CN114791444A - 一种定量h2与co气体的二氧化锡型传感器及方法 - Google Patents
一种定量h2与co气体的二氧化锡型传感器及方法 Download PDFInfo
- Publication number
- CN114791444A CN114791444A CN202210446967.7A CN202210446967A CN114791444A CN 114791444 A CN114791444 A CN 114791444A CN 202210446967 A CN202210446967 A CN 202210446967A CN 114791444 A CN114791444 A CN 114791444A
- Authority
- CN
- China
- Prior art keywords
- gas
- temperature
- heating element
- sensor
- sensitive element
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XOLBLPGZBRYERU-UHFFFAOYSA-N tin dioxide Chemical compound O=[Sn]=O XOLBLPGZBRYERU-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010438 heat treatment Methods 0.000 claims abstract description 67
- 230000008859 change Effects 0.000 claims abstract description 31
- 239000000463 material Substances 0.000 claims abstract description 16
- 238000007650 screen-printing Methods 0.000 claims abstract description 7
- 239000011858 nanopowder Substances 0.000 claims abstract description 4
- 239000002184 metal Substances 0.000 claims abstract description 3
- 229910052751 metal Inorganic materials 0.000 claims abstract description 3
- 239000000919 ceramic Substances 0.000 claims abstract 2
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 229910006404 SnO 2 Inorganic materials 0.000 claims description 15
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims description 10
- 238000011002 quantification Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 229910052697 platinum Inorganic materials 0.000 claims description 5
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- WUOACPNHFRMFPN-UHFFFAOYSA-N alpha-terpineol Chemical compound CC1=CCC(C(C)(C)O)CC1 WUOACPNHFRMFPN-UHFFFAOYSA-N 0.000 claims description 3
- 229920002678 cellulose Polymers 0.000 claims description 3
- 239000001913 cellulose Substances 0.000 claims description 3
- SQIFACVGCPWBQZ-UHFFFAOYSA-N delta-terpineol Natural products CC(C)(O)C1CCC(=C)CC1 SQIFACVGCPWBQZ-UHFFFAOYSA-N 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000005245 sintering Methods 0.000 claims description 3
