CN1381721A - 便携式智能电子鼻及其制备方法 - Google Patents

Abstract

本发明是一种便携式智能电子鼻及其制备方法。现有技术的该类电子鼻抗干扰性能差,体积大,价格昂贵。本发明的智能电子鼻运用4－8组传感器阵列嗅觉,将测量的信号接入调理电路,经过模式识别,电脑处理后即能识别气体并警示。本发明的定性定量运用了神经元网络的模式识别和非线性拟合方法,并运用了前向传递的人工神经网络模型和误差反向传递的训练算法。利用本发明的方法通过训练智能电子鼻可以在所选相应的传感器气体敏感范围内无干扰地检测一种或几种气体,并且除了定性识别外还具有定量分析功能。

Description

便携式智能电子鼻及其制备方法

技术领域

本发明是一种新型的携带式的气体和气味分析测试仪。

背景技术

电子鼻是一种仪器，由传感器阵列嗅觉和适当的模式识别系统组成，能识别简单或复杂气味。电子鼻中的单个传感器在响应上是非特异性的，能够对多种气体产生广谱响应。由于传感器本身不可避免的缺点，气体的混合成分会对单一参数测量的传感器产生很大的干扰，测量的误差往往难以控制，仪器的性能会受到很大的限制。提高抗干扰能力的有效途径是采用组合式或阵列式多传感器和人工嗅觉原理即电子鼻技术。过去十多年的电子鼻作为一种新型的分析仪器得到迅速的发展，它能分析特定的气体或气味。目前有几种商品化的电子鼻出现，但这些商品电子鼻测试仪器体积大，且十分昂贵。满足不了国内目前对现场的、便携式的分析仪器越来越多的需求。

发明内容

本发明的目的在于研制一种体积小、重量轻便携式智能电子鼻。

本发明的目的在于研制一种能定性定量识别气体的便携式智能电子鼻。

本发明的目的在于研制一种具有抗干扰能力的便携式智能电子鼻。

携带式智能电子鼻采用4个到8个不同的市售半导体氧化物气体传感器组成并联的传感器阵列，每组传感器阵列后连接调理电路，其后再接模数转换电路，最后连接电脑，由电脑对传感器阵列的原始响应信号进行气体的定性识别和浓度的定量分析，该原始响应信号可以是由单一气体和气味或复杂气体和气味引起的复杂信号。通过选择不同气体敏感度的传感器组合使电子鼻对待测气体针对性很强，大大减小了电子鼻的体积。在携带式电子鼻中采用人工神经网络作为电脑运算的基础，所用电路均是目前现有技术，容易实现。然后根据不同气体需求选择该类气体敏感的传感器，因此智能电子鼻有极强的识别与抗干扰以及定性定量能力。传感器选择要根据测定的气体样品来选择，一般选择几个对要定量测定的气体响应较大的传感器，选择几个对干扰气体响应较大的传感器进行组合，通过对单个半导体氧化物传感器的测试来选择传感器。

本发明的结构如图1所示，整个系统包括传感器阵列(即多个传感器的并联组合)(1)，调理电路即信号预处理电路(2)，电脑嗅泡(计算机)(4)，结果显示电路(10)等四个部分组成。本发明中传感器阵列只由四至八个传感器阵列组成，这样仪器专用性较强，体积小，容易集成，实用价值大。本发明的思路为：如需要转换智能电子鼻分析气体的种类，只需换用一个或几个不同类型的气体传感器进行不同传感器阵列的组合。每个传感器的气体敏感类型均不相同，它们可以对气体或在干扰气体存在下的气体作出响应。该传感器阵列组成的响应面称为原始响应面，对不同浓度的不同气体具有稳定的响应模式。信号预处理电路：作用是为了将传感器产生的信号进行放大，缓冲和模数转换等操作，以使信号满足计算机的输入要求。电脑嗅泡是本系统的核心部件。通过它对传感器阵列信号的变换处理，从而得到吸入传感器阵列的气体中的组成和浓度的信息。经信号调理电路处理后的响应模式信号被送入电脑嗅泡进行运算。在人工神经网络的算法程序作用下，气体的响应模式被定量的提取，映射，从而形成模式响应面，并迅速地作出定量判断。结果显示电路：判断结果然后被送入显示系统显示。

