变化)及自身故障(气敏元件老化、中毒、损坏),导致系统检测与分析性能大大降低。MOS气体传感器阵列故障模式及主要形成原因如图2所示。由此可见,MOS气体传感器阵列的异常状态监测与测量质量评定是目前机器嗅觉领域亟待解决的重要问题之一[4]。

图2 MOS传感器阵列故障模式及主要成因

自确认传感器是由牛津大学教授Henry教授等人于1993年提出的一种新型智能传感器,经过多年的发展,得到了国内外学者的广泛关注[5]。自确认传感器能够根据传感器的自身特性,通过故障检测与隔离、故障识别、故障恢复及测量不确定度评定等一系列自确认方法,实现传感器对自身的异常状态监测与测量质量评估,达到提高传感器测量过程可靠性的目的[6]。

为了解决目前机器嗅觉系统工作过程中MOS气体传感器阵列异常状态监测与测量质量评定问题,以有效提高机器嗅觉系统检测与分析结果的可信性,本文根据MOS气体传感器阵列的特点并结合自确认传感器技术的最新研究成果,提出了自确认金属氧化物半导体气体传感器阵列。

本文将分别介绍自确认MOS气体传感器阵列的硬件架构、功能模型及关键自确认技术,最后设计了一种面向大气环境污染监测的自确认MOS气体传感器阵列,实现了传感器阵列运行过程中的异常状态监测与测量质量评估,并对其有效性进行了验证。

本文用数据挖掘及处理技术采集三峡旅游游记，处理形成游客旅游数字足迹，通过结合实地调研观察对这些数据进行社会网络特征的分析，本文认为三峡旅游经过长期发展有了新的变化，主要表现如下：

1 自确认MOS传感器阵列的硬件架构及功能模型

不同于传统的气体传感器阵列,自确认MOS气体传感器阵列由传统传感器阵列、温湿度敏感单元、信号调理电路、数据采集电路及处理器组成,其硬件架构如图3所示。

图3 自确认MOS传感器阵列硬件架构

自确认MOS气体传感器阵列不但能够响应被测气体/气味的种类或浓度变化并输出响应信号,还能够利用温度、湿度敏感单元对影响MOS气敏传感器测量准确性影响较大的温度、湿度进行测量,并实现温湿度补偿;采用处理器实现故障检测与隔离、故障识别、故障恢复、测量质量评估等自确认功能模块对传感器阵列运行状态进行监测,并输出相应的自确认参数;采用存储器保存算法程序和历史数据等信息。

《周易·系辞下传》中讲“易穷则变，变则通，通则久”[11]246，指事物到了极点就会发生变化，变化才会使事情进展顺利，顺利则会长久。非洲独特的文化和思想禁锢在帝国殖民统治中久矣，殖民解放以后，如何挖掘并发展本土文化落到了新一代非洲知识分子的肩上。作为“非洲文学之父”的伊博族作家钦努阿·阿契贝，从始至终把伊博“变”的哲学思想贯穿其作品中。

自确认MOS气体传感器阵列的输出参数包括以下几项:

为了进一步对传感器的维修决策提供必要的信息,提高传感器阵列的可维护性,故障识别技术成为了自确认传感器技术中的关键技术之一。目前,自确认传感器故障类型识别主要采用模式识别方法实现。该方法主要由特征提取和模式识别两部分组成。首先,采用合理而有效的特征提取方法突出传感器故障信号的特征,然后利用高性能的分类器对故障特征进行识别,最终确定传感器故障类型[8]。如图4所示为主要的基于模式识别的传感器故障类型识别方法。

②测量值状态:指示MOS气体传感器阵列获取的确认的测量值是在MOS气体传感器阵列何种运行状态下获得的。

③测量不确定度:传感器的确认不确定度表示传感器确认测量值的不确定度,表征传感器测量值的准确性。测量不确定度为用户提供了关于传感器测量值的准确性信息,反映了各种不确定因素对传感器测量质量的影响。

