CN101073007B - 用于分析气体混合物的计算机实现的系统和方法 - Google Patents

Abstract

一种计算机实现的系统和方法，用于把金属氧化物传感器阵列的电阻转换为在传感器阵列周围所提供的多成分气体的组分和浓度。所述方法包括预处理传感器阵列的电阻；根据所预处理的电阻来选择用于计算多成分气体的组分和浓度；并且后处理由所选择模型所产生的多成分气体的组分和浓度以便提供所述多成分气体的实际组分和浓度。

Description

用于分析气体混合物的计算机实现的系统和方法

要求优先权

本申请要求了于2004年10月7日提交的美国临时专利申请序号60/617,222的优先权益益，在此为了各种目的将其全部引用作为一部分。

相关申请的引用

本申请涉及于2002年4月5日提交的美国专利申请序号10/117,472，其是于2001年10月15日提交的美国专利申请序号09/977,791的继续部分，所述美国专利申请序号09/977,791要求了于2000年10月16日提交的美国临时申请序号60/240,619和于2000年11月9日提交的美国临时申请序号60/246,946的优先权益，这里将上述引用申请的公开内容全部结合以供参考。

技术领域

本发明总体上涉及一种用于使用化学传感器和化学传感器阵列来在多成分气体系统中感测并分析某些气体的系统和方法，所述气体包括NO_x、碳氢化合物、一氧化碳和氧气。

背景技术

使用化学感测设备来检测确定的气体是已知的。已经进行了许多尝试来寻找对具体气体具有选择性和敏感性的物质。例如，美国专利号4,535,316公开了一种用于测量氧气的电阻传感器。还可以参见H.Meixner等人的Sensors和Actuators B：化学，第33卷，第198-202页(1996年)。对于要检测的每种气体来说必须使用不同的物质。然而，当气体是多成分系统的一部分时，由于物质对混合物中各个成分气体的交叉敏感性的原因，所以使用一种物质来检测具体的气体是很困难的。

多成分气体系统的一个例子是燃气排放，其可以包括氧、一氧化碳、氮氧化物、碳氢化合物、CO₂、H₂S、二氧化硫、氢、水蒸汽、卤素和氨。参见H.Meixner等人的Fresenius’J.Anal.化学，第348卷，第536-541页(1994年)。在许多燃烧过程中，需要确定气体排放是否满足由各个管辖区域中的联邦和州空气品质规章所建立的要求。几种类型的气体传感器已经被开发出来以解决此需要。参见公开了一种电化学氧传感器的美国专利号5,630,920；公开了一种用于检测氧和氮氧化物的传感器的美国专利号4,770,760；以及公开了一种用于测量氧气的电阻传感器的美国专利号4,535,316。能够同时分析诸如燃气排放之类的混合物的两种或多种成分，只根据通过利用传感器直接接触气体所产生的数据来计算浓度并且不必分离所述混合物中的任何气体可能是有益的。现有技术方法目前并不满足此需要。

已经公开了许多传感器来检测从食物以及其它相对较低温度应用中散发的气体。参见K.Albert等人的化学修订本，第200卷，第2595-2626页(2000年)。还公开了几种纯的和掺杂的氧化锡传感器阵列来用于检测高达450℃的各种燃烧气体。参见C.DiNatale等人的Sensors mid Actuators B：化学，第20卷，第217-224页(1994年)；J.Getino等人的Sensors and Actuators B：化学，第33卷，第128-133页(1996年)；和C.DiNatale等人的Sensorsand Actuators B：化学，第23卷，第187-191页(1995年)。然而，在人们可能使用化学传感器来监视燃烧气体的高温和强腐蚀环境下，操作温度可能会改变或削弱传感器阵列的性能。情况既然如此，高温环境要求使用在化学和热上都很稳定并且保持对所关心气体具有可测量响应的物质。在高达450℃的情况下研究操作温度对基于氧化锡的传感器阵列的响应的影响。参见C.DiNatale等人的Sensors and Actuators B：化学，第23卷，第187-191页(1995年)。然而，除在本领域中先前已知的那些物质之外的物质仍然需要能够提供一种系统和方法，所述系统和方法能够在高温下直接监视多成分气体系统的气体排放，诸如可能会在燃气系统的操作中遇到。这种化学传感器还需要检测电路和分析设备，以便提供一种能够处理化学传感器输出并且提供用来确定被监视多成分气体系统的成分和组分的有用信息的系统和方法。

解决此需要可能会允许使用化学传感器来测量诸如汽车废气之类的燃烧排放，并且确定那些排放是否满足职能机构和法律的要求。另外，惊奇地发现此发明的系统和方法可用于分析诸如汽车排气之类的高温气体，其可以被用来与分析低温气体具有相同效果。

发明内容

本发明通过提供一种计算机实现的系统和方法来满足这些需要，所述系统和方法通过使用新颖的化学传感器和化学传感器阵列、检测电路和分析设备来感测并分析在多成分气体系统中的某些气体，包括NO_x、碳氢化合物、一氧化碳和氧。

本发明的附加特征和优点将在随后的描述中进行阐述，并且部分地可从说明书中学习，或者可以通过实施本发明来学习。通过在所附权利要求及其等效物中特别指出的元素和结合将认识并获得本发明的优点。应当理解，以上一般描述以及以下详细描述仅是示例性的和解释性的，而并非是限制所要求的本发明。

附图说明

并入并构成此说明书一部分的附图图示了本发明的几个实施例，并且连同说明书一起用来解释本发明的优点和原理：在附图中：

图1是用于示出本发明的系统的示意图，所述系统包括化学传感器阵列、检测电路和分析设备；

图2描绘了在图1中所示出的系统的传感器阵列概念；

图3是利用绝缘覆盖层覆盖的交错电极的图案(pattern)的示意图，形成了在图1中所示出的系统的化学传感器阵列的十六个空白阱(well)；

图4A-4C描绘了在准备阵列芯片中所使用的电极图案、绝缘图案和传感器物质图案以用于在图1所示出的系统的化学传感器阵列中进行测量。

图5是用于示出线性电阻比率测量方法的电路示意图；

图6是用于示出使用计时技术来生成未知电阻的对数测量的测量方法的电路示意图；

图7和8是用于示出根据Rm的动态范围被规格化到T的、在图6中所示出的电路的计时特性的图表，其中图7提供了用于测量的总时间(t)并且图8提供了用于测量的时间差(Δt)；

图9是对于在图6中所示出的电路来说用于根据T测量的精度(用计数)来示出分辨率(用百分比)的图表；

图10是依照本发明并且用于在图1中所示出的系统的检测电路的模拟对数测量的电路示意图；

图11是依照本发明并且用于在图1中所示出的系统的检测电路的计时线性电阻测量的电路示意图；

图12是依照本发明并且用于在图1中所示出的系统的检测电路的计时对数测量的电路示意图；

图13是依照本发明并且用于在图1中所示出的系统的多路复用传感器配置的电路示意图；

图14是根据并向在图11中所示出的电路增加附加能力的依照本发明的扩展电路示意图；

图15是用于示出供在图1中所示出的系统的分析设备使用的计算实体的示意图；

图16是用于示出在本发明的离线环境中的算法开发过程的流程图；

图17A是用于示出在汽油直接喷射(GDI)引擎中废气浓度的循环性质的图表；

图17B是用于图示对GDI引擎中的传感器响应执行自适应偏移和跨度校正方法的图表；

图17C是示出用于开发在自适应偏移和跨度校正方法中所使用的因子回归模型以及执行本发明中的校正方法的离线过程的流程图；

图18是用于示出能够供本发明使用的典型的神经网络模型执行方案的图表；

图19是用于示出本发明的离线算法选择过程的流程图；

图20是用于示出在线执行本发明的算法的流程图；

图21是用于示出单个感测元件(顶部)和感测元件阵列(底部)的算法执行方案的大大简化的示意图；

图22是用于对于测试数据组来说示出未校正的传感元件响应和相应的NO_x浓度的比较的图表；

图23是用于示出对于测试集数据来说传感器预测的对比传感器测量的NO_x浓度的图表以及使用根据未校正的传感元件响应所开发的NO_x校准模型的线性回归拟合；

图23B是用4于示出对于测试集数据来说的置零传感器响应对比数据点数目的图表；

图24是用于示出与基准置零校准数据相比较为校准数据所确定的理想自适应偏移和跨度校正因子的图表；

图25是示出对传感元件校准数据使用线性回归所构建的预测NO_x回归模型拟合的图表，其中使用理想的自适应偏移和跨度校正因子来校正；

图26提供了用于示出对于该例子中的感测元件来说的偏移和跨度校正因子的因子回归模型拟合的图表；

图27是示出在使用根据图26中所示出的校正因子模型(底部)所估算的校正因子来进行自适应校正之前(顶部)以及在自适应校正之后(底部)，测试集数据中的传感元件响应的比较的图表；

图28A是用于示出向使用校正的校准数据所构建的预测NO_x校准模型应用未校正测试集数据的结果的图表；

图28B是用于示出向使用校正的校准数据所构建的预测NO_x校准模型应用校正的测试集数据的结果的图表；

图29是用于示出在离线环境中品质因子(quality factor)模型的开发过程以及在在线环境中其应用的流程图；

图30是用于示出使用品质因子来拒绝来自传感设备的危险气体浓度预测的流程图；

图30A是用于示出品质因子和绝对NO_x错误的图表；

图31是用于示出使用品质因子来对来自传感设备的预测浓度计算容差极限的流程图；

图32是用于示出使用品质因子来根据一种以上算法计算合成的预测气体浓度的流程图；

图33是示出使用品质因子来对传感设备本身和/或用于预测气体浓度的算法触发校正动作的流程图；

图34是示出使用品质因子来使实时算法选择便于进行的流程图；

图35是示出起作用实时算法的总方案的流程图；

图36是示出使用温度和电阻之间预定的非时变关系的温度校正技术的流程图；

图37是示出使用温度和电阻之间自适应计算的时变关系的温度校正技术的流程图；和

图38A-38E是示出从单个传感元件向其应用残留比率(RR)品质因子和基值以便诊断十二个传感元件的阵列中哪一个出现故障的分析的一系列图表，其中图38A是在两次引擎内测试期间的残留比率(RR)的图表，图38B是在时间1495在第一次引擎内测试期间对残留的作用的直方图，图38C是在时间2736在第二次引擎内测试期间对残留的作用的直方图，图38D是在时间5941在第二次引擎内测试期间对残留的作用的直方图，并且图38E是在两次引擎内测试期间三个传感元件的电阻的图表。

图39是示出算法的浓度计算模块的流程图。

具体实施方式

现在将详细地参考本发明的实施例，在附图中图示了其例子。只要可能，遍及附图使用相同的附图标记来指代相同或相似的部分。

本发明大致涉及一种用于在高温条件的环境下直接感测多成分气体系统中气体的系统和方法，如总体上由图1中的附图标记1000示出。所述系统还可用于在从大约环境温度到1000℃的温度范围内同时并直接测量多成分气体系统中至少一种气体的浓度。“直接感测”意思是阵列存在于气流中并且响应是气体浓度本身的函数，并且所述气体不必为了检测而在气流中被物理上相分离。直接感测还可能涉及在本领域中已知的如间接感测、软感测或推理感测。

所述系统和方法可以用来检测并测量汽车排放物中处于较低和较高温度的燃烧气体的浓度，诸如氧、一氧化碳、氮氧化物、诸如丁烷之类的碳氢化合物、CO₂、H₂S、二氧化硫、卤素和氨。在此应用中，可以在汽车排放系统中所发现的高温下使用该系统，典型情况下在从大约450℃到大约1000℃的范围内。另外还有可以应用此系统的各种其它燃烧过程，包括柴油机和家庭供暖。这些应用利用一般在强腐蚀性环境中检测处于ppm到百分比水平的诸如氮氧化物、一氧化碳、碳氢化合物和氧之类的气体。此系统和方法还可用于检测其它气体系统中气体，诸如在制造过程、废水和环境监视中所发现的那些。

这里所描述的系统利用感测物质阵列来检测气体系统的成分。“阵列”意思是在空间上分离的至少两种不同的物质。所使用的物质是化学-电-活性物质。如这里所用，“化学-电-活性物质(chemo-electro-active material)”是对确定气体具有电响应的物质。一些金属氧化物半导电物质、其混合物或金属氧化物半导体与其它无机化合物的混合物是化学-电-活性的并且在本发明的系统和方法中是特别有用的。这里所使用的各种化学-电-活性物质在存在不同气体的情况下呈现出不同的改变度。结果，可以使用适当选择的化学-电-活性阵列来确定在气流中存在确定的气体。这些化学-电-活性物质可以用在从环境温度到大约1000℃的温度下。优选地是，这些物质的主要成分的摩尔百分数不同。

使用化学-电-活性物质来测量气体浓度可以是基于响应于在它们表面所吸附的气体分子浓度而导致的所述物质的AC电阻抗的改变的，或者可以是例如基于电容、电压、电流、电阻或温度差的。通过使用这些物质阵列，可以使用各自响应的模式来在从大约环境温度到大约1000℃的温度范围内同时并直接测量多成分气体系统中至少一种气体的浓度。

如图1所示，系统1000提供了包括衬底100和一种或多种化学-电-活性物质102的化学传感器或化学传感器阵列，所述化学-电-活性物质102被选择来检测在多成分气流10中一种或多种气体的存在和/或浓度。所述系统1000进一步包括检测电路200，用于响应于在物质104表面所吸附的气体分子浓度来检测其AC电阻抗的改变。系统1000进一步包括分析设备300，用于测量或分析所检测的气体202，使得识别所述气体的存在并且测量并输出301它们的浓度。分析设备300可以包括能够执行化学统计学、神经网络或其它模式识别和/或预测技术的仪器或器材。在某些实施例中，分析设备300可以被并入到AC电阻抗确定电路200中。系统1000可以进一步包括用于衬底100以及化学-电-活性物质102阵列、检测电路200和分析设备300的外壳，不过分析设备300可以与所述外壳相分离。化学传感器100、检测电路200和分析设备300下面都要来详细描述。

A.化学传感器

在美国专利申请序号10/117,472和09/977,791中公开了本发明的化学传感器阵列100，上面已经引用并且在此将其内容引用以供参考。阵列100可以位于气体混合物10内，并且尤其位于气体混合物10的来源内，如果想要的话。作为选择，阵列100可以存在于燃烧室中，其中把气体混合物10从其在另一位置的来源导向所述燃烧室。当把气体导向其中存有阵列的燃烧室时，可以通过架设管道或任何其它适当的输气器材来把气体混合物插入所述燃烧室中以及从中移除。

当气体感测物质接触多成分气体混合物时可以获得响应，并且所述响应是所述气体混合物中一种或多种分析物气体本身的浓度的函数。传感器物质基本上同时接触每种分析物气体，并且分析物气体不必为了将要实施的混合物和/或其一种或多种成分的分析而必须与多成分气体混合物在物理上相分离。本发明例如可以用来检测和/或测量汽车排放物中处于可变温度的燃烧气体的浓度，诸如氧、一氧化碳、氮氧化物、诸如丁烷之类的碳氢化合物、CO₂、H₂S、二氧化硫、卤素、氢、水蒸汽和氨。

因此该系统和方法在汽车排放系统中所发现的高温下是有用的，典型情况下在从大约400℃到大约1000℃的范围内。另外还有可以应用本发明的各种其它燃烧过程，包括柴油机和家庭供暖。这些应用要求一般在强腐蚀性环境中检测处于ppm到百分比水平的诸如氮氧化物、氨、一氧化碳、碳氢化合物和氧之类的气体。所述设备和方法还可用于在诸如在制造过程、废水和环境监视中所发现的其它气体系统中或在其中气味检测很重要和/或处于较低温度的系统中(诸如在医学、农业或饮食工业中)检测气体。

