CN114077848B - 一种新型传感器阵列板及其混合气体分析方法 - Google Patents

Abstract

本发明提供的一种新型传感器阵列板及其混合气体分析方法，涉及气体环境监测技术领域，包括主板、主处理器和至少两种气体传感器探头组件；气体传感器探头组件通过组件接插头与母座连接；主板包括多通道数据切换开关；主处理器内设置有用于对气体进行定性识别和定量分析的定性定量分析模块；气体传感器探头组件通过多通道数据切换开关连接定性定量分析模块。本发明中新型传感器阵列板通过即插即用、标准化数字接口的设计，使产品的可扩展性增强、调试与维护更便捷；此外，混合气体分析方法通过LDA结合M‑RVM和MVRVM算法实现对混合气体定性识别和定量分析。

Description

一种新型传感器阵列板及其混合气体分析方法

技术领域

本发明涉及气体环境监测技术领域，尤其涉及一种新型传感器阵列板及其混合气体分析方法。

背景技术

随着国家对环境治理的要求越来越高，气体环境监测领域近年来也迎来了快速发展期；越来越多的环境在线监测设备取代了传统的现场采样、实验室检测的方式。在线监测设备对污染源排放企业或重点区域的环境参数进行实时采样及数据分析，通过专业的数据采集仪将现场监测数上传到污染源监测平台，方便相关管理人员对重点区域的环境数据实时监管，更为及时发现突发性气体泄露等环境污染事件提供了技术支持。

虽然环境在线监测设备具有方便、快捷、成本低于实验室设备等诸多优点，但环境在线监测设备的测量精度、适用范围很难与实验室设备相媲美，由于设备安装在环保现场，需要面对的各种各样的复杂环境，当前，很多大厂的环境在线监测设备均建设环境分析小屋，通过采样泵将样气采样到仪器中进行分析，但专业的分析小屋工程造价高，增加了企业的负担；对于大多数中小企业以及中小型设备来说，如何在复杂环境中得到相对准确的测量结果，一直是在线监测设备努力发展的方向。

中小型气体在线监测设备因其成本低、应用方便，设备维护方便，适用范围广，近年来市场占有率逐年增高，但此类设备的应用仍存在一些问题难以解决：工业现场气体成分复杂，普通传感器对不同气体均有交叉响应问题，对气体浓度的检测结果造成干扰；针对某些类型气体，只能通过实验室设备或大型设备进行采样监测，当前没有专门对应的传感器对其进行定量测量，如苯系物、醇类化合物等；大部分设备只能针对特定的气体进行定量测量，无法对混合气体进行定性分析。

此外，传统的传感器阵列板大都采用多个MOS型传感器采集物理信号，且采用模拟量信号直读的方式进行设计，当某个传感器出现信号故障时，只能更换整个阵列板；同时，由于MOS型信号的读取方式相同，在设计阶段，如果需采用不同信号类型如光电离子、电化学、催化燃烧等传感器进行信号采集及模式训练，则需重新设计阵列板，造成了资源的浪费。

发明内容

本发明的技术问题是提供一种新型传感器阵列板及其混合气体分析方法，能够实现传感器的即插即用，按需配置，且能综合实现对气体的定性分析和定量分析。

为实现上述目的，本发明采取的技术方案为：

一种新型传感器阵列板，包括主板、主处理器和至少两种气体传感器探头组件；气体传感器探头组件通过组件接插头与母座连接；主板包括多通道数据切换开关；主处理器内设置有用于对气体进行定性识别和定量分析的定性定量分析模块；气体传感器探头组件通过多通道数据切换开关连接定性定量分析模块。

进一步地，定性定量分析模块通过LDA结合M-RVM方法和MVRVM方法对气体进行定性识别和定量分析。

一种新型传感器阵列板的混合气体分析方法，包括以下步骤：S1进行数据采集与预处理，形成待测训练样本矩阵；S2进行M-RVM分类模型训练；S3进行MVRVM回归模型训练。S4对待测样本进行分析。

进一步地，S1包括：S11气体通过动态稀释仪产生多组不同浓度的标气，每组浓度重复采样同等次数，主处理器采集不同通道的各气体传感器探头组件的响应数据；S12对采集到的相应数据进行归一化处理，形成待测训练样本矩阵。

进一步地，S2包括：S21对S1得到的待测训练样本矩阵进行LDA特征提取，得到样本特征矩阵；S22在样本特征矩阵引入数据标签，建立样本训练集；S23将样本训练集代入到M-RVM分类模型中，选择poly核函数，采用粒子群优化法对核参数进行调优，求出M-RVM分类相关向量；S24将样本训练集代入M-RVM分类相关向量，求出待测样本的输出概率矩阵，得出气体定性识别结果，输出相应的气体分类标签。