上述电路均是现有技术电路，例如调理电路，模数转换电路，显示器都是现有技术人员易实现的。

测量的定性应用了众所周知的通用模式识别的人工神经元网络。主要应用了神经元网络的模式识别和非线性拟合的功能，并应用了前向传递的人工神经网络模型和误差反向传递的训练算法(BP算法)，设计了一种应用于电子鼻的人工神经网络模型。从图2可以看到，网络由输入层(节点数与传感器的个数相同)、输出层(一个节点)和若干层隐含层构成，每一层均包含若干个节点(神经元)；前后两层的神经元间通过一定的权重值连接，而各层及同层的节点间均无连接。这构成了前向传递的网络结构。传感器阵列的信号经由这样的若干层神经元给出结果。为了使神经元网络能够实现设想的预报功能，必须对神经网络进行训练，网络自动调整连接神经元的权重值大小，使每个连接权值都接近于“理想状态”。

这三层人工神经网络的实现算法可用下式表达：

              y_jk＝F(∑x_i，k-1w_ij+b_j)        (1)x_i，k-1是k层第i个神经元的输入值，y_jk是k层的第j个神经元的输出值，w_ij是神经元i与神经元j的连接权重，b_j是节点j的偏置，F(x)是神经网络的传递函数，它采用了Sigmoid函数： $F\left(x\right)=\frac{1+\tanh (x/x_0)}{2}---\left(2\right)$

x₀是控制斜率的常数，自变量x即该结点的输入总和(包括阈值)。本发明人工神经网络采用了误差反向传播算法。其基本思路是：根据目前网络的预报结果与理论值的差别，从后向前调整每两层神经元的连接权值。BP网络训练流程可表示如图3。(图3中方框5代表：用较小的随机数对网络权值和节点预值赋值，进行初始化；方框6代表：输入一个学习模式，用现有权值和阈值“前向”计算得到输出模式；方框7代表：根据学习模式的教师信号(理想输出)和现在输出，求出误差函数值；方框8代表：用误差函数值计算得到一系列数值从输出层到输入层反向逐层调整权值和阈值，是本次输出满足要求)。神经网络学习时要输入训练样本，每输入一次全部训练样本成为一个训练周期，学习要一个周期一个周期地进行，直到目标函数达到最小值或小于某一给定值。

单个金属氧化物传感器对气味的响应关系有以下形式： $C_i=a_0+b\log \frac{S_i-S_{\mathrm{air}}}{S_{\mathrm{air}}}---\left(3\right)$

式中C_i为蒸汽浓度，a₀、b为常数，S_i为传感器对浓度为C_i的响应，S_air为传感器在空气中的响应。

在空气环境中 $b\log \frac{S_i-S_{\mathrm{air}}}{S_{\mathrm{air}}}=0---\left(4\right)$

故，C₀＝a₀，此时a₀为相对于测定零点浓度的标准偏差。

由于单个传感器的选择性差，干扰气体存在将破坏单个传感器如式(3)的定量关系。而在智能电子鼻中原始响应信号(各个传感器的电压值)经电脑处理后，即归一化处理，处理公式是 ，S₁是传感器的原始响应信号，S_air是传感器对空气的响应信号，S_max是传感器的最高响应信号，处理后的信号值小于1，形成特征响应信号。在实现过程中，对预先得到的一系列气体试样的传感器阵列响应信号进行分析，利用反向传播人工神经元网络(BP-ANN网络)训练将信号(矢量)与气体类别和浓度的关系量化成数字响应矩阵并事先存放在单片机中，然后在单片机内编写人工神经网络的预报程序，从而对每个输入单片机的信号(矢量)可以分析出其中包含的气体的类别和浓度的信息，实现智能电子鼻的定性和定量分析能力。