所述系统和方法利用感测物质阵列来分析气体混合物和/或其成分，例如以便检测在所述系统中一种或多种个别分析物气体成分的存在和/或计算其浓度。“阵列”意思是在空间上分离的至少两种不同的物质，例如在图1和2中所示。所述阵列例如可以包含3、4、5、6、8、10、12种气体感测物质或按要求其它较多或较少数目。最好是为要分析的混合物中每种分析物气体或分析物气体类提供至少一种传感器物质。可能希望提供一种以上传感器物质，其对混合物中的个别气体成分和/或特定的子组作出响应。例如，可以使用一组至少2、3、4、5、6、7、8、9、10、11或12个传感器来检测在混合物中一种或多种个别成分气体和/或一种或多种子组的存在和/或计算其浓度。为此目的可以使用不同的传感器分组，其可以或可以不具有共有的部件。是分析物的气体子组作为子组可以或可以不包含本身是分析物的个别气体作为成员。优选地是，每种气体感测物质的主要成分的摩尔百分数与其它气体感测物质不同。

所使用的感测物质是化学-电-活性物质。“化学-电-活性物质”是对混合物中的至少一种个别气体具有电响应的物质。一些金属氧化物半导电物质、其混合物或金属氧化物半导体与其它无机化合物的混合物是化学-电-活性的并且在本发明中是特别有用的。这里所使用的各种化学-电-活性物质中的每个优选当接触混合物和/或分析物气体时呈现出与其它化学-电-活性物质中的每个不同种类和/或范围的电可检测响应。结果，可以使用适当选择的化学-电-活性物质阵列来分析多成分气体混合物，诸如通过与分析物气体相交互，感测分析物气体，或确定混合物中一种或多种分析物气体的存在和/或其浓度，而不管其中是否存在并不关心的干扰气体。

所述系统和方法在检测预计将存在于气流中的那些气体时是有用的。例如在燃烧过程中，预计将存在的气体包括氧、氮氧化物(诸如NO、NO₂、N₂O或N₂O₄)、一氧化碳、碳氢化合物(诸如C_nH_2n+2，并且同样可以是饱和或不饱和的，或者可以用杂原子来选择性地替代；及其环和芳香族类似物)、氨或硫化氢、二氧化硫、CO₂或甲醇。其它所关心的气体可以包括酒精蒸气、溶剂蒸气、氢、水蒸汽以及根据饱和和不饱和碳氢化合物、醚、酮、醛、羰、生物分子和微生物所导出的那些。是所关心分析物的多成分气体混合物的成分可以是诸如一氧化碳之类的个别气体；可以是在混合物中所包含的一些而不是全部气体的子组，诸如氮氧化物(NO_x)；或者可以是一种或多种个别气体和一种或多种子组的组合。当气体的子组是分析物时，化学-电-活性物质会对子组的成员的多成分气体混合物内的集体浓度一起作出响应。

使用这些传感器物质来获得与气体混合物的组成内容相关的信息(诸如气体浓度的量度)可以是基于当使所述物质接触包含一种或多种分析物气体的混合物时所述物质的至少一个但优选是每一个电特性(诸如AC电阻抗)中的变化的。还可以按照在传感器物质的其它电属性中的变化程度来执行气体混合物的分析，所述电属性诸如电容、电压、电流或AC或DC电阻。例如如果其它加热或冷却源是恒定的，那么可以通过测量在恒定电压情况下温度的变化来确定DC电阻的变化。传感器物质的这些说明性属性之一的变化是气体混合物内分析物气体的分压力的函数，其随后确定分析物气体分子变得吸附在传感器物质表面上的浓度，因而影响了该物质的电响应特性。通过使用化学-电-活性物质阵列，当该物质接触包含一种或多种分析物气体的混合物时所呈现的各自响应的模式可以用来同时且直接地检测多成分气体系统中至少一种气体的存在和/或测量其浓度。随后可以使用本发明来确定气体系统的组成。所述原理在图1和2中示意地图示，并且下面举例说明。

为了图示，考虑使传感器物质接触包含分析物气体的混合物的以下理论例子。在获得响应的情况下，事件被描绘为肯定的(+)，并且在没有获得响应的情况下，事件被描绘为否定的(-)。物质1对气体1和气体2作出响应，但对气体3没有响应。物质2对气体1和气体3作出响应，但是对气体2没有响应，并且物质3对气体2和气体3作出响应，但是对气体1没有响应。

	物质1	物质2	物质3
				气体1	+	+	-
气体2	+	-	+
				气体3	-	+	+

因此，如果由物质1、2和3构成的阵列对于未知气体给出以下响应，

	物质1	物质2	物质3
				未知气体	+	-	+

那么未知气体可能会被标识为气体2。每种传感器物质的响应可能会是分析物气体的混合物内的分压力并因而是分析物气体的浓度或者分析物气体的子组的集体浓度的函数；并且所述响应可以被量化或记录为可处理的值，诸如数值。在这种情况下，可以使用一种或多种响应值来产生关于一种或多种分析物气体的混合物内的浓度的定量信息。

化学-电-活性物质可以具有任何类型，不过是诸如ZnO、TiO₂、WO₃和SnO₂之类的半导电金属氧化物是尤为有用的。这些特定的物质由于它们的化学和热稳定性而是有益的。化学-电-活性物质可以是两种或多种半导体材料的混合物，或者半导体材料与无机物的混合物或者其组合。所关心的半导体材料可以被淀积在适当的固体衬底上，所述固体衬底是诸如但不局限于氧化铝或二氧化硅之类的绝缘体并且在多成分气体混合物的条件下是稳定的。于是所述阵列采取在衬底上淀积的传感器物质的形式。其它适当的传感器物质包括块状或薄膜类型的单晶或多晶半导体、非晶半导体材料以及并非由金属氧化物组成的半导体材料。

在本发明中被用作传感器物质的化学-电-活性物质例如可以是化学式M¹O_x、M¹ _aM² _bO_x或M¹ _aM² _bM³ _cO_x的金属氧化物或其混合物，其中M¹、M²和M³是当在500℃以上有氧气的情况下燃烧时形成稳定氧化物的金属；M¹从周期组2-15和镧系组中选择；M²和M³从周期组1-15和镧系组中独立选择，但是M²和M³在M¹ _aM² _bM³ _cO_x中并不是相同的；a、b和c均独立地处于在大约0.0005到大约1的范围内；并且x是充分的数目以使所存在的氧平衡化合物中其它元素的电荷。

包含一种以上金属的金属氧化物不必是化合物或固态溶液，而是可以是离散金属氧化物的混合物。它们可以呈现合成梯度，并且可以是结晶或非晶的。适当的金属氧化物是那些：(1)当在大约400℃以上温度时具有大约1到大约10⁶ohm-cm的电阻率，优选为大约1到大约10⁵ohm-cm，并且更为优选的是大约10到大约10⁴ohm-cm；(2)对所关心的至少一种气体表示化学/电响应；并且(3)是稳定的并且具有机械完整性，能够粘附到衬底上并且不会在操作温度下降级。金属氧化物还可以包含存在于前体物质中少量或微量的水合作用和元素。

在某些优选实施例中，金属氧化物物质可以包括那些：M¹从由Ce、Co、Cu、Fe、Ga、Nb、Ni、Pr、Ru、Sn、Ti、Tm、W、Yb、Zn和Zr构成的组中选择；和/或M²和M³均从由Al、Ba、Bi、Ca、Cd、Ce、Co、Cr、Cu、Fe、Ga、Ge、In、K、La、Mg、Mn、Mo、Na、Nb、Ni、Pb、Pr、Rb、Ru、Sb、Sc、Si、Sn、Sr、Ta、Ti、Tm、V、W、Y、Yb、Zn和Zr构成的组中独立地选择，但是M²和M³在M¹ _aM² _bM³ _cO_x中并不是相同的。

在某些其它优选实施例中，金属氧化物物质可以包括那些：

M¹O_x是Ce_aO_x、CoO_x、CuO_x、FeO_x、GaO_x、NbO_x、NiO_x、PrO_x、RuO_x、SnO_x、TaaO_x、TiO_x、TmO_x、WO_x、YbO_x、ZnO_x、ZrO_x、具有Ag添加物的SnO_x、具有Ag添加物的ZnO_x、具有Pt添加物的TiO_x、具有玻璃料添加物的ZnO_x、具有玻璃料添加物的NiO_x、具有玻璃料添加物的SnO_x或具有玻璃料添加物的WO_x；和/或

M¹ _aM² _bM³O_x是Al_aCr_bO_x，Al_aFe_bO_x，Al_aMg_bO_x，Al_aNi_bO_x，Al_aTi_bO_x，AL_aV_bO_x，Ba_aCu_bO_x，Ba_aSn_bO_x，Ba_aZn_bO_x，Bi_aRu_bO_x，Bi_aSn_bO_x，Bi_aZn_bO_x，Ca_aSn_bO_x，Ca_aZn_bO_x，Cd_aSn_bO_x，Cd_aZn_bO_x，Ce_aFe_bO_x，Ce_aNb_bO_x，Ce_aTi_bO_x，Ce_aV_bO_x，Co_aCu_bO_x，Co_aGe_bO_x，Co_aLa_bO_x，Co_aMg_bO_x，Co_aNb_bO_x，Co_aPb_bO_x，Co_aSn_bO_x，Co_aV_bO_x，Co_aW_bO_x，Co_aZn_bO_x，Cr_aCu_bO_x，Cr_aLa_bO_x，Cr_aMn_bO_x，Cr_aNi_bO_x，Cr_aSi_bO_x，Cr_aTi_bO_x，Cr_aY_bO_x，Cr_aZn_bO_x，Cu_aFe_bO_x，Cu_aGe_bO_x，Cu_aLa_bO_x，Cu_aNa_bO_x，Cu_aNi_bO_x，Cu_aPb_bO_x，Cu_aSn_bO_x，Cu_aSr_bO_x，Cu_aTi_bO_x，Cu_aZn_bO_x，Cu_aZr_bO_x，Fe_aGa_bO_x，Fe_aLa_bO_x，Fe_aMo_bO_x，Fe_aNb_bO_x，Fe_aNi_bO_x，Fe_aSn_bO_x，Fe_aTi_bO_x，Fe_aW_bO_x，Fe_aZn_bO_x，Fe_aZr_bO_x，Ga_aLa_bO_x，Ga_aSn_bO_x，Ge_aNb_bO_x，Ge_aTi_bO_x，In_aSn_bO_x，K_aNb_bO_x，Mn_aNb_bO_x，Mn_aSn_bO_x，Mn_aTi_bO_x，Mn_aY_bO_x，Mn_aZn_bO_x，Mo_aPb_bO_x，Mo_aRb_bO_x，Mo_aSn_bO_x，Mo_aTi_bO_x，Mo_aZn_bO_x，Nb_aNi_bO_x，Nb_aNi_bO_x，Nb_aSr_bO_x，Nb_aTi_bO_x，Nb_aW_bO_x，Nb_aZr_bO_x，Ni_aSi_bO_x，Ni_aSn_bO_x，Ni_aY_bO_x，Ni_aZn_bO_x，Ni_aZr_bO_x，Pb_aSn_bO_x，Pb_aZn_bO_x，Rb_aW_bO_x，Ru_aSn_bO_x，Ru_aW_bO_x，Ru_aZn_bO_x，Sb_aSn_bO_x，Sb_aZn_bO_x，Sc_aZr_bO_x，Si_aSn_bO_x，Si_aTi_bO_x，Si_aW_bO_x，Si_aZn_bO_x，Sn_aTa_bO_x，Sn_aTi_bO_x，Sn_aW_bO_x，Sn_aZn_bO_x，Sn_aZr_bO_x，Sr_aTi_bO_x，Ta_aTi_bO_x，Ta_aZn_bO_x，Ta_aZr_bO_x，Ti_aV_bO_x，Ti_aW_bO_x，Ti_aZn_bO_x，Ti_aZr_bO_x，V_aZn_bO_x，V_aZr_bO_x，W_aZn_bO_x，W_aZr_bO_x，Y_aZr_bO_x，Zn_aZr_bO_x，具有玻璃料添加物的Al_aNi_bO_x、具有玻璃料添加物的Cr_aTi_bO_x、具有玻璃料添加物的Fe_aLa_bO_x、具有玻璃料添加物的Fe_aNi_bO_x、具有玻璃料添加物的Fe_aTi_bO_x、具有玻璃料添加物的Nb_aTi_bO_x、具有玻璃料添加物的Nb_aW_bO_x、具有玻璃料添加物的Ni_aZn_bO_x、具有玻璃料添加物的Ni_aZr_bO_x、具有玻璃料添加物的Sb_aSn_bO_x、具有玻璃料添加物的Ta_aTi_bO_x或具有玻璃料添加物的Ti_aZn_bO_x；和/或

M¹ _aM² _bM³ _cO_x是Al_aMg_bZn_cO_x，Al_aSi_bV_cO_x，Ba_aCu_bTi_cO_x，Ca_aCe_bZr_cO_x，Co_aNi_bTi_cO_x，Co_aNi_bZr_cO_x，Co_aPb_bSn_cO_x，Co_aPb_bZn_cO_x，Cr_aSr_bTi_cO_x，Cu_aFe_bMn_cO_x，Cu_aLa_bSr_cO_x，Fe_aNb_bTi_cO_x，Fe_aPb_bZn_cO_x，Fe_aSr_bTi_cO_x，Fe_aTa_bTi_cO_x，Fe_aW_bZr_cO_x，Ga_aTi_bZn_cO_x，La_aMn_bNa_cO_x，La_aMn_bSr_cO_x，Mn_aSr_bTi_cO_x，Mo_aPb_bZn_cO_x，Nb_aSr_bTi_cO_x，Nb_aSr_bW_cO_x，Nb_aTi_bZn_cO_x，Ni_aSr_bTi_cO_x，Sn_aW_bZn_cO_x，Sr_aTi_bV_cO_x，Sr_aTi_bZn_cO_x或Ti_aW_bZr_cO_x

在某些其它优选实施例中，金属氧化物物质可以包括处于第一和第二化学-电-活性物质阵列中的那些，其中所述化学-电-活性物质从由以下物质构成的组中的对进行选择

(i)第一物质是M¹O_x，并且第二物质是M¹ _aM² _bO_x；

(ii)第一物质是M¹O_x，并且第二物质是M¹ _aM² _bM³ _cO_x；

(iii)第一物质是M¹ _aM² _bO_x，并且第二物质是M¹ _aM² _bM³ _cO_x；

(iv)第一物质是第一M¹O_x，并且第二物质是第二M¹O_x；

(v)第一物质是第一M¹ _aM² _bO_x，并且第二物质是第二M¹ _aM² _bO_x；和

(vi)第一物质是第一M¹ _aM² _bM³ _cO_x，并且第二物质是第二M¹ _aM² _bM³ _cCO_x；

其中M¹从由Ce、Co、Cu、Fe、Ga、Nb、Ni、Pr、Ru、Sn、Ti、Tm、W、Yb、Zn和Zr构成的组中选择；M²和M³均从由Al、Ba、Bi、Ca、Cd、Ce、Co、Cr、Cu、Fe、Ga、Ge、In、K、La、Mg、Mn、Mo、Na、Nb、Ni、Pb、Pr、Rb、Ru、Sb、Sc、Si、Sn、Sr、Ta、Ti、Tm、V、W、Y、Yb、Zn和Zr构成的组中独立选择，但是M²和M³在M¹ _aM² _bM³ _cO_x中并不是相同的；a、b和c均独立为大约0.0005到大约1；并且x是充分的数目以使所存在的氧平衡化合物中其它元素的电荷。

传感器物质可以选择性地包含一种或多种添加物以便促进附着到衬底，或者其改变了所述传感器物质的电导、电阻或选择性。用于促进附着的添加物的例子是玻璃料，其是细磨的玻璃或细磨的无机矿物，所述无机矿物在加热时被变换为玻璃或搪瓷。说明性玻璃料包括可从DuPont iTechnologies处获得的被指代为F2834、F3876、F2967、KH770、KH710和KH375的那些。可以使用这些玻璃料总计多达用于组成传感器物质的30个体积百分比。用于改变电导、电阻或选择性的添加物的例子包括Ag、Au或Pt以及玻璃料。