- 239000002002 slurry Substances 0.000 claims description 3
- 238000002336 sorption--desorption measurement Methods 0.000 claims description 3
- 229940116411 terpineol Drugs 0.000 claims description 3
- 239000011268 mixed slurry Substances 0.000 claims description 2
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 claims description 2
- 229920002554 vinyl polymer Polymers 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 2
- 238000010304 firing Methods 0.000 claims 1
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 230000005251 gamma ray Effects 0.000 claims 1
- 230000009467 reduction Effects 0.000 claims 1
- 238000001179 sorption measurement Methods 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- 230000004044 response Effects 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 3
- 239000004973 liquid crystal related substance Substances 0.000 abstract description 2
- 229910044991 metal oxide Inorganic materials 0.000 abstract description 2
- 150000004706 metal oxides Chemical class 0.000 abstract description 2
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 abstract description 2
- 239000004065 semiconductor Substances 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 98
- 239000011540 sensing material Substances 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000010409 thin film Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000003795 desorption Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 239000011195 cermet Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003980 solgel method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/125—Composition of the body, e.g. the composition of its sensitive layer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electrochemistry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明涉及金属氧化物半导体型气体传感器领域，提供了一种定量H2与CO气体的二氧化锡型传感器及方法，传感器包括加热元件、气敏元件、热敏元件和微处理器；加热元件为内嵌金属陶瓷外罩氧化铝的平板式结构；气敏元件为利用气敏材料纳米粉末经丝网印刷后高温烧制在加热元件一侧的薄膜；热敏元件在加热元件的另一侧，反馈气敏元件温度信号；微处理器控制加热元件温度变化，接收气敏元件和热敏元件信号，并根据气体识别非线性模型解算气体的种类及浓度值。本发明气敏元件、加热元件和热敏电阻一体化，满足响应信号在温度变化上快速响应；利用气体吸附差异识别气体；通过信号采集、转换与液晶屏结合，快速、直观地给出检测结果。
Description