本发明的智能电子鼻定量测量关系式如下：

          C_i＝F(G_i，Φ_i)                                    (5)

式中，C_i为智能电子鼻显示未知浓度(即人工神经元网络输出)，G_i＝(S_i-S_air)/S_max，Φ_i为人工神经元网络参数变量。一旦Φ_i确定之后，浓度C_i和响应值G_i有明确的对应关系。Φ_i参变量的确定，保证了式(5)的定量关系，并使C_i与G_i满足一一对应关系。Φ_i参变量确定实际上就是人工神经元网络连接权重的确定(见式5)。

采用一组已知浓度气体作训练集，训练人工神经元网络，并将各传感器响应对已知浓度的权重等函数关系记忆在网络中，也即将Φ_i参变量记忆在网络中。用另一组已知浓度的气体作检验集，反复训练使人工神经元网络可以准确地预报检验集的浓度值。最常用的网络训练算法就是上述的误差反向传递算法(BP算法)。

为了保证定量的准确性，本发明特别地将分析化学中的定量相对偏差概念引进人工神经元网络训练，从而得到了定量的人工神经元网络。

在定量分析中，浓度相对偏差R表示测定值C_i与理想值C_e之间的偏差相对于理想值C_e的百分比： $R=\frac{|C_e-C_i|}{C_e}---\left(6\right)$ 浓度相对偏差R和浓度C_e的对应关系很接近倒数关系

，即小浓度的相对偏差大，大浓度的相对偏差小。我们的发明表明，引入R是人工神经网络可定量分析的关键。在BP计算时，目标函数被因此修改为： $[\frac{C_e-C_i}{C_e}{]}_j^2\≤{R^2}_{\exp ,j}---\left(7\right)$

R_exp，j是在C_e浓度时设定的相对偏差值，C_i此时为网络输出浓度值，j表示相应的浓度范围标记。

另外，本发明中测量的定量人工神经元网络采用了S型传递函数和定量影射理论定量误差权重理论，这样，使仪器对高、中、低浓度的气体均具有良好的响应传递。因此本发明的定量测量是有保证的。通过置换传感器，经训练的电子鼻可以变换检测不同的气体

本发明的人工神经元网络的训练、检测电子鼻的计算方法集成在智能模块中，仪器体积大大减小，十分便于携带。

本发明是首创便携式智能电子鼻，解决许多现场气体和气味的分析问题。它具有广泛的应用前景，可以应用在需要自动监测空气质量的各监测点，可以装备警用车或民用车监测酒后驾车，还可以用在室内空气净化器，空调器，通风系统和保安系统中，或集成在这些系统中。

本发明可使便携式智能电子鼻分析仪器技术的定性与定量的针对性更强，采用传感器阵列，扩大了单个传感器的测量范围，克服了单个传感器的非专一性。

本发明能够以廉价的普通传感器阵列组成探测特定气体的高效系统。

本发明应用人工神经元网络出色的模式识别能力，用传感器阵列，电子调理电路及单片机实现了气体测量的专一、灵敏、准确、抗干扰的优良性能，克服了目前电子鼻仪器体积大、成本高的缺点

本发明发展了定量的人工神经网络计算方法，使本发明研制的智能电子鼻首次具有定量功能。

本发明具有可重复开发能力，只要更换传感器阵列中的传感器，并针对具体应用重新训练网络，即可方便地改为测量其它气体的智能电子鼻。

附图说明

图1是本发明电子鼻的结构示意图

图2是人工神经元网络结构图

图3是BP网络训练过程示意图。

图4是本发明实施例的结构示意图。实例中加入了呼气检测装置，因此12、13、14、15、16、17、18、19分别是压力传感器、调理电路、延迟器、呼气显示器、有效显示器、无效显示器、测量显示器、零点测量器。

上述图中，1是传感器，2是调理电路，3是模数转换电路，4是电脑，5、6、7、8分别是BP训练过程的初始化，输出模式，误差函数值，调整权值；10是显示器，11是警示器。

