CN117890440A - 一种基于信息熵的半导体气体传感器温控电压优化方法 - Google Patents
一种基于信息熵的半导体气体传感器温控电压优化方法 Download PDFInfo
- Publication number
- CN117890440A CN117890440A CN202410288280.4A CN202410288280A CN117890440A CN 117890440 A CN117890440 A CN 117890440A CN 202410288280 A CN202410288280 A CN 202410288280A CN 117890440 A CN117890440 A CN 117890440A
- Authority
- CN
- China
- Prior art keywords
- gas
- temperature control
- gas sensor
- humidity
- information entropy
- 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
- 239000004065 semiconductor Substances 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000007789 gas Substances 0.000 claims description 173
- 230000004044 response Effects 0.000 claims description 34
- 238000010438 heat treatment Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000012495 reaction gas Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000005316 response function Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明提供一种基于信息熵的半导体气体传感器温控电压优化方法，涉及半导体气体传感器技术领域，本发明通过动态温控电压参数、气体湿度参数、气体流速参数与半导体气体传感器响应信号信息熵之间的关系，并建立动态温控电压优化模型结合智能优化算法，从而实现温控电压参数的优化功能。改变了温控电压参数设置由人工专家凭条件实验设置的现状，提高了气体监测的工作效率。
Description
技术领域
本发明涉及半导体气体传感器技术领域，尤其涉及一种基于信息熵的半导体气体传感器温控电压优化方法。
背景技术
在对复杂气体环境的气体监测过程中，半导体气体传感器的动态温控电压参数和气体的湿度影响半导体气体传感器与气体分子的反应，进而影响半导体气体传感器响应信号所携带的信息反馈。尤其是不同的气体类型、传感器型号都有不同的信号响应特性。同一复杂气体环境的监测场景中，影响半导体气体传感器响应信号所携带的信息反馈差异，主要表现在加热波形高电平、低电平、占空比、周期、气体湿度、气体流速等参数。由于气体类型不同，气体湿度不同的情况下对应的合理的加热波形参数也不同。理论上，对复杂气体环境的监测过程中需要根据半导体气体传感器的特性和待监测气体的性质屈辱设置合理的动态温控电压，使半导体气体传感器的响应信号所携带信息反馈最适合当前的气体环境，进而提升气体实时监测效果，这一观点已被实验室研究者和工程应用这广泛接受呀。实际的复杂气体环境监测中有经验的操作人员一般会经过实验室条件实验固定给出当前场景下的合适的温控波形高电平、低电平、占空比、周期，但是不能实现根据其环境湿度和气体的流速的变换进行实时自决策的动态温控参数调整，并没有一种行之有效的人工智能方法，辅助操作人员有效判断此时的气体条件下最合适的动态温控电压参数。
现有技术下，不能实现根据其环境湿度的变换进行实时自决策的动态温控参数调整，并没有一种行之有效的人工智能方法，辅助操作人员有效判断此时的气体条件下最合适的动态温控电压参数。
发明内容
针对现有技术中，现有半导体气体传感器温控加热过程中加热波形和波形参数的设置主要依赖人工专家测试的问题，本发明提供一种基于联合信息熵的半导体气体传感器动态温控电压优化方法，本发明通过建立温控波形参数、气体湿度、气体流速和半导体气体传感器响应信号信息熵之间的关系，结合智能优化算法，推算出最适合当前气体环境条件下的温控电压波形类型和波形参数。
一种基于信息熵的半导体气体传感器温控电压优化方法，包括以下步骤：
步骤1：收集半导体气体传感器温控加热过程中的波形参数信息、气体湿度、气体流速数据，同时收集对应的半导体气体传感器温控响应信号；
步骤2：根据步骤1收集的数据建立样本库；
步骤3：计算响应信号信息熵，将样本库中的数据样本通过RBF神经网络回归算法拟合出温控加热波形参数、气体湿度参数、气体流速与响应信号信息熵之间的函数关系并以函数的形式保存；