技术领域
本发明涉及金属氧化物半导体型气体传感器领域，特别涉及一种定量H2与CO气体的二氧化锡型传感器及方法。
背景技术
SnO2气体传感器，与其它的传感器相比，具有结构简单、灵敏度高、制作成本低和使用寿命长等优点，被广泛用于各种易燃、易爆、有害等气体浓度检测，其使用量逐年增加。
工作原理：是通过被测气体与气敏材料表面吸附气体作用放出或获得电子，导致材料的导电性能发生变化，来判断被测气体有无与浓度高低。理论上讲，从吸附的气体种类和分子个数可以推断出电子得失量，如：
H2+O2-＝H2O+2e (1)
CO+O2-＝CO2+2e (2)
但反过来单从气敏材料导电性能变化鉴别气体种类和定量浓度是不可能的。
现有解决的途径有：
(1)通过SnO2材料内负载和掺杂，改善对特定气体吸附性能，以提高特定气体的选择性。但是，遇到像H2和CO都是较强的还原性气体，尽管修饰后低浓度下H2响应值比CO大近10倍，但识别和消除影响是非常困难的，特别是在浓度变化较大的情况。
(2)近年来，有人尝试通过温度调制，依据不同温度下气体在材料表面吸附与脱附上差异识别气体的研究，有一些成功的报道。但是，应用后者中气敏元件温度变化准确控制是其难点，还未见有应用报道。
发明内容
本发明的目的是至少克服现有技术的不足之一，提供了一种定量H2与CO气体的二氧化锡型传感器及方法，依据不同温度及温变过程气体在SnO2及其改性材料表面吸附与脱附规律，来识别气体种类和定量其含量。主要解决了四个关键性问题：
(1)通过薄片加热元件上丝网印刷制作SnO2薄膜，解决了快速升温、降温和气敏元件的温度跟随性问题；
(2)通过PID控温技术，实现了快速稳定升温-恒温-降温过程，解决了环境变化对气敏元件的干扰问题；
(3)通过优化信号采集与控制模块配置，实现了数据快速传输、转换与显示，解决了信号失真问题；
(4)结合BP人工神经网络，优化出温度变化上电阻与气体浓度非线性参数矩阵，解决了气体识别与定量问题。
本发明采用如下技术方案：
一方面，本发明提供了一种定量H2与CO气体的二氧化锡型传感器，包括加热元件、气敏元件、热敏元件和微处理器；
所述加热元件，为内嵌金属陶瓷外罩氧化铝的平板式结构，引出正、负极为加热控制端；
所述气敏元件，为利用气敏材料纳米粉末经丝网印刷后高温烧制在所述加热元件一侧的薄膜；在所述气敏元件和所述加热元件之间设置叉指电极，引出所述气敏元件的正、负极测量端；
所述热敏元件，设置在所述加热元件的另一侧，用以反馈所述气敏元件的温度信号；
所述微处理器，控制所述加热元件的温度变化，接收所述气敏元件和所述热敏元件的信号，并根据气体识别非线性模型，解算出所检测气体的种类及浓度值。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述气敏材料为SnO2，或SnO2中掺杂NiO。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述气敏元件和所述加热元件一体化制备，具体制备方法为：
在所述加热元件表面一侧通过丝网印刷使铂浆成型，800±10℃烧制成叉指电极；同样使气敏材料浆料成型，600±10℃烧结4h，制备得到薄膜型的所述气敏元件；所述气敏材料浆料为气敏材料、松油醇和乙烯纤维素的混合浆料。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述气体识别非线性模型具体为：
设置多个不同的温度水平、温变过程和气氛，通过实验获得在不同浓度的气氛下，不同温度水平下的电阻值、及不同温变过程下的变温跟随时间，形成训练样本数据；利用BP神经网络算法，以误差逆传播训练参数，得到最优BP神经网络算法参数。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述传感器还包括储存器及显示器，所述微处理器将测定时间、加热元件温度、气敏元件电阻和气氛浓度数据储存在储存器内，或同时实时将数据显示于显示器。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述加热元件温度信号，通过Rt采集Ux，计算出加热元件的工作温度；所述气敏元件的电阻信号，通过SensingCell采集UL，获得气敏元件的电阻值；所述加热元件温度控制时，供给电压U(t)与跟踪电压UH分别通过并联高值电阻两端提供。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述加热元件温度控制，由可调降压芯片、数字变阻器和微处理器来执行PID温控；
PID温控采用离散化增量形式：
Δun＝KP(en-en-1)+KIen+KD(en-2en-1+en-2)；
其中en是设定温度与第n次采集温度差值(Tset-Tn)，KP、KI和KD参数设置分别考虑控温精度、温度超调量、调节时间和抗干扰能力，计算出第n次输出电压增量Δun。