从调查中可以看出，区域教研组内教师间的关系十分融洽，这种关系有助于教师形成归属感和认同感，而这种关系是建立在教研组“尊重、关爱、合作”的基本理念基础上的。

本文设计一种基于FPGA与DSP的自确认气体传感器阵列硬件架构,如图5所示,其中,FPGA(EP3C55F48417)控制传感器信号的采集与控制,DSP(TMS320DM642)负责实现MOS气体传感器阵列的自确认方法,并输出监测结果及各种自确认参数。

2 关键自确认技术

2.1 故障检测与隔离

自确认MOS气体传感器阵列采用故障检测与隔离FDI(Fault Detection and Isolation)技术对传感器阵列中发生故障的传感器进行故障检测与故障隔离,实现MOS气体传感器阵列对自身异常状态的在线监测。

（2）引进大数据处理性能较高的相关计算机技术。目前，针对大数据挖掘、存储以及处理等问题，国内外已经发展了很多先进的技术，比如MapReduce和Hadoop等数据分析平台。

近年来,相关学者根据所研究领域中传感器运行状态监测问题,提出了一系列自确认传感器故障检测与隔离方法,主要包括解析模型法和数据驱动法[7]。解析模型法通过对传感器的工作机理的精确把握,建立传感器响应特性的数学模型,再利用传感器的真实输出与模型输出的残差判断是否发生故障,例如观测器法和滤波器法。数据驱动法是对传感器输出的正常历史数据进行学习和挖掘,获得相应的数学模型。一旦故障发生,故障数据将破坏已建立起的关系模型的稳定性。数据驱动法便以此变化为根据,对传感器进行故障检测与隔离,主要的数据驱动法包括信号处理法、多变量统计分析法及人工智能法等方法。

2.2 故障类型识别

①确认的测量值:当传感器阵列无发生故障时,传感器的确认的测量值为传感器的输出的测量值。如果传感器出现故障,传感器的输出值将偏离真实测量值,此时传感器的确认的测量值是对被测量的测量值的最佳估计。

图4 基于模式识别的故障类型识别方法

2.3 测量质量评估

传感器在测量过程中,由于敏感元件的物理或化学变化、转换电路的系统误差、外部干扰产生的随机误差以及各种不确定因素的影响,都会导致传感器测量质量下降,影响后续信息处理过程。因此,需要对传感器的测量质量进行在线评估,确定当前测量值是否值得进一步处理。目前,传感器测量质量评估方法主要采用测量不确定度评定方法实现,主要包括GUM方法、Monte Carlo方法、贝叶斯推理、灰色理论及模糊随机变量法等[9]。

2.4 数据恢复

该方法的详细理论推导可参考文献[8]。如图10所示为不同故障状态下各本征模态函数样本熵值比较结果,可见不同故障状态下的EEMD-SampEn特征向量存在较明显的差别,可以利用此特征提取方法对气体传感器故障进行特征提取。

3 一种面向大气环境污染气体监测的自确认MOS传感器阵列设计

3.1 传感器阵列设计

MOS气体传感器利用被测气体与金属氧化物半导体气敏元件的化学反应所导致的传感器内阻的变化对目标气体进行检测。由于大气环境污染气体包括一氧化碳、硫化物、氮化物、臭氧等有害气体,因此在设计MOS气体传感器阵列时,应遵循选择对被测气体响应的灵敏度存在差异、对目标气体均有响应、具有较快的响应速度、稳定可靠、重复性好的气体传感器。鉴于此,本文设计的MOS气体传感器阵列选型如表1所示。由于MOS气体传感器的检测性能与环境的温湿度相关,因此传感器阵列也同时包括温、湿度传感器,并根据其响应信号对气体传感器阵列的测量值进行温湿度补偿。