步骤3.1：对样本库中的数据样本打乱顺序，随机排序，取其中一部分数据样本作为训练数据，剩余的数据样本作为测试数据；
步骤3.2：计算温控响应信号信息熵En(x)，设p(x)是响应信号的概率密度函数，其中x为响应信号值，通过RBF神经网络回归算法的响应函数f（）对数据进行拟合，并对拟合结果进行测试后，得温控加热波形参数、气体湿度参数、气体流速与响应信号信息熵之间的函数关系，高电平V H 、低电平V L 、占空比DC、周期T、气体流速S和湿度H与温控响应信号信息熵En(x)关系模型，有/>；
步骤4：基于智能优化算法，结合步骤3中的函数关系，确立优化原则，建立整体优化模型；
步骤4.1：确立具体的优化原则，包括优化目标以及约束条件；
其中优化目标为MaxEn，即温控响应信号信息熵最高；
约束条件包括对高电平V H 、低电平V L 、占空比DC、周期T、气体湿度H、气体流速S的约束：
其中高电平V H 为半导体气体传感器在温控条件下对气体进行响应过程中的最大加热电压，结合安全设置要求，对半导体气体传感器的高电平进行范围约束，其中V Hmin 为高电平的最低值，V Hmax 为高电平的最高值，如下所示：
低电平V L 为半导体气体传感器在温控条件下对气体进行响应过程中的最低加热电压，对半导体气体传感器的低电平进行范围约束，其中，V Lmin 为低电平的最低值，V Lmax 为低电平的最高值，如下：
占空比DC为半导体气体传感器在温控条件下对气体进行响应过程中的最高电压在一个周期之内所占的时间比例，对温控加热波形参数的占空比进行范围约束，DC min 为占空比的最低值，DC max 为占空比的最高值，如下：
周期T为半导体气体传感器在温控条件下对气体进行响应过程中的高电压所占时间和低电压所占时间总和，周期越大，信号响应变化一周所需时间越长，即变化越慢，反之周期越小，变化越快；对周期进行范围约束，T min 为周期的最低值，T max 为周期的最大值，如下：
气体湿度H为半导体气体传感器在温控条件下对气体进行响应过程中的反应气体的湿度，对气体湿度进行范围约束，H min 为环境湿度的最低值，H max 为环境湿度的最高值，如下：
气体流速S为半导体气体传感器在温控条件下对气体进行响应过程中的反应气体传播的速度，对气体流速进行范围约束，S min 为气体流速的最低值，S max 为气体流速的最大值，如下：
步骤4.2：建立优化模型，具体如下：
步骤5：将气体湿度、气体流速输入，通过步骤4所得优化模型算出适合当前气体环境的最优温控电压波形参数。
采用上述技术方案所产生的有益效果在于：
本发明提供一种基于信息熵的半导体气体传感器温控电压优化方法，根据结合历史数据、实际条件实验和理论分析，在实际的半导体气体传感器在温控条件下对气体进行响应过程中，根据温控加热波形参数、气体湿度和气体流速，可以较为准确的反映出响应信号的变换。同时以神经网络做拟合回归进行品位建模，建立波形参数、气体类型、半导体传感器型号和半导体传感器响应信号信息熵之间的关系，结合优化原则，确立最终优化模型。
附图说明
图1为本发明实施例中半导体气体传感器动态温控电压优化方法整体流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
一种基于信息熵的半导体气体传感器温控电压优化方法，如图1所示，包括以下步骤：
步骤1：收集半导体气体传感器温控加热过程中的波形参数信息、气体湿度、气体流速数据，同时收集对应的半导体气体传感器温控响应信号；
步骤2：根据步骤1收集的数据建立样本库；
步骤3：计算响应信号信息熵，将样本库中的数据样本通过RBF神经网络回归算法拟合出温控加热波形参数、气体湿度参数、气体流速与响应信号信息熵之间的函数关系并以函数的形式保存；
步骤3.1：对样本库中的数据样本打乱顺序，随机排序，取其中一部分数据样本作为训练数据，剩余的数据样本作为测试数据；
步骤3.2：计算温控响应信号信息熵En(x)，设p(x)是响应信号的概率密度函数，其中x为响应信号值，通过RBF神经网络回归算法的响应函数f（）对数据进行拟合，并对拟合结果进行测试后，得温控加热波形参数、气体湿度参数、气体流速与响应信号信息熵之间的函数关系，高电平V H 、低电平V L 、占空比DC、周期T、气体流速S和湿度H与温控响应信号信息熵En(x)关系模型，有/>
本实施例中将训练数据通过神经网络进行拟合，并对拟合结果进行测试，当测试误差小于0.1%时，认为训练结果满意，保存好这组函数关系。根据这组函数关系和约束条件、优化目标以及智能优化算法建立优化模型。
步骤4：基于智能优化算法，结合步骤3中的函数关系，确立优化原则，建立整体优化模型；
步骤4.1：确立具体的优化原则，包括优化目标以及约束条件；
其中优化目标为MaxEn，即温控响应信号信息熵最高；实际的半导体气体传感器在温控条件下对气体进行响应过程中，在当前气体类型湿度条件和流速条件下，设定温控加热波形参数，在温控加热条件下对环境气体进行响应，响应信号数据的熵最高，则信号中包含的信息度最高，最优利于信号对当前气体环境浓度的反馈。