抗干扰来自于PID的工作原理，其中P为比例控制，I为积分控制，D为微分控制。简单的比例控制难以避免稳态误差。由于积分项对误差取决于时间的积分，随着时间的增加，积分项会增大。通过引入积分控制(I)，可以使系统在进入稳态后几乎无稳态误差；在微分控制中，控制器的输出与输入误差信号的微分(即误差的变化率)成正比关系。增加的是“微分项”，它能预测误差变化的趋势，这样就能够提前使抑制误差的控制作用等于零，甚至为负值，从而避免了被控量的严重超调。对有较大惯性或滞后的被控对象，能改善系统在调节过程中的动态特性。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述气体识别非线性模型，采用BP神经网络结构模型，依据温度水平和变温过程中气体在气敏元件上吸附-脱附差异，建立输入数据xi与输出数据yq两者之间的非线性关系：
式中，wij为输入层到隐含层的连接权值；θj为隐含层节点的阈值；xi为输入数据；vjq为隐含层到输出层的连接权值；hj为隐含层节点的输出；γq为输出层的阈值；p为隐含层节点数；yq为输出数据；f(·)为BP神经网络的激活函数。
根据式(3)、(4)识别出气体种类并计算出相应气体浓度。
另一方面，本发明还提供了一种定量H2与CO气体的方法，所述方法使用上述的定量H2与CO气体的二氧化锡型传感器，所述方法包括：
S1、建立气体识别非线性模型：设置多个不同的温度水平、温变过程和气氛，通过实验获得在不同浓度的气氛下，不同温度水平下的电阻值、及不同温变过程下的变温跟随时间，形成训练样本数据；利用BP神经网络算法，以误差逆传播训练参数，得到最优BP神经网络算法参数；
S2、将所述传感器置于待测气氛中，将加热元件上的温度信号和气敏元件上的电阻信号，经电路转换成电压信号Ux和UL，通过数模器转换成微处理器能识别的信号；经微处理器处理，输出加热电压u(t)给加热元件控制端，以满足气敏元件的工作温度；
S3、根据步骤S2得到的加热元件上的温度信号和气敏元件上的电阻信号，利用步骤S1得到的气体识别非线性模型，识别待测气体种类并求解相应浓度值。
如上所述的任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：
S4、将测定时间、加热元件温度、气敏元件电阻、气体种类和其他浓度数据储存在储存器内，或同时实时将数据显示于显示器。
本发明的有益效果为：通过薄膜气敏元件与加热元件一体化集成，结合增量PID方法控温，解决了升降温中气敏元件温度跟随性问题，同时提高了环境的抗干扰性；利用气体温度水平及其温度变化下吸附-脱附特性差异，借助于BP人工神经网络建立起响应值与气体浓度的非线性量化关系，解决了气敏材料对气体识别与定量的问题。
附图说明
图1所示为实施例中气敏元件与加热元件一体化示意图。
图2所示为实施例中信号采集、转换及其电路示意图。
图3所示为实施例中增量型PID控温原理示意图。
图4所示为实施例中BP神经网络结构模型图。
图5所示为NixSn1-xO2-x气敏材料的XRD谱线。
图6所示为实施例中PID控温执行软件程序框图。
图7所示为实施例中250℃下KP值对加热元件(a)和气敏元件(b)上温度和电流的影响图。
图8所示为实施例中不同CO和H2气氛下SnO2材料电阻随温度变化图。
具体实施方式
下文将结合具体附图详细描述本发明具体实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。
本发明实施例一种定量H2与CO气体的二氧化锡型传感器，气敏元件与加热元件集成于一体，加热元件是内嵌金属陶瓷外罩氧化铝的平板式结构(MCH，10×10×1.2mm)，引出正、负极为加热控制端；气敏元件是SnO2纳米粉末经丝网印刷后高温烧制在氧化铝平板一侧的薄膜，以强化气敏元件电阻值与加热元件温度的跟随性。两者之间夹有惰性金属叉指电极，引出气敏元件电阻的正、负极测量端；氧化铝平板的另一侧设置热敏电阻(Pt100)，以反馈气敏元件的温度信号，如图1所示。
在一个具体实施例中，所述定量H2与CO气体的二氧化锡型传感器的信号采集、转换和显示，是把加热元件上温度信号和气敏元件上电阻信号，经电路转换成电压信号(Ux和UL)，通过数模器转换成微处理器能识别的信号。经运行-控制软件对信号进行处理，输出加热电压u(t)给加热元件控制端，以满足气敏元件的工作温度，如图2所示。
在一个具体实施例中，所述定量H2与CO气体的二氧化锡型传感器，通过调节PID控温模型中比例参数(KP)、积分参数(KI)和微分参数(KD)以满足控温精度、温度变化速率和抗干扰能力；依据气敏元件上气体吸附-脱附在温度上差异，建立气体识别的非线性模型，以此识别气体种类并求解浓度值。PID控温模型采用离散化增量形式，即Δun＝KP(en-en-1)+KIen+KD(en-2en-1+en-2)，其中en是设定温度与第n次采集温度差值(Tset-Tn)，KP、KI和KD参数设置主要考虑控温精度、温度超调量、调节时间和抗干扰能力，计算出第n次输出电压增量Δun，如图3所示。气体识别与定量，采用BP神经网络结构模型，如图4所示，依据温度水平和变温过程中气体在气敏元件上吸附-脱附差异，建立输入数据xi与输出数据yq两者之间的非线性关系：