表1 MOS气体传感器阵列选型

型号数量负载/kΩ目标气体TGS2600410氢气、一氧化碳、乙醇TGS2602460挥发性有机物、氨气、硫化氢TGS2610440异丁烷、液化石油气TGS2611450异丁烷、甲烷、乙醇、氢气TGS2620420甲烷、一氧化碳、异丁烷

图5 基于FPGA和DSP的自确认气体传感器阵列

3.2 硬件架构

④故障信息:在MOS气体传感器阵列发生故障时,指示故障传感器的位置、故障传感器的类型、故障程度等信息,帮助用户进行维修决策。

语言不仅是人们交流的工具，也蕴涵着一个文化的世界观。中国大学生在长期的英语学习过程中，可能自觉或者不自觉地受到英语所蕴含的思维方式和价值观的影响，从而使自我认同或文化身份发生变化。有些语言学家认为，使用一种语言的就意味着接受这种语言所蕴含的价值观或思维方式。大学英语学习者的母语文化身份认同在学习和使用英语的过程中也会产生较大的变化。外语学习者的文化身份构建问题是现代跨文化研究的一个核心问题。

3.3 自确认算法设计及仿真结果

根据MOS气体传感器阵列的多路输出存在相关性的特点,本文采用主成分分析(PCA)实现故障检测与隔离,算法的流程如图6所示。PCA是一种基于数据驱动的故障检测与隔离方法,该方法利用正常状态下阵列输出的样本建立PCA模型,一旦故障传感器发生故障,其输出信号在冗余子空间的投影将发生突变,SPE统计量也随即发生跳变,实现故障检测,随后再利用SPE贡献率来确定故障传感器的位置。

3.3.1 故障检测与隔离

本小节根据作者近年来对MOS气体传感器阵列自确认方法的研究成果,分别介绍MOS气体传感器阵列故障检测与隔离、故障模式识别、测量质量评估等自确认算法的实现,利用仿真结果来说明算法的有效性。

图6 基于PCA的故障检测与隔离算法流

图7 基于PCA的故障检测仿真实验结果

鉴于篇幅的限制,基于PCA的故障检测与诊断算法的详细理论推导可参考文献[11]。基于PCA的故障检测与隔离算法的仿真实验结果如图7和图8 所示。可见,基于PCA的故障检测与隔离方法能够有效实现MOS气体传感器阵列的故障检测与隔离。

图8 基于PCA的故障隔离仿真实验结果

3.3.2 传感器故障类型识别

由于故障的传感器会导致其输出信号的频率变化,且不同的故障状态会导致故障频率的不同[11]。因此,本文采用基于集合经验模态分解(EEMD)样本熵(SampEn)的故障特征提取方法,再利用稀疏表示分类器(SRC)对故障特征进行故障类型识别,算法的流程如图9所示。

②随着偏置电流的增大,变压器铁芯磁导率发生变化,变压器中的磁通量对于施加的偏置电流大小关系呈现非线性,最终造成测量结果的非线性。

实验组患者急救和疼痛缓解时间均少于对照组；研究组患者的临床护理满意度为97.5%，显著高于对照组的70%，差异有统计学意义（P＜0.05）。见表1、表2。

3.3.3 测量质量评估

图9 基于EEMD-SampEn和SRC的故障类型识别算法流程

图10 不同故障状态下各本征模态函数样本熵值

为了保证传感器故障状态下输出的故障数据不对后续传感器信息处理模块的稳定性和可靠性造成影响,甚至产生严重后果。自确认传感器技术中利用历史数据的冗余信息和相关信息对故障传感器输出值进行在线恢复,代替故障传感器输出值,为系统稳定运行和维护决策争取宝贵时间[10]。

湿地景观主要有水体景观、植物景观、水禽景观、水产景观。安徽沿淮地区是洪涝旱污的易发地区，湿地生态旅游开发必须注重水体景观的修复或重建，保持湿地水面的规模，注重水质和水量。可以通过水面泛舟、亲水平台、湖心岛、生态化滨岸，为游客提供观赏平台。