约束条件包括对高电平V H 、低电平V L 、占空比DC、周期T、气体湿度H、气体流速S的约束：
其中高电平V H 为半导体气体传感器在温控条件下对气体进行响应过程中的最大加热电压，结合安全设置要求，对半导体气体传感器的高电平进行范围约束，其中V Hmin 为高电平的最低值，V Hmax 为高电平的最高值，如下所示：
低电平V L 为半导体气体传感器在温控条件下对气体进行响应过程中的最低加热电压，对半导体气体传感器的低电平进行范围约束，其中，V Lmin 为低电平的最低值，V Lmax 为低电平的最高值，如下：
占空比DC为半导体气体传感器在温控条件下对气体进行响应过程中的最高电压在一个周期之内所占的时间比例，对温控加热波形参数的占空比进行范围约束，DC min 为占空比的最低值，DC max 为占空比的最高值，如下：
周期T为半导体气体传感器在温控条件下对气体进行响应过程中的高电压所占时间和低电压所占时间总和，周期越大，信号响应变化一周所需时间越长，即变化越慢，反之周期越小，变化越快；变化时间过程会造成信号信息冗余，时间过短责传感器表面材料与气体分子反应不足。因此对周期进行范围约束，T min 为周期的最低值，T max 为周期的最大值，如下：
气体湿度H为半导体气体传感器在温控条件下对气体进行响应过程中的反应气体的湿度，在气体环境下，气体湿度由于环境的变化会有浮动的区间，对气体湿度进行范围约束，H min 为环境湿度的最低值，H max 为环境湿度的最高值，如下：
气体流速S为半导体气体传感器在温控条件下对气体进行响应过程中的反应气体传播的速度，在气体环境下，气体速度波动由于环境的变化会有浮动的区间，对气体流速进行范围约束，S min 为气体流速的最低值，S max 为气体流速的最大值，如下：
步骤4.2：建立优化模型，具体如下：
步骤5：将气体湿度、气体流速输入，通过步骤4所得优化模型算出适合当前气体环境的最优温控电压波形参数。
实施例1：以气体1的和半导体气体传感器1实际情况为例
输入气体湿度参数和流速参数，下表1所示：
表1气体湿度和流速参数
| 气体湿度 | 气体流速 |
| 20.28% | 0.2 |
将气体湿度参数、气体流速参数输入，通过步骤4所得函数计算出适合当前气体环境的最优温控电压波形参数，反馈信号熵最终结果和时间条件测试结果如下表2所示：
表2 反馈信号熵和温控加热波形参数
| 序号 | 信息熵 | 高电压 | 低电压 | 占空比 | 周期 |
| 优化前结果 | 9.60 | 5 | 1 | 50% | 40s |
| 优化后结果 | 8.72 | 6 | 1.2 | 40% | 50s |
实施例2：以气体2的和半导体气体传感器2实际情况为例
输入气体湿度参数和流速参数，下表3所示：
表3气体湿度和流速参数
| 气体湿度 | 气体流速 |
| 20.28% | 0.6 |
将气体湿度参数、气体流速参数输入，通过步骤4所得函数计算出适合当前气体环境的最优温控电压波形参数，反馈信号熵最终结果和时间条件测试结果如下表4所示：
表4反馈信号熵和温控加热波形参数
| 序号 | 信息熵 | 高电压 | 低电压 | 占空比 | 周期 |
| 优化前结果 | 7.60 | 5 | 2 | 50% | 40s |
| 优化后结果 | 10.72 | 7 | 2.2 | 60% | 40s |
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种基于信息熵的半导体气体传感器温控电压优化方法，其特征在于，包括以下步骤：
步骤1：收集半导体气体传感器温控加热过程中的波形参数信息、气体湿度、气体流速数据，同时收集对应的半导体气体传感器温控响应信号；
步骤2：根据步骤1收集的数据建立样本库；
步骤3：计算响应信号信息熵，将样本库中的数据样本通过RBF神经网络回归算法拟合出温控加热波形参数、气体湿度参数、气体流速与响应信号信息熵之间的函数关系并以函数的形式保存；
步骤4：基于智能优化算法，结合步骤3中的函数关系，确立优化原则，建立整体优化模型；
步骤5：将气体湿度、气体流速输入，通过步骤4所得优化模型算出适合当前气体环境的最优温控电压波形参数。
2.根据权利要求1所述的一种基于信息熵的半导体气体传感器温控电压优化方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3.1：对样本库中的数据样本打乱顺序，随机排序，取其中一部分数据样本作为训练数据，剩余的数据样本作为测试数据；
步骤3.2：计算温控响应信号信息熵En(x)。
3.根据权利要求2所述的一种基于信息熵的半导体气体传感器温控电压优化方法，其特征在于，步骤3.2具体为：设p(x)是响应信号的概率密度函数，其中x为响应信号值，通过RBF神经网络回归算法的响应函数f( )对数据进行拟合，并对拟合结果进行测试后，得温控加热波形参数、气体湿度参数、气体流速与响应信号信息熵之间的函数关系，高电平V H 、低电平V L 、占空比DC、周期T、气体流速S和湿度H与温控响应信号信息熵 En(x)关系模型，有/>。