进一步地，S3包括：S31获取S1得到的待测训练样本矩阵；S32建立 MVRVM回归模型，选用gauss核函数，通过交叉验证法对核参数取值进行调优；S33结合气体分类标签，形成气体回归模型。

进一步地，S4包括：S41对待测气体进行数据采集、信号预处理，形成待测样本矩阵；S42通过LDA特征提取，获得待测样本特征矩阵；S43将待测样本特征矩阵代入M-RVM分类相关向量，求出待测样本的输出概率矩阵，判别后输出相应气体类型标签；S44查找对应气体类型的气体回归模型，输入待测样本进行定量分析；S45输出气体浓度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未刻意按照比例绘制附图，重点在于示出本发明的主旨。

图1是本发明实施例1提供的一种新型传感器阵列板的系统架构框图；

图2是本发明实施例1提供的一种新型传感器阵列板的简要结构示意图；

图3是本发明实施例1提供的气体传感器探头组件的简要结构示意图；

图4是本发明实施例1提供的一种新型传感器阵列板的混合气体分析方法的流程图；

图5是本发明实施例1提供的一种新型传感器阵列板的实施流程图。

具体实施方式

下面结合附图和具体的实施例对本发明作进一步的说明，但是不作为本发明的限定。

工业现场气体成分复杂，普通传感器对不同气体均有交叉敏感响应，导致设备检测结果失真；部分环保领域要求监测的气体成分，只能通过实验室设备或大型设备进行采样分析，没有专门对应的传感器对其进行定量测量，如臭气、苯系物、醇类化合物等；大部分监测设备仅能针对某种特定气体类型进行定量分析，无法对混合气体进行定性识别。

且传感器阵列板大都采用固定式阵列设计，很难应对各种类型气体的检测，且当某一个传感器故障后，往往需要更换整个传感器阵列板，成本大，同时，相应的数据算法仍有较大的优化空间。

本发明提出的一种新型传感器阵列板及混合气体分析方法，如图1及图3 所示，包括气体传感器探头组件01、主板02、主处理器03；气体传感器探头组件01包括至少两种传感器；气体传感器探头组件包含传感器10、信号检测电路11、组件接插头12三部分。气体传感器探头组件01通过组件接插头12 与母座连接；主板02包括多通道数据切换开关；主处理器03内设置有用于对气体进行定性识别和定量分析的定性定量分析模块；气体传感器探头组件01通过多通道数据切换开关连接定性定量分析模块。

本实施例提供的新型传感器阵列板的主板02最多支持8通道气体传感器探头组件；气体传感器探头组件01可以为光电离子化合物传感器组件、电化学传感器组件、催化燃烧传感器组件、红外传感器组件及金属氧化物半导体传感器组件等，支持各种不同类型的传感器信号采集；使用者可根据目标气体类型，选择应用相应传感器组件类型和数量。本发明具体选用一个光电离子化PID传感器和七个不同类型的金属氧化物半导体MOS气体传感器组合采集物理信号；其中，PID传感器是一种广谱型传感器，对多大部分挥发性有机气体都有良好的响应，但是无法区分气体的类别，具有响应速度快，重复性好、灵敏度高的特点；MOS气体传感器同为广谱型传感器，具备响应速度快，性能稳定，成本较低的特点。

在具体实施时，如图1所示：单个新型气体传感器阵列板包含8个6芯DIN 端子连接母座，可插接八路气体传感器探头组件20；多通道数据切换开关包含两个通道选择芯片，用于完成多通道数据通讯转换，且通过6芯S端子与主处理器进行通讯。其中，信号检测电路包含线性电源010、信号前置放大电路012、 AD信号采集芯片013、EEPROM数据存储芯片014；主处理器03与主板02通过数字信号进行通讯。

在设计过程中，环保现场所测气体种类繁多，但针对不同类型的气体检测手段却大不相同，使用者可根据技术要求，选择最适合的传感器组件的组合，从而获得最优解决方案；在应用过程中，当某个气体传感器探头组件发生故障时，主处理器03可获得相应通道的非应答信号，由此可迅速排查故障来源，通知使用者将发生故障的传感器组件替换；由此实现即插即用、标准化数字接口的设计，使产品的可扩展性增强、调试与维护更便捷；定性定量分析模块通过 LDA结合M-RVM和MVRVM算法实现对混合气体定性识别和定量分析。

混合气体分析模型训练方法包括两个主要步骤：M-RVM分类模型训练、 MVRVM回归模型训练；其中：M-RVM分类模型训练过程选用了LDA进行数据降维，完成特征提取。

M-RVM分类模型训练过程如下：

1.数据采集和预处理(100、110)