式中，wij为输入层到隐含层的连接权值；θj为隐含层节点的阈值；xi为输入数据；vjq为隐含层到输出层的连接权值；hj为隐含层节点的输出；γq为输出层的阈值；p为隐含层节点数；y为输出数据；f(·)为BP神经网络的激活函数。以此，识别出气体种类并计算出相应气体浓度。
在一个具体实施例中，定量H2与CO气体的二氧化锡型传感器，数据储存与显示，数据储存是把测定时间、加热元件温度、气敏元件电阻和气体浓度等储存在U盘，同时把瞬时数据显示在液晶屏。如图2所示，把电阻和温度信号转换成电压信号，它是通过数模转换器转换获得数字量传给微处理器读取，建立数字(N)与电压(U)对应关系，即U＝f(N)或N＝f(U)换算处理。数据储存与显示，是把测定时间、加热元件温度、气敏元件电阻和气体组分定量计算结果等通过串行接口连接U盘储存或液晶模块显示出瞬时数据。
实施例1
一、气敏材料制备
为获得纳米级粉末，采用了溶胶-凝胶法，制备出SnO2和NiO掺杂SnO2三维聚合物或颗粒空间结构的凝胶，以2℃/min升温速率升温至500℃焙烧2h得到气敏材料，它的XRD谱线，如图5所示。
二、加热元件与气敏元件一体化
以氧化铝金属陶瓷片为加热元件(10×10×1.2mm)，表面一侧通过丝网印刷使铂浆成型，800℃烧制成叉指电极，同样使气敏材料浆料(气敏材料+松油醇+乙烯纤维素)成型，600℃烧结4h，构成薄膜气敏元件，如图1中(a)所示；表面另一侧，粘附一个热敏电阻(2×2×0.5mm)作为测温元件，如图1中(b)所示。
三、信号采集与输出
加热元件(heatingcell，图2)温度信号，通过Rt采集Ux，计算出工作温度，当Rt取Pt100，其电阻
RT＝100×(1+3.908×10-3T-5.802×10-7T2) (5)
其中T为工作温度，℃。气敏元件(sensingcell)电阻信号，通过SensingCell采集UL，获得其电阻值，计算出气敏元件上测量气体响应值R＝Ra/Rg，其中Ra，Rg分别对应空气和测量气体的电阻值。加热元件控温，供给电压U(t)与跟踪电压UH，分别通过运行软件-控温硬件提供和通过并联高值电阻两端提供。
四、加热元件的温度控制
由可调降压芯片、数字变阻器和微处理器来执行PID软件温控程序，如图6所示，完成控温过程。其中，PID运算包括KP、KI和KD参数调节，如图7中(a)所示，给出加热元件从室温升温至250℃到恒温曲线，达到稳定温度时间17s。对应的空气中SnO2气敏元件上的电流变化，如图7中(b)所示，这里电流与电阻变化趋势一致的。
五、建立非线性温度调制参数与浓度定量联系
研究表明，多组元气体吸附响应值与浓度之间是非线性关系，建立解析式非常困难。本发明借助于1986年Rumelhart等提出BP(BackPropagation)神经网络算法，如图4所示，以误差逆传播训练参数，利用它的良好的容错性、自适应性和非线性处理特性。
取五个温度水平、八个温变过程和15个气氛，如表1所示，其中0为空气，气流速率1.57×10-2m/s，典型的实验结果如图8所示。从中，可提取恒温的电阻值(5个:R200＝R1x,R250＝R2x,R300＝R3x,R350＝R4x,R400＝R5x)和变温跟随时间，即升降温过程中电阻值变化和温度变化达到稳定值90％所用的时间差(8个:t200℃→250℃＝t1x,t250℃→300℃＝t2x,t300℃→350℃＝t3x,t350℃→400℃＝t4x,t400℃→350℃＝t5x,t350℃→300℃＝t6x,t300℃→250℃＝t7x,t250℃→200℃＝t8x)组成矩阵A，下标x＝a,b,…,o,对应15组浓度矩阵B，包括H2、CO即组合浓度，ppm。图8对应浓度x＝a,e,h,j,l,n。
表1建立参数矩阵的实验条件
A、B矩阵为训练样本数据(即输入数据)，通过以上实验数据获得。根据BP神经网络结构模型(图4)，通过激活函数进行转换。式(3)和式(4)中，激活函数f()取Tanh：
通过误差函数进行优化：
训练权值wij和vjq,直至满足设定误差要求。
对于SnO2材料，设定相对误差2％，取10个隐含层神经元，获得wij和vjq系数矩阵：
和
以及
然后，通过变温模式下电阻值和跟随时间矩阵C，求出待求气体浓度矩阵D(输出数据)。
为了验证它的可行性，分别应用于SnO2和NiO掺杂SnO2材料，如表2所示，在0-1000ppm范围H2、CO以及H2+CO混合气体中最大相对误差仅有2.32％。
表2采用不同气敏材料预测结果