如果想要的话，传感器物质还可以包含例如刺激所关心气体氧化或促进特定分析物气体的选择性的添加物；或者包含把n半导体转换为p半导体或反过来的一种或多种搀杂物。可以使用这些添加物总计多达用于组成传感器物质的30个重量百分数。所使用的任何玻璃料或其它添加物不必在制造时遍及传感器物质均匀或均质地分布，而是可以按要求位于其特定表面上或其附近。如果想要的话，每种化学-电-活性物质可以用多孔的绝缘覆盖层来覆盖。适当的覆盖层是来自DuPont iTechologies的QM44。

用于把化学-电-活性物质淀积到衬底的任何方法是适当的。一种用于淀积的技术是在丝网印刷电极的氧化铝衬底上施加半导体材料。可以通过把半导体材料手工涂到衬底上、把物质微吸(nanopipetting)到阱中、薄膜沉积或厚膜印刷技术来把半导体材料淀积到电极上。大部分技术后面是最终焙烧以便烧结半导体材料。

在图3和4A-4C中图示了用于丝网印刷具有电极和化学-电-活性物质的衬底的技术。图3描绘了使用利用绝缘材料覆盖的交错电极，形成空白阱的方法，其中可以把化学-电-活性物质淀积到所述阱中。图4A-4C描绘了用于6物质阵列的电极网屏图案，其在衬底的两面印刷以便提供12物质阵列芯片。电极中的两个是并行的因此它只保持6种独特的物质。从在图4A-4C中所示出的阵列顶部递减计数，顶部两种物质只可以被它们已经共享接触的拆分电极同时访问。在其下面是绝缘材料的网屏图案，所述绝缘材料被网屏印刷到衬底两面的电极上以便防止物质接触气体混合物而被弄脏，诸如可能导致短路的粉尘淀积(图4B)。在其下面是用于实际传感器物质的网屏图案(图4C)。其被印刷在电极上面的绝缘材料的坑中。当在阵列中使用一种以上物质时，一次一个印刷个别物质。

当使阵列接触气体混合物时为每种化学-电-活性物质确定电响应，并且用于确定所述响应的装置包括用于互连传感器物质的导线。所述导线随后被连接到电输入和输出电路(检测电路200)，包括数据获取和操纵设备(分析设备300)，适合用于测量和记录由传感器物质以电信号形式展示的响应。诸如与电阻相关的量度之类的响应值可以由信号大小来表明。对于混合物中的每种分析物成分，可以由传感器阵列产生一个或多个信号，而不管所述分析物是一种或多种个别气体和/或一种或多种气体子组。

为与其它化学-电-活性物质中的每种相独立地确定每种个别化学-电-活性物质的电响应。这可以通过顺序地利用电流访问每种化学-电-活性物质，使用多路复用器来例如在时域或频域中提供在一种物质和另一种物质之间相区分的信号来实现。从而优选没有化学-电-活性物质在串联电路中与任何其它这种物质相结合。尽管如此，用来把电流传递到化学-电-活性物质的一个电极可能设计成与一种以上物质相接触。电极可以与阵列中的所有化学-电-活性物质、少于所有的化学-电-活性物质相接触。例如，如果阵列具有12种化学-电-活性物质，那么电极可以与所述化学-电-活性物质中的一组2、3、4、5或6(或者选择性地，在每个实例中有更多)中的每个成员相接触。所述电极优选被设计来允许电流顺序地传递到这种化学-电-活性物质组中的每个成员。

诸如印制电路之类的导线可以用来把电压源连接到传感器物质，并且当跨过所述传感器物质施加电压时，通过所述物质产生相应的电流。尽管所述电压可以是AC或DC，然而所述电压的幅度典型情况下是保持恒定的。所产生的电流与所施加电压和传感器物质的电阻成正比。可以确定所述物质采用电流、电压或电阻形式的响应，并且用于这样做的装置包括商业模拟电路组件，诸如精密电阻、滤波电容器和运算放大器(诸如OPA4340)。因为电压、电流和电阻都是其它两个电属性的已知函数，所以一个属性的已知量可以容易地被转换为另一个属性的已知量。

例如可以结合电响应的数字化来确定电阻。用于使电响应数字化的装置包括如本领域中已知的模拟到数字(A/D)转换器，并且例如可以包括涉及比较器操作的电子组件和电路(例如，下述检测电路200)。如上所述作为跨过传感器物质施加电压的结果而导出的采用电压信号形式的电响应可以被用作比较器部件(诸如LM339)的输入。比较器的其它输入可以由线性斜坡电压来驱动，所述线性斜坡电压通过使用根据运算放大器(诸如LT1014)和外部晶体管(诸如PN2007a)配置的恒流源为电容器充电来生成。所述斜坡可以由微计算机(诸如T89C51CC01)来控制并监视。第二比较器部件也可以由斜坡电压来驱动，但是可以与精确的参考电压相比较。微计算机捕获从斜坡的开始到比较器的激活之间的时间长度以便根据所计数的时间来产生信号。

然后传感器物质的电阻由微计算机(例如，下述的分析设备300)根据物质的电压输出所导出的时间信号与对应于已知查找电压并且最终是对应于作为所述查找电压函数的电阻的时间信号之间的比率来计算，或被量化为值。诸如T89C51CC01之类的微处理器芯片可以用于此功能。微处理器芯片还可以充当用于通过把如上所确定的电阻与所述电阻先前确定的值相比较来确定传感器物质电阻的变化的装置。

例如可以通过利用诸如阻抗计、电容计或电感计之类的电路组件来确定诸如电阻抗或电容之类的电属性。

用于使化学-电-活性物质阵列的温度数字化的装置例如可以包括如上所述的组件，用于把用于表示温度测量设备的物理属性、状态或情况的信号转换为基于所计数时间的信号。

在一个实施例中，当依照上述方式产生诸如电阻之类的电响应时完成多成分气体混合物的分析。因为由传感器物质当接触气体混合物时所呈现的电阻量度是一种或多种成分气体的混合物内分压力的函数，所以所测量的电阻提供了关于气体混合物组成的有用信息。所述信息例如可以表明在混合物内存在或不存在特定的气体或气体子组。然而在其它实施例中，可能优选依照为获得关于混合物内一种或多种特定成分气体或气体子组的相对浓度的信息所必须的方式来处理或进一步处理电响应，或者计算所述混合物内一种或多种成分气体或子组的实际浓度。

用于获得关于混合物内一种或多种个别成分气体和/或一种或多种气体子组的相对浓度的信息或者用于检测所述混合物内一种或多种个别成分气体和/或子组的存在或计算它们的实际浓度的装置可以包括：分析设备300(下面详细地论述)，其包括PLS(Projectionto Latent Structures投影到潜在结构)模型或另一线性建模方法；后向传播神经网络模型或另一非线性建模方法；或者二者的组合，以及信号预处理和输出后处理。信号预处理包括但不局限于这种操作，如主成分分析、简单的线性变换和标度、对数和自然对数变换、原始信号值(例如，电阻)的差分和对数值的差分。分析设备300包含一种模型，其参数先前已经被确定，而且根据经验建模在预处理的输入信号和与所关心种类的气体浓度相关的信息之间的关系。输出后处理包括但不局限于上面所列出的用于预处理的所有操作，以及它们的反向操作。

使用方程式来构造所述模型，在所述方程式中根据个别传感器物质对预计作为要分析的混合物中成分存在的特定个别气体或子组的精确测量的电响应的预定值特性来导出常量、系数或其它因子。可以依照把温度考虑为与传感器物质当接触气体混合物时所呈现的电响应相独立且相分离的值的任何方式来构造所述方程式。阵列中的每种个别传感器物质在其对混合物中的至少一个成分气体或子组的响应方面不同于其它传感器中的每个，并且每个传感器的这些不同响应被确定并用于构造在模型中所使用的方程式。

在混合物中所包含的分析物气体(一种或多种)可以是单个气体、气体的共同子组或与诸如氮之类的惰性气体混合的一种或多种气体或子组，其中化学-电-活性物质将接触所述混合物。所关心的特定气体是供体和接受体气体。这些是向半导体材料捐赠电子的气体，诸如一氧化碳、H₂S和碳氢化合物，或者从所述半导体材料接受电子的气体，诸如O₂、氮氧化物(通常被描绘为NO_x)和卤素。当接触供体气体时，n型半导体材料电阻会降低，增加电流，并且因此它会呈现由于V²/R加热而导致的温度增加。当接触接受体气体时，n型半导体材料电阻会增加，降低电流，由此会呈现出由于V²/R加热而导致的温度降低。在每个实例中p型半导体材料出现相反情况。

传感器物质在阵列中所制造的几何形状(包括如其厚度这种特性)，选择化合物或合成物用为传感器以及跨过所述阵列施加的电压可能根据所要求的敏感性而改变。传感器物质优选在电路中并行连接，其中跨过传感器物质施加大约1到大约20伏优选大约1到关于12伏的电压。当执行多成分气体混合物的分析时，阵列中的每种化学-电-活性传感器物质当接触包含一种或多种分析物气体的混合物时最好呈现出与所述阵列中的每种其它化学-电-活性物质不同的电响应特性。

应当注意，可以测量的电响应特性类型包括AC电阻抗或电阻、电容、电压、电流或DC电阻。优选使用电阻作为传感器物质的电响应特性，所述电响应特性被测量以便执行对气体混合物和/或其中成分的分析。例如，适当的传感器物质可以是当在大约400℃以上的温度时电阻率至少大约为1ohm-cm，并且优选为至少大约10ohm-cm，并且尚不超过大约10⁶ohm-cm，优选不超过大约10⁵ohm-cm，并且更为优选地是不超过大约10⁴ohm-cm。这种传感器物质还可以被表征为当接触气体混合物时优选在大约400℃或以上的温度下，与没有接触时的电阻相比，呈现出至少大约百分之0.1的电阻变化，优选为至少大约百分之1的电阻变化。

不考虑为了分析混合物和/或其中所关心的气体成分而测量的响应特性类型，最好利用在延长时段期间内其响应特性量化值是稳定的传感器物质。当传感器物质接触包含分析物的混合物时，作为其所包含的特定气体混合物的组成的函数的分析物浓度、传感器物质的响应值优选在恒定温度下长时间接触混合物期间保持恒定或只是轻微改变。例如，响应值如果改变的话，只会改变不超过大约百分之二十，优选不超过百分之十，更为优选地是不超过百分之五，并且最为优选地是在至少大约1分钟期间内不超过大约百分之一，或者优选在诸如至少大约1小时之类的小时周期，优选至少大约10小时，更为优选地是至少大约100小时，并且最为优选地是至少大约1000小时。上述传感器物质类型的优点之一是它们由响应的这种稳定性来表征。

在气体混合物在大约400℃以上的应用中，传感器物质和阵列的温度基本上只由或优选仅仅由气体混合物的温度来确定，其中包含气体分析员。典型情况下这是改变的温度。当高温气体正被分析时，可能希望向加热器提供阵列以便把传感器物质迅速地带到最低温度。然而一旦分析已经开始，那么加热器(如果使用的话)通常就被关掉，并且不提供用于把传感器物质维持在预选温度的方法。因而传感器物质的温度上升或下降到与周围环境温度相同的程度。周围环境并且因而传感器和阵列的温度典型情况下基本上只由所述阵列接触的气体混合物的温度来确定(或源于该温度)。

在气体混合物在大约400℃以下的应用中，可能优选把传感器物质和阵列维持在大约400℃或以上的预选温度。此预选的温度可以基本上是恒定的，或优选是恒定的。预选的温度还可以是大约500℃或以上，大约600℃或以上，或大约700℃或以上。这可以利用与阵列结合的加热器依照如本领域中已知的方式来方便地进行。气体混合物的温度还可以在大约300℃以下、在大约200℃以下或在大约100℃以下。

所述阵列中的温度变化可以由传感器物质的电响应特性(例如电阻)的量化值变化来表明。在所关心气体的混合物中恒定的分压力，传感器物质的电响应特性值可能随阵列温度变化以及进而所述物质的温度变化而改变。可以为了确定或测量温度变化程度以及进而值的变化程度，来测量电响应特性值中的此变化。不要求但是优选使此温度量度与气体混合物的组成内容相关的信息无关。这可以通过不使用传感器并且选择性地通过在并行电路而不是串联电路中把温度测量设备与传感器物质连接来进行，其中所述传感器为了确定温度的附加目的而提供组成信息。用于测量温度的装置包括与传感器阵列结合的热电偶、热敏电阻或高温计。如果温度确定设备是热敏电阻，所述热敏电阻典型情况下是并不对分析物气体敏感的物质，所述热敏电阻优选由与制作任何气体传感器的物质不同的物质制成。不考虑确定温度或温度变化的方法，温度值或温度的量化变化是所希望的输入，优选采用数字化形式，据此可以执行对气体混合物和/或其中成分的分析。

在本发明的系统和方法中，与各种现有技术技术不同，不必为了执行分析而分离混合物的成分气体，诸如借助薄膜或电解电池。当借助于本发明执行分析时还不需要使用参考气体，诸如为了把响应或分析结果带回到基线值的目的。除预先测试外，在确定标准化响应值就被分配给把每种个别传感器物质的每种个别分析物气体接触期间，所述传感器物质只接触其中包含分析物气体和/或子组的混合物。传感器物质并不接触任何其它气体来获得响应值以便与根据接触包含分析物的混合物所获得的那些响应值相比较。因此，只根据当化学-电-活性物质接触包含分析物的混合物时所获得的电响应来执行对混合物的分析。传感器物质接触除在混合物内所包含的分析物本身之外的任何气体都不会推断出关于分析物气体和/或子组的任何信息。

因此本发明提供了用于直接感测在多成分气体系统中一种或多种气体的存在和/或浓度的系统和方法，包括至少两种化学-电-活性物质阵列，被选择来检测多成分气体流中的气体。多成分气体系统实质上可以处于任何温度，所述温度不太低也不太高以免传感器物质被降级或感测设备发生故障。在一个实施例中，气体系统可以处于诸如室温之类的低温(大约25℃)或在大约0℃到小于大约100℃的其它范围内，而在另一实施例中，气体混合物可以处于诸如在大约400℃到大约1000℃的高温范围内。

本发明适用于可以处于较高温度气体的气体混合物，例如在诸如汽车、柴油机或家用加热系统的废气或排放之类的燃气流中所发现的气体。然而本发明还适用于从其它源所导出的气体混合物，诸如在制造过程、废水和环境监视中；或在其中气味检测很重要和/或处于较低温度下的系统中，诸如在医学、农业或饮食工业中。例如可以使用化学-电-活性物质阵列来补充或校准气相色谱仪的结果。因此气体混合物可以具有大约100℃或更高、大约200℃或更高、大约300℃或更高、大约400℃或更高、大约500℃或更高、大约600℃或更高、大约700℃或更高、或大约800℃或更高的温度，但是还具有小于大约1000℃、小于大约900℃、小于大约800℃、小于大约700℃、小于大约600℃、小于大约500℃、小于大约400℃、小于大约300℃、小于大约200℃或者小于大约100℃的温度。

本发明还提供了一种用于直接感测多成分气体系统中一种或多种气体的存在和/或浓度的化学传感器，包括衬底，至少两种化学-电-活性物质的阵列，被选择来检测多成分气体流中的一种或多种预定气体，和用于检测当接触气体系统时所存在的每种化学-电-活性物质的电属性变化的装置。

通过选择用于制成传感器的适当物质组成来获得具有所需要敏感性而且可操作来产生上述分析量度类型和结果的传感器。上面描述了用于此目的的各种适当的物质组成。阵列中的传感器数目典型情况下大于或等于在混合物中要分析的个别气体成分的数目。