如附图4-100所述：气体均通过动态稀释仪产生24组种不同浓度的相应标气，每种浓度重复采样6次，主处理器采集8个通道传感器响应数据。

如附图4-110所述，对采样信号进行归一化处理，使得传感器的输出数据在 [0，1]之间，减少不同量纲之间的影响；

将处理过的数据组成训练样本X_train，其中，p＝8，代表传感器个数；m＝144；

2.LDA特征提取(120)：

由于传感器对不同气体的响应存在交叉影响，因此得到的样本数据存在不同程度的数据冗余，通过对训练数据进行特征提取，然后根据训练数据的累计贡献率来求解检测数据，特征提取后的训练矩阵为X_t'_rain。q为特征提取后的数据维度，则q<p；

LDA算法实现流程如下：

数据集D＝{(x₁,y₁),(x₂,y₂),……,(x_m,y_m)},y_i∈{C₁,C₂,……,C_k}，其中任意样本x_i为 n维向量；令N_i、X_i、μ_i、Σ_i分别表示第i类样本的个数、集合、均值向量、协方差矩阵，μ为所有数据点的平均值。

(1)计算各类样本的均值向量μ_i

(2)计算类内散度矩阵S_w

(3)计算类间散度矩阵S_b

(4)计算矩阵

(5)对变换矩阵

进行求解，计算最大d个特征值和对应的d个特征向量，得到投影矩阵W

(6)对样本集中的每一个样本特征x_i，转化成新的样本Z_i＝W^Tx_i

(7)得到输出样本集D'＝{(z₁,y₁),(z₂,y₂),……,(z_m,y_m)}

3.M-RVM分类训练130：

设y_train为输入标签，是0和1组成的三维向量，特征提取后得到的训练数据集x_t'_rain，建立训练样本集{x_t'_rain,y_train}；选择合适的核函数矩阵K∈R^N×N，K的元素为k_n＝[k(x₁,x_n),k(x₂,x_n)……，k(x_n,x_n)]^T及参数，特别的，本发明实施例选用poly多项式核函数，同时，通过粒子群优化法对核参数进行调优；通过M-RVM方法建立训练模型，求出M-RVM分类相关向量，通过此训练模型可实现对气体的定性识别；

基于MVRVM进行回归模型训练过程如下：

1获取训练样本

设训练样本

和t⁽ⁿ⁾∈R^1×m分别表示第n组训练样本和目标向量，其中p表示传感器个数；m表示输出浓度值，N是训练样本的个数。

2建立MVRVM回归模型、确定训练参数：

y⁽ⁿ⁾＝φ[x⁽ⁿ⁾]·W

其中，y⁽ⁿ⁾＝[y₁,y₂,……y_M],y⁽ⁿ⁾∈R^1×M代表MVRVM模型第n组预测值输出向量；设MVRVM模型优化后的权值矩阵为

其中 RV表示数据相关个数，RV≤N，则：

代表第n组数据的核映射矩阵；

如附图4-111所述：选择gauss核函数也称高斯径向基函数作为核函数：

其中，σ²表示核参数；通过交叉验证法对核参数进行调优，此不赘述；

如附图4所示，为本发明实施例提供的混合气体分析方法，主要包括气体定性识别模式训练和定量检测模式训练两部分过程；

气体定性识别模式训练流程如下：

基于新型传感器阵列板，选用一个光电离子化合物传感器组件及七个金属氧化物半导体组件；其中，金属氧化物半导体组件选用七种不同型号的传感器，根据传感器对气体响应时间、灵敏度、选择性的不同，分析其响应数据，达到预期结果；

准备好需要识别的气体标气(一种或多种)，通过动态稀释仪，产生24组种不同浓度的相应标气，每种浓度重复采样6次100。分别采集八个传感器的响应信号，对信号进行归一化处理，使输出数据在[0，1]之间，减少不同量纲之间的影响；将处理过的信号组成训练样本矩阵X_train 110；

LDALinearDiscriminantAnalysis特征提取120，属于监督的方法，将高维的模式样本投影到矢量空间中，达到特征提取及压缩特征空间维度的目的，通过计算子空间的最大类间距离和最小类内距离，使模式在空间中的分离性最佳。通过LDA特征提取，得到特征样本矩阵X_t'_rain；

M-RVM分类器训练130，假设训练目标有三种气体，分别用三维向量[0,0,1]^T， [0,1,0]^T，[1,0,0]^T表示样本类别，形成输入样本标签y_train；建立样本训练集{x_t'_rain,y_train}，分别将样本训练集带入到M-RVM分类模型中，选择poly核函数如下：

K(x,y)＝(x·y+c)^d

其中，d和c是两个超参数。这两个参数对模型的分类结果影响很大，因此, 采用粒子群优化法对其进行调优设计(131)，通过训练，求出M-RVM分类相关向量(140)；

气体定量检测模式训练流程如下：

数据采集并进行预处理，获取训练样本110；训练样本与目标向量形成气体定量检测训练样本；建立MVRVM回归模型y⁽ⁿ⁾＝φ[x⁽ⁿ⁾]·W，选择gauss核函数也称高斯径向基函数作为核函数，通过交叉验证法对核参数进行调优设计111，通过MVRVM训练优化后，可确定权值矩阵

确定气体回归模型。

如附图5混合气体定性-定量分析方法应用实施流程图，完成模式训练后，可进行待测样本的分析；

对待测气体进行数据采集、信号预处理，形成待测样本矩阵X_mea200；通过 LDA特征提取210，获得待测样本特征矩阵X'_mea；将X'_mea带入M-RVM分类相关向量220，可求出待测样本的输出概率矩阵，由此得出定性识别的数学统计结果，输出相应的气体类别标签230，实现了待测气体定性的识别；通过气体类别标签，可查找相应的气体回归模型，将待测样本矩阵X_mea输入已训练好的模型中进行定量分析240；

假设有待测样本x_mea∈R^p×q,q表示传感器的个数，则MVRVM模型的多变量输出y_mea∈R^p×M,M表示多种目标气体，误差向量由矩阵σ_y的对角线元素表示， RV表示相关向量的个数，其表达式为：

超参数经多次迭代，很多数据对应的权值趋向于0，导致向量的个数大大减少，从而实现模型的稀疏化，最终输出待测气体类型对应的气体浓度，实现了混合气体浓度的检测。

以上对本发明的较佳实施例进行了描述；需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容；因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (7)

1.一种新型传感器阵列板，其特征在于，包括主板、主处理器和至少两种气体传感器探头组件；所述气体传感器探头组件通过组件接插头与母座连接；所述主板包括多通道数据切换开关；所述主处理器内设置有用于对气体进行定性识别和定量分析的定性定量分析模块；所述气体传感器探头组件通过所述多通道数据切换开关连接所述定性定量分析模块，所述新型传感器阵列板包含8个6芯DIN端子连接母座，可插接八路气体传感器探头组件；气体传感器探头组件包含传感器、信号检测电路、组件接插头三部分，多通道数据切换开关包含两个通道选择芯片，通过6芯S端子与主处理器进行通讯；所述信号检测电路包含线性电源(010)、信号前置放大电路(012)、AD信号采集芯片(013)、EEPROM数据存储芯片(014)；主处理器(03)与主板(02)通过数字信号进行通讯。

2.如权利要求1所述的一种新型传感器阵列板，其特征在于，所述定性定量分析模块通过LDA结合M-RVM方法和MVRVM方法对气体进行定性识别和定量分析。

3.一种新型传感器阵列板的混合气体分析方法，基于权利要求1或2任一所述的一种新型传感器阵 列板，其特征在于，包括以下步骤：

S1进行数据采集与预处理，形成训练样本矩阵；

S2进行M-RVM分类模型训练；

S3进行MVRVM回归模型训练；

S4对待测样本进行分析。

4.如权利要求3所述的一种新型传感器阵列板的混合气体分析方法，其特征在于，所述S1包括：

S11气体通过动态稀释仪产生多组不同浓度的标气，每组浓度重复采样同等次数，主处理器采集不同通道的各气体传感器探头组件的响应数据；

S12对采集到的相应数据进行归一化处理，形成训练样本矩阵。

5.如权利要求3或4所述的一种新型传感器阵列板的混合气体分析方法，其特征在于，所述S2包括：

S21对S1得到的待测训练样本矩阵进行LDA特征提取，得到样本特征矩阵；

S22在样本特征矩阵引入数据标签，建立样本训练集；

S23将样本训练集代入到M-RVM分类模型中，选择poly核函数，采用粒子群优化法对核参数进行调优，求出M-RVM分类相关向量；

S24将样本训练集代入M-RVM分类相关向量，求出待测样本的输出概率矩阵，得出气体定性识别结果，输出相应的气体分类标签。

6.如权利要求5所述的一种新型传感器阵列板的混合气体分析方法，其特征在于，所述S3包括：

S31获取S1得到的训练样本矩阵；

S32建立MVRVM回归模型，选用gauss核函数，通过交叉验证法对核参数取值进行调优；

S33结合气体分类标签，形成气体回归模型。

7.如权利要求6所述的一种新型传感器阵列板的混合气体分析方法，其特征在于，所述S4包括：

S41对待测气体进行数据采集、信号预处理，形成待测样本矩阵；

S42通过LDA特征提取，获得待测样本特征矩阵；

S43将待测样本特征矩阵代入M-RVM分类相关向量，求出待测样本的输出概率矩阵，判别后输出相应气体类型标签；

S44查找对应气体类型的气体回归模型，输入待测样本进行定量分析；

S45输出气体浓度。

Images