4.根据权利要求1所述的一种基于信息熵的半导体气体传感器温控电压优化方法，其特征在于，所述步骤4具体包括以下步骤：
步骤4.1：确立具体的优化原则，包括优化目标以及约束条件；
步骤4.2：建立优化模型。
5.根据权利要求4所述的一种基于信息熵的半导体气体传感器温控电压优化方法，其特征在于，步骤4.1中所述优化目标为Max En，即温控响应信号信息熵最高。
6.根据权利要求4所述的一种基于信息熵的半导体气体传感器温控电压优化方法，其特征在于，步骤4.1中所述约束条件包括对高电平V H 、低电平V L 、占空比DC、周期T、气体湿度H、气体流速S的约束：
其中高电平V H 为半导体气体传感器在温控条件下对气体进行响应过程中的最大加热电压，结合安全设置要求，对半导体气体传感器的高电平进行范围约束，其中V Hmin 为高电平的最低值，V Hmax 为高电平的最高值，如下：；
低电平V L 为半导体气体传感器在温控条件下对气体进行响应过程中的最低加热电压，对半导体气体传感器的低电平进行范围约束，其中，V Lmin 为低电平的最低值，V Lmax 为低电平的最高值，如下：；
占空比DC为半导体气体传感器在温控条件下对气体进行响应过程中的最高电压在一个周期之内所占的时间比例，对温控加热波形参数的占空比进行范围约束，DC min 为占空比的最低值，DC max 为占空比的最高值，如下：；
周期T为半导体气体传感器在温控条件下对气体进行响应过程中的高电压所占时间和低电压所占时间总和，周期越大，信号响应变化一周所需时间越长，即变化越慢，反之周期越小，变化越快；对周期进行范围约束，T min 为周期的最低值，T max 为周期的最大值，如下：；
气体湿度H为半导体气体传感器在温控条件下对气体进行响应过程中的反应气体的湿度，对气体湿度进行范围约束，H min 为环境湿度的最低值，H max 为环境湿度的最高值，如下：；
气体流速S为半导体气体传感器在温控条件下对气体进行响应过程中的反应气体传播的速度，对气体流速进行范围约束，S min 为气体流速的最低值，S max 为气体流速的最大值，如下：。
7.根据权利要求4所述的一种基于信息熵的半导体气体传感器温控电压优化方法，其特征在于，步骤4.2中所述优化模型具体如下： 。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410288280.4A CN117890440A (zh) | 2024-03-14 | 2024-03-14 | 一种基于信息熵的半导体气体传感器温控电压优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410288280.4A CN117890440A (zh) | 2024-03-14 | 2024-03-14 | 一种基于信息熵的半导体气体传感器温控电压优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117890440A true CN117890440A (zh) | 2024-04-16 |
Family
ID=90645034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410288280.4A Pending CN117890440A (zh) | 2024-03-14 | 2024-03-14 | 一种基于信息熵的半导体气体传感器温控电压优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117890440A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339720A (zh) * | 2016-08-23 | 2017-01-18 | 万毅 | 一种汽车发动机的失效检测方法 |
| US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
| CN114047161A (zh) * | 2021-10-28 | 2022-02-15 | 中南大学 | 激光器发射波长的自诊断方法 |
| CN115207935A (zh) * | 2022-09-13 | 2022-10-18 | 国网江西省电力有限公司电力科学研究院 | 一种提高电压薄弱区域暂态电压稳定的无功协调优化方法 |
| CN116718647A (zh) * | 2023-06-09 | 2023-09-08 | 东北大学 | 一种气体传感器气敏性能适应方法 |
| CN116879409A (zh) * | 2023-07-13 | 2023-10-13 | 华南农业大学 | 一种基于气体传感器的水果果实损伤的分析检测方法 |