将分析的气体混合物可以由过程发出，或者可以是将发送到设备的化学反应的产物。在这种实例中，本发明可以进一步包括用于利用阵列的电响应以及选择性地利用温度测量来控制所述过程或设备的装置。

用于利用传感器物质的电响应并且选择性地利用温度测量来控制过程或设备的装置包括决策例程，例如用于控制在内燃机中所出现的燃烧化学反应或者控制引擎本身或与其相关联的组件或器材。

燃烧是其中在引擎汽缸中出现烃类燃料氧化的化学反应的过程。引擎是向其发送该化学反应结果的设备，所述结果是由燃烧反应为在汽缸中移动活塞所必须的工作而产生的力。发出气体的多成分混合物的过程的另一例子是在燃料电池中出现的化学反应，并且向其发送化学反应产物的设备的例子其它是锅炉，诸如在熔炉或发电中所使用，或者是烟囱中的净气器，向其发送废气以便减轻污染处理。

在用于控制燃烧过程或引擎本身操作的引擎的情况下，微计算机(诸如来自加利福尼亚的San Jose的Atmel公司的T89C51CC01)可以执行关于燃烧过程的各个参数或关于引擎的操作特性的大量决策例程。微计算机采集关于引擎废气的组成内容的信息，并且通过获得化学-电-活性物质阵列的响应来做这些并且选择性地获得温度测量，其中所述化学-电-活性物质阵列已经接触所述废气流。该信息被暂时存储在随机存取存储器中，然后微计算机向所述信息应用一个或多个决策例程。

决策例程(例如，分析设备300)可以利用一种或多种算法和/或数学操作来操纵所获取的信息以便采用值的形式产生决定，所述值等效于所想要的状态或情况，所述状态或情况应当由所述过程的特定参数或所述设备的操作特性来支配。根据决策例程的结果，指令由微计算机给出或控制，所述微计算机使得调整设备操作特性或过程参数的状态或情况。在由燃烧化学反应来体现的过程的情况下，所述过程可以通过调节反应参数诸如向其馈送的相对反应物量来控制。例如可以增加或减少到汽缸的燃料或空气流量。在引擎本身是向其发送燃烧反应结果的设备的情况下，可以通过调节引擎的操作特性(诸如扭矩或引擎转速)来实现控制。

由本发明的系统和方法控制的内燃机及相关联的组件和器材可以用于许多不同的目的，例如包括在用于运输或消遣的各种类型的交通工具中，诸如汽车、卡车、公共汽车、机车、飞机、宇宙飞船、船、喷气发动机滑雪橇、全地形汽车或履带式雪上汽车；或者在用于建筑、农业、维修或工业经营中的器材，诸如泵、电梯、升降机、起重机、发电机、拖拉机，或用于拆除、运土、挖掘、钻探、采矿或地面保持的器材。

在美国专利申请序号10/117,472和09/977,791中是阐明的例子这里不再重复，但是这里通过引用加以结合。

B.检测电路

如上所述，依照本发明可以提供化学传感器，所述化学传感器由当接触某些气体时其AC阻抗会改变的物质组成。据此，现在将描述依照本发明用于测量这种AC电阻抗的几个示例性的检测电路200。例如在美国专利号4,554,639中发现了一些电路原理，其为受让人是拥有并且在此将其内容引用以供参考。

传感器阵列100是基于电阻元件响应于已知污染物的变化的。主要由于传感器阵列100的环境中的温度变化所导致的电阻变化使污染的测量变得复杂。假定传感器电阻元件是温度T和浓度C的函数，使得R(T，C)具有R(T)K(C)的形式。重要的传感元件特性包括：(1)将测量的阻抗值的动态范围；(2)所预计的对所测量污染的敏感性；(3)时间响应；和(4)噪声特性。

结合电阻元件特性，用于规定测量方法的系统需求包括：(1)测量准确度；(2)测量分辨率；(3)更新速率；和(4)计算复杂度。精度和分辨率与动态范围和敏感性相互作用。能够把电阻测量到0.1％准确度不能确保可以把浓度也测量到相同的精度。如果电阻中的满标变化只是标称电阻的10％，那么浓度读数只被精确到满标值的1％。

时间响应也影响更新速率。香农采样定理声明采样率必须大于限带信号的最高频率分量的二倍。由于没有物理信号是被限带的，所以此情况只可以被近似。传感器对特定激发的响应取决于激发的频率特性和所述传感器的频率响应。如果传感器是具有f_n＝1/(2πT_c)Hz的3dB带宽的一阶，其中T_c是时间常数。采样频率的选择确定了由采样过程所引入的最大误差。在此例子中，由于采样不考虑激发的特性，所以10*f_n的采样率可能会保证小于1％的误差。如果激发缓慢地变化，那么较小的采样时间是适当的。对于大部分应用来说，传感器响应实质上相对于气体组成的变化频率来说是瞬时的。在这种情况下，可以通过只考虑激发来确定采样率。选择采样率使得来自采样的误差在信号的噪声电平之下。过滤信号可以更进一步地降低此噪声。

分辨率是与准确度不同的概念。模拟到数字转换器(“ADC”)可以具有12比特的分辨率(1 in 4096)并且仍然只具有只有0.1％的准确度。即便ADC是准确的并且线性到±1/2比特，取决于满刻度变化，12比特仍然可能会导致测量值低得多的准确度。

每个传感器还具有不同的校准常数，其必须可由微控制器来使用。如果传感器和电子设备必须是分离的，那么可能会希望使所述常数与传感器相关联。用于恒定存储器的理想设备是串行EEPROM。对于正常的汽车温度范围(-40℃到125℃)来说，这些设备是廉价的，但是迄今为止，尚未发现可以抵抗在传感器本身中所预计的高温环境。利用独立的传感器和电子设备部件，可以把存储器芯片集成到两个部件之间的连接器中。

由于电阻将被驱动，所以AC使测量变得复杂。简单的方法是把电阻测量为相对于参考电阻的比率，如图5所示。该技术要求两个读数，第一是VDRTVE信号为低并且第二是VDRIVE信号为高。在这两种情况中，测量限制Vr1和Vr2以及除法器点Vm。这些两个测量给出以下结果：

$V1=\frac{\mathrm{Rm}}{\mathrm{Rm}+\mathrm{Rr}},$ 和

$V2=\frac{\mathrm{Rr}}{\mathrm{Rm}+\mathrm{Rr}}$

因而， $\mathrm{Rm}=\mathrm{Rr}\·\frac{V1}{V2}.$ 电导Gm是此方程式的简单求反。

测量极限的目的在于对于在测量技术中所期望的电压降来说使读数能够被校正。由于对参考电阻Rr进行测量，所以所述参考电阻Rr必须是稳定且准确的。为此，它可能会是测量电路的一部分而并不在传感器本身中。

此方法的优点在于在测量电路中不需要绝对参考。此外，由所使用的最小比特数来确定分辨率和准确度。对于具有n比特分辨率的ADC和m比特的估算分辨率来说，精确的动态范围D(n，m)由D(n，m)＝2^n-m-1给出，并且电阻比估算的分辨率E(m)由E(m)＝2^m给出。

在此例子中电阻的计算要求对于驱动电平极限的偏移来说校正读数，继而读数执行划分。Rm/Rr的比率必须是如此以致所期望的Rm的变化范围不会超过动态范围极限。此方法可适于通过为每个传感器电阻添加缓冲放大器和局部参考电阻来同时读取多个传感器电阻。对于六个传感器的系统来说，八信道的ADC可能会适于同时测量所有传感器。为了测量更多，传感器可能会要求把输入多路复用到ADC。可以在100Hz的驱动频率的每个周期内在所有12个信道上进行读数。

上述方法中的变化使用计时技术来生成未知电阻的对数测量。此方法可适于把接口指向微控制器并且不要求ADC，如图6所示。微控制器经由VDRTVE控制场效应晶体管(“FET”)Q1到Q4，以便交替通过Rm和Rr的电流方向。FET、Q5、Q6、Q8和Q9撤消FET、Q1到Q4的影响以便维持对计时电路的单向参考。在设置电流的状态之后，微控制器使Q7能够向上导片(upper rail)为电容器C充电。如由Rt1和Rt2所建立的计时比较器的参考使得能够测量时间常数T、R和C。当Q7被关闭并且测量Vt和Vm为高的时间时，开始计时器。在VDRTVE的下一相位上，重复该过程。

第一时间测量t1对应于电压V1，使得 $V1=V\·e^{\frac{-t1}{\mathrm{\τ}}}=V\·\frac{\mathrm{Rm}}{\mathrm{Rm}+\mathrm{Rr}}.$ 第二时间测量t2对应于V2，或者 $V2=V\·e^{\frac{-t2}{\mathrm{\τ}}}=V\·\frac{\mathrm{Rm}}{\mathrm{Rm}+\mathrm{Rr}}.$ 简化并求解Rm的自然对数，给出 $\ln \left(\mathrm{Rm}\right)=\frac{t1-t2}{\mathrm{\τ}}+\ln \left(\mathrm{Rr}\right).$

注意，在周期的两等分测量时间τ，因此计时分量R和C值的小变化是不重要的。测量实际上是基于计时电阻Rt1和Rt2的比率以及局部参考电阻Rr的稳定性和准确度的。

图7和8展示了根据Rm、Dr的动态范围被规格化到T的计时特性。图7根据方程式 $t\left(\mathrm{Dr}\right)=\mathrm{\τ}\·\ln (\sqrt{\mathrm{Dr}}+1)$ 给出了测量的总时间t。图8根据方程式 $\mathrm{\Δt}\left(\mathrm{Dr}\right)=\mathrm{\τ}\·\ln \left(\sqrt{\mathrm{Dr}}\right)$ 给出了时间差Δt。

测量Rm的对数的优点在于测量的准确度是读取的百分比而不是满刻度的百分比。图9根据r测量的精度(用计数)示出了分辨率(用百分比)，如由 $\mathrm{Res}(\mathrm{Dr},N)=100\·({10}^{\frac{\log \left(\mathrm{Dr}\right)}{N}}-1)$ 给出。对于动态范围3、10、100、103和104给出了五条曲线。

为增加准确度和更宽的动态范围所付出的代价是测量时间。影响测量时间的主要因素是微控制器的最大计数速率。几个微控制器包括被打算用于高速计时功能的PCA(可编程计数器阵列)。微控制器能够以晶体频率的1/4速率来计数。对于实际的16MHz晶体来说，因而时间分辨率是250ns。根据图9，对于动态范围100以及分辨率0.1％来说，所要求的τ值近似地为1.25ms。根据图6，测量所要求的最大时间是2.4乘τ，或3ms。

可以用来实现此方法并满足汽车温度环境(125℃)的最简单微控制器是可从加利福尼亚的Santa Clara的Intel公司处获得的8xFx51系列微控制器。此微控制器具有5信道的PCA，这可能会使得能够同时测量四个传感器电阻器。为了测量更多，电阻器要求多个采样周期。此微控制器没有内置的CAN接口。也可从Intel公司获得的8xC196微控制器打算用于高达125℃的汽车应用，具有使用此技术来同时测量多达9个电阻器的能力。将测量的每个未知电阻器要求比较器和局部参考电阻。

在图10中示出了依照本发明的检测电路200的一个测量电路。在此电路中，Rm表示将确定其AC电阻抗的物质。所述物质接收优选为100Hz的驱动频率。

如本领域中已知，二极管中的电流和电压关系遵循方程式， $\mathrm{Vd}=\frac{k\·T}{q}\·\ln \left(\frac{I}{I_0}\right)+V_0(I_0,T),$ 其中Vd是所述二极管两端的电压，I是通过所述二极管的电流，k是波耳兹曼的常数，T是绝对温度，q是电子电荷，I₀是参考电流，并且V₀(I₀，T)是取决于I₀和T的电压。

在正常室温下，因子为10的电流变化导致二极管电压Vd中60mV的变化。测量值和偏移电压V₀的温度灵敏度使电压的测量变得复杂。然而，假定为集成电路固有的匹配二极管，可以通过使用与在本发明中已知的电流类似的电路来消除这些未知的集成电路。

在图10的电路中，只在VDRIVE为高并且通过FET Q2提取电流时进行测量。在VDRI VE的反相位上，当FET Q1为有效时，提取平衡电流。在把VDRIVE设置为高之后，激活FET Q3以便把电容器C充电到上参考电压Vrh，如由电阻器Rrh所确定。然后关闭Q3并且C通过恒流源I线性地放电。使用其可编程计数器阵列(PCA的)，微控制器测量计时电压Vt经过电压Vm和Vr1的时间tm和tr。因而Vm是 $\mathrm{Vm}=\frac{\mathrm{tr}-\mathrm{tm}}{\mathrm{tr}}\·(\mathrm{Vrh}-\mathrm{Vrl})+\mathrm{Vrl}.$

根据二极管方程式，电压Vm、Vrh和Vr1由下式给出：

$\mathrm{Vm}=\frac{k\·T}{q}\·\ln \left(\frac{V}{\mathrm{Rm}\·I_o}\right)+V_o(I_o,T),$

$\mathrm{Vrh}=\frac{k\·T}{q}\·\ln \left(\frac{V}{\mathrm{Rrh}\·I_o}\right)+V_o(I_o,T),$ and

$\mathrm{Vrl}=\frac{k\·T}{q}\·\ln \left(\frac{V}{\mathrm{Rrl}\·I_o}\right)+V_o(I_o,T).$

代替电压，并且ln(Rm)的解给出

$\ln \left(\mathrm{Rm}\right)=\ln \left(\mathrm{Rrh}\right)+\frac{\mathrm{tm}}{\mathrm{tr}}\·\ln \left(\frac{\mathrm{Rrl}}{\mathrm{Rrh}}\right).$

因为所有未知数会使输出规格化(normalize out)，所以ln(Rm)的测量只是电阻器Rrl和Rrh值的函数。如果将测量一个以上Rm，那么必须为每个附加Rm增加附加的运算放大器(“opamp”)和二极管对。比较器的输出可以被多路复用到微控制器计时器输入中。

测量的分辨率由动态范围Dr、参考时间tr和微控制器的计数器分辨率来确定。假定Rrl/Rrh的比率确定了动态范围和在零和tr之间的tm，在图9中所示出的分辨率数据直接应用此方法。据此，对于100动态范围、0.1％分辨率以及16MHz微控制器时钟频率来说，所述微控制器测量所要求的时间是1.25ms。

在图11中示出了图10的方法的并且依照本发明的另一变化。同样，Rm表示将确定其AC电阻抗的物质，并且所述物质接收优选为100Hz的驱动频率。在此电路中，使用运算放大器来对接到Rm。选择反馈电阻器Rrl以便对应于在未知Rm中所期望的最小电阻值。此电路只在VDRTVE为高时进行测量。当VDRTVE为低时，通过Rm提取相等但是相反的电流。当Q2开启时，把计时电容器C充电到由两个等值电阻器所确定的参考电压Vrh。如果Rm无穷大，那么所测量的电压Vm等于V0或+V/2。同样，测量Vt经过Vm和V0的时间。因而Rm值为 $\mathrm{Rm}=\frac{\mathrm{Rrl}}{1-\frac{\mathrm{tm}}{\mathrm{tr}}}.$

按照电导Gm表达结果给出了 $\mathrm{Gm}=\mathrm{Grl}\·(1-\frac{\mathrm{tm}}{\mathrm{tr}}).$

由于其是Rm的直接测量，所以分辨率严格地是动态范围和时间分辨率的函数。通过为Rrl挑选唯一的参考电阻值以便与每个未知电阻器相配，可以独立地建立每个电阻器测量路径的动态范围和分辨率。