本发明气敏元件、加热元件和热敏电阻一体化，满足响应信号在温度变化上快速响应；PID控温与信号采集模块结合，获得快速、稳定的温度环境，同时抗干扰性强；特别是，能利用气体吸附上差异识别气体，解决这类传感器的选择性。最后，通过信号采集、转换与液晶屏结合，快速、直观地给出检测结果。
本文虽然已经给出了本发明的几个实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。
Claims (10)
1.一种定量H2与CO气体的二氧化锡型传感器，其特征在于，所述传感器包括加热元件、气敏元件、热敏元件和微处理器；
所述加热元件，为内嵌金属陶瓷外罩氧化铝的平板式结构，引出正、负极为加热控制端；
所述气敏元件，为利用气敏材料纳米粉末经丝网印刷后高温烧制在所述加热元件一侧的薄膜；在所述气敏元件和所述加热元件之间设置叉指电极，引出所述气敏元件的正、负极测量端；
所述热敏元件，设置在所述加热元件的另一侧，用以反馈所述气敏元件的温度信号；
所述微处理器，控制所述加热元件的温度变化，接收所述气敏元件和所述热敏元件的信号，并根据气体识别非线性模型，解算出所检测气体的种类及浓度值。
2.如权利要求1所述的定量H2与CO气体的二氧化锡型传感器，其特征在于，所述气敏材料为SnO2，或SnO2中掺杂NiO。
3.如权利要求2所述的定量H2与CO气体的二氧化锡型传感器，其特征在于，所述气敏元件和所述加热元件一体化制备，具体制备方法为：
在所述加热元件表面一侧通过丝网印刷使铂浆成型，800±10℃烧制成叉指电极；同样使气敏材料浆料成型，600±10℃烧结4h，制备得到薄膜型的所述气敏元件；所述气敏材料浆料为气敏材料、松油醇和乙烯纤维素的混合浆料。
4.如权利要求1所述的定量H2与CO气体的二氧化锡型传感器，其特征在于，所述气体识别非线性模型具体为：
设置多个不同的温度水平、温变过程和气氛，通过实验获得在不同浓度的气氛下，不同温度水平下的电阻值、及不同温变过程下的变温跟随时间，形成训练样本数据；利用BP神经网络算法，以误差逆传播训练参数，得到最优BP神经网络算法参数；所得最优BP神经网络模型即为所述气体识别非线性模型。
5.如权利要求1所述的定量H2与CO气体的二氧化锡型传感器，其特征在于，所述传感器还包括储存器及显示器，所述微处理器将测定时间、加热元件温度、气敏元件电阻和气氛浓度数据储存在储存器内，或同时实时将数据显示于显示器。
6.如权利要求1所述的定量H2与CO气体的二氧化锡型传感器，其特征在于，所述加热元件温度信号，通过Rt采集加热元件电压Ux，计算出加热元件的工作温度；所述气敏元件的电阻信号，通过SensingCell采集气敏元件电压UL，获得气敏元件的电阻值；所述加热元件温度控制时，供给电压U(t)与跟踪电压UH分别通过并联高值电阻两端提供。
7.如权利要求6所述的定量H2与CO气体的二氧化锡型传感器，其特征在于，所述加热元件温度控制，由可调降压芯片、数字变阻器和微处理器来执行PID温控；
PID温控采用离散化增量形式：
Δun＝KP(en-en-1)+KIen+KD(en-2en-1+en-2)；
其中en是设定温度与第n次采集温度差值(Tset-Tn)，KP、KI和KD参数设置分别考虑控温精度、温度超调量、调节时间和抗干扰能力，计算出第n次输出电压增量Δun。
8.如权利要求4所述的定量H2与CO气体的二氧化锡型传感器，其特征在于，所述气体识别非线性模型，采用BP神经网络结构模型，依据温度水平和变温过程中气体在气敏元件上吸附-脱附差异，建立输入数据xi与输出数据yq两者之间的非线性关系：
式中，wij为输入层到隐含层的连接权值；θj为隐含层节点的阈值；xi为输入数据；vjq为隐含层到输出层的连接权值；hj为隐含层节点的输出；γq为输出层的阈值；p为隐含层节点数；m为输入数据总数；yq为输出数据；f(·)为BP神经网络的激活函数；
根据式(3)、(4)识别出气体种类并计算出相应气体浓度。
9.一种定量H2与CO气体的方法，其特征在于，所述方法使用如权利要求1-8任一项所述的定量H2与CO气体的二氧化锡型传感器，所述方法包括：
S1、建立气体识别非线性模型：设置多个不同的温度水平、温变过程和气氛，通过实验获得在不同浓度的气氛下，不同温度水平下的电阻值、及不同温变过程下的变温跟随时间，形成训练样本数据；利用BP神经网络算法，以误差逆传播训练参数，得到最优BP神经网络算法参数；所得最优BP神经网络模型即为所述气体识别非线性模型；
S2、将所述传感器置于待测气氛中，将加热元件上的温度信号和气敏元件上的电阻信号，经电路分别转换成电压信号，通过数模器转换成微处理器能识别的信号；经微处理器处理，输出加热电压u(t)给加热元件控制端，以满足气敏元件的工作温度；
S3、根据步骤S2得到的加热元件上的温度信号和气敏元件上的电阻信号，利用步骤S1得到的气体识别非线性模型，识别待测气体种类并求解相应浓度值。
10.如权利要求9所述的定量H2与CO气体的方法，其特征在于，所述方法还包括：