传统的测量质量评估方法都是利用基于测量值的不确定度表示。该类方法一方面不能够进行动态评定,另一方面对用户观测并不直观。本文采用动态测量过程中测量不确定度结合过程能力指数的方法进行表示,其理论推导可参考文件[12]。表2为过程能力指数Cpk的评级标准。图11为偏置故障下MOS气体传感器测量质量评估结果。

表2 过程能力指数Cpk的评级标准

评级Cpk范围测量值状态A+级Cpk≥1.67优A级1.67>Cpk≥1.33良好B级1.33>Cpk≥1.0一般C级1.0>Cpk≥0.67不良较多D级0.67>Cpk不可接受

图11 MOS 气体传感器测量质量评估结果

3.3.4 故障恢复

自确认传感器阵列的故障恢复方法是通过传感器的正常历史数据建立预测模型,当传感器处理故障状态,利用预测模型对传感器故障进行恢复。本文采用灰色预测模型GM(1,1)进行数据恢复,该故障恢复模型能够利用小样本对传感器输出信号进行准确预测,其理论推导可参考文献[13]。图12所示的是冲击故障状态下的故障恢复结果,可见该方法可以对气体传感器测量进行有效恢复。

图12 冲击故障状态下故障恢复结果

3.4 自确认气体传感器阵列有效性分析

为了说明自确认MOS气体传感器阵列在机器嗅觉系统中的有效性,本文设计了基于自确认MOS气体传感器阵列的机器嗅觉系统,如图13所示。该机器嗅觉系统实现了二元混合气体(CO气体和CH4气体)的识别与检测[14]。正常情况下,机器嗅觉系统的气体识别率和浓度检测的相对误差如表3和表4所示。

我们的社会科学研究，近些年来强调服务国家战略、对接行业需求，即校长们经常喊的所谓的“顶天立地”，学术话语中心的导向性十分明显。具有应用性学科特征的编辑出版学也不例外，上升不到国家战略就对接项目战略，容易申请什么就研究什么；对接不了行业就对接市场，谁给钱多我就给谁去调查、统计。我们学科有限的力量、有限的资源，都集中涌向应用型研究，使得编辑出版学的基础理论研究成为荒漠地带。很少人去关注编辑规律、出版文化、出版伦理、出版美学等分支领域的研究。实用主义和功利主义的价值取向，使得本来被质疑“编辑无学”的这门学科的理论基石更加不稳。

图13 基于自确认MOS气体传感器阵列的机器嗅觉系统

表3 不同气体识别方法的气体识别准确率

识别方法特征向量维数识别准确率/%PCA+M-RVM297.50KPCA+M-RVM496.88

表4 不同混合气体浓度检测方法的性能

性能指标LS-SVRRVMMVRVMCO平均相对误差/%7.856.165.88CH4平均相对误差/%5.657.175.38

本文以恒定输出故障情况为例,说明气体传感器故障对于机器嗅觉系统性能的影响。在恒定故障情况下,气体识别率和浓度检测的相对误差如表5和表6所示。可见,无论是气体识别率,还是浓度检测的平均相对误差都受故障传感器输出的影响,导致不同程度的下降。

表5 恒定输出故障情况下不同气体识别方法的气体识别准确率

识别方法特征向量维数识别准确率/%PCA+M-RVM297.50KPCA+M-RVM496.88

表6 恒定输出故障情况下不同混合气体浓度检测方法的性能

性能指标LS-SVRRVMMVRVMCO平均相对误差/%7.856.165.88CH4平均相对误差/%5.657.175.38

通过自确认技术对MOS气体传感器阵列故障输出信号进行处理,机器嗅觉系统的气体识别率和浓度检测的相对误差如表7和表8所示。可见,在故障发生的情况下,自确认MOS气体传感器阵列能够显著地提高机器嗅觉系统的检测与分析性能。