具体实施方式

实例：

JFZ 89 SC-2智能酒气电子鼻实施例结构见图4：

本智能电子鼻具体制作时采用了金属氧化物气体传感器阵列(北京东方电子有限公司生产的4个半导体氧化物传感器型号分别为2M004，MQK1，MQK2，2M007)、信号调理电压电路、由单片机MC68HC705SR3实现的前向人工神经网络模式识别系统。先将系列浓度(从0到1mg/l的酒精气体)和干扰气(2mg/l正己烷，4mg/l正己烷，400mg/l水蒸气，2mg/l正己烷与0.0619mg/l酒精的混合气，400mg/l水蒸气与0.0619mg/l酒精的混合气)送入传感器阵列，产生的响应经调理电路预处理，最后将信号集分为训练集与预测集二组，并将此训练集送入人工神经网络程序如前所述进行训练，当神经元网络对所有参与预测的信号进行的预测都符合要求之后，将这时的信号相应矩阵转化成十六进制浮点格式，并利用EPROM编程器写入单片机电脑，(即：使智能电子鼻将传感器的响应信号与酒精气体的浓度形成对应关系)。这样，在实际测量时，单片机利用这些参数对传入的传感器阵列响应进行计算，就能得到准确的组成和浓度信息，并达到抗汽油、水汽等常见共存气体干扰的效果。

本实施例中加入了酒气呼气检测部分，即呼气压力传感器联接调理电路，之后联接延迟电路，在压力传感器和调理电路之间装置一呼气显示装置，在延迟电路之后分别装置有效显示、无效显示，将测量有效的结果输入电脑进行定量测量。

Claims (4)

1.一种便携式智能电子鼻，由传感器、调理电路、模数转换电路和电脑组成，其特征是4-8个半导体氧化物气体传感器并联组成的传感器阵列(1)，每组传感器阵列后接调理电路(2)，调理电路后联接模数转换电路(3)，模数转换电路后联接电脑(4)，电脑后联接显示器(10)。

2.根据权利要求1所述的便携式智能电子鼻的制备方法，其特征是：

(1)定性测量运用通用模式识别的人工神经元网络和非线性拟合方法，网络由输入节点数与传感器个数相同的输入层、一个节点的输出层和隐含层构成；每一层均包含神经元节点，前后两层的神经元通过权重值连接；三层人工神经元网络的算法可用下式表达：

                y_jk＝F(∑x_i，k-1w_ij+b_j)        (1)x_i，k-1是k层第i个神经元的输入值，y_jk是k层的第j个神经元的输出值，w_ij是神经元i与神经元j的连接权重，b_j是节点j的偏置，F(x)是神经网络的传递函数，它采用了Sigmoid函数： $F\left(x\right)=\frac{1+\tanh (x/x_0)}{2}---\left(2\right)$

x₀是控制斜率的常数，自变量x即该结点的输入总和。

(2)定量测量运用误差反向传播训练算法，其训练过程是：用较小的随机数对网络权值和节点阈值赋值，进行初始化(6)→输入一个学习模式，用现有的权值和阈值“前向”计算得到输出模式(7)→根据学习模式的教师信号和现在输出，求出误差函数值(8)→用误差函数值计算得到一系列数值从输出层到输入层反向逐层调整权值和阈值，是本次输出满足要求；(3)定量测量关系式是：C_i＝F(G_i，Φ_i)，其中C_i为智能电子鼻显示的未知浓度，G_i＝(S_i-S_air)/S_max，S_i是传感器对浓度C_i的响应信号，S_air是传感器对空气的响应信号，S_max是传感器的最高响应信号，Φ_i为人工神经元网络参数变量。

3.根据权利要求2所述的便携式智能电子鼻的制备方法，其特征是定量分析时运用了定量相对偏差方法。

4.根据权利要求2所述的便携式智能电子鼻的制备方法，其特征是该人工神经元网络定性定量方法集成于智能模块中，完成电子鼻的训练与检测。

Images