S4、将测定时间、加热元件温度、气敏元件电阻、气体种类和其他浓度数据储存在储存器内，或同时实时将数据显示于显示器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210446967.7A CN114791444A (zh) | 2022-04-26 | 2022-04-26 | 一种定量h2与co气体的二氧化锡型传感器及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210446967.7A CN114791444A (zh) | 2022-04-26 | 2022-04-26 | 一种定量h2与co气体的二氧化锡型传感器及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114791444A true CN114791444A (zh) | 2022-07-26 |
Family
ID=82462221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210446967.7A Pending CN114791444A (zh) | 2022-04-26 | 2022-04-26 | 一种定量h2与co气体的二氧化锡型传感器及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114791444A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116773616A (zh) * | 2023-08-25 | 2023-09-19 | 宁德时代新能源科技股份有限公司 | 气体传感器、电池、用电装置和气体浓度检测方法 |
| CN117929475A (zh) * | 2023-10-16 | 2024-04-26 | 成都汉威智感科技有限公司 | 一种1r1c集成氢气传感器结构 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2395563A1 (en) * | 2002-08-08 | 2004-02-08 | Faramarz Hossein-Babaei | Novel device and method for gas analysis |
| CN1588030A (zh) * | 2004-07-09 | 2005-03-02 | 大连理工大学 | 一种具有温湿补偿功能的便携式气体检测分析仪 |
| CN1945298A (zh) * | 2006-10-30 | 2007-04-11 | 北京科技大学 | 一种高碱度烧结矿主要矿物自动识别与定量方法 |
| CN112819158A (zh) * | 2021-02-05 | 2021-05-18 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
-
2022
- 2022-04-26 CN CN202210446967.7A patent/CN114791444A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2395563A1 (en) * | 2002-08-08 | 2004-02-08 | Faramarz Hossein-Babaei | Novel device and method for gas analysis |
| CN1588030A (zh) * | 2004-07-09 | 2005-03-02 | 大连理工大学 | 一种具有温湿补偿功能的便携式气体检测分析仪 |
| CN1945298A (zh) * | 2006-10-30 | 2007-04-11 | 北京科技大学 | 一种高碱度烧结矿主要矿物自动识别与定量方法 |
| CN112819158A (zh) * | 2021-02-05 | 2021-05-18 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
Non-Patent Citations (2)
| Title |
|---|
| LI-SHENG ZHANG ET AL.: "Investigation on gas sensing and temperature modulation properties of Ni2+ doped SnO2 materials to CO and H2", 《MATERIALS SCIENCE IN SEMICONDUCTOR PROCESSING》, vol. 142, 25 January 2022 (2022-01-25), pages 1 - 11 * |