如图12所示并且依照本发明，图11的电路的变化导致电导的电阻的直接计时对数测量。图11的电流源被替换为电阻器，并且添加电阻器Rt1和Rt2以便建立参考电压Vr。假定Vr被设置为等于一个时间常数τ，用于ln(Rm)和ln(Gm)的方程式是 $\ln \left(\mathrm{Rm}\right)=\ln \left(\mathrm{Rrl}\right)+\frac{\mathrm{tm}}{\mathrm{t\τ}}$ 和 $\ln \left(\mathrm{Gm}\right)=\ln \left(\mathrm{Grl}\right)-\frac{\mathrm{tm}}{\mathrm{t\τ}}.$ 此电路与图10的电路相比的优点在于它可以在不要求匹配的二极管的情况下被配置。因而它可以用现成的组件来实现。

可能需要测量多至12个电阻器。没有可用的微控制器可以使用计时技术来同时测量许多电阻器。然而，依照本发明可以结合多路复用器使用ADC来测量12个电阻器。使用计时方法，多路复用可以依照各种方式来进行。传感器接口电路可以被复制并且输出在微控制器的输入处多路复用。在传感器接口电路的输入处设置多路复用电路也是可以的但并非是优选的。

在使用运算放大器来对接到传感器电阻器的电路配置中，诸如图10-12的那些电路配置，可以使用本发明的独特多路复用技术。假定如图13所示连接的12个电阻器传感器，只需要向传感器提供7根导线而不是13根导线。焊盘P4-P7驱动测量接口电路。焊盘P1-P3由独立的三态输出电路驱动。通过分组具有类似敏感性的传感器电阻器，仍然可以利用设计动态范围和测量分辨率。

驱动多路复用要求对于每条驱动路径重复图10-12的晶体管Q1和Q2。所有驱动晶体管的栅极必须被独立地驱动以便一次只允许一个被开启。每个电阻器的测量要求三个驱动波形周期。当在100Hz驱动Rm时，每秒33个测量是实际的并且允许每次读取近似2.5ms，或者允许利用16MHz晶体来进行近10,000次的计数。

在图14中示出了依照本发明的扩展电路并且基于并向在图11中所示出的电路添加了附加能力。在图14中所示出的电路允许12Rm的模拟测量。使用在图10和11的电路中所使用的计时技术的这种同时测量12个Rm使用目前可用的微控制器是不可能的。然而，图14的电路包括克服此限制的多路复用接口。在图13中详细地示出了此多路复用接口电路。

为了目的或图示，图14示出了使用具有五个可编程计数器阵列的87C52微控制器(可从Intel公司处获得)。然而对那些本领域技术人员来说可以使用其它微控制器是显而易见的。图14另外示出了EIA-232(也称为RS-232)接口。可以通过接线到微控制器的总线中来代替或EIA-232接口或除其之外使用CAN接口，如一般在汽车应用中使用。

所展示的所有测量技术依赖于局部参考电阻。对于任何电路来说不需要绝对参考。自补偿为所有方法所固有。在基于计时的电路中，通过校准计时电路以及每个测量来使计时组件值随温度的变化规格化。因而，为准确度所必须的唯一组件是局部参考电阻。

C.分析设备

在美国专利申请序号10/117,472和09/977,791中所阐明的设备和方法经由检测电路来产生信息，所述信息需要被计算机处理以便计算多成分气体系统的浓度或组成。本发明的分析系统和方法提供了用于计算所述系统的混合物中一种或多种分析物气体的浓度或组分的机制。

1.分析设备的硬件

分析设备300优选包括常规的计算实体或一系列连接的常规计算实体(例如，诸如上述T89C51CC01之类的微计算机)。如图15所示，每个计算实体可以包括用于互连处理器404、只读存储器(ROM)406、主存储器408、存储设备410、输入设备412、输出设备414和通信接口416的总线402。总线402是网络拓扑或电路布置，其中所有设备被直接附着到线路并且所有信号穿过每个设备。每个设备具有唯一身份并且可以认出打算发送到它的那些信号。处理器404包括逻辑电路，所述逻辑电路对用于驱动计算机的基本指令作出响应并且处理所述基本指令。ROM406包括用于存储由处理器404所使用的指令和日期的静态存储器。

计算机存储器依照电磁形式保持数据以供计算机处理器访问。可以是RAM或另一种类型动态存储器的主存储器408构成了计算机的主存储设备。计算机的辅助存储设备可以包括存储设备410，诸如硬盘、纸带、软盘、压缩驱动器、RAID系统、全息照相存储器、光存储器、CD-ROM、磁带及其它外部设备及其相应的驱动器。

输入设备412可以包括键盘、鼠标、指示设备、声音设备(例如麦克风等)、生物测定设备或用于向计算机提供输入的任何其它设备。输出设备414可以包括显示器、打印机、声音设备(例如扬声器等)或用于从计算机提供输出的其它设备。通信接口416可以包括网络连接、调制解调器或用于与其它计算机系统或设备通信的其它设备。

如下面将描述，按照本发明的分析设备300可以计算多成分气体系统的浓度或组分。设备300响应于处理器404执行在诸如主存储器408之类的计算机可读介质中所包含的指令序列来执行此任务。计算机可读介质可以包括一个或多个存储设备和/或载波。

执行在主存储器408中所包含的指令序列使处理器404执行稍后将描述的过程。作为选择，可以代替或结合软件指令来使用硬连线电路来实现按照本发明的过程。因而，本发明不局限于硬件电路和软件的任何具体组合。

2.由分析设备处理

分析设备300经由检测电路200从化学传感器阵列100接收输入(例如，电阻)202，并且根据所接收的输入来计算多成分气体系统的组分(例如，NO_x)的浓度。在任何给定时间点，传感器阵列100提供了必须被转换为多成分气体系统中的气体浓度的一组输出电阻。

a.算法开发(离线环境)

图16示出了可以用来根据传感器电阻产生能够预测分析物(气体)浓度的校准模型的方法或过程。要求此过程来获得参数，所述参数在稍后可以用来实时且在线地进行预测。

(1)算法开发数据源

(a)传感器校准数据

“传感器校准数据”平行四边形A2对应于先前论述的传感器输入电阻202，其中在一个或多个校准实验期间已经收集了所述传感器输入电阻202。

(b)辅助校准数据

“辅助校准数据”平行四边形A3表示可以从位于交通工具上的燃烧系统、引擎控制部件(ECU)或其它数据源的其它部分在线获得的输入。这些是在较早提及的相同校准实验期间所收集的匹配数据(下面称为“传感器校准数据”)。这种输入可以包括但不局限于燃料与空气比、引擎的每分钟转速、引擎扭矩、引擎功率、引擎进入空气温度和废气温度。它们可以采用电阻、电压或电流的形式。然而，它们必须在传感器实时操作时可连续不断地使用。

(c)分析器校准数据

“分析器校准数据”平行四边形A1表示从能够测量废气浓度的一个或多个设备所获得的输入，其中用户想要传感器测量所述废气的浓度。这些是在较早提及的相同校准实验期间所收集的匹配数据(下面称为“传感器校准数据”)。所述输入一般只可用于离线的算法开发环境中。

通常在离线的算法开发期间从事以下操作。对于给定应用来说，不必进行所有这些操作，或者可以依照下面所列出的序列来进行这些操作。

(2)算法开发过程

(a)同步

来自“辅助校准数据”和“分析器校准数据”平行四边形的处理流程中的“同步”框A4和A5表示用于按照公共时间基础把从这两个数据流所获得的测量与来自所述传感器的测量相对准。“分析器校准数据”常常要求同步以便尤其解决由样本到达分析器要花费的时间长度所引入的时间延迟、所述分析器要求测量所述样本的时间长度以及所述分析器输出到达数据记录设备要花费的时间长度。典型情况下，样本到达分析器要花费的时间长度是时间延迟的主要因素。“辅助校准数据”常常要求同步以便尤其解决与其它感测设备的测量延迟时间相关联的时间长度、与每个其它设备在燃烧和排气系统中相对于传感器阵列100的位置相关联的时间长度以及在ECU中计算输出所要求的时间长度。

如果对于辅助校准数据A3来说要求同步，那么记录用于这种同步A6的参数和指令，使得它们可以在传感器的实时操作期间被适当地实现。

(b)数据预处理

然后可以预处理来自分析器和辅助数据源的同步输入和传感器输入(框A7，A8和A10)以便使每个输入的幅度和范围与其它输入相容。常常要求此步骤向模型构建过程提供每个个别输入源的适当相对权，或者从输入源数据中删除不想要的或无关的影响。

信号预处理包括一个或多个以下数学操作：(1)把信号中心定到平均值；(2)按比例缩放所述信号；(3)把所述信号规格化或按比例缩放到单位差异；(4)借助数字装置过滤所述信号以便删除例如中值滤波之类的丢弃读数；或(5)例如通过使信号经历计算所述读数的一阶(或另一更高阶)导数来来变换信号。预处理信号的其它装置涉及通过一个或多个以下数学操作来变换所述读数：(1)计算信号的对数或它的逆——指数；(2)计算信号的三角函数或逆三角函数；(3)计算信号的双曲线函数或逆双曲线函数；或(4)把信号进行n次幂，其中n是实数。可以分别对信号或依照规定的序列来实施这些操作中的任何一些。

从预处理操作所输出的数据可以包含未被预处理的数据与按照各个单个操作或操作序列预处理的数据的任何组合。

一旦确定最优的预处理，那么必须记录数字参数和预处理指令，使得它们可以在传感器的实时操作期间被适当地执行。这些参数和指令可以被存储在嵌入到传感设备的处理器中。图16中名称为“用于辅助数据的预处理指令和参数”(A9)和“用于传感器信息的预处理指令和参数”(A11)的平行四边形表示这些存储的用于两个数据流的参数和指令。

(c)漂移校正

如这里所用，术语“漂移(drift)”指的是传感器焊盘响应的一个或多个特性(即，基线偏移和跨度)中的时化(时间上的变化)，其与预测气体分析物浓度不相干。这种时间变化在时间上不必是连续的/单调的，而是可以在时间上是不连续的。

来自传感器、分析器及其它可用源的预处理输入可以包括所不想要的来自测量中的滞后或漂移的影响。滞后和漂移通常在化学传感器中观察，并且它们可以存在于其它数据源的输入中。必须减少传感器和辅助数据输入中的这种影响以便传感器能够长时间地维持有效性能，并且必须减少分析器数据中的任何这种影响以便为传感设备开发有效的算法。因此，所有三个数据源常常需要漂移和/或滞后校正过程A12、A13和A18。

(i)漂移校正-背景技术

漂移是测量仪器的计量特性的暂时变化。气体感测物质中的这种变化一般与用于预测气体成分浓度无关，并且常常防碍开发可以长时间有效地执行的算法的能力。当传感器属性由于组件老化而随时间改变时，在该传感器中可能会出现漂移。

已经对用于传感器数据的漂移校正方法进行了显著的工作。大部分这些工作只适用于定性的感测应用，其中只要求对样本进行定性评定或分类。此外，应用于定量应用的大部分先前工作依赖于定期测量参考气体。已经建议了不要求参考气体的其它方法，但是它们要求广泛的在线数据处理或者感测物质的漂移行为的准确的长期模型。然而，此事先工作未能给出由本发明所提出的滞后和漂移的解决方案，其中需要定量分析，参考气体在实际上不具备可能性，开发准确的长期漂移模型的可能性也不太可能，并且板载信号处理电子设备的计算能力是有限的。

(ii)漂移校正-本发明

本发明利用具体到应用的漂移校正方法，所述方法特别为本发明的化学传感器的应用而设计。这种方法可以使用来自传感设备的输入数据以及可从引擎获得的任何其它在线数据。在实时操作期间，这些输入可以是当前输入、在当前时间之前所接收的输入或这些输入的组合。它们还可以是这种当前和历史数据的时间导数。漂移校正方法在时间上可以是固定的，或者根据来自传感器或辅助数据的较近输入而是自适应的(时变的)。此外，可以根据应用的性质以可变频率来执行该方法。它可以涉及感测元件响应的简单偏移调整、所述响应的跨度调整或者这两个。可以分别向传感器阵列中的每个感测元件应用独立的漂移校正方法，或者可以向所有感测元件应用一个漂移校正方法。这种漂移校正可以使用特定的引擎内采样协议，所述协议用于产生足够可再现的参考气体状态。一个用于产生可再现参考状态的方法包括增加传感器阵列的温度，测量在所述传感器阵列周围环境中的lambda(即，空气与燃料比)，并且把电阻按比例缩放到在该lambda和温度已知的参考电阻。另一校正方法可以利用专门设计的参考感测物质，所述感测物质主要对导致漂移的因素作出响应，但是最低限度地对气体成分浓度的变化作出响应。漂移校正方法可以是如图16所示的算法构建过程中的独立步骤，或者它可以与该过程中的其它步骤集成，诸如模型产生或数据预处理步骤。

为给定应用选择适当的漂移校正方法取决于几个考虑。特别地是，选择取决于了解在本发明的化学传感器中物质的滞后和漂移。这涉及表征构成化学传感器的物质中漂移的“功能”，理解导致滞后和漂移的表面化学现象，发现确定气体对构成所述化学传感器的物质中滞后和漂移的影响，并且优化所述物质组成和微观结构以便使滞后和漂移影响最小化。例如在一个应用中，通过实验可能发现漂移兼有与时间相关的连续单调分量，以及取决于感测环境和引擎条件中具体变量的不连续(“结构化”)分量。

选择还取决于物质和微观结构开发。这是基于对构成化学传感器的物质的先前工作和目标实验的，包括优化物质块状化学性质、块状微观结构和表面功能。例如，可以不仅根据在这种目标实验期间感测物质对所关心气体分析物的敏感性而且根据它们的漂移特性或它们漂移特性的可预测性，使用传感器和可在引擎中传感器的正常操作期间访问的辅助数据来选择具体的感测物质。

选择进一步取决于通过引擎内参考协议来产生参考样本状态的能力。可以使用参考气体来监视由传感器物质的长期变化(例如，粘附，腐蚀等)所导致的漂移影响。这要求一定程度地理解本发明的化学传感器中基于物质的漂移源。例如在一些应用中，参考样本状态可能由感测元件表面的热、电或磁激励而定期产生。对于其中气体组分浓度出现周期循环的应用中，还可以在每个周期内的固定时间期间使用废气样本作为参考状态。

漂移校正方法还可以要求开发参考物质。这涉及监视可能导致传感器滞后和漂移的短时标气体组成事件，这要求理解化学传感器中滞后和漂移的环境源。优选地是，构成化学传感器的物质可能会对分析物气体具有最小响应，但是对导致滞后和漂移的因素具有最大响应。例如如果已知漂移取决于废气的确定环境条件，那么可以开发具体的感测物质，所述感测物质主要对在这些条件中的变化作出响应，并且最低限度地对分析物气体浓度中的变化作出响应。这种物质可能会在正常操作期间使得能够减少传感器响应中的漂移影响。

(iii)漂移校正-例子

下面将描述具体到应用的漂移校正方法的例子。所述例子被开发以用于在GDI(汽油直接喷射)汽车引擎上的感测应用中。GDI引擎的正常操作涉及通过间歇地下拉空气/燃料比率以便在引擎进气混合物中生成非常充裕的燃烧燃料，来周期性地重新产生/清理NO_x存储催化剂。这在废气的气体成分浓度中导致循环的图案，如图17A中所图示。

例子-自适应漂移校正

背景和设置

此漂移校正方法应用偏移(基线响应)和跨度(敏感性)校正，所述校正具体到阵列中的每个感测元件。在GDI引擎的每个循环期间的指定时间点(在此被称为“更新时间”)定期地更新偏移和跨度校正因子值。给定GDI循环的更新时间一般发生在引擎从充裕再生(rich regeneration)状态转变到贫乏操作状态之后不久。在图17B中图示了此漂移校正方法的执行以便帮助其解释。可以通过分析从特定实验或从在操作GDI引擎中测试传感器所获得的数据来确定最优的更新时间，其中所述特定实验目标在于确定此最优时间。用于确定每个循环的更新时间的时间延迟对阵列中的所有感测元件来说是固定的，或者也可以对于每个感测元件来说是不同的。此外，它可以随时间固定的，或者它可以随时间推移而改变。在固定时间延迟的情况下，可以使用从特定实验或引擎测试中所获得的传感器数据、分析器数据和辅助数据来计算此最优的延迟时间。在时变(或自适应)时间延迟的情况下，还会使用实时的传感器或辅助数据来调节此时间延迟。