-
2024
- 2024-03-14 CN CN202410288280.4A patent/CN117890440A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
| CN106339720A (zh) * | 2016-08-23 | 2017-01-18 | 万毅 | 一种汽车发动机的失效检测方法 |
| CN114047161A (zh) * | 2021-10-28 | 2022-02-15 | 中南大学 | 激光器发射波长的自诊断方法 |
| CN115207935A (zh) * | 2022-09-13 | 2022-10-18 | 国网江西省电力有限公司电力科学研究院 | 一种提高电压薄弱区域暂态电压稳定的无功协调优化方法 |
| CN116718647A (zh) * | 2023-06-09 | 2023-09-08 | 东北大学 | 一种气体传感器气敏性能适应方法 |
| CN116879409A (zh) * | 2023-07-13 | 2023-10-13 | 华南农业大学 | 一种基于气体传感器的水果果实损伤的分析检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张钰: ""基于机器学习的气体传感器设计与优化"", 在线出版, 31 October 2023 (2023-10-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101379447B (zh) | 设备的控制装置和控制方法及火力发电设备及其控制方法 | |
| CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
| CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| JP2007272361A (ja) | プラントの制御装置 | |
| CN113405106B (zh) | 一种垃圾焚烧过程的人工智能控制方法 | |
| Tang et al. | A deep learning model for measuring oxygen content of boiler flue gas | |
| CN115570228A (zh) | 一种焊接管道供气智能反馈控制方法与系统 | |
| CN112232373A (zh) | 一种锅炉飞灰含碳量预测方法及系统 | |
| CN114403486A (zh) | 基于局部峰值编码循环网络的气流式烘丝机智能控制方法 | |
| CN117890440A (zh) | 一种基于信息熵的半导体气体传感器温控电压优化方法 | |
| CN110684547A (zh) | 一种生物质热解炭化窑优化控制方法 | |
| CN114924489B (zh) | 一种适用于流程工业预测控制的模型自主学习方法 | |
| CN116203836A (zh) | 一种智能控制工业烟气吸收剂氨水加量的方法 | |
| CN115201408A (zh) | 一种全工况下脱硫出口二氧化硫浓度预测方法 | |
| CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 | |
| CN113313204A (zh) | 基于深度学习的垃圾焚烧状态辨识方法和焚烧控制方法 | |
| CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
| CN115081301B (zh) | 一种基于混合pso-mkpls的碳排放量动态演化方法 | |
| CN111860923A (zh) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 | |
| Wu et al. | Intelligent Optimization and Control of Coking Process | |
| Mamat et al. | Artificial neural network model and fuzzy logic control of dissolved oxygen in a bioreactor | |
| CN112699600A (zh) | 火电运行参数与NOx排放浓度间的偏回分析方法 | |
| CN114757090A (zh) | 面向二噁英检测的概率密度分布驱动虚拟样本生成方法 | |
| CN116959595A (zh) | 一种生物质热电联产系统燃烧效率的预测方法 | |
| CN116464985A (zh) | 一种热风炉燃烧控制方法 |
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 |