表7 恒定输出故障情况下不同气体识别方法的气体识别准确率

识别方法特征向量维数识别准确率/%PCA+M-RVM296.50KPCA+M-RVM496.34

表8 恒定输出故障情况下不同混合气体浓度检测方法的性能

性能指标LS-SVRRVMMVRVMCO平均相对误差/%8.457.837.58CH4平均相对误差/%7.258.116.27

4 结论

本文根据机器嗅觉系统对准确而可靠的MOS气体传感器阵列测量值的需求,根据以往研究成果,创新性地提出了自确认MOS气体传感器阵列的概念。首先,概括性地介绍了自确认MOS气体传感器阵列的硬件架构、功能模型;然后,介绍了主要的自确认技术及实现方法;最后,设计并实现了一种面向大气环境污染气体监测的自确认MOS传感器阵列,说明了自确认MOS气体传感器阵列可行性和有效性。该研究保证了MOS气体传感器测量值的准确性和有效性,提高了机器嗅觉系统的可靠性与分析结果的可信性,对机器嗅觉的应用与发展具有重大的理论与实际意义。

参考文献:

[1] Marco S,Gutierrez-Galvez A. Signal and Data Processing for Machine Olfaction and Chemical Sensing:A Review[J]. IEEE Sensors Journal,2012,12(11):3189-3214.

[2] Fonollosa J,Vergara A,Huerta R. Algorithmic Mitigation of Sensor Failure:Is Sensor Replacement Really Necessary?[J]. Sensors and Actuators B Chemical,2013,183(8):211-221.

[3] Fernandez L,Marco S,Gutierrez-Galvez A. Robustness to Sensor Damage of a Highly Redundant Gas Sensor Array[J]. Sensors and Actuators B:Chemical,2015,218:296-302.

[4] Korotcenkov G,Cho B. Engineering Approaches to Improvement of Conductometric Gas Sensor Parameters. Part 2:Decrease of Dissipated(Consumable)Power and Improvement Stability and Reliability[J]. Sensors and Actuators B:Chemical,2014,198:316-341.

[5] Henry M P,Clarke D W. The Self-Validating Sensor:Rationale,Definitions and Examples[J]. Control Engineering Practice,1993,1(4):585-610.

[6] Feng Z,Wang Q,Shida K. A Review of Self-Validating Sensor Technology[J]. Sensor Review,2007,27(1):48-56.

[7] Shen Z,Wang Q. Failure Detection,Isolation,And Recovery of Multifunctional Selfvalidating Sensor[J]. Instrumentation and Measurement,IEEE Transactions on,2012,61(12):3351-3362.

[8] 陈寅生,姜守达,刘晓东,等. 基于 EEMD 样本熵和SRC的自确认气体传感器故障诊断方法[J]. 系统工程与电子技术,2016,38(5).

[9] Shen Z,Wang Q. Data Validation and Validated Uncertainty Estimation of Multifunctional Self-Validating Sensors[J]. Instrumentation and Measurement,IEEE Transactions on,2013,62(7):2082-2092.

[10] 王祁,赵树延,宋凯. 多功能自确认传感器[J]. 传感技术学报,2011,24(4):527-531.

[11] 冯志刚,王茹,田丰. 基于MVRVM回归和RVM二叉树分类的自确认气动执行器故障诊断算法[J]. 传感技术学报,2015,28(6):842-84.

[12] Chen Y,Yang J,Xu Y,et al. Status Self-Validation of Sensor Arrays Using Gray Forecasting Model and Bootstrap Method[J]. IEEE Transactions on Instrumentation and Measurement,2016,65(7):1626-164.

[13] Chen Y,Xu Y,Yang J,et al. Fault Detection,Isolation,and Diagnosis of Status Self-Validating Gas Sensor Arrays[J]. Review of Scientific Instruments,2016,87(4):045001.

[14] 陈寅生. MOS气体传感器阵列的自确认方法研究[D]. 哈尔滨:哈尔滨工业大学,2017:110-126.