在每个循环的更新时间期间，通过应用具体到传感器元件的模型(在此被称为“校正因子模型”)来计算将被应用于传感器响应的新偏移和跨度校正因子值，所述具体到传感器元件的模型使用实时和/或历史预处理的传感器数据A15和漂移校正的辅助数据A17作为输入。在下一段中描述这些校正因子模型的开发。

图17C中流程图的左侧示出了在自适应偏移和跨度校正中所使用的因子回归模型的一个这种开发过程。可以使用从传感器上的特定校准实验所获得数据来开发这些预测模型，其中不仅传感器和引擎数据是可用的，而且来自分析器的数据也是可用的，所述分析器独立地测量所关心的分析物气体的浓度。第一，使用逐个循环响应置零过程D1A来进一步处理预处理的传感器数据A15，从而生成基线置零的传感器数据A15B。此响应置零过程被如下描述：从传感元件的所有随后响应中减去每个传感元件在更新时间的响应直到下一GDI引擎循环的更新时间。然后，使用校正的分析器数据A16和基线置零的传感器数据A15B来对于每个循环为每个感测元件确定理想的偏移和跨度因子。此过程D1可以依照几种方式进行，下面论述其中两个。

可以对于每个引擎循环为每个传感元件进行基线置零的传感元件响应到已知分析物浓度的一系列局部线性回归。

g_j＝b_i，j*s_i，j+a_i，j    (1)

其中g_j包含在循环j期间的分析物气体浓度，并且s_i，j包含在循环j期间传感元件i的基线置零响应。这产生一组回归斜率(b_i，j)和偏移(a_i，j)，每个用于每个传感器元件/循环组合。对于每个局部线性回归来说，局部回归线的偏移和斜率分别是该感测元件/循环组合的理想偏移和跨度调整因子。结果，获得一系列NCxNE组理想的偏移和跨度调整因子D2，其中NC是校准数据中的循环数目，并且NE是传感器阵列中的感测元件数目。如这里所用，GDI循环被定义为在充裕到贫乏引擎转变之间的时间间隔。上述局部线性回归可以使用在循环期间所获得的所有数据点或者在循环期间所获得数据点的任何子集。

还可以使用迭代/递归优化过程来确定理想的偏移和跨度因子，其中对于每个传感器元件/周期组合测试用于这些因子的不同值组，继而根据从传感器数据所获得的对分析物气体浓度的传感器响应的回归模型的拟合误差来进行评估并调节，其中使用这些因子来校正所述误差。由前一段中所描述方法(方程式1)估算的理想校正因子可以被用为此递归方法的初始值。

一旦对于一组测试数据计算局部偏移和跨度校正因子D2，那么就可以开发用于估算这些校正因子的一组预测模型(在此被称为“校正因子模型”)(过程D3)。用于这些校正因子模型的输入可以包括但不局限于在更新时间所收集的预处理的传感器数据A15、基线置零的传感器数据A15B和漂移校正的辅助数据A17和/或在所述更新时间之前所收集的这种数据。可以使用各种工具来开发这些校正因子模型，所述工具诸如线性回归、多重线性回归、投影到潜在结构(PLS)(或其它线性建模方法)和神经网络(或其它非线性建模方法)，在稍后部分将会描述。一旦计算用于自适应偏移(D4)和跨度(D5)校正因子的NCxNE预测模型组，就必须存储它们的参数和执行指令D9，使得它们可以在实时操作传感设备期间应用。

如上所述的自适应漂移校正方法的一个显而易见的候选方式为绕过基线置零的步骤(D1A)。对于此候选方式来说，只有预处理的传感器数据A15可以用于估算理想的自适应校正因子(过程D1)以及产生校正因子模型(过程D3)。

执行

图17C中流程图的右侧示出了用于GDI引擎中实时的自适应漂移校正方法的一个可能的执行方案，并且在图17B中图示了此校正对从GDI引擎所获得的传感器数据的影响。在此具体情况中，首先对传感器数据进行基线置零D6A，并且基线置零的传感器数据D6C被用为漂移校正过程C3的输入。另外，更新时间被定义为用于每个感测元件的每个循环内的固定时间，刚好是在重新产生存储催化剂之后的td(参见图17B)。然而如前所述，可以绕过基线置零步骤D6A。此外，更新时间不必随时间推移是常数，对于传感器阵列中的每个感测元件来说也一样。

在任何给定时间，依照下列方程式来计算漂移校正的传感器响应：

s_i，j，corr＝(s_i，j-a_i，j)/b_i，j    (2)

其中s_i，j是在循环j期间的指定时间感测元件i的未校正响应，a_i，j是在循环j期间用于感测元件i的目前有效的偏移校正因子，并且b_i，j是在循环j期间用于感测元件i的目前有效的跨度校正因子。在每个循环内的每个指定更新时间，此方法首先更新将在响应置零过程D6A中使用的响应置零。然后，它更新用于传感器阵列中的每个感测元件的偏移校正因子(a_i，j)和跨度校正因子(b_i，j)。此校正因子更新过程D6涉及向当前的在线数据应用校正因子模型D9(在先前部分中论述了其开发)。在开发漂移校正方法期间(在先前部分中论述)特别定义了被应用于校正因子模型的在线数据，并且这些数据可以包括但不局限于在更新时间是收集的预处理的传感器数据C_1，corr、基线置零的传感器数据D6C和漂移校正的辅助数据C_2，corr和/或在更新时间之前不久收集的这种数据。此校正因子更新过程D6生成更新的校正因子D7，所述校正因子D7然后被用来更新漂移校正参数A19。

在更新时间期间所更新的漂移校正参数A19和响应置零D6D被应用于所有随后的传感元件响应直到下一循环的更新时间，当将使用上述过程来再次更新这些值时。

例子

在此简化的例子中，自适应漂移校正方法被应用于传感器阵列中的单个感测元件，使得它可以用来有效地预测GDI引擎废气中的NO_x浓度。使用一个数据组来构建校准模型并且使用独立的数据组来测试所述模型。图22对于测试集数据来比较未校正的传感器数据和NO_x浓度。

注意，传感元件对NO_x浓度中的短期改变很好地作出响应，但是在实验过程中其基线响应遭受漂移和周期变化。如果使用来自校准数据组的未校正传感器数据来构建用于NO_x的线性回归校准模型，继而把此模型应用于测试集数据，那么获得在图23中所示出的结果。显然传感器偏移和跨度中的适应性改变和长期漂移导致非常差的预测性能。

在此例子中，将使用基线置零的传感器数据来执行校正方法。此外，更新时间会被定义为刚好在每个GDI循环的充裕到贫乏转变之后10秒。图23B示出了传感元件的数据，其中已经使用这些更新时间来把所述传感元件数据基线置零。

由于在此例子中只有一个感测元件被使用，所以总共需要构建两个校正因子模型：一个用于该感测元件的偏移因子并且一个用于其跨度因子。构建这些模型的第一步骤是在校准数据组中为每个循环确定理想的偏移和跨度因子。在此例子中，这通过使用从校准实验所获得的校正的分析器数据A16和基线置零的传感器数据A15B在循环期间对所测量NO_x浓度的传感器响应执行一系列局部线性回归(每一个用于每个循环)来进行。与基线置零的传感器数据相比较，在图24中示出了为校准数据所产生的理想偏移和跨度因子。对于此例子而言，局部线性回归并未利用每个循环的所有数据点，而只是从更新时间开始(在开始充裕到贫乏转变之后10秒)到贫乏到充裕转变时数据点的有限集。

在此，可以使用上面所确定的理想校正因子来校正校准数据，并且然后可以使用此校正的数据来构建预测的NO_x校准。由于在此例子中，只使用一个感测元件，所以使用单变量的线性回归来构建此NO_x校准模型。在图25中示出了所产生的NO_x校准模型。注意，使用理想校正因子的自适应校正产生了比利用未校正数据所构建的模型(图23)具有好得多拟合的预测NO_x模型。

一旦获得理想的校正因子，那么人们就可以对偏移和跨度校正因子构建预测的校正因子模型。用于这种模型的预测变量可以包括在引擎正常操作期间可用于传感器的任何测量，并且可以包括：(1)来自所述设备中的任何传感元件的数据；(2)传感器芯片温度数据，或由传感设备所获取的其它数据；和(3)来自引擎中其它传感器的数据(lambda、RPM、扭矩、温度、风速等)。此外，这些预测变量可以包括在更新时间以及在所述更新时间之后不久时所获取的任何上述测量。

在此例子中，使用来自传感器和引擎的一组预测变量，使用部分最小二乘方(PLS)回归来开发两个校正因子模型。在这种情况下，被认为是这些模型输入的传感器数据限于基线置零的传感器数据，不过对于所有应用来说不必总是这种情况。在图26中示出了所产生的校正因子模型。这些结果清楚地示出了可以使用在引擎中易于获得的信息来合理地估算对于给定循环的此感测元件的自适应偏移和跨度校正系数。

一旦因子回归模型已经被开发出来，它们就可以在适当的更新时间被应用于实时的传感器和引擎数据C_1，corr和C_2，corr，以便更新此数据中用于每个循环的校正因子D7。在此例子中，通过向一组匹配敏感器和引擎数据应用此方法来模拟实时漂移校正，其中所述匹配敏感器和引擎数据并未用来构建因子回归模型(在此被称为测试集数据)。在图27中示出了在自适应漂移校正前后的此测试集中的传感器数据。如果向使用未校正的校准数据所构建的NO_x校准模型应用未校正的传感器数据(上面的图23)，那么获得图28A中的结果。然而如果向使用校正的校准数据所构建的NO_x校准模型应用漂移校正的传感器数据(上面图25)，那么获得图28B中的结果。注意，自适应漂移校正方法导致大大改进的NO_x预测性能。

(d)过滤(正交化)

然后可以向另一处理方法、过滤或更具体地说是正交化A20提供漂移校正的数据(图16)。被称作正交信号校正(OSC)的技术及其变式包括能够消除(或数字过滤)传感器数据中影响的一类技术，所述影响与计算所关心分析物气体的浓度无关。为了应用此类方法，假定在信号输入中无关影响的起源在传感器使用寿命期间保持恒定。当传感器和相关联的测量系统正在线操作以便预测具体分析物的浓度或存在时，必须存储从应用任何这种方法所出现的参数A21以供稍后使用。

来自分析器(A16)、传感器阵列(A22)和辅助数据源(A17)的校正数据形式包括所校正的数据，其在下一处理阶段模型产生A23被用为输入。

(e)模型产生(离线环境)

然后使用所校正的输入数据来创建一个或多个预测模型。每个模型可以是单变量回归模型、多变量回归模型、投影到潜在结构模型(PLS或部分最小二乘方)或另一线性建模方法、后向传播神经网络模型或另一非线性建模方法或上述组合。这些类型建模方法中的每个当被应用到相同的校正输入数据时可以产生多个模型。。这些模型中的每个会具体到用于开发它们的输入数据，并且从而具体到在传感器阵列100中所使用的具体物质，以及具体到引擎废气系统类型，在所述引擎废气系统中置有传感器以便产生用于校准的输入数据(即，传感器环境)。

(i)线性回归

此模型构建方法使用根据单个选择输入(例如，传感器阵列中的单个感测元件或辅助数据中的单个变量)校正的数据，并且依照下列方程式在此数据和所关心分析物的一组匹配已知浓度(例如，分析器测量的NO_x浓度)之间执行线性回归：

y＝bx+c  (1)

其中x包含来自单个输入的数据，并且y包含相应的气体分析物浓度数据。给定x和y，使用最小二乘法来估算模型系数b和c。对于单变量回归来说，这些参数(b和c)构成图16的平行四边形A24中的模型参数。

(ii)多重线性回归(MLR)

此模型构建方法使用根据一个以上输入(例如，传感器阵列中的两个或多个感测元件或至少一个感测元件和来自辅助数据的至少一个输入)校正的数据。然后建模方法依照下列方程式在这些数据输入和所关心气体分析物(例如，NO_x)的已知浓度之间执行多重线性回归：

y＝b₁x₁+b₂x₂+......+b_nx_n+c(2)

其中x₁、x₂...x_n是来自多个输入1、2...n的数据，并且y包含相应的气体分析物浓度。给定x₁、x₂...x_n和y，使用多重最小二乘法来计算MLR模型系数b₁、b₂...b_n和c。对于多重线性回归来说，这些模型系数构成了图16的平行四边形A24中的模型参数。

(iii)投射到潜在结构

此模型构建方法要求使用根据一个以上输入(例如，传感器阵列中的两个或多个感测元件或至少一个感测元件和来自辅助数据的至少一个输入)校正的数据。然而不同于上述MLR方法，PLS方法执行两个不同的操作：(1)把原始的n个输入变量压缩到几个潜在变量中，所述潜在变量彼此完全独立(由此解决在原始的n个输入行为中的任何冗余)并且解释了在原始的n个变量中所包含的大部分信息；和(2)把这些潜在变量多重线性回归到所关心的气体分析物浓度。PLS模型的最后形式与MLR模型的相同(方程式2)，即：

y＝b_1，PLSx₁+b_2，PLSx₂+b_n，PLSx_n+c_PLS  (3)

然而，模型系数b_1，PLS、b_2，PLS...b_n，PLS和c_PLS依照不同的方式来确定，并且从而可以与使用MLR所确定的那些完全不同。对于PLS模型来说，系数b_1，PLS、b_2，PLS...b_n，pLS和c_PLS构成了图16的平行四边形A24中的模型参数。

(iv)神经网络模型

神经网络模型构建方法要求使用根据一个以上输入(例如，传感器阵列中的两个或多个感测元件或至少一个感测元件和来自辅助数据的至少一个输入)校正的数据。不同于上述建模方法，所述方法产生可以通过简单的线性数学运算(方程式1-3)来执行的模型，神经网络模型典型情况下通过一系列一个以上的线性或非线性运算来执行。

在图18中示出了典型的神经网络模型执行方案。所校正的输入数据被包含在图18左侧上的原始输入向量I中，并且所关心的气体分析物浓度被包含在图18最右侧上的原始输出向量O中。向量θ表示缩放的输入向量，并且向量Θ表示缩放的输出向量。在图中心的向量H被称作“隐藏”或“中间”向量。用于把缩放的输入转化到隐藏向量中的系数包含在矩阵w1中，并且用于把隐藏向量值转化为缩放输出的系数包含在矩阵w2中。下面将描述在神经网络模型执行中的具体步骤。

步骤1：对于每个变量来说，对校正的输入向量I执行线性缩放操作使得所缩放的输入向量θ具有在0.1和0.9之间的值。对于线性缩放来说，使用每个输入变量的数据最小和最大值来根据输入向量I计算所缩放的输入向量θ：

${\mathrm{\θ}}_i=\frac{{\mathrm{\θ}}_{0}0.8*(I_i-I_{i,\min })}{(I_{i,\max }-I_{i,*\min })}+0.1---\left(4\right)$

对于i＝0，1，2，...，N1，其中N1是输入的数目，I_i，min和I_i，max分别是输入变量i的原始输入的最小和最大值，并且用于偏差的调整项θ₀等于1。列向量θ由N₁+1个元素(行)组成。

步骤2：然后把所缩放输入向量的每个值θ乘以加权矩阵w1。加权矩阵w1计算每个独立输入对网络隐藏(中间)层的每个节点的作用：

$H_j={[1+e^{-\left(\underset{i=0}{\overset{N_1}{\mathrm{\Σ}}}({w1}_{j,i}*{\mathrm{\θ}}_1)\right)}]}^{-1}---\left(5\right)$

对于j＝0，1，2，...N₂来说，其中N₂是隐蔽层中的节点数目，并且用于偏差的调整项w_1，0等于1。加权矩阵w1大小为N₂+1行乘以N₁+1列，并且列向量H由N₂+1个元素(行)组成。在缩放的输入和隐蔽层之间的变换(方程式5)是非线性变换。

步骤3：然后把中间向量的每个值H乘以加权矩阵w2。使用矩阵w2来计算隐蔽层中的每个个别节点对网络缩放的输出向量的每个元素Θ的作用：

${\mathrm{\Θ}}_k={[1+e^{-\left(\underset{j=0}{\overset{N_2}{\mathrm{\Σ}}}({w2}_{k,j}*H_j)\right)}]}^{-1}---\left(6\right)$

对于k＝1，...N₃来说，其中N₃是输出的数目并且用于偏差的调整项等于1。加权矩阵w2大小为N₃行乘以N₂+1列，并且列向量Θ由N₃个元素(行)组成。所必须计算浓度的气体种类数目确定了输出部件的数目N₃。例如，在其中只要求一个气体分析物浓度输出(例如，NO_x)的应用中，只有一个输出部件(N₃＝1)。对于其中要求三个气体分析物浓度输出(例如，NO_x、氧和总碳氢化合物)的应用中，存在三个输出部件(N₃＝3)。在隐蔽层节点和所缩放的输出之间的变换(方程式6)是非线性变换。

步骤4：为了根据缩放的输出向量Θ来计算原始的输出向量O，使用数据最小和最大值来计算线性变换：

$O_k=O_{k,\min }+\frac{({\mathrm{\Θ}}_k-0.1)*(O_{k,\max }-O_{k,\min })}{0.8}---\left(7\right)$

其中O_k，min和O_k，max分别是用于输出变量k的原始输出的最小和最大值。原始输出向量O的内容与所关心的气体相关并且采用这样的形式，当在下述的后处理步骤中向O应用适当的反向操作时该形式会得到浓度。

对于具有一个隐藏向量的神经网络模型来说，其对许多神经网络应用来说都是典型的，模型参数是最大和最小原始输入值(向量I_min和I_max)最大和最小原始输出值(向量O_min和O_max)以及加权矩阵w1和w2。尽管根据原始输入和输出数据很容易地计算I_min、I_max、O_min和O_max，然而计算加权矩阵w1和w2要更为复杂。本发明可以利用诸如后向传播和“严格”后向传播之类的常规方法来根据原始输入和原始输出数据来计算加权矩阵。对于具有一个隐藏向量的神经网络模型来说，参数I_min、I_max、O_min、O_max、w1和w2构成了图16的平行四边形A24中的模型参数。

对于算法开发来说，在图16和20中所图示的以及上述步骤序列只是数据处理序列的一个例子，并且可以依照不同的序列来执行所述步骤。例如，可以开发这样的算法，其中在漂移校正(A12，A13，A18)执行过滤/正交化(A20)，或者可以在同步(A5)之前预处理辅助数据(A8)。

b.离线环境中的算法选择

算法选择可以在线(即，实时的，当传感器正在引擎中操作时)或离线进行。在此部分中，展示了离线环境中的算法选择。

如这里所用，术语“算法”被定义为用于数据预处理、辅助数据同步、漂移校正、数据过滤和模型执行的一组参数和数据处理指令(参见图16中的平行四边形A25)。对于给定引擎废气应用中的给定传感设备，来说，可以准备几种不同的算法，每个算法可以依照不同的年月日次序来使用不同的预处理、同步、漂移校正、过滤和模型执行元素组。

由先前描述的方法(如在部分C.2.a中所描述)所产生A25的算法被发送到算法选择过程。图19示出了在算法选择过程中所包含的子步骤。首先，每个算法候选项(A25，1，A25，2，...A25，N)被应用于先前收集的传感器和辅助数据组(B3和B4)，它们还具有一分析器数据B2的匹配组(其包含已知的气体分析物浓度)。此先前收集的数据组通常被称为测试数据(B1)。下面概括了并且在图20中示出了与把算法应用于一组新的输入数据(过程C)相关的详细步骤。测试数据最好不包括用于产生任何算法候选项(A25，1、A25，2、...、A25，N)的任何数据。把每个算法候选项(A25，1、A25，2、...A25，N)应用到测试数据(B1)为每个算法候选项产生一组预测的气体分析物浓度(B5)。

一旦为每个算法候选项B5获得预测的气体分析物浓度组，就把它们与已知的气体分析物浓度B2以及来自算法A25的其它信息相组合，以便产生几个不同的品质值B7，所述品质值B7构成了用于评估每个算法候选项所期望的有效性的准则。为此下面将描述三个通常使用的品质值B7，不过这些并不表示穷举列出。

(1)均方根误差(RMSE)

用于比较不同算法的有效性的通用准则是均方根误差或RMSE。依照下面方程式来计算此统计数值：

$\mathrm{RMSE}=\sqrt{\frac{\underset{i}{\overset{N}{\mathrm{\Σ}}}(Y_{\mathrm{known}}-Y_{\mathrm{predicted}})}{N-1}}---\left(8\right)$

其中N是测试数据中的观察(或样本)的数目，Y_known是已知的气体分析物浓度(来自分析器数据)，并且Y_predicted是算法所预测的气体分析物浓度。高RMSE意味着该算法所预测的气体分析物浓度有很大误差，而低RMSE意味着该算法所预测的气体分析物浓度有较小误差。

当测试数据与用于产生算法的数据相同时，RMSE统计数值通常被称作RMSEC或校准的均方根误差。因为在这种情况下使用相同的数据来构建并测试模型，所以RMSEC统计数值是算法有效性的乐观估计。

当根据用于产生算法的数据独立地获得测试数据时(例如，在不同的时间、在不同的引擎上或在不同的位置中收集)，RMSE统计数值通常被称作RMSEP，或预测的均方根误差。因为在这种情况下使用不同的数据来构建并测试模型，所以RMSEP通常被认为是算法性能的更实际的评价。

(2)算法复杂度

算法候选项的第二准则是算法的整个复杂度。如果所有其它准则等同，那么与更复杂的算法相比更想要不那么复杂的算法，这是因为不那么复杂的算法更易于执行、易于维护并且在正常操作期间对传感器和辅助数据中未预见的干扰不那么敏感。此准则是更为定性的并且基于算法中数据处理操作的数目、回归模型中所使用的输入数目、PLS模型(或另一线性模型)中本征向量的数目或者神经网络模型(或另一非线性模型)中隐藏向量的数目的。例如，如果都使用PLS回归模型的两个算法当被应用于相同的测试数据组时生成相同的RMSE统计数值，并且它们都使用不同数目的本征矢量，那么具有最少数目的本征矢量的模型可能会不那么复杂，从而更可能会被选择。

(3)模型回归系数的幅度

当比较不同的多重线性回归(MLR)和PLS模型时，模型系数b₁、b₂...b_n的幅度反映了在正常操作期间该模型对未预见的干扰或来自用于产生算法的条件的任何其它偏差的敏感性。因此，希望用于这种模型的这些系数的幅度尽可能得低。可以用来表达系数幅度的一个统计数值是所述系数的平方和(SSC)：

$\mathrm{SSC}=b_1^2+b_2^2+...b_n^2---\left(9\right)$

如果所有其它准则是等同的，那么具有最低SSC的模型被认为是最有利的。

一旦为每个算法候选项计算品质值B7，就把它们彼此相比较(B8)以便能够对每个算法候选项进行整体品质评价。根据这些品质评价，可以从N个候选项(A25，1，A25，2，...A25，N)中选择单个算法，所述算法变为用于预测分析物气体浓度的所选算法(A25，s)。作为选择，本发明可以提供足够的计算能力使得可以实时评估一个以上的预测模型，并且可以使用各自的算法候选项的品质值B7来计算分析物气体浓度的加权评估。

c.算法执行(在线环境)

然后向算法执行步骤C提供所选算法。当传感器被安装在引擎废气系统中，此步骤表示算法实时地操作。图20示出了在算法执行过程C中所包含的子步骤。如从图20中可以看出，此步骤简单地是一系列执行步骤，所述步骤先前在所选算法A25，s的开发期间在该算法中所定义，被应用于在特定的时间实例时从引擎所获得的传感器(C1)和辅助数据(C2)的匹配组。用于这些执行步骤中的每个的参数和指令必须与在所选算法中所定义的那些(A6，A9，A11，A14，A19，A21，A24)相同，并且在算法执行期间的步骤序列必须匹配所选算法A25，s的步骤序列。

算法执行过程(C)的数据输入是在线传感器数据(C1)和在线辅助数据(C2)。这些数据除了它们是在引擎中的传感设备实际操作期间实时收集的之外，类似于用于开发算法的那些数据(A2和A3)。传感器数据C1是在任何给定时间点从阵列中的感测元件所收集的数据。辅助数据C2是从燃烧系统的其它部分所获得的数据，诸如位于交通工具的引擎控制部件(ECU)或其它数据源。这种数据可以包括但不局限于燃料与空气比、引擎的每分钟转速、引擎扭矩、引擎功率、引擎进入空气温度和废气温度。

首先，辅助数据(如果它在算法中正被使用)依照在该算法中所存储的参数和指令(A6)必须被同步A5，依照在该算法中所存储的参数和指令(A9)必须被预处理A8，并且依照在该算法中所存储的参数和指令(A14)必须被漂移校正。传感器数据依照在该算法中所存储的参数和指令(A11)也必须被预处理。此预处理可以包括温度补偿，如下所论述。然后，依照在该算法中所存储的参数和指令(A19)把预处理的传感器数据C_1，corr与漂移校正的辅助数据C_2，corr组合以便对传感器数据执行漂移校正C3。这种漂移补偿可以是上述的自适应漂移校正方法。然后如果必要的话，传感器数据依照在该算法中所存储的参数和指令(A21)被过滤/正交化。最后，使用所校正的传感器和辅助数据C5作为输入来执行(C6)校准模型A24以便产生气体分析物浓度C7。然后可以利用气体分析物浓度信息C7来调节在用于产生要分析的多成分气体系统的系统中的参数。

传感器焊盘上的温度变化可能与电阻波动有关。如果这些波动很大，那么它们可能破坏算法的预测能力，如果所述算法是基于来自狭窄温度范围的电阻数据的话。补偿由于温度而导致的电阻变化可能会根据此类模型生成更好的预测。这可以依照多种方式来完成。在一个方法中，回顾过去特定的时间长度，并且使用过去的温度变化来预测电阻。从而，寻求以下形式的模型：

$R-\stackrel{\‾}{R}=k(T-\stackrel{\‾}{T})$

其中和

是在过去长度时间的数据范围内的平均电阻和温度。使用最小二乘方技术，然后可以找到k。项k定义了电阻由于温度的变化。可以通过从

中减去

来获得校正的R。如果

并非是产生数据的传感器的预置温度，那么会出现问题。数据的基线被破坏并且一个问题被替换为了另一个问题。可以通过向电阻加回

来恢复所述基线，其中T_s是传感器焊盘所想要的温度或调整点。这在最小破坏基线的情况下校正了温度波动。

可以修改该技术使得利用指数遗忘时间(exponentialforgetting time)来自适应地找到k值。为此，需要略微地修改模型以便给出R(t)＝αT(t)+β，R是电阻并且T是时间t的温度。

如果

是在时间t的转置向量[αβ]^T的估算，并且先前估算是θ(t-1)，那么可以按照下式来评估新的估算：

其中(t)＝[T(t)1]。

增益因子K(t)是K(t)＝P(t)

(t)＝P(t-1)

(t)(λI- ^T(t)P(t-1

(t)))^-1，其中P(t)是温度的变化协方差，I是单位矩阵，lambda是遗忘因子，并且P(t)＝(I-K(t)

^T(t))P(t-1)/λ。还有可以应用的此主题的其它变化，诸如用于略微简化所涉及计算的投射算法。

可以使用向量

来估算温度对电阻的作用。然后可以如前所述来修改并非处于正确平均值的校正。

可以在线使用此技术以提供用于为由温度所导致的变化而校正电阻测量的机制。如果传感设备的温度在当获取用于开发算法的校准数据时所使用的温度范围之外，那么这是非常关键的。因为芯片上的控制器并不维持稳定的温度，当环境温度在设备设置温度之下时或当环境温度在设备设置温度之上时，这可能会发生。

d.用于化学传感器阵列的实时品质诊断

本发明向传感器阵列设备提供了实时的信号品质评价诊断统计数值，所述传感器阵列设备当传感器在并未校准的采样空间内操作时可能会提供警报，并且因此可能会易于产生不准确的分析物气体浓度的估算。在图21中图示了用于具有单个感测元件的传感器和传感器阵列设备的信号处理方案的大大简化例子。

n个感测元件的传感器阵列生成n个输入。然后借助一系列数学运算(所选的传感器算法)对这些输入操作以便产生定量的传感器输出(诸如NO_x浓度或NH3浓度)(参见图21中的底部例子)。

(1)背景技术

对于其中使用单个感测元件来产生响应的传感器来说(图21的顶部)，此单个感测元件对于所关心的样本组分(例如，NO_x)来说必须是恰好选择的。这产生非常简单的校准过程和非常简单的算法：

输出＝常量*输入+偏移(1)

利用这种简单算法，易于确定传感器是否在其未被校准的情况下操作(以下称为“界外值情况(outlier condition)”)：简单地确定在当前时间的传感器输入或输出是否在校准期间所产生的传感器输出的范围之内。较好的例子是基于单电极的pH传感器，其被证明为从pH4到pH10是准确的。如果所报告的pH在此范围之外，那么传感器读数是可疑的。甚至不必知道传感器输入(pH电极电流或电势测量)是否在用于校准的输入范围之内，这是因为如果传感器输出在范围之内，那么直接的输入/输出关系意味着传感器输入也在范围之内。

如果使用传感器输入阵列来产生输出那么情况就大为不同。如果没有个别感测元件对单个样本组分具有互斥的敏感性(并且存在交叉敏感性)，那么这种情况变得更为必要。在这种情况下，必须进行更为精细的校准过程以便产生更复杂的算法。此有两个直接后果：(1)所述算法在局外情况期间更可能产生错误输出，从而使检测这种局外情况更为关键；和(2)在传感器操作期间检测这种局外情况不能只是通过监视传感器输出的“越界”值来进行，并且甚至不能通过监视图21中J个传感器输入中的每个的“越界”情况来进行。作为替代，必须构建用于描述在传感器校准情况期间所获得的传感器输入值的数学模型，并且在传感器操作期间实时应用此模型以便确定是否存在这种潜在误导的局外情况。

(2)传感器品质因子的概观

一旦收集了传感设备的校准数据A2，那么就例如使用主分量分析(PCA)来开发在校准期间所获得的传感器阵列元件响应的品质因子模型。然后可以使来自此品质因子模型的参数驻留在板载传感器电子器件上，并且当它们被实时收集时可以在数学上被应用到传感器阵列输入。然后使用来自预测的定性模型的随后模型输出来计算品质因子，所述品质因子表明在那时的传感器输入组是否适于安全地应用定量算法。在PCA的情况下，最可用于计算品质因子的模型输出被称作余量和平衡。然后品质因子计算的结果可以触发几个可能的动作，诸如避免向定量算法发送当前输入数据来产生输出，在使用传感器的控制系统上的警报，或者收集并存储将稍后用于传感器重新校准的传感器及其它数据。

(3)传感器品质因子的数学细节

图29图示了品质因子模型的开发以及其实时执行。使用在校准实验期间所收集的传感器阵列数据来开发品质因子模型，在所述校准实验中阵列接触一组样本情况，预计所述样本情况表示在正常操作期间所述阵列将遭受的情况。典型情况下，校准实验是与获得用于为分析物气体构造定量的预测模型的数据相同的那个。可以在称作S的矩阵中布置在这种实验A22期间所收集的数据：

$S=\left[\begin{array}{cccc}{s}_{\mathrm{1,1}}& s_{\mathrm{1,2}}& \mathrm{\Λ}& s_{1,J}\\ s_{\mathrm{2,1}}& s_{\mathrm{2,2}}& \mathrm{\Λ}& s_{2,J}\\ M& M& M& M\\ s_{I,1}& s_{I,2}& \mathrm{\Λ}& s_{I,J}\end{array}\right]---\left(2\right)$

其中s_i，j是传感元件j在样本情况i的响应。在算法开发过程的范围内(图16)，S典型情况下包含校正的传感器和辅助/引擎数据A22，但是可以包含各种预先校正形式的校准数据(A15，A17或A20)。

然后可以使用几种不同的建模工具来构建传感器阵列响应模型E1。通常使用线性建模方法，但是也可以应用非线性方法。一个线性建模工具是主分量分析(PCA)，其中响应数据S被分解为用于描述数据中大部分变化的一组NC主分量(PC)：

S＝T·P+E  (3)

其中T是包含每个PC的每个样本情况的“强度”的(i乘NC个)元素的分数矩阵，P是包含PC相对于原始的j个感测元件测量控制的“定义”的(NC乘j个)元素的加载矩阵，并且E是剩余矩阵，包含未被PCA模型解释的S中的信息。在PCA的情况下，分数和加载矩阵T和P构成品质因子模型E2。

一旦开发了品质因子模型，它就可以被实时应用(F1)到任何随后的传感器数据阵列以便生成各个模型输出F2。在使用PCA开发的品质因子模型的情况下，存在可以通过向传感器数据阵列应用模型而生成的几个可能输出。这里将只描述这些输出中的两个，样本残留和样本平衡。

如果由向量s_p(＝{s_p，1s_p，2......s_p，j})表示从传感器阵列响应的新样本所获得的一组新的传感器阵列数据，那么应用PCA品质因子模型涉及通过把PCA模型加载(P)与新的数据向量(s_p)进行矩阵相乘来计算这组新数据的PCA分数(t_p)：

t_p＝P·s_p′    (4)

在此，可以计算新的传感器阵列响应的模型估算(s_P，est)：

s_P，est＝t_p·P    (5)

新样本的残留(RES)是在真正传感器阵列响应向量和模型估算的传感器阵列响应向量的元素之间差的平方和：

RES＝(s_p-s_P，est)*(s_p-s_P，est)′  (6)

此统计数值描述了PCA品质因子模型解释新的样本向量s_p中数据的范围。

新样本的平衡(LEV)简单地是新样本的分数向量的幅度(t_p)，其中分数向量中的每个NC元素借助由主分量所解释的信息量来加权：

LEV＝(1/i)+t_p′·(T′·T)^-1·t_p  (7)

其中I是用于开发模型的样本数。此统计数值描述了一旦新样本被应用于PCA模型，它在PCA模型的空间内是多么极端。

一旦获得新样本的模型输出F2(例如，残留和平衡)，就有许多方式来把它们组合以便提供单个品质因子F4。例如，这些统计数值中的每个可以除以用于校准数据组的这些统计数值的参考值RES_ref和LEV_ref以便获得残留比率(RR)和平衡比率(LR)：

RR＝RES/[trace((S-T·P)·(S-T·P)′)/i]＝RES/RES_ref    (8)

LR＝LEV/(1+NC/i)＝LEV/LEV_ref  (9)

RR或LR值远大于一表明新样本数据向量的图案没有紧密地匹配在校准实验期间所观察的数据图案。因此，新数据如果被应用于使用校准数据所开发的定量气体浓度预测算法那么可能会产生错误结果。参考值可以是在模型校准期间所获得的平均残留和平衡。

RES_ref＝RES_avg(10)

LEV_ref＝LEV_avg(11)

或者与本领域已知的参数的具体置信极限(例如，95％的置信极限)相关的其它统计确定的值：

REF_ref＝RES_95％(12)

LEV_ref＝LEV_95％(13)

可以根据应用以及怎样使用RR和LR来依照许多不同的方式把它们组合到单个品质因子中。例如，品质因子可以简单地是RR和LR的和、RR和LR的加权和或者RR和LR的和减去RR和LR的小数部分的积。

对于传感设备应用来说，其中在数据处理硬件上可能没有大量可用资源来存储模型信息并且使得能够处理大数据阵列，关键在于把品质因子模型E2压缩为使用最少量的数据存储空间并且导致最少的在线数据处理步骤的形式。在使用PCA构建的品质因子模型的情况下，完整的模型包含总共(i·NC)+(j·NC)个参数，来自(i乘NC)分数矩阵T和(NC乘j)加载矩阵P。尽管要求完整的加载矩阵P使得能够在线应用模型(方程式4)，然而如上所述完整的分数矩阵T不需要用于在线应用。分数矩阵可以被压缩到平方和分数向量t²中，其包含了每个NC主分量的分数的平方和：

t²＝(T′·T)的对角元素  (10)

模型分数的此约化表示使得仍然能够经由方程式7的修改形式来在线计算样本平衡：

LEV＝(1/i)+t_p′·(diag(t²))^-1·tp    (11)

向量t²只包含NC参数，其中T矩阵包含NC·i个参数。在其中校准数据组可以有1000个观测(i＝1000)并且主分量的数目是4的典型情况下，必须存储的参数数目从4000跌落为4。

另外一旦开发模型，那么用于计算RR(方程式8)的校准数据的参考样本残留(RES_ref)不会改变。因此，它可以被计算并且与其它压缩的模型参数一起被存储在设备数据处理硬件上，并且如在方程式8中那样应用。此方案大大降低了为了计算每个新样本阵列的RR所需要的在线数据处理的复杂度。

(4)关于品质因子的变式

还可以使用上述品质因子的变化。例如，可以使用除PCA之外的响应建模方法来产生品质因子模型，这种线性差别分析(LDA)。可以构建加权的品质因子模型，其中传感器阵列输入均按照它们用于定量气体浓度预测算法的回归系数的幅度或依照早先知道它们在定量算法中的重要性来加权。可以使用对模型输出F2的不同数学运算来计算品质因子。可以对于单个传感设备使用几种品质因子模型，其中每一个被设计成用于监视不同类型的局外情况。

(5)品质因子的使用

(a)拒绝危险的预测

可以使用品质因子来评定来自定量算法A25的气体浓度输出C7是否是可疑的，这是因为当前的在线传感器阵列响应并不在用于定量算法开发的校准数据中所观察的传感器阵列响应范围内。图30图示了品质因子的此项使用。在此情况中，重要的是用于构建品质因子模型的校准数据A22与用于构建定量算法的数据相同。如果在线获得的品质因子F4表明局外情况，那么可以向数据处理器发送指令以免执行定量算法并报告气体浓度。可以使用几种准则来确定用于揭示局外情况的品质因子值的范围。例如，在PCA品质因子模型的情况下，可以确定关于使用校准数据所获得的RR或LR的95％置信极限，并且对于产生在此限制之外的RR或LR的任何在线数据设置警报。

在图30A中图示了利用用于检测危险预测的品质因子的例子。在此情况中，使用八个不同的感测元件来开发用于预测NO_x浓度的定量算法。使用PCA建模方法并且使用从八个感测元件所获得的精确相同的数据来构建品质因子模型。图30A显示了两条曲线：一条示出了在定量模型所预测的NO_x浓度和已知浓度之间的绝对差，并且一条示出了在该时段期间的品质因子值。在这种情况下，品质因子被定义为每个数据点所获得的残留比率(RR)和平衡比率(LR)的和。注意，品质因子在与NO_x预测误差增加的正好相同的时间增加。在真正应用中，人们知道实际的NO_x预测误差并没有好处。结果，此例子表明品质因子可以在实时的引擎应用期间向危险的定量预测提供十分有用的警报。在此具体例子中，可以定义品质因子中的阈值，使得具有在此阈值以上的品质因子的所有数据点都会导致产生警报，而不是产生NO_x浓度输出。

(b)对预测的浓度计算容差极限

因为品质因子提供了传感器响应处于局外情况范围的连续测量，并且此范围影响了来自定量模型的气体浓度输出C7中的误差，所以可以使用品质因子来对气体浓度输出计算容差极限。图31图示了品质因子的此项使用。在这种情况下，重要的是用于构建品质因子模型的校准数据A22与用于构建定量算法的数据相同。可以使用品质因子以及来自定量算法A25的数据、用于构建算法A22的校准数据或者其它早先知识以便计算容差极限。例如如果用于构建算法的分析器校准数据中的噪声是已知的，那么容差极限可以被计算为此噪声值乘以品质因子的标度值。

(c)根据几种算法来计算合成的预测浓度

如果开发了几种不同的定量算法A25，那么可以使用对应于这些算法中的每个的品质因子以及它们定量的气体浓度预测以便提供合成的气体浓度预测值。图32图示了品质因子的此项使用。对于此应用来说，重要的是对于每个定量算法来说，用于构建品质因子模型的校准数据A22与用于构建所述算法的数据相同。在此应用中，合成的气体浓度C7，comp可以是根据不同的定量算法所获得浓度的加权平均，其中每个算法的权重与该算法的相应品质因子成正比。如果品质因子随定量算法的改进预测增加，那么所述权重可以与品质因子成正比。如果品质因子随定量算法的改进预测降低，那么所述权重可以与品质因子成反比。

(d)触发校正动作

可以开发专门的品质因子模型，该模型对传感设备和算法的具体故障模式情况很敏感。结果，在实时操作期间可以使用品质因子来检测这种故障模式。图33图示了品质因子的此项使用。在此应用中，用于构建品质因子模型的校准数据A22不必与用于构建定量算法的数据相同，只是开发该模型以使它对具体情况很敏感。当品质因子位于确定的预定范围内时，在预定的延迟时间之后触发校正动作。此校正动作可以涉及传感设备本身上的物理过程、正在所述设备上使用的算法改变或这两者。

在传感器响应的逐渐漂移使数量预测性能随时间推移而稳步降级的情况下，品质因子的此项使用是特别有用的。这种降级可能源于几个源，诸如随时间推移传感器的老化或传感器表面的逐渐污染。在此情况下，存在可以由品质因子触发的校正动作的几个例子。在一个例子中，可以使用品质因子来触发传感设备上的参考过程，其中暂时增加阵列的温度，测量lambda信号，并且调节用于传感器数据的标度(预处理)参数。在另一例子中，可以使用品质因子来确定用于更新在逐个循环漂移校正方法或其它漂移校正方法中所使用的漂移校正因子的最优时间。

还可以开发具体的品质因子模型以便检测传感设备中的其它故障模式，诸如传感器加热器的故障、电导线的故障或一个或多个感测元件的故障。在这些情况下，可以使用品质因子来触发传感器上的警报，修改现有的算法，或者选择并不依赖出现故障的感测元件的新算法。在一个具体例子中(图33A和33B)，使用品质因子来检测传感器阵列中12个感测元件之一的故障。在时间点735，传感元件之一的故障对应于所预测的NO_x浓度中的较大偏差(图33A)。在此例子中所使用的品质因子模型是PCA模型或未被进行基线偏置或漂移校正的传感元件响应，并且品质因子被定义为残留比率(RR)和平衡比率(LR)的和。结果，品质因子对任何感测元件的响应中较大的绝对变化很敏感，并且它采用较大增加的形式清楚地检测出感测元件的故障(参见图33B)。

(e)使实时算法选择便于进行

如果开发几种不同的定量算法A25，可以使用对应于这些算法中的每个的实时品质因子来选择最适当的定量算法。图34图示了品质因子的此项使用。对于此应用来说，重要的是对于每个定量算法来说，用于构建品质因子模型的校准数据A22与用于构建所述算法的数据相同。在实时操作期间，使用不同的品质因子模型和当前的在线数据C5来产生对应于不同定量算法A25的不同品质因子F4。然后，比较这些品质因子以便选择最适当的算法来应用于当前的数据C5。例如，在实时操作期间可以每次选择其相应的品质因子表明最不严格的局外情况的算法。

图34A和34B图示了可以怎样使用具体到算法的品质因子来进行实时算法选择。在此例子中，开发了两种不同的算法，并且每种算法具有相关联的品质因子模型，所述品质因子模型使用完全相同的校准数据来构建。尽管两种算法具有类似的校准模型拟合，然而清楚地是当在线应用时一个算法可以比另一个更好地执行(图34A)。在图34B中示出了对应于这两种算法中每个的品质因子，其中在所有情况下所述品质因子被定义为残留比率(RR)和平衡比率(LR)的和。显然算法1的品质因子始终小于算法2的品质因子，建议算法1为最适于用于当前数据的算法。这借助图34A中的NO_x预测结果来确认。

对那些本领域内技术人员来说清楚的是：在不脱离本发明的范围或精神的情况下，可以对使用本发明的化学传感器和化学传感器阵列来感测并分析多成分气体系统中确定气体的计算机实现的系统和方法及此系统和方法的构造进行各种修改和变化，所述气体包括NO_x、碳氢化合物、一氧化碳和氧。先前已经提供了其例子。

考虑到说明并实施这里所公开的本发明，本发明的其它实施例对那些本领域技术人员来说也是显而易见的。旨在说明书及例子只被认为是示例性的，本发明真正的范围和精神由以下权利要求来表明。

Claims (8)

1.一种用于把金属氧化物传感器阵列的响应转换为在所述传感器阵列周围所提供的多成分气体的组分和浓度的方法，所述方法包括：

提供自诊断模块来计算与相应预测模型相关联的品质因子并且确定所述传感器阵列的响应是否在优选范围之内，其中所述品质因子表明在那时的传感器输入组是否适于安全地应用定量算法；

提供自校正模块来补偿响应随时间推移的变化使得可以获得在优选限制内的品质因子，或者停止所述响应并报告错误；并且

提供浓度计算模块以便计算来自每个预测模型的气体浓度输出、相应的容差极限以及通过借助相应的品质因子来加权来自所述预测模型的输出并且确定加权的容差极限所确定的气体浓度输出，使得具有最低容差极限的气体浓度输出可以作为多成分气体的实际组分和浓度被报告。

2.如权利要求1所述的方法，其中所述自诊断模块对传感器响应、传感器温度值或任何辅助传感器数据的任何值之一执行线性变换或非线性变换之一。

3.如权利要求1所述的方法，其中所述自校正模块向所述传感器阵列实时地提供自引用过程，其中所述自引用过程包括增加所述传感器阵列的温度，测量在所述传感器阵列周围的空气与燃料比，并且把传感器响应缩放到在预定参考状态的响应。

4.如权利要求1所述的方法，其中所述自校正模块向所述传感器阵列实时地提供温度校正过程。

5.如权利要求1所述的方法，其中所述自校正模块向所述传感器阵列实时地提供漂移校正过程。

6.如权利要求1所述的方法，其中所述自校正模块确定自校正模块无法补偿所述传感器响应中的变化，使所述传感器阵列在一预定时间内停止处理数据，向所述传感器阵列报告错误，并且如果连续错误的数目大于预定数目那么不会再次开始处理数据。

7.如权利要求1所述的方法，其中所述浓度计算模块为每个预测模型计算气体浓度输出和容差极限。

8.一种用于把金属氧化物传感器阵列的响应转换为在所述传感器阵列周围所提供的多成分气体的组分和浓度的方法，所述方法包括：

提供自诊断模块来计算与相应预测模型相关联的品质因子并且确定所述传感器阵列的响应是否在优选范围之内，其中所述品质因子表明在那时的传感器输入组是否适于安全地应用定量算法；并且

提供浓度计算模块以便计算来自每个预测模型的气体浓度输出、相应的容差极限以及通过借助相应的品质因子来加权来自所述预测模型的输出并且确定加权的容差极限所确定的气体浓度输出，使得具有最低容差极限的气体浓度输出可以作为多成分气体的实际组分和浓度被报告。

Images