| V. KRIVETSKIY ET AL.: "Selective detection of individual gases and CO/H2 mixture at low concentrations in air by single semiconductor metal oxide sensors working in dynamic temperature mode", 《SENSORS AND ACTUATORS B: CHEMICAL》, vol. 254, 17 July 2017 (2017-07-17), pages 502 - 513, XP085211439, DOI: 10.1016/j.snb.2017.07.100 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116773616A (zh) * | 2023-08-25 | 2023-09-19 | 宁德时代新能源科技股份有限公司 | 气体传感器、电池、用电装置和气体浓度检测方法 |
| CN116773616B (zh) * | 2023-08-25 | 2024-02-20 | 宁德时代新能源科技股份有限公司 | 气体传感器、电池、用电装置和气体浓度检测方法 |
| CN117929475A (zh) * | 2023-10-16 | 2024-04-26 | 成都汉威智感科技有限公司 | 一种1r1c集成氢气传感器结构 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114791444A (zh) | 一种定量h2与co气体的二氧化锡型传感器及方法 | |
| US4595485A (en) | Limiting electric current type oxygen sensor | |
| CN104897761A (zh) | 基于分等级In2O3敏感电极的YSZ基混成电位型NO2传感器及制备方法 | |
| US7028530B2 (en) | Gas detector | |
| CN102798651B (zh) | 共参比电极温控式CO2-SOx 集成气体传感器及其制备方法 | |
| CN206114577U (zh) | 一种气敏材料性能测试室 | |
| CN109001283B (zh) | 一种自恒温电化学片式气体传感器及其制备方法 | |
| CN105158315B (zh) | 基于nasicon的电流型nox传感器的制备方法 | |
| CN109946363A (zh) | 一种基于分等级多孔SnO2/Zn2SnO4敏感电极的C2H2传感器及其制备方法 | |
| CN118032873B (zh) | 一种硫化氢气体传感器及其制备工艺 | |
| CN101526494A (zh) | 基于Pt反应电极的气体传感器及温度补偿方法 | |
| CN106383161A (zh) | 基于Li3PO4‑Li4SiO4混合固体电解质的电势型气体传感器及其制备方法 | |
| CN102243195A (zh) | 电阻式二氧化氮气体传感器及利用该传感器制成的仪器 | |
| CN1007838B (zh) | 热气体氧分压测量传感器 | |
| CN102564887B (zh) | 一种可控高升温速率热天平 | |
| CN115792395A (zh) | 一种半导体型气体传感器气体选择性增强方法 | |
| CN110455889A (zh) | 基于YSZ和NiTiO3敏感电极的混成电位型乙醛传感器及其制备方法 | |
| CN2929719Y (zh) | 一种动态气敏光敏材料性能测试装置 | |
| CN111474215B (zh) | 一种半导体-固体电解质型双模式传感器及其在气体识别中的应用 | |
| CN202770799U (zh) | 一种固体电解质的电流型no2传感器 | |
| CN110618181A (zh) | La2CuMnO6为敏感电极的混成电位型丙酮传感器、制备方法及其应用 | |
| CN218512354U (zh) | 一种检测低浓度甲醛气体的传感器 | |
| AU2020104337A4 (en) | A Medium-low Temperature Self-thermostatic Electrochemical Chip Gas Sensor and Preparation Method Thereof | |
| CN2648442Y (zh) | 气体检测恒温电路 | |
| CN111422927A (zh) | 以NiGa2O4为敏感电极材料的YSZ基混成电位型NO2传感器及其制备方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |