KR101291930B1 - 가스 혼합물을 분석하는 컴퓨터-구현 시스템 및 방법 - Google Patents
가스 혼합물을 분석하는 컴퓨터-구현 시스템 및 방법 Download PDFInfo
- Publication number
- KR101291930B1 KR101291930B1 KR1020077010378A KR20077010378A KR101291930B1 KR 101291930 B1 KR101291930 B1 KR 101291930B1 KR 1020077010378 A KR1020077010378 A KR 1020077010378A KR 20077010378 A KR20077010378 A KR 20077010378A KR 101291930 B1 KR101291930 B1 KR 101291930B1
- Authority
- KR
- South Korea
- Prior art keywords
- sensor
- gas
- data
- delete delete
- sensor array
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 170
- 239000007789 gas Substances 0.000 title abstract description 280
- 239000000203 mixture Substances 0.000 title abstract description 102
- 230000008569 process Effects 0.000 claims abstract description 46
- 229910044991 metal oxide Inorganic materials 0.000 claims abstract description 17
- 150000004706 metal oxides Chemical class 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 137
- 230000004044 response Effects 0.000 claims description 117
- 238000012937 correction Methods 0.000 claims description 99
- 230000008859 change Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 239000000470 constituent Substances 0.000 claims 2
- 239000000126 substance Substances 0.000 abstract description 52
- 238000007781 pre-processing Methods 0.000 abstract description 16
- 238000012805 post-processing Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 description 147
- 238000005259 measurement Methods 0.000 description 70
- 239000012491 analyte Substances 0.000 description 69
- 239000013598 vector Substances 0.000 description 42
- 238000004458 analytical method Methods 0.000 description 35
- 238000012360 testing method Methods 0.000 description 29
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 27
- 239000000654 additive Substances 0.000 description 25
- 239000011263 electroactive material Substances 0.000 description 23
- 230000006870 function Effects 0.000 description 23
- 239000000523 sample Substances 0.000 description 23
- 238000001514 detection method Methods 0.000 description 22
- 239000004065 semiconductor Substances 0.000 description 22
- 239000011149 active material Substances 0.000 description 20
- 230000003044 adaptive effect Effects 0.000 description 20
- 238000011161 development Methods 0.000 description 19
- 230000018109 developmental process Effects 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 19
- 230000000996 additive effect Effects 0.000 description 18
- 238000002485 combustion reaction Methods 0.000 description 18
- 238000012417 linear regression Methods 0.000 description 18
- 229910052760 oxygen Inorganic materials 0.000 description 18
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 17
- 239000001301 oxygen Substances 0.000 description 17
- 238000006243 chemical reaction Methods 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 14
- 239000000758 substrate Substances 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 229930195733 hydrocarbon Natural products 0.000 description 12
- 150000002430 hydrocarbons Chemical class 0.000 description 12
- 230000035945 sensitivity Effects 0.000 description 12
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 11
- 229910002091 carbon monoxide Inorganic materials 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 11
- 238000005070 sampling Methods 0.000 description 11
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 9
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 8
- 239000011540 sensing material Substances 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000003491 array Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 239000000567 combustion gas Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000000446 fuel Substances 0.000 description 7
- 230000005284 excitation Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 229910021529 ammonia Inorganic materials 0.000 description 5
- 238000013459 approach Methods 0.000 description 5
- 239000003990 capacitor Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 229910052684 Cerium Inorganic materials 0.000 description 4
- 229910052769 Ytterbium Inorganic materials 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 4
- 238000011109 contamination Methods 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 229910052733 gallium Inorganic materials 0.000 description 4
- 229910052736 halogen Inorganic materials 0.000 description 4
- 150000002367 halogens Chemical class 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000011068 loading method Methods 0.000 description 4
- 229910052718 tin Inorganic materials 0.000 description 4
- 229910052721 tungsten Inorganic materials 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 229910052725 zinc Inorganic materials 0.000 description 4
- 229910052726 zirconium Inorganic materials 0.000 description 4
- -1 CO 2 Chemical compound 0.000 description 3
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 238000011497 Univariate linear regression Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 238000000151 deposition Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910052758 niobium Inorganic materials 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 239000013074 reference sample Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 229910052775 Thulium Inorganic materials 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 2
- 229910052788 barium Inorganic materials 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 235000013844 butane Nutrition 0.000 description 2
- 229910052793 cadmium Inorganic materials 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000003989 dielectric material Substances 0.000 description 2
- 229910052732 germanium Inorganic materials 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 229910052738 indium Inorganic materials 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 229910010272 inorganic material Inorganic materials 0.000 description 2
- 229910052746 lanthanum Inorganic materials 0.000 description 2
- FZLIPJUXYLNCLC-UHFFFAOYSA-N lanthanum atom Chemical group [La] FZLIPJUXYLNCLC-UHFFFAOYSA-N 0.000 description 2
- 229910052745 lead Inorganic materials 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- 229910052748 manganese Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- IJDNQMDRQITEOD-UHFFFAOYSA-N n-butane Chemical class CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 229910052707 ruthenium Inorganic materials 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000007650 screen-printing Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 229910052712 strontium Inorganic materials 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 229910052715 tantalum Inorganic materials 0.000 description 2
- XOLBLPGZBRYERU-UHFFFAOYSA-N tin dioxide Chemical compound O=[Sn]=O XOLBLPGZBRYERU-UHFFFAOYSA-N 0.000 description 2
- 229910001887 tin oxide Inorganic materials 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 229910052720 vanadium Inorganic materials 0.000 description 2
- 229910052727 yttrium Inorganic materials 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 229910006404 SnO 2 Inorganic materials 0.000 description 1
- 229910010413 TiO 2 Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 150000001299 aldehydes Chemical class 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 125000002915 carbonyl group Chemical group [*:2]C([*:1])=O 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 210000003298 dental enamel Anatomy 0.000 description 1
- 239000002019 doping agent Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 150000002170 ethers Chemical class 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 125000005842 heteroatom Chemical group 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 150000002484 inorganic compounds Chemical class 0.000 description 1
- 239000011147 inorganic material Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229930195734 saturated hydrocarbon Natural products 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000006104 solid solution Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000000427 thin-film deposition Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 229930195735 unsaturated hydrocarbon Natural products 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- 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
- G01N27/06—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid
- G01N27/08—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid which is flowing continuously
- G01N27/10—Investigation or analysis specially adapted for controlling or monitoring operations or for signalling
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0037—NOx
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0047—Organic compounds
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
금속 산화물 센서의 어레이의 저항을 센서 어레이 주변에 제공되는 다성분 가스의 성분 및 농도로 변환하는 컴퓨터-구현 시스템 및 방법이 제공된다. 이 방법은 센서 어레이의 저항을 전처리하는 단계, 전처리된 저항에 기초하여 다성분 가스의 성분 및 농도를 계산하는 모델을 선택하는 단계, 및 다성분 가스의 실제 성분 및 농도를 제공하기 위해 선택된 모델에 의해 발생된 다성분 가스의 성분 및 농도를 후처리하는 단계를 포함한다.
가스 센서, 다성분 가스계, 자동차 배기, 화학적 센서
Description
우선권 주장
본 출원은 2004년 10월 7일자로 출원된 미국 가특허 출원 제60/617,222호를 우선권 주장하며, 이 미국 출원은 여기에 인용함으로써 그 전체 내용이 본 명세서에 포함된다.
관련 출원의 참조
본 출원은 2002년 4월 5일자로 출원된 미국 특허 출원 제10/117,472호(2001년 10월 15일자로 출원된 미국 특허 출원 제09/977,791호(2000년 10월 16일자로 출원된 미국 가특허 출원 제60/240,619호를 우선권 주장함)의 일부 계속 출원임) 및 2000년 11월 9일자로 출원된 미국 가특허 출원 제60/246,946호에 관한 것으로서, 상기 언급된 출원의 개시 내용은 여기에 인용함으로써 그 전체 내용이 본 명세서에 포함된다.
본 발명은 일반적으로, 화학적 센서 및 화학적 센서 어레이를 사용하여 다성분 가스계(multi-component gas system)에서 NOx, 탄화수소, 일산화탄소 및 산소를 비롯한 어떤 가스를 감지 및 분석하는 시스템 및 방법에 관한 것이다.
어떤 가스를 검출하는 화학적 감지 장치의 사용이 공지되어 있다. 특정의 가스에 대해 선택성 및 감도를 갖는 물질을 발견하기 위해 많은 시도가 행해져 왔다. 예를 들어, 미국 특허 제4,535,316호는 산소를 측정하기 위한 저항성 센서를 개시하고 있다. H. Meixner 등의 Sensors and Actuators(센서 및 액츄에이터) B: Chem., vol. 33, pp. 198-202 (1996)를 참조하기 바란다. 검출될 각각의 가스에 대해 서로 다른 물질이 사용되어야만 한다는 것은 명백하다. 그렇지만, 가스가 다성분계(multi-component system)의 일부분일 때, 특정의 가스를 검출하기 위해 한가지 물질을 사용하는 것은 혼합물의 여러가지 성분 가스에 대한 그 물질의 교차-감도(cross-sensitivity)로 인해 어렵다.
다성분 가스계의 한 예는, 산소, 일산화탄소, 질소 산화물, 탄화수소, CO2, H2S, 이산화황, 수소, 수증기, 할로겐 및 암모니아를 포함할 수 있는 연소 가스 배기이다. H. Meixner 등의 Fresenius'J. Anal. Chem., vol.348, pp.536-541 (1994)를 참조하기 바란다. 많은 연소 과정에서, 가스 배기가 다양한 관할권에서 연방 정부 및 주 정부 대기 품질 법규에 의해 정해진 요건을 만족시키는지 여부를 판정할 필요가 있다. 이러한 필요성을 해소하기 위해 몇가지 유형의 가스 센서가 개발되었다. 전기 화학 산소 센서를 개시하고 있는 미국 특허 제5,630,920호, 산소 및 질소 산화물을 검출하는 센서를 개시하고 있는 미국 특허 제4,770,760호, 및 산소를 측정하는 저항성 센서를 개시하고 있는 미국 특허 제4,535,316호를 참조하기 바 란다. 혼합물 내의 가스들 중 임의의 가스를 분리할 필요없이 가스의 센서와의 직접 접촉에 의해 발생되는 데이터만으로, 예를 들어, 농도를 계산하기 위해 연소 가스 배기 등의 혼합물의 2개 이상의 성분을 동시에 분석할 수 있다면 유리할 것이다. 종래 기술의 방법은 현재 이 필요성을 만족시키지 않는다.
음식물 및 다른 비교적 낮은 온도 응용으로부터 방출하는 가스를 검출하기 위한 수많은 센서가 개시되었다. K. Albert 등의 Chem. Rev., vol. 200, pp. 2595-2626 (2000)를 참조하기 바란다. 450℃까지의 여러가지 연소 가스를 검출하는 데 사용하기 위한 몇가지 미도핑된 및 도핑된 주석 산화물 센서의 어레이도 개시되어 있다. C. DiNatale 등의 Sensors andd Actuators(센서 및 액츄에이터) B: Chem., vol.20, pp. 217-224 (1994), J. Getino 등의 Sensors and Actuators(센서 및 액츄에이터) B: Chem., vol.33, pp.128-133 (1996), 및 C. DiNatale 등의 Sensors and Actuators(센서 및 액츄에이터) B: Chem., vol. 23, pp. 187-191 (1995)를 참조하기 바란다. 그렇지만, 연소 가스를 모니터링하기 위해 화학적 센서를 사용하게 되는 더 높은 온도에서 또한 고도의 부식성 환경에서, 동작 온도는 센서 어레이의 성능을 변경 또는 악화시킬 수 있다. 그러한 경우, 고온 환경은 화학적으로도 열적으로도 안정되고 또 관심의 가스에 대한 측정가능 응답을 유지하는 물질의 사용을 필요로 한다. 주석 산화물 기반 센서 어레이에 대한 동작 온도의 영향은 450℃까지 연구되었다. C. DiNatale 등의 Sensors and Actuators(센서 및 액츄에이터) B: Chem., vol.23, pp. 187-191 (1995)를 참조하기 바란다. 그렇지만, 연소 가스계의 동작에서 만나게 되는 것 등의, 기술 분야에 이미 공지된 물질 이외의 물질이 여전히 더 높은 온도에서 다성분 가스계의 가스 배기를 직접 모니터링할 수 있는 시스템 및 방법을 제공할 수 있어야만 한다. 모니터링된 다성분 가스계의 성분 및 구성요소를 결정함에 있어서 이러한 화학적 센서가 화학적 센서 출력을 처리하고 유용한 정보를 제공할 수 있는 시스템 및 방법을 제공하기 위해 검출 회로 및 분석 장치도 필요하다.
이러한 요구를 해소하는 것은 자동차 배기 가스 등의 연소 배기를 측정하고 그 배기가 기능적 및 의무적 요건을 만족시키는지를 판정하기 위해 화학적 센서를 사용하는 것을 가능하게 해준다. 게다가, 놀랍게도 자동차 배기 등의 고온 가스를 분석하는 데 유용한 본 발명의 이 시스템 및 방법이 저온 가스를 분석하는 데 똑같이 효과적으로 사용될 수 있다는 것이 밝혀졌다.
본 발명은 신규의 화학적 센서 및 화학적 센서 어레이, 검출 회로, 및 분석 장치를 사용하여 다성분 가스계에서 NOx, 탄화수소, 일산화탄소 및 산소를 비롯한 어떤 가스를 감지 및 분석하는 컴퓨터-구현 시스템 및 방법을 제공함으로써 이들 필요성을 만족시킨다.
본 발명의 부가적인 이점은 부분적으로는 이하의 설명에 기술되어 있으며, 부분적으로는 이 설명으로부터 알게 되거나 본 발명의 실시에 의해 알게 될 수 있다. 본 발명의 이점은 첨부된 청구 범위에 상세히 기재된 구성요소 및 조합, 및 그의 등가물에 의해 실현 및 달성된다. 상기한 일반적인 설명 및 이하의 상세한 설명 둘다가 예시적이고 설명적인 것에 불과하며 청구된 발명을 제한하는 것이 아님을 잘 알 것이다.
도 1은 화학적 센서 어레이, 검출 회로, 및 분석 장치를 포함하는 본 발명의 시스템을 나타낸 개략도.
도 2는 도 1에 도시된 시스템의 센서 어레이 개념을 나타낸 도면.
도 3은 도 1에 도시된 시스템의 화학적 센서 어레이의 16개의 블랭크 웰(blank well)을 형성하는 유전체 오버레이어(dielectric overlayer)로 덮여 있는 인터디지테이트 전극(interdigitated electrode)의 패턴의 개략도.
도 4a 내지 도 4c는 도 1에 나타낸 시스템의 화학적 센서 어레이에 측정을 위한 어레이 칩을 준비하는 데 사용되는 전극 패턴, 유전체 패턴, 및 센서 물질 패턴을 나타낸 도면.
도 5는 선형 저항비 측정 방식을 나타낸 전기 회로 개략도.
도 6은 미지의 저항의 로그 측정을 생성하기 위해 타이밍 기술을 사용하는 측정 방식을 나타낸 전기 회로 개략도.
도 7 및 도 8은 Rm의 동적 범위의 함수로서 
로 정규화된 도 6에 나타낸 전기 회로의 타이밍 특성을 나타낸 그래프로서, 도 7은 측정을 위한 총 시간(t)를 제공하고, 도 8은 측정을 위한 시간차(Δt)를 제공함.
도 9는 도 6에 나타낸 전기 회로에 대한 
측정(단위: 횟수)의 정밀도의 함수로서 해상도(단위: 퍼센트)를 나타낸 그래프.
도 10은 도 1에 나타낸 시스템의 검출 회로에서 사용하기 위한, 본 발명에 따른 아날로그 로그 측정(analog logged measurement)의 전기 회로 개략도.
도 11은 도 1에 나타낸 시스템의 검출 회로에서 사용하기 위한, 본 발명에 따른 시간 선형 저항 측정(timed linear resistance measurement)의 전기 회로 개략도.
도 12는 도 1에 나타낸 시스템의 검출 회로에서 사용하기 위한, 본 발명에 따른 시간 로그 측정(timed log measurement)의 전기 회로 개략도.
도 13은 도 1에 나타낸 검출 회로에서 사용하기 위한, 본 발명에 따른 다중화된 센서 구성의 전기 회로 개략도.
도 14는 도 11에 나타낸 전기 회로에 기초하여 그에 부가적인 기능을 추가한, 본 발명에 따른 확장 전기 회로 개략도.
도 15는 도 1에 나타낸 시스템의 분석 장치에서 사용하기 위한 컴퓨팅 개체를 나타낸 개략도.
도 16은 본 발명의 오프라인 환경에서의 알고리즘 개발 프로세스를 나타낸 플로우차트.
도 17a는 가솔린 집적 분사식(GDI) 엔진에서의 배기 가스 농도의 사이클 특성을 나타낸 그래프.
도 17b는 GDI 엔진에서의 센서 응답에 대한 적응적 오프셋 및 스팬 정정 방법(adaptive offset and span correction method)의 실행을 나타낸 그래프.
도 17c는 본 발명에서의 정정 방법의 실행과 함께, 적응적 오프셋 및 스팬 정정 방법에서 사용되는 인자 회귀 모델(factor regression model)의 개발을 위한 오프라인 프로세스를 나타낸 플로우차트.
도 18은 본 발명에서 사용할 수 있는 전형적인 신경망 모델 실행을 나타낸 차트.
도 19는 본 발명의 오프라인 알고리즘 선택 프로세스를 나타낸 플로우차트.
도 20은 본 발명의 알고리즘의 온라인 실행을 나타낸 플로우차트.
도 21은 단일의 감지 요소(상부) 및 감지 요소의 어레이(하부)에 대한 알고리즘 실행 방식을 나타낸 아주 간단화된 개략도.
도 22는 테스트 데이터 세트에 대한, 미정정된 센서 요소 응답과 대응하는 NOx 농도의 비교를 나타낸 그래프.
도 23은 테스트 세트 데이터에 대한 센서-예측된 NOx 농도 대 측정된 NOx 농도, 및 미정정된 센서 요소 응답으로부터 개발된 NOx 교정(calibration) 모델을 사용하는 선형 회귀 근사(linear regression fit)를 나타낸 그래프.
도 23b는 테스트 세트 데이터에 대한 제로화된 센서 응답(zeroed sensor response) 대 데이터점 수(data point number)를 나타낸 그래프.
도 24는 베이스라인-제로화된 교정 데이터(baseline-zeroed calibration data)에 대해 결정된 이상적인 적응적 오프셋 및 스팬 정정 인자를 나타낸 그래프.
도 25는 이상적인 적응적 오프셋 및 스팬 정정 인자를 사용하여 정정된 센서 요소 교정 데이터에 대한 선형 회귀를 사용하여 작성된 예측 NOx 회귀 모델의 근사 를 나타낸 그래프.
도 26은 이 예에서의 감지 요소에 있어서의 오프셋 및 스팬 정정 인자에 대한 인자 회귀 모델의 근사를 나타낸 그래프.
도 27은 도 26(하부)에 나타낸 정정 인자 모델로부터 추정된 정정 인자를 사용하여 적응적 정정 이전(상부) 및 적응적 정정 이후(하부)의 테스트 세트 데이터에서의 센서 요소 응답의 비교를 나타낸 그래프.
도 28a는 정정된 교정 데이터를 사용하여 작성된 예측 NOx 교정 모델에 미교정된 테스트 세트 데이터를 적용한 결과를 나타낸 그래프.
도 28b는 정정된 교정 데이터를 사용하여 작성된 예측 NOx 교정 모델에 정정된 테스트 세트 데이터를 적용한 결과를 나타낸 그래프.
도 29는 오프라인 환경에서의 품질 인자 모델에 대한 개발 프로세스를, 온라인 환경에서의 그의 적용과 함께 나타낸 플로우차트.
도 30은 센서 장치로부터의 위험 가스 농도 예측의 거부를 위해 품질 인자를 사용하는 것을 나타낸 플로우차트.
도 30a는 품질 인자 및 절대 NOx 에러를 나타낸 그래프.
도 31은 센서 장치로부터의 예측 농도(들)에 대한 허용 오차 한계의 계산을 위해 품질 인자를 사용하는 것을 나타낸 플로우차트.
도 32는 2개 이상의 알고리즘으로부터의 복합 예측 가스 농도(composite predicted gas concentration)의 계산을 위해 품질 인자를 사용하는 것을 나타낸 플로우차트.
도 33은 가스 농도를 예측하는 데 사용되는 센서 장치 자체 및/또는 알고리즘에 대한 정정 동작을 트리거하기 위해 품질 인자를 사용하는 것을 나타낸 플로우차트.
도 33a 및 도 33b는 품질 인자가 센서 어레이 내의 12개의 감지 요소 중 하나의 고장을 검출하기 위해 사용되는 예들을 나타낸 도면.
도 33a 및 도 33b는 품질 인자가 센서 어레이 내의 12개의 감지 요소 중 하나의 고장을 검출하기 위해 사용되는 예들을 나타낸 도면.
도 34는 실시간 알고리즘 선택을 용이하게 해주기 위해 품질 인자를 사용하는 것을 나타낸 플로우차트.
도 34a 및 도 34b는 알고리즘-관련 품질 인자가 실시간 알고리즘 선택을 가능하게 해주기 위해 어떻게 사용될 수 있는지를 나타낸 도면.
도 34a 및 도 34b는 알고리즘-관련 품질 인자가 실시간 알고리즘 선택을 가능하게 해주기 위해 어떻게 사용될 수 있는지를 나타낸 도면.
도 35는 동작하는 실시간 알고리즘의 전체적인 개요를 나타낸 플로우차트.
도 36은 온도와 저항 간의 미리 정해진 시불변 관계(time-invariant relationship)를 사용하는 온도 정정 기술을 나타낸 플로우차트.
도 37은 온도와 저항 간의 적응적으로 계산된 시변 관계(time-varying relationship)를 사용하는 온도 정정 기술을 나타낸 플로우차트.
도 38a 내지 도 38e는 12개 센서 요소의 어레이 내의 하나의 센서 요소가 오동작을 한 것을 진단하기 위해 잔차비(residual ratio, RR) 품질 인자 및 개별적인 센서 요소로부터의 그에 대한 기여를 적용하는 분석을 나타내는 일련의 그래프로서, 도 38a는 2번의 엔진내 테스트(in-engine test) 동안 잔차비(RR) 품질 인자의 그래프이고, 도 38b는 시간(1495)에서의 첫번째 엔진내 테스트 동안 잔류물에 대한 기여의 바 그래프이며, 도 38c는 시간(2736)에서의 두번째 엔진내 테스트 동안에 잔류물에 대한 기여의 바 그래프이고, 도 38d는 시간(5941)에서의 두번째 엔진내 테스트 동안에 잔류물에 대한 기여의 바 그래프이며, 도 38e는 2번의 엔진내 테스트 동안의 3개의 센서 요소의 저항의 그래프임.
도 39는 알고리즘의 농도 계산 모듈을 나타낸 플로우차트.
본 명세서에 포함되어 그 일부분을 이루는 첨부 도면은 본 발명의 몇가지 실시예를 나타낸 것이며, 설명과 함께 본 발명의 원리를 설명하는 역할을 한다.
이제부터, 본 발명의 이들 실시예에 대해 상세히 설명할 것이며, 이들의 예가 첨부 도면에 예시되어 있다. 가능한 경우, 동일한 참조 번호는 도면 전체에 걸쳐 동일한 또는 유사한 부분을 참조하는 데 사용된다.
본 발명은 광의적으로 주변 온도 내지 고온 조건 하의 다성분 가스계에서 가스를 직접 감지하는 시스템 및 방법(도 1에 전체로서 참조 번호(1000)으로 나타냄)에 관한 것이다. 이 시스템은 또한 대략 주변 온도에서 대략 1000℃의 온도 범위에서 다성분 가스계 내의 적어도 하나의 가스의 농도를 동시에 또한 직접 측정하는 데 유용하다. "직접 감지"란 가스 흐름 내에 어레이가 존재하고 반응이 가스 자체의 농도의 함수이며, 또한 가스가 검출되기 위해 가스 스트림에서 물리적으로 분리될 필요가 없다는 것을 의미한다. 직접 감지는 또한 기술 분야에서 간접 감지(indirect sensing), 소프트 감지(soft sensing) 또는 추론적 감지(inferential sensing)라고 하는 것을 말할 수 있다.
이 시스템 및 방법은 자동차 배기에서 고온 및 저온에서의 산소, 일산화탄소, 질소 산화물, 부탄 등의 탄화수소, CO2, H2S, 이산화황, 할로겐 및 암모니아 등의 연소 가스의 농도를 검출 및 측정하는 데 사용될 수 있다. 이 응용에서, 이 시 스템은, 일반적으로 약 450℃ 내지 약 1000℃의 범위에 있는, 자동차 배기 시스템에서 발견되는 고온에서 사용될 수 있다. 게다가, 디젤 엔진 및 가정용 난방을 비롯한 이 시스템이 적용될 수 있는 다양한 다른 연소 프로세스가 있다. 이들 응용은, 일반적으로 고도의 부식성 환경에서, ppm에서 퍼센트 레벨의 질소 산화물, 일산화탄소, 탄화수소, 및 산소 등의 가스의 검출을 이용한다. 이 시스템 및 방법은 또한 제조 프로세스, 폐기물 흐름(waste stream), 및 환경 모니터링에서 발견되는 것 등의 다른 가스계에서 가스를 검출하는 데 유용하다.
본 명세서에 기술된 시스템은 가스계의 성분을 검출하는 감지 물질의 어레이를 이용한다. "어레이"란, 공간적으로 분리되어 있는 적어도 2개의 서로 다른 물질을 말한다. 사용되는 물질은 화학-전자-활성 물질(chemo-electro-active material)이다. 본 명세서에서 사용되는 바와 같이, "화학-전자-활성 물질"은 어떤 가스에 전기적 반응을 하는 물질이다. 어떤 금속 산화물 반도체 물질, 이들의 혼합물, 금속 산화물 반도체와 다른 유기 화합물의 혼합물은 화학-전자-활성이며, 본 발명의 시스템 및 방법에 특히 유용하다. 본 명세서에서 사용되는 여러가지 화학-전자-활성 물질은 다른 가스의 존재 시에 다른 정도로 변화를 나타낸다. 그 결과, 적절히 선택된 화학-전자-활성 물질의 어레이가 가스 흐름에서 어떤 가스의 존재를 판정하는 데 사용될 수 있다. 이들 화학-전자-활성 물질은 주변 온도에서 대략 1000℃까지의 온도에서 사용될 수 있다. 양호하게는, 이들 물질의 주요 성분의 몰 퍼센트(mole percentage)는 서로 다르다.
화학-전자-활성 물질을 사용하는 가스 농도의 측정은 그의 표면에서의 흡수 된 가스 분자의 농도에 응답하여 물질의 AC 임피던스의 변화에 기초할 수 있거나, 예를 들어, 커패시턴스, 전압, 전류, 저항 또는 온도 차분에 기초할 수 있다. 이들 물질의 어레이를 사용함으로써, 개별적인 반응의 패턴이 대략 주변 온도에서 대략 1000℃까지의 온도 범위에서 다성분 가스계에서 적어도 하나의 가스의 농도를 동시에 또한 직접 측정하는 데 사용될 수 있다.
도 1에서 알 수 있는 바와 같이, 시스템(1000)은 기판(100) 및 다성분 가스 흐름(10)에서 하나 이상의 가스의 존재 및/또는 농도를 검출하기 위해 선택된 하나 이상의 화학-전자-활성 물질(102)을 포함하는 화학적 센서 또는 화학적 센서 어레이를 제공한다. 시스템(1000)은 또한 물질(104)의 표면에서의 흡수된 가스 분자의 농도에 응답하여 그 물질(104)의 AC 임피던스의 변화를 검출하는 검출 회로(200)를 포함한다. 시스템(1000)은 또한, 가스의 존재가 식별되고 그의 농도가 측정 및 출력(301)되도록, 검출된 가스(202)를 측정 또는 분석하는 분석 장치(300)를 포함한다. 분석 장치(300)는 화학계량법, 신경망 또는 다른 패턴 인식 및/또는 예측 기술을 수행할 수 있는 수단 또는 장비를 포함할 수 있다. 어떤 실시예에서, 분석 장치(300)는 AC 임피던스 결정 회로(200) 내에 포함될 수 있다. 시스템(1000)은 또한 기판(100) 및 화학-전자-활성 물질의 어레이(102), 검출 회로(200), 및 분석 장치(300)에 대한 하우징을 더 포함할 수 있지만, 분석 장치(300)는 하우징으로부터 분리되어 있을 수 있다. 화학적 센서(100), 검출 회로(200) 및 분석 장치(300) 각각에 대해 이하에서 상세히 기술한다.
A.
화학적 센서
본 발명의 화학적 센서 어레이(100)는 상기 인용된 미국 특허 출원 제10/117,472호 및 제09/977,791호에 개시되어 있으며, 이들 출원은 여기에 인용함으로써 그 내용에 본 명세서에 포함된다. 어레이(100)는 가스 혼합물(10) 내에, 보다 상세하게는, 원하는 경우, 가스 혼합물(10)의 소스 내에 위치될 수 있다. 대안으로서, 어레이(100)는 챔버(가스 혼합물(10)이 다른 장소에 있는 그의 소스로부터 이 챔버로 보내짐) 내에 존재할 수 있다. 어레이가 위치하고 있는 챔버로 가스가 보내질 때, 가스 혼합물이 배관, 도관 또는 임의의 다른 적당한 가스 전달 장비에 의해 챔버 내로 주입되고 그로부터 제거될 수 있다.
가스-감지 물질이 다성분 가스 혼합물에 노출 시에 응답이 얻어질 수 있고, 이 응답은 가스 혼합물 내의 분석물(analyte) 가스 자체 중 하나 이상의 농도의 함수이다. 센서 물질은 거의 동시에 분석물 가스 각각에 노출되고, 분석물 가스는 혼합물 및/또는 그의 하나 이상의 성분의 분석을 수행하기 위해 다성분 가스 혼합물로부터 물리적으로 분리될 필요가 없다. 본 발명은, 예를 들어, 자동차 배기에서의 가변적인 온도에서의 산소, 일산화탄소, 질소 산화물, 부탄 등의 탄화수소, CO2, H2S, 이산화황, 할로겐, 수소, 수증기 및 암모니아 등의 연소 가스의 농도를 검출 및/또는 측정하는 데 사용될 수 있다.
따라서, 이 시스템 및 방법은 자동차 배기 시스템에서 발견되는 더 높은 온도에서, 일반적으로 대략 400℃ 내지 대략 1000℃의 범위에서 유용하다. 게다가, 디젤 엔진 및 가정용 난방을 비롯한 본 발명이 적용될 수 있는 다양한 다른 연소 프로세스가 있다. 이들 응용은, 일반적으로 고도로 부식성인 환경에서, ppm 내지 퍼센트 레벨에서의 질소 산화물, 암모니아, 일산화탄소, 탄화수소 및 산소 등의 가스의 검출을 필요로 한다. 이 장치 및 방법은 또한 제조 프로세스, 폐기물 흐름, 및 환경 모니터링에서 발견되는 가스계 등의 다른 가스계에서, 또는 냄새 검출이 중요한 및/또는 의료, 농업 또는 식품 및 음료 산업 등에서의 낮은 온도에 있는 시스템에서 가스를 검출하는 데 유용하다.
이 시스템 및 방법은, 예를 들어, 시스템 내의 하나 이상의 개별 분석물 가스 성분의 존재를 검출 및/또는 그의 농도를 계산하기 위해, 가스 혼합물 및/또는 그의 성분을 분석하는 감지 물질의 어레이를 이용한다. "어레이"란, 예를 들어, 도 1 및 도 2에 나타낸 바와 같이, 공간적으로 떨어져 있는 적어도 2개의 서로 다른 물질을 의미한다. 이 어레이는, 예를 들어, 3, 4, 5, 6, 8, 10 또는 12개의 가스-감지 물질을 포함하거나, 원하는 경우, 다른 더 많거나 더 적은 수를 포함할 수 있다. 혼합물 내의 분석물 가스 또는 여러 부류의 가스 분석물 각각이 분석되기 위해 적어도 하나의 센서 물질이 있는 것이 선호된다. 혼합물 내의 개개의 가스 성분 및/또는 특정의 서브그룹에 반응하는 2개 이상의 센서 물질을 제공하는 것이 바람직할 수 있다. 혼합물 내의 하나 이상의 개별 성분 가스 및/또는 하나 이상의 가스 서브그룹의 존재를 검출 및/또는 그의 농도를 계산하기 위해, 예를 들어, 적어도 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 또는 12개의 센서의 그룹이 사용될 수 있다. 이를 위해 서로 다른 그룹의 센서가 사용될 수 있으며, 이들 그룹은 공통의 구성원을 가지거나 가지지 않을 수 있다. 서브그룹으로서의 분석물인 가스 서브그룹은 분석물 자체인 개별 가스를 구성원으로서 포함하거나 포함하지 않을 수 있다. 양호하게는, 각각의 가스-감지 물질의 주요 성분의 몰 퍼센트는 나머지 성분들 각각의 몰 퍼센트와 다르다.
사용되는 감지 물질은 화학-전자-활성 물질이다. "화학-전자-활성 물질"은 혼합물 내의 적어도 하나의 개별 가스에 전기적 반응을 갖는 물질이다. 어떤 금속 산화물 반도체 물질, 그의 혼합물, 또는 금속 산화물 반도체와 다른 무기 화합물의 혼합물은 화학-전자-활성이고, 본 발명에서 특히 유용하다. 본 명세서에서 사용되는 여러가지 화학-전자-활성 물질 각각은 양호하게는, 혼합물 및/또는 분석물 가스에의 노출 시에, 나머지 화학-전자-활성 물질 각각과 다른 종류 및/또는 범위의 전기적으로 검출가능한 반응을 나타낸다. 그 결과, 적절히 선택된 화학-전자-활성 물질의 어레이가, 혼합물 내에 관심이 없는 방해 가스가 존재함에도 불구하고, 분석물 가스와 상호작용함으로써, 분석물 가스를 분석함으로써 또는 혼합물 내의 하나 이상의 분석물 가스의 존재 및/또는 농도를 결정함으로써, 다성분 가스 혼합물을 분석하는 데 사용될 수 있다.
이 시스템 및 방법은 가스 흐름 내에 존재할 것으로 예상되는 그 가스를 검출하는 데 유용하다. 예를 들어, 연소 과정에서, 존재할 것으로 예상되는 가스는 산소, 질소 산화물(NO, NO2, N2O 또는 N2O4 등), 일산화탄소, 탄화수소(CnH2n+2(포화 또는 불포화되어 있거나, 선택적으로 이종 원자로 치환되어 있을 수 있음) 및 그의 고리형 및 방향족 동족체), 암모니아 또는 황화수소, 이산화황, CO2, 또는 메탄올을 포함한다. 관심의 다른 가스는 알콜 증기, 용제 증기, 수소, 수증기, 및 포화 및 불포화 탄화수소, 에테르, 케톤, 알데히드, 카르보닐, 생체 분자 및 미생물로부터 유도되는 것을 포함할 수 있다. 관심의 분석물인 다성분 가스 혼합물의 성분은 일산화탄소 등의 개별 가스일 수 있거나, 질소 산화물(NOx) 등의 혼합물에 포함된 가스들의 전부가 아닌 일부의 서브그룹일 수 있거나, 하나 이상의 개별 가스 및 하나 이상의 서브그룹의 조합일 수 있다. 가스 서브그룹이 분석물일 때, 화학-전자-활성 물질은 서브그룹의 구성원들 전부의 다성분 가스 혼합물 내에서의 농도 총합에 반응한다.
가스 농도의 측정 등의 이들 센서 물질을 사용하여 가스 혼합물의 성분 함유량과 관련된 정보를 획득하는 것은, 하나 이상의 분석물 가스를 함유하는 혼합물에 그 물질을 노출시킬 시에, 그 물질의 적어도 하나, 양호하게는 그 각각 및 그 전부의 AC 임피던스 등의 전기적 특성의 변화에 기초할 수 있다. 가스 혼합물의 분석은 또한 커패시턴스, 전압, 전류 또는 AC나 DC 저항 등의 센서 물질의 다른 전기적 특성의 변화 범위에 의해 수행된다. DC 저항의 변화는, 예를 들어, 다른 가열 또는 냉각 소스가 일정하다고 가정할 때, 일정 전압에서 온도 변화를 측정함으로써 결정될 수 있다. 센서 물질의 이들 예시적인 특성 중 하나의 변화는 가스 혼합물 내에서의 분석물 가스의 부분압의 함수이며, 이는 차례로 분석물 가스의 분자가 센서 물질의 표면 상에 흡수되는 농도를 결정하며, 그에 따라 그 물질의 전기적 응답 특성에 영향을 준다. 화학-전자-활성 물질의 어레이를 사용함으로써, 그 물질이 하나 이상의 분석물 가스를 함유하는 혼합물에 노출될 때 그 물질이 나타내는 개별적인 응답의 패턴이, 동시에 또한 직접 다성분 가스계 내의 적어도 하나의 가스의 존재를 검출 및/또는 그의 농도를 측정하는 데 사용될 수 있다. 본 발명은, 차례로, 가스계의 조성을 결정하는 데 사용될 수 있다. 이 개념은 도 1 및 도 2에 개략적으로 도시되어 있으며, 이하에 예시되어 있다.
설명을 위해, 분석물 가스를 함유하는 혼합물에 센서 물질을 노출시키는 이론적 예에 대해 이하에서 살펴본다. 응답이 얻어지는 경우, 이벤트는 플러스(+)로 표시되고, 응답이 얻어지지 않는 경우, 이벤트는 마이너스(-)로 표시된다. 물질 1은 가스 1 및 가스 2에 반응하지만, 가스 3에는 반응을 보이지 않는다. 물질 2는 가스 1 및 가스 3에 반응하지만, 가스 2에는 반응을 보이지 않으며, 물질 3은 가스 2 및 가스 3에 반응하지만, 가스 1에는 반응을 보이지 않는다.
| 물질 1 | 물질 2 | 물질 3 | |
| 가스 1 | + | + | - |
| 가스 2 | + | - | + |
| 가스 3 | - | + | + |
따라서, 물질 1, 2 및 3으로 이루어진 어레이가 미지의 가스에 대해 이하의 반응을 나타내는 경우,
| 물질 1 | 물질 2 | 물질 3 | |
| 미지의 가스 | + | - | + |
이 미지의 가스는 가스 2로서 식별된다. 각각의 센서 물질의 응답은 분석물 가스 또는 분석물 가스의 서브그룹의 혼합물 내의 부분압, 따라서 분석물 가스의 농도 또는 분석물 가스의 서브그룹의 농도 총합의 함수이며, 이 응답은 수치값 등의 처리가능 값으로 정량화되거나 기록될 수 있다. 이러한 경우에, 하나 이상의 응답의 값은 하나 이상의 분석물 가스의 혼합물 내에서의 농도에 관한 정량적 정보를 발생하는 데 사용될 수 있다.
화학-전자-활성 물질은 임의의 유형일 수 있지만, ZnO, TiO2, WO3 및 SnO2 등의 반도체 금속 산화물이 특히 유용하다. 이들 특정의 물질은 그의 화학적 및 열적 안정성으로 인해 유익하다. 화학-전자-활성 물질은 2개 이상의 반도체 물질의 혼합물 또는 반도체 물질과 무기 물질의 혼합물 또는 이들의 조합일 수 있다. 관심의 반도체 물질은 알루미나 또는 실리카(이에 한정되지 않음) 등의 절연체이고 또한 다성분 가스 혼합물의 조건 하에서 안정적인 적당한 고체 기판 상에 증착될 수 있다. 그러면, 이 어레이는 기판 상에 증착된 센서 물질의 형태를 취한다. 다른 적당한 센서 물질은 벌크 또는 박막 유형의 단결정 또는 다결정 반도체, 비정질 반도체 물질, 및 금속 산화물로 이루어지지 않은 반도체 물질을 포함한다.
본 발명에서 센서 물질로 사용되는 화학-전자-활성 물질은, 예를 들어, 화학식 
, 
, 또는 
의 금속 산화물, 또는 이들의 혼합물일 수 있으며, 여기서 
,
및 
는 500℃ 이상에서 산소의 존재 시에 연소될 때 적당한 산화물을 형성하는 금속이고, 
은 주기율 그룹(Periodic Group) 2-15 및 란탄 그룹으로부터 선택되고, 
및 
는 독립적으로 주기율 그룹(Periodic Group) 1-15 및 란탄 그룹으로부터 선택되지만 
및 
는 
에서 동일하지 않으며, 여기서 a, b 및 c는 각각 독립적으로 약 0.0005 내지 약 1의 범 위에 있으며, x는 존재하는 산소가 화합물 내의 다른 원소들의 전하와 균형을 이루도록 하기에 충분한 수이다.
2개 이상의 금속을 함유하는 금속 산화물은 화합물 또는 고체 용액일 필요는 없으며 개별적인 금속 산화물의 혼합물일 수 있다. 이들은 조성 기울기(composition gradient)를 나타낼 수 있으며, 결정질 또는 비정질일 수 있다. 적당한 금속 산화물은 (1) 약 400℃ 이상의 온도에 있을 때, 약 1 내지 약 106 ohm-cm, 양호하게는 약 1 내지 약 105 ohm-cm, 보다 양호하게는 약 10 내지 약 104 ohm-cm의 고유 저항을 가지는 것, (2) 적어도 하나의 관심 가스에 화학/전자 반응을 보이는 것, 및 (3) 안정되어 있고 기계적 안전성을 갖는 것, 즉 기판에 부착될 수 있고 동작 온도에서 열화하지 않는 것이다. 금속 산화물은 또한 전구체 물질에 존재하는 소량의 또는 미량의 수화 및 원소를 함유할 수 있다.
어떤 양호한 실시예에서, 금속 산화물 물질은 M1이 Ce, Co, Cu, Fe, Ga, Nb, Ni, Pr, Ru, Sn, Ti, Tm, W, Yb, Zn, 및 Zr을 포함하는 그룹으로부터 선택되고, 및/또는 M2 및 M3는 각각 독립적으로 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, 및 Zr로 이루어지는 그룹으로부터 선택되지만, M2 및 M3는 M1 aM2 bM3 cOx에서 동일하지 않은 것을 포함할 수 있다.
어떤 다른 양호한 실시예에서, 금속 산화물 물질은,
어떤 다른 양호한 실시예에서, 금속 산화물 물질은 제1 및 제2 화학-전자-활성 물질의 어레이 내에 있는 것을 포함할 수 있으며, 이 화학-전자-활성 물질은,
(i) 제1 물질이 
이고, 제2 물질이 
인 것,
(ii) 제1 물질이 
이고, 제2 물질이 
인 것,
(iii) 제1 물질이 
이고, 제2 물질이 
인 것,
(iv) 제1 물질이 제1 
이고, 제2 물질이 제2 
인 것,
(v) 제1 물질이 제1 
이고, 제2 물질이 제2 
인 것,
(vi) 제1 물질이 제1 
이고, 제2 물질이 제2 
인 것으로 이루어지는 그룹 내의 쌍으로부터 선택되고,
여기서, M1은 Ce, Co, Cu, Fe, Ga, Nb, Ni, Pr, Ru, Sn, Ti, Tm, W, Yb, Zn, 및 Zr로 이루어지는 그룹으로부터 선택되고, M2 및 M3는 각각 독립적으로 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 및 Zr로 이루 어지는 그룹으로부터 선택되지만, M2 및 M3는 
에서 동일하지 않고, a, b 및 c는 각각 독립적으로 약 0.0005 내지 약 1이고, x는 존재하는 산소가 화합물 내의 다른 원소의 전하와 균형을 이루기에 충분한 수이다.
센서 물질은 선택적으로 기판에의 부착을 증진시키거나 센서 물질의 컨덕턴스, 저항 또는 선택성을 변경시키는 하나 이상의 첨가물을 함유할 수 있다. 부착을 증진시키는 첨가물의 예는 가열 시에 유리 또는 에나멜로 변환되는 미세 분말 유리 또는 미세 분말 무기 광물인 프릿(frit)이다. 예시적인 프릿은 DuPont iTechnologies로부터 입수가능한 F2834, F3876, F2967, KH770, KH710 및 KH375라고 하는 것을 포함한다. 이들은 센서 물질을 이루고 있는 조성의 최대 30 체적 퍼센트의 양으로 사용될 수 있다. 컨덕턴스, 저항 또는 선택성을 변경하는 첨가물의 예는 프릿은 물론 Ag, Au 또는 Pt를 포함한다.
원하는 경우, 센서 물질은 또한, 예를 들어, 관심의 가스의 산화를 촉진시키거나 특정의 분석물 가스에 대한 선택성을 증진시키거나 또는 n 반도체를 p 반도체로 변환하거나 그 역으로 변환하는 하나 이상의 도펀트를 함유하는 첨가물을 함유할 수 있다. 이들 첨가물은 센서 물질을 이루고 있는 조성의 최대 30 중량 퍼센트의 양으로 사용될 수 있다. 사용되는 임의의 프릿 또는 다른 첨가물은 제조되는 센서 물질 전체에 걸쳐 균일하게 또는 균질하게 분포될 필요가 없으며, 원하는 바에 따라 그의 특정의 표면 위에 또는 그 근방에 국소화될 수 있다. 각각의 화학-전자-활성 물질은, 원하는 경우, 다공성 유전체 오버레이어로 덮여질 수 있다. 적 당한 오버레이어는 DuPont iTechnologies의 QM44이다.
화학-전자-활성 물질을 기판에 증착하는 어떤 방법이라도 적합하다. 증착에 사용되는 한가지 기술은 전극이 스크린-인쇄되는 알루미나 기판 상에 반도체 물질을 도포하는 것이다. 이 반도체 물질은 반도체 물질을 기판 상에 핸드 페인팅하는 것, 물질을 웰(well)로 나노피펫(nanopipetting)하는 것, 박막 증착, 또는 후막 프린팅 기술에 의해 전극의 상부에 증착될 수 있다. 대부분의 기술에 뒤따라서 반도체 물질을 소결시키기 위해 최종적인 연소(firing)가 있게 된다.
전극 및 화학-전자-활성 물질을 갖는 기판을 스크린-인쇄하는 기술이 도 3 및 도 4a 내지 도 4c에 예시되어 있다. 도 3은 유전체 물질로 덮여 있는 인터디지테이트 전극(interdigitated electrode)을 사용하여, 화학-전자-활성 물질이 증착될 수 있는 블랭크 웰(blank well)을 형성하는 방법을 나타낸 것이다. 도 4a 내지 도 4c는 6개 물질의 어레이(12-물질 어레이 칩을 제공하기 위해 기판의 양측에 인쇄되어 있음)에 대한 전극 스크린 패턴을 나타낸 것이다. 이들 전극 중 2개는 평행이며, 따라서 기판은 단지 6개의 고유한 물질만을 가지고 있다. 도 4a 내지 도 4c에 도시된 어레이 상부로부터 세어 내려올 때, 상측 2개의 물질은 이들과 접점을 공유하고 있는 분할 전극에 의해서만 동시에 액세스될 수 있다(도 4a). 그 아래에는, 유전체 물질에 대한 스크린 패턴이 있으며, 이 스크린 패턴은 물질이, 단락을 야기할 수 있는 그을음의 퇴적(deposit of soot) 등의, 가스 혼합물과의 접촉에 의해 오염되는 것을 방지하기 위해 기판의 양 측면 상의 전극의 상부에 스크린 인쇄되어 있다(도 4b). 그 아래에는, 실제 센서 물질에 대한 스크린 패턴이 있다(도 4c). 이것은 전극의 상부에 있는 유전체 내의 구멍에 인쇄되어 있다. 2개 이상의 물질이 어레이에 사용되는 경우, 개개의 물질은 한번에 하나씩 인쇄된다.
전기적 응답은 가스 혼합물에 어레이를 노출시킬 때 각각의 화학-전자-활성 물질에 대해 결정되고, 그 응답을 결정하는 수단은 센서 물질을 상호 연결시키는 도체를 포함한다. 이들 도체는 차례로, 전기 신호의 형태로 센서 물질이 나타내는 응답을 측정 및 기록하기 위해, 적절한 경우 데이터 획득 및 처리 장치(분석 장치(300))를 비롯하여, 전기 입력 및 출력 회로(검출 회로(200))에 연결된다. 저항과 관련된 측정치 등의 응답의 값은 신호의 크기로 나타내어질 수 있다. 분석물이 하나 이상의 개별 가스 및/또는 하나 이상의 가스 서브그룹인지에 상관없이, 하나 이상의 신호가 혼합물 내의 각각의 분석물 성분에 관한 센서 어레이에 의해 발생될 수 있다.
각각의 개별 화학-전자-활성 물질에 대해, 나머지 화학-전자-활성 물질 각각의 전기 응답과는 별도로, 전기 응답이 결정된다. 이것은, 예를 들어, 시간 영역 또는 주파수 영역에서 한 물질과 다른 물질 간에 구분되는 신호를 제공하기 위해 멀티플렉서를 사용하여 순차적으로 전기 전류로 각각의 화학-전자-활성 물질에 액세스함으로써 달성될 수 있다. 결과적으로, 화학-전자-활성 물질이 직렬 회로에서 임의의 다른 이러한 물질과 결합하지 않는 것이 선호된다. 그럼에도 불구하고, 하나의 전극(이 전극에 의해 전류가 화학-전자-활성 물질로 전달됨)은 2개의 이상의 물질과 접촉하도록 배치될 수 있다. 전극은 어레이 내의 화학-전자-활성 물질의 전부, 전부보다 더 적은 물질과 접촉할 수 있다. 예를 들어, 어레이가 12개 화학- 전자-활성 물질을 갖는 경우, 전극은 화학-전자-활성 물질 중 2, 3, 4, 5 또는 6개(또는 선택적으로, 각각의 경우에 더 많은 개수)로 된 그룹의 각각의 구성원과 접촉할 수 있다. 이 전극은 양호하게는 전기 전류가 이러한 화학-전자-활성 물질 그룹의 각각의 구성원에 순차적으로 전달될 수 있게 해주도록 배치된다.
인쇄 회로 등의 도체가 전압원을 센서 물질에 연결시키는 데 사용될 수 있으며, 센서 물질 양단에 전압이 인가될 때, 그 물질을 통하여 대응하는 전류가 생성된다. 전압이 AC 또는 DC일 수 있지만, 전압의 크기는 일반적으로 일정하게 유지된다. 그 결과의 전류는 인가된 전압 및 센서 물질의 저항 둘다에 비례한다. 전류, 전압 또는 저항 중 어느 하나의 형태인 물질의 응답이 결정될 수 있고, 그렇게 하는 수단은 정밀 저항, 필터링 커패시터 및 연산 증폭기(OPA4340 등) 등의 상용 아날로그 회로 부품을 포함한다. 전압, 전류 및 저항이 각각 나머지 2개의 전기적 특성의 기지의 함수이기 때문에, 하나의 특성에 대한 기지의 양이 다른 특성의 양으로 용이하게 변환될 수 있다.
예를 들어, 전기적 응답의 디지털화와 관련하여 저항이 결정될 수 있다. 전기적 응답을 디지털화하는 수단은 기술 분야에 공지되어 있는 아날로그-디지털(A/D) 변환기를 포함하며, 또한, 예를 들어, 비교기의 동작을 포함하는 전기 부품 및 회로(예를 들어, 이하에 기술하는 검출 회로(200))를 포함할 수 있다. 센서 물질 양단에 전압을 인가한 결과 상기한 바와 같이 도출되는 전압 신호 형태의 전기 응답이 비교기 섹션(LM339 등)에의 입력으로서 사용될 수 있다. 비교기에의 다른 입력은 연산 증폭기(LT1014 등) 및 외부 트랜지스터(PN2007a)로 구성되는 일정 전류원을 사용하여 커패시터를 충전함으로써 생성되는 선형 램프(linear ramp)에 의해 구동될 수 있다. 이 램프는 마이크로컴퓨터(T89C51CC01 등)에 의해 제어 및 모니터링될 수 있다. 제2 비교기 섹션은 또한 램프 전압에 의해서도 구동될 수 있지만, 정밀한 기준 전압과 비교될 수 있다. 마이크로컴퓨터는 카운트된 시간에 기초하여 신호를 발생하기 위해 램프의 시작으로부터 비교기의 활성화까지의 시간 길이를 포착한다.
그 다음에, 기지의 룩업 전압에 대응하는 시간 신호에 대한, 궁극적으로는 룩업 전압의 함수인 저항에 대한 물질의 전압 출력으로부터 도출되는 시간 신호의 비로부터, 센서 물질의 저항이 마이크로컴퓨터(예를 들어, 이하에 기술되는 분석 장치(300))에 의해 값으로서 계산 또는 정량화된다. T89C51CC01 등의 마이크로프로세서 칩은 이 기능을 위해 사용될 수 있다. 마이크로프로세서 칩은 또한, 상기한 바와 같이 결정된 저항을 이전에 결정된 저항값과 비교함으로써, 센서 물질의 저항의 변화를 결정하는 수단으로서 기능할 수 있다.
임피던스 또는 커패시턴스 등의 전기적 특성은, 예를 들어, 임피던스계(impedance meter), 커패시턴스계(capacitance meter) 또는 인덕턴스계(inductance meter) 등의 회로 부품의 사용에 의해 결정될 수 있다.
화학-전자-활성 물질의 어레이의 온도를 디지털화하는 수단은, 예를 들어, 온도 측정 장치의 물리적 특성, 상태 또는 조건을 나타내는 신호를 카운트된 시간에 기초한 신호로 변환하는 상기한 부품을 포함할 수 있다.
일 실시예에서, 다성분 가스 혼합물의 분석은 상기한 방식으로 저항 등의 전 기적 응답의 발생 시에 완료된다. 가스 혼합물에 노출 시에 센서 물질이 나타내는 저항의 측정치가 하나 이상의 성분 가스의 혼합물 내에서의 부분압의 함수이기 때문에, 측정된 저항은 가스 혼합물의 성분에 관한 유용한 정보를 제공한다. 이 정보는, 예를 들어, 특정 가스 또는 가스 서브그룹이 혼합물 내에 존재하는지 여부를 나타낼 수 있다. 그렇지만, 다른 실시예에서, 하나 이상의 특정의 성분 가스 또는 가스 서브그룹의 혼합물 내에서의 상대 농도에 관한 정보를 얻기 위해 또는 하나 이상의 성분 가스 또는 서브그룹의 혼합물 내에서의 실제 농도를 계산하기 위해 필요한 방식으로 전기적 응답을 처리 또는 추가적으로 처리하는 것이 요망될 수 있다.
하나 이상의 개별 성분 가스 및/또는 하나 이상의 가스 서브그룹의 혼합물 내에서의 상대 농도에 관한 정보를 획득하거나, 혼합물 내의 하나 이상의 개별 성분 가스 및/또는 서브그룹의 존재를 검출 또는 그의 실제 농도를 계산하는 수단은 PLS(Projection to Latent Structures, 잠재 구조에의 투영) 모델 또는 다른 선형 모델링 방법, 역전파(back-propagation) 신경망 모델 또는 다른 비선형 모델링 방법, 또는 이 둘의 조합 중 어느 하나를, 신호 전처리(signal preprocessing) 및 출력 후처리(output post-processing)와 함께, 구현하는 분석 장치(300)(이하에 상세히 기술함)를 포함할 수 있다. 신호 전처리는 주성분 분석, 간단한 선형 변환 및 스케일링, 로그 및 자연 로그 변환, 원시 신호값(예를 들어, 저항)의 차이, 및 로그값의 차이 등의 동작을 포함하지만, 이에 한정되는 것은 아니다. 분석 장치(300)는 파라미터가 이미 결정되어 있고 또 전처리된 입력 신호와 관심의 화학종 의 가스 농도에 관련된 정보 간의 관계를 경험적으로 모델링하는 모델을 포함한다. 출력 후처리는 전처리에 대해 상기 열거한 동작 모두는 물론 그의 반대 동작을 포함하지만, 이에 한정되지 않는다.
분석될 혼합물 내에 성분으로서 존재할 것으로 예상되는 특정의 개별 가스 또는 서브그룹에 대한 개별 센서 물질의 정밀하게 측정된 전기적 응답의 특징을 나타내는 미리 정해진 값으로부터 도출되는 상수, 계수 또는 다른 인자를 갖는 방정식들을 사용하여 이 모델이 구성된다. 이들 방정식은 가스 혼합물에 노출 시에 센서 물질이 나타내는 전기적 응답과 별개인 값으로서 온도를 고려하는 임의의 방식으로 구성될 수 있다. 어레이 내의 각각의 개별 센서 물질은, 혼합물 내의 성분 가스 또는 서브그룹 중 적어도 하나에 대한 그의 응답에서, 나머지 센서들 각각과 다르며, 각각의 센서의 이러한 서로 다른 응답이 구해지고 모델에서 사용되는 방정식들을 구성하는 데 사용된다.
화학-전자-활성 물질이 노출되어지는 혼합물 내에 함유된 분석물 가스(들)는 단일의 가스, 가스들 전부의 서브그룹, 또는 질소 등의 불활성 가스와 혼합된 하나 이상의 가스 또는 서브그룹일 수 있다. 관심의 특정 가스가 도너 및 억셉터 가스이다. 이들은 일산화탄소, H2S 및 탄화수소 등의 반도체 물질에 전자를 주거나 O2, 질소 산화물(통상, NOx로 표시됨) 및 할로겐 등의 반도체 물질로부터 전자를 받는 가스이다. 도너 가스에 노출될 때, n-형 반도체 물질은 전기 저항이 감소되고, 전류를 증가시키며, 따라서 그 물질은 V2/R 발열로 인해 온도의 증가를 보여준다. 억 셉터 가스에 노출될 때, n-형 반도체 물질은 전기 저항이 증가하고, 전류를 감소시키며, 따라서 V2/R 발열로 인해 온도의 감소를 보여준다. p-형 반도체 물질을 갖는 각각의 경우에 그 반대가 일어난다.
그 두께, 센서로서 사용하기 위한 성분 또는 조성의 선택, 및 어레이 양단에 인가되는 전압 등의 특성을 비롯하여, 어레이에 제조되는 센서 물질의 기하학적 형태는 요구되는 감도에 따라 변할 수 있다. 센서 물질 양단에 약 1 내지 약 20 볼트, 양호하게는 약 1 내지 약 12 볼트의 전압이 인가되는 회로에서, 센서 물질은 양호하게는 병렬 연결되어 있다. 다성분 가스 혼합물의 분석을 수행할 때, 하나 이상의 분석물 가스를 함유하는 혼합물에 노출 시에, 어레이 내의 각각의 화학-전자-활성 센서 물질이 어레이 내의 나머지 화학-전자-활성 물질 각각과 다른 전기적 응답 특성을 나타내는 것이 바람직하다.
잘 알고 있는 바와 같이, 측정될 수 있는 전기적 응답 특성의 유형은 AC 임피던스 또는 저항, 커패시턴스, 전압, 전류 또는 DC 저항을 포함한다. 가스 혼합물 및/또는 그 안의 성분의 분석을 수행하기 위해 측정되는 센서 물질의 전기적 응답 특성으로서 저항을 사용하는 것이 바람직하다. 예를 들어, 적당한 센서 물질은, 약 400℃ 이상의 온도에 있을 때, 적어도 약 1 ohm-cm인, 양호하게는 적어도 약 10 ohm-cm이지만 약 106 ohm-cm보다 크지 않은, 양호하게는 약 105 ohm-cm보다 크지 않은, 보다 양호하게는 약 104 ohm-cm보다 크지 않은 고유 저항을 갖는 물질일 수 있다. 이러한 센서 물질은 또한, 양호하게는 약 400℃ 이상의 온도에서 가스 혼합물에 노출 시에, 노출이 없을 때의 저항과 비교하여, 적어도 약 0.1 퍼센트, 양호하게는 적어도 약 1 퍼센트의 저항 변화를 나타내는 것을 특징으로 할 수 있다.
혼합물 및/또는 그 안의 관심의 가스 성분을 분석하기 위해 측정되는 응답 특성의 유형에 상관없이, 그 응답 특성의 정량화된 값이 긴 시간에 걸쳐 안정되어 있는 센서 물질이 이용되는 것이 바람직하다. 센서 물질이 분석물을 함유하는 혼합물에 노출될 때(이 분석물의 농도는 그 분석물이 함유되어 있는 특정의 가스 혼합물의 조성의 함수임), 센서 물질의 응답의 값은, 일정온도에서 장기간 혼합물에 노출되는 동안에, 양호하게는 일정하게 유지되거나 단지 작은 정도만 변한다. 예를 들어, 응답의 값이 변하는 경우, 그 응답의 값은, 적어도 약 1분의 기간에 걸쳐, 또는 양호하게는 적어도 약 1시간, 양호하게는 적어도 약 10 시간, 보다 양호하게는 적어도 약 100 시간, 가장 양호하게는 적어도 약 1000 시간 등의 기간에 걸쳐, 단지 약 20 퍼센트만, 양호하게는 단지 약 10 퍼센트만, 보다 양호하게는 단지 약 5 퍼센트만, 가장 양호하게는 단지 약 1 퍼센트만 변한다. 상기한 센서 물질의 유형의 이점들 중 하나는 이들 물질이 이러한 종류의 응답 안정성을 특징으로 한다는 것이다.
가스 혼합물이 약 400℃ 이상에 있는 응용에서, 센서 물질 및 어레이의 온도는 실질적으로 가스 분석물이 함유되어 있는 가스 혼합물의 온도에 의해서만 결정될 수 있으며, 양호하게는 그에 의해서만 결정된다. 이것은 일반적으로 변하는 온도이다. 고온 가스가 분석되고 있을 때, 센서 물질을 신속하게 최소 온도로 되게 하기 위해 어레이에 히터를 제공하는 것이 바람직할 수 있다. 그렇지만, 분석이 시작되었으면, 히터(사용되는 경우)는 일반적으로 꺼져 있으며, 센서 물질을 사전 선택된 온도에 유지하기 위한 어떤 방법도 제공되지 않는다. 따라서, 센서 물질의 온도는 주변 환경의 온도와 동일하게 상승하거나 떨어진다. 주변 환경, 따라서 센서 및 어레이의 온도는 일반적으로 어레이가 노출되는 가스 혼합물의 온도에 의해서만 결정된다(또는 그로부터 얻어진다).
가스 혼합물이 약 400℃ 미만에 있는 응용에서, 센서 물질 및 어레이를 약 400℃ 이상의 사전 선택된 온도에 유지시키는 것이 바람직할 수 있다. 사전 선택된 온도는 실질적으로 일정할 수 있거나, 양호하게는 일정하다. 사전 선택된 온도는 약 500℃ 이상, 약 600℃ 이상, 또는 약 700℃ 이상일 수 있다. 이것은, 기술 분야에 공지된 방식으로, 어레이에 구현된 히터로 편리하게 행해질 수 있다. 가스 혼합물의 온도는 또한 약 300℃ 미만, 약 200℃ 미만, 또는 약 100℃ 미만일 수 있다.
어레이의 온도 변화는 센서 물질의 전기적 응답 특성의 정량화된 값, 예를 들어, 저항의 변화로 나타내어질 수 있다. 관심의 가스의 혼합물 내에서의 일정 부분압에서, 센서 물질의 전기적 응답 특성의 값은 어레이, 따라서 물질의 온도 변화에 따라 변할 수 있다. 전기적 응답 특성의 값의 이러한 변화는 온도의 변화 정도, 따라서 온도의 값을 결정하거나 측정하기 위해 측정될 수 있다. 이러한 온도 측정이 가스 혼합물의 조성 함량에 관한 정보와 무관하게 행해지는 것이 요구되지는 않지만 바람직하다. 이것은 온도를 결정하는 추가적인 목적을 위해 조성 정보 를 제공하는 센서를 사용하지 않고 선택적으로 온도 측정 장치를 센서 물질과 직렬이 아니라 병렬 회로로 연결함으로써 행해질 수 있다. 온도를 측정하는 수단은 센서 어레이에 구현된 열전쌍, 써미스터, 또는 고온계(pyrometer)를 포함한다. 온도 결정 장치가 써미스터(일반적으로 분석물 가스에 반응하지 않는 물질임)인 경우, 써미스터는 양호하게는 임의의 가스 센서를 이루고 있는 물질과 다른 물질로 이루어져 있다. 온도 또는 온도 변화를 결정하는 방법에 상관없이, 온도값 또는 정량화된 온도 변화가 바람직한 입력(양호하게는 디지털화된 형태임)이며, 이로부터 가스 혼합물 및/또는 그 안의 성분의 분석이 수행될 수 있다.
본 발명의 시스템 및 방법에서, 여러가지 종래 기술과는 달리, 멤브레인 또는 전해 전지(electrolytic cell) 등에 의해, 분석을 수행하기 위해 혼합물의 성분 가스를 분리할 필요가 없다. 또한, 본 발명에 의해 분석을 수행할 때, 응답 또는 분석 결과를 다시 베이스라인 값(base line value)으로 되돌리기 등을 위해 기준 가스(reference gas)를 이용할 필요가 없다. 각각의 개별 센서 물질의 각각의 개별 분석물 가스에의 노출에 할당되는 표준화된 응답값이 결정되는 예비 테스트를 제외하고는, 센서 물질은 분석물 가스 및/또는 서브그룹이 함유되어 있는 혼합물에만 노출된다. 센서 물질은 분석물을 함유하는 혼합물에의 노출로부터 얻어지는 응답값과 비교하기 위한 응답값을 획득하기 위해 임의의 다른 가스에는 노출되지 않는다. 따라서, 혼합물의 분석은 화학-전자-활성 물질의 분석물을 함유하는 혼합물에의 노출 시에 얻어지는 전기적 응답으로부터만 수행된다. 혼합물 내에 함유되어 있는 분석물 자체 이외의 임의의 가스에 센서 물질을 노출시키는 것에 의해 분석물 가스 및/또는 서브그룹에 관한 어떤 정보도 추론되지 않는다.
따라서, 본 발명은, 다성분 가스계에서 가스를 검출하기 위해 선택된 적어도 2개의 화학-전자-활성 물질의 어레이를 포함하는, 다성분 가스계에서 하나 이상의 가스의 존재 및/또는 농도를 직접 감지하는 시스템 및 방법을 제공한다. 다성분 가스계는 기본적으로 센서 물질이 열화되거나 센서 장치가 다른 방식으로 오동작할 정도로 낮거나 높지 않은 임의의 온도에 있을 수 있다. 일 실시예에서, 가스계는 실온(약 25℃) 또는 약 0℃ 내지 약 100℃ 미만의 범위 내의 다른 온도 등의 보다 낮은 온도에 있을 수 있는 반면, 다른 실시예에서, 가스 혼합물은 약 400℃ 내지 약 1000℃의 범위 내의 온도 등의 더 높은 온도에 있을 수 있다.
본 발명은 더 높은 온도에 있을 수 있는 가스 혼합물, 예를 들어 자동차, 디젤 엔진 또는 가정용 난방 시스템의 배기 가스 또는 배출 가스 등의 연소 흐름에서 발견되는 가스에 적용가능하다. 그렇지만, 본 발명은 또한 제조 프로세스, 폐기물 흐름 및 환경 모니터링 등에서, 또는 의료, 농업 또는 식품 및 음료 산업 등의 냄새 검출이 중요하고 및/또는 보다 낮은 온도에 있는 시스템에서, 다른 소스로부터 유도되는 가스 혼합물에 적용가능하다. 화학-전자-활성 물질의 어레이는 예를 들어, 가스 크로마토그라프(gas chromatograph)의 결과를 보충하거나 또는 가스 크로마토그라피를 교정하기 위해 사용될 수 있다. 따라서, 가스 혼합물은 약 100℃ 이상, 약 200℃ 이상, 약 300℃ 이상, 약 400℃ 이상, 약 500℃ 이상, 약 600℃ 이상, 약 700℃ 이상, 또는 약 800℃ 이상, 게다가 약 1000℃ 미만, 약 900℃ 미만, 약 800℃ 미만, 약 700℃ 미만, 약 600℃ 미만, 약 500℃ 미만, 약 400℃ 미만, 약 300℃ 미만, 약 200℃ 미만 또는 약 100℃인 온도를 가질 수 있다.
본 발명은 또한, 기판, 다성분 가스 흐름에서 하나 이상의 미리 정해진 가스를 검출하기 위해 선택된 적어도 2개의 화학-전자-활성 물질의 어레이, 및 가스계에의 노출 시에 존재하는 화학-전자-활성 물질 각각에서의 전기적 특성의 변화를 검출하는 수단을 포함하는, 다성분 가스계에서 하나 이상의 가스의 존재 및/또는 농도를 직접 감지하는 화학적 센서를 제공한다.
필요한 감도를 가지며 또 상기한 유형의 분석 측정치 및 결과를 발생하는 동작을 할 수 있는 센서는 센서를 제조하는 물질의 적절한 조성의 선택에 의해 얻어진다. 이 목적을 위한 여러가지 적당한 물질의 조성에 대해 상기하였다. 어레이 내의 센서의 수는 일반적으로 혼합물 내의 분석될 개별 가스 성분의 수보다 크거나 같다.
분석될 가스 혼합물은 프로세스에 의해 방출될 수 있거나 장치로 전달되는 화학 반응의 생성물일 수 있다. 이러한 경우에, 본 발명은, 프로세스 또는 장치를 제어하기 위해, 어레이의 전기적 응답 및 선택적으로 온도 측정치를 이용하는 수단을 더 포함할 수 있다.
프로세스 또는 장치를 제어하기 위해 센서 물질의 전기적 응답, 및 선택적으로 온도 측정치를 이용하는 수단은, 예를 들어, 내연 기관(internal combustion engine)에서 일어나는 연소의 화학적 반응을 제어하거나 엔진 자체 또는 그와 연관된 부품 또는 장비를 제어하는 의사 결정 루틴을 포함한다.
연소는 엔진의 실린더에서 탄화수소 연료의 산화라는 화학 반응이 일어나는 과정이다. 엔진은 그 화학 반응의 결과가 전달되는 장치이며, 이 결과는 실린더 내의 피스톤을 이동시키는 데 필요한 일에 대해 연소 작용으로 발생된 힘이다. 다성분 가스 혼합물을 방출하는 프로세스의 다른 예는 연료 전지에서 일어나는 화학 반응이며, 화학 반응의 생성물이 전달되는 장치의 다른 예는 난로에서 또는 전력 발생 등을 위해 사용되는 보일러 또는 오염 저감 처리를 위해 폐기 가스가 전달되는 굴뚝에 있는 집진기이다.
엔진의 경우에, 연소 과정 또는 엔진 자체의 동작을 제어하기 위해, 마이크로컴퓨터(미국 캘리포니아 산호세 소재의 Atmel Corporation의 T89C51CC01 등)는 연소 과정의 여러가지 파라미터에 관한 또는 엔진의 동작 특성에 관한 많은 의사 결정 루틴을 수행할 수 있다. 마이크로컴퓨터는 엔진 배기 가스의 조성 함량에 관한 정보를 수집하고, 배기 가스의 흐름에 노출된 화학-전자-활성 물질의 어레이의 응답을 얻기 위해 그렇게 하며, 선택적으로 온도 측정치를 획득한다. 이 정보는 일시적으로 랜덤 액세스 메모리에 저장되고, 이어서 마이크로컴퓨터는 그 정보에 하나 이상의 의사 결정 루틴을 적용한다.
의사 결정 루틴(예를 들어, 분석 장치(300))은 획득된 정보를 처리하여 프로세스의 특정의 파라미터 또는 장치의 동작 특성이 가져야만 하는 원하는 상태 또는 조건과 동등한 값의 형태로 결정을 발생하기 위해 하나 이상의 알고리즘 및/또는 수학적 연산을 이용할 수 있다. 의사 결정 루틴의 결과에 기초하여, 프로세스의 파라미터 또는 장치의 동작 특성의 상태 또는 조건의 조정을 가져오는 명령어가 마이크로컴퓨터에 의해 제공되거나 그에 의해 제어된다. 연소의 화학적 반응에 의해 구현되는 프로세스의 경우에, 프로세스는 그에 피드되는 반응물의 상대적 양 등의 반응의 파라미터를 조정함으로써 제어될 수 있다. 실린더로의 연료 또는 공기의 흐름은, 예를 들어, 증가 또는 감소될 수 있다. 연소 반응의 결과가 전달되는 장치인 엔진 자체의 경우에, 토크 또는 엔진 속도 등의 엔진의 동작 특성을 조정함으로써 제어가 달성될 수 있다.
본 발명의 시스템 및 방법에 의해 제어되는, 내연 기관 및 연관된 부품 및 장비는, 예를 들어, 자동차, 트럭, 버스, 기관차, 비행기, 우주선, 보트, 제트 스키, 전천후 차량, 또는 설상차 등의 운송 또는 레크리에이션을 위한 임의의 유형의 차량에서, 또는 펌프, 리프트, 호이스트, 크레인, 발전기, 트랙터 등의 건설, 농업, 보수 또는 산업적 운영을 위한 장비, 또는 폭파, 토공 작업, 굴착, 채굴, 채광 또는 공원 관리를 위한 장비에서를 비롯하여 많은 서로 다른 목적을 위해 사용될 수 있다.
미국 특허 출원 제10/117,472호 및 제09/977,791호에 기술된 예들은 본 명세서에서 반복하지 않지만, 여기에 인용함으로써 본 명세서에 포함된다.
B.
검출 회로
상기한 바와 같이, 본 발명에 따르면, 어떤 가스에 노출될 때 AC 임피던스가 변하는 물질로 이루어진 화학적 센서가 제공될 수 있다. 따라서, 이러한 AC 임피던스를 측정하는 본 발명에 따른 몇가지 예시적인 검출 회로(200)에 대해 이제부터 기술할 것이다. 이들 회로 개념 중 몇개가, 예를 들어, 본 발명의 양수인에 의해 소유된 미국 특허 제4,554,639호(여기에 인용함으로써 그 내용이 본 명세서에 포함 됨)에서 발견된다.
센서 어레이(100)는 기지의 오염 물질에 응답한 저항 요소의 변동에 기초한다. 오염의 측정은 센서 어레이(100)의 환경의 온도 변화에 주로 기인하는 저항의 변동에 의해 복잡하게 된다. R(T, C)가 R(T)K(C)의 형태가 되도록 센서 저항 요소가 온도(T) 및 농도(C)의 함수인 것으로 가정한다. 중요한 센서 요소 특성은 (1) 측정될 저항값의 동적 범위, (2) 측정된 오염에 대한 예상 감도, (3) 시간 응답, 및 (4) 노이즈 특성을 포함한다.
측정 방식을 좌우하는 저항 요소 특성과 관련한 시스템 요건은 (1) 측정 정확도, (2) 측정 해상도, (3) 갱신율, 및 (4) 계산 복잡도를 포함한다. 정확도 및 해상도는 동적 범위 및 감도와 상호작용한다. 0.1% 정확도까지 저항을 측정할 수 있는 것이 농도가 동일한 정밀도까지 측정될 수 있다는 것을 보장해주지 않는다. 저항의 전체적인 변화가 공칭 저항의 단지 10%에 불과한 경우, 농도 계측치는 전체 값의 1% 정도까지만 정확하다.
시간 응답은 또한 갱신율(update rate)에 영향을 미친다. Shannon의 샘플링 이론에 따르면 샘플 레이트는 대역 제한된 신호의 최고 주파수 성분의 2배보다 커야만 한다. 어떤 물리적 신호도 대역 제한되어 있지 않기 때문에, 이 조건은 근사화될 수 있을 뿐이다. 특정의 여기에 대한 센서의 응답은 여기의 주파수 특성 및 센서의 주파수 응답에 의존한다. 센서가 fn = 1/(2πTc)Hz(단, Tc는 시상수임)의 3dB 대역폭에서 1차인 경우, 샘플링 주파수의 선택은 샘플링 프로세스에 의해 유입 되는 최대 에러를 결정한다. 이 예에서, 10*fn의 샘플링 레이트는 여기의 특성에 상관없이 샘플링으로 인한 1% 미만의 에러를 보장해준다. 여기가 느리게 변하는 경우, 더 작은 샘플링 시간이 적절하다. 대부분의 응용에서, 센서 응답은 본질적으로 가스 조성의 변화의 주파수에 대해 순간적이다. 이 경우에, 샘플링 레이트는 여기만을 고려하여 결정될 수 있다. 샘플링 레이트는 샘플링으로부터의 에러가 신호의 노이즈 레벨 아래에 있도록 선택된다. 신호의 필터링은 이 노이즈를 훨씬 더 감소시킬 수 있다.
해상도는 정확도와 다른 개념이다. 아날로그-디지털 변환기("ADC")는 12 비트의 해상도(4096분의 1)를 가질 수 있으며, 여전히 단지 0.1%의 정확도를 가질 뿐이다. ADC가 ±1/2 비트로 정확하고 선형이더라도, 12 비트로 하면 전체적인 변화에 따라 훨씬 더 낮은 정확도의 측정된 값이 얻어질 수 있다.
각각의 센서는 또한 마이크로컨트롤러가 이용가능하게 되어 있어야만 하는 서로 다른 교정 상수(calibration constant)를 갖는다. 센서와 전자 회로가 분리되어 있어야만 하는 경우 센서와 연관된 상수를 갖는 것이 바람직하다. 상수 메모리에 대한 이상적인 장치는 직렬 EEPROM(serial EEPROM)이다. 통상적인 자동차 온도 범위(-40℃ 내지 125℃)에 있어서, 이들 장치는 저렴하지만, 지금까지 센서 자체에서 예상되는 고온 환경을 견뎌낼 수 있는 어떤 것도 발견되지 않았다. 센서 및 전자 회로 유닛이 분리되어 있는 경우, 메모리 칩을 이 2개의 유닛 간의 커넥터에 통합시키는 것이 가능하다.
저항이 구동되어야 하기 때문에, AC는 측정을 복잡하게 만든다. 간단한 방식은, 도 5에 나타낸 바와 같이, 기준 저항에 대한 비로서 저항을 측정하는 것이다. 이 기술은 2개의 계측치를 필요로 하며, 첫번째 계측치는 VDRIVE 신호가 로우인 경우이고 그 다음 계측치는 VDRIVE 신호가 하이인 경우이다. 이 2가지 경우 모두에서, 한계(Vr1, Vr2)는 물론 나눗셈기 포인트(divider point)(Vm)가 측정된다. 이들 2번의 측정은 이하의 결과를 제공한다.
따라서, 
이다. 컨덕턴스 Gm은 간단히 이 방정식의 역이다.
한계를 측정하는 목적은 측정 기술에서 예상되는 전압 강하에 대해 계측치가 정정될 수 있도록 하기 위함이다. 기준 저항 Rr에 대해 측정이 행해지기 때문에, 기준 저항은 안정적이고 정확해야만 한다. 이 때문에, 기준 저항은 측정 회로의 일부이며 센서 자체에 있지 않다.
이 방식의 장점은 측정 회로에 절대적인 기준이 필요하지 않다는 것이다. 게다가, 해상도 및 정확도는 사용되는 최소 수의 비트에 의해 결정된다. n 비트 해상도 및 m 비트의 추정치 해상도(estimate resolution)를 갖는 ADC에 대한 정확한 동적 범위 D(n,m)는 D(n,m) = 2n-m-1로 주어지며, 저항비의 추정치의 해상도 E(m)는 E(m) = 2m으로 주어진다.
이 예에서의 저항의 계산은 계측치가 구동 레벨 한계(drive level limit)의 오프셋에 대해 정정된 다음에 나눗셈을 수행할 것을 필요로 한다. Rm/Rr의 비는 Rm의 예상된 변화 범위가 동적 범위 한계를 초과하지 않도록 되어야만 한다. 이 방식은 각각의 센서 저항에 대한 버퍼 증폭기 및 로컬 기준 저항을 추가함으로써 다수의 센서 저항을 동시에 판독하는 것에 적합하다. 6-센서 시스템의 경우, 8-채널 ADC는 모든 센서를 동시에 측정하는 데 적절할 것이다. 더 많은 센서를 측정하기 위해서는 이들 입력을 ADC에 멀티플렉싱해야 한다. 100 Hz의 구동 주파수의 각각의 사이클에서 12 채널 전부에 대해 판독을 하는 것이 가능하다.
상기 방식에서의 변형은 미지의 저항의 로그 측정치를 생성하기 위해 타이밍 기술을 사용한다. 이 방식은 마이크로컨트롤러에의 직접 인터페이스에 적합하며, 도 6에 나타낸 바와 같이 ADC를 필요로 하지 않는다. 마이크로컨트롤러는, Rm 및 Rr을 통하는 전류 흐름의 방향을 번갈아 바꾸기 위해, VDRIVE를 통해 전계 효과 트랜지스터("FET")(Q1 내지 A4)를 제어한다. FET(Q5, Q6, Q8, Q9)는 타이밍 회로에 대한 단방향 참조를 유지하기 위해 FET(Q1 내지 Q4)의 효과를 원상태로 되돌린다. 전류 흐름의 상태를 설정한 후에, 마이크로컨트롤러는 커패시터(C)를 상부 레일(upper rail)로 충전시키기 위해 Q7을 인에이블시킨다. Rt1 및 Rt2에 의해 설정된 타이밍 비교기를 참조하는 것은 R 및 C의 시상수 τ의 측정을 가능하게 해준다. Q7이 턴오프될 때 타이머가 기동되고, Vt 및 Vm이 하이인 시간이 측정된다. VDRIVE의 그 다음 단계에서, 프로세스가 반복된다.
제1 시간 측정치(t1)는 
이 되도록 전압(V1)에 대응한다. 제2 시간 측정치(t2)는 V2, 즉 
에 대응한다. Rm의 자연 로그를 간단화하고 그에 대해 풀면, 
이 얻어진다.
유의할 점은 시간 
이 사이클의 양쪽 절반에서 측정되고 따라서 타이밍 성분(R 및 C)의 값의 사소한 변동이 중요하지 않다는 것이다. 이 측정은 실제로 타이밍 저항(Rt1, Rt2)의 비와, 로컬 기준 저항(Rr)의 안정성 및 정확도에 기초한다.
도 7 및 도 8은 
에 대해 정규화된 타이밍 특성을 Rm, Dr의 동적 범위의 함수로서 나타낸 것이다. 도 7은 방정식 
에 기초한 측정에 대한 총 시간(t)을 제공한다. 도 8은 방정식 
에 기초한 시간 차분 
을 제공한다.
Rm의 로그를 측정하는 것의 장점은 측정의 정확도가 전체 범위(full-scale)의 퍼센트가 아니라 계측치(reading)의 퍼센트라는 것이다. 도 9는, 
로 주어지는, 
측정치(단위: 카운트)의 정밀도의 함수로 해상도(단위: 퍼센트)를 나타낸 것이다. 5개의 곡선은 3, 10, 100, 103 및 104의 동적 범위에 대해 주어진 것이다.
증가된 정확도 및 더 넓은 동적 범위의 대가로 받게 되는 불이익은 측정 시간이다. 측정 시간에 영향을 주는 주된 인자는 마이크로컨트롤러의 최대 카운팅 속도이다. 몇가지 마이크로컨트롤러는 고속 타이밍 기능을 위한 것인 PCA(programmable counter array)를 포함한다. 마이크로컨트롤러는 수정 주파수의 1/4의 속도로 카운팅할 수 있다. 실제의 16 MHz 수정의 경우, 따라서 시간 해상도는 250 ns이다. 도 9로부터, 100의 동적 범위 및 0.1%의 해상도의 경우, 요구되는 
의 값은 대략 1.25ms이다. 도 6으로부터, 측정을 위한 요구되는 최대 시간은 
의 2.4배, 즉 3 ms이다.
이 방식을 구현하고 자동차 온도 환경(125℃)을 만족시키기 위해 사용될 수 있는 가장 간단한 마이크로컨트롤러는 미국 캘리포니아 산타 클라라 소재의 Intel Corporation으로부터 입수가능한 8xFx51 계열 마이크로컨트롤러이다. 이 마이크로컨트롤러는 4개의 센서 저항의 동시적인 측정을 가능하게 해주는 5-채널 PCA를 갖는다. 더 많은 저항을 측정하기 위해서는 다수의 샘플 주기를 필요로 한다. 이 마이크로컨트롤러는 내장된 CAN 인터페이스를 갖지 않는다. 8xC196(이도 역시 Intel Corporation으로부터 입수가능함)은 125℃까지의 자동차 응용을 위한 것이며, 이 기술을 사용하여 9개까지의 저항을 동시에 측정할 수 있다. 측정될 각각의 미지의 저항은 비교기 및 로컬 기준 저항을 필요로 한다.
본 발명의 검출 회로(200)에 따른 하나의 측정 회로가 도 10에 도시되어 있다. 이 회로에서, Rm은 AC 임피던스가 결정되어야 하는 물질을 나타낸다. 이 물 질은 양호하게는 100 Hz인 구동 주파수를 받는다.
기술 분야에 공지된 바와 같이, 다이오드에서의 전류 및 전압 관계는 방정식 
을 따르며, 여기서 Vd는 다이오드 양단의 전압이고, I는 다이오드를 통한 전류이며, k는 볼쯔만 상수이고, T는 절대 온도이며, q는 전자 전하이고, Io는 기준 전류이며, Vo(Io, T)는 Io 및 T에 의존하는 전압이다.
통상의 실온에서, 10배의 전류의 변화는 60 mV의 다이오드 전압(Vd)의 변화를 야기한다. 전압의 측정은 측정된 값 및 오프셋 전압 Vo 둘다의 온도 민감성에 의해 복잡하게 된다. 그렇지만, 집적 회로에 본질적인 정합된 다이오드(matched diode)를 가정하면, 이들 미지수는 본 발명에서와 같이 기지의 전류를 갖는 유사한 회로를 사용함으로써 제거될 수 있다.
도 10의 회로에서, VDRIVE가 하이이고 FET(Q2)를 통해 전류가 도출되는 동안에만 측정이 행해진다. VDRIVE의 반대 위상에서, FET(Q1)가 활성일 때, 평형된 전류가 도출된다. VDRIVE를 하이로 설정한 후에, FET(Q3)는 저항(Rrh)에 의해 결정되는 상부 기준 전압(Vrh)으로 커패시터(C)를 충전하기 위해 활성화된다. Q3는 이어서 턴오프되고, C는 정전류원(I)을 통해 선형적으로 방전한다. 그의 프로그램가능 카운터 어레이(PCA)를 사용하여, 마이크로컨트롤러는 전압(Vm, Vrl)을 전달하기 위해 타이밍 전압(Vt)에 대한 시간(tm, tr)을 측정한다. Vm은 따라서 
이다.
다이오드 방정식으로부터, 전압(Vm, Vrh, Vrl)은 이하의 식으로 주어진다.
전압을 대입하고 ln(Rm)에 대해 풀면, 
이 얻어진다.
모든 미지수가 정규화되어 없어지기 때문에, ln(Rm)의 측정치는 단지 저항(Rrl, Rrh)의 값의 함수이다. 2개 이상의 Rm이 측정되어야 하는 경우, 각각의 부가적인 Rm마다 부가적인 연산 증폭기("opamp") 및 다이오드쌍이 추가되어야만 한다. 비교기의 출력은 마이크로컨트롤러 타이머 입력으로 멀티플렉싱될 수 있다.
측정의 해상도는 동적 범위(Dr), 기준 시간(tr) 및 마이크로컨트롤러의 카운터 해상도에 의해 결정된다. Rrl/Rrh의 비가 동적 범위 및 0과 tr 사이의 tm을 결정하는 것으로 가정하면, 도 9에 나타낸 해상도 데이터는 이 방식에 직접 적용된다. 따라서, 100의 동적 범위, 0.1%의 해상도, 및 16 MHz의 마이크로컨트롤러 클럭 주파수에 대해, 마이크로컨트롤러에 의한 측정에 필요한 시간은 1.25 ms이다.
본 발명에 따른, 도 10의 방식의 다른 변형이 도 11에 도시되어 있다. 다시 말하면, Rm은 AC 임피던스가 결정되어야 하는 물질을 나타내며, 이 물질은 양호하게는 100 Hz의 구동 주파수를 받는다. 이 회로에서, Rm에 인터페이스하기 위해 연산 증폭기가 사용된다. 피드백 저항(Rrl)은 미지수(Rm)에서 예상되는 최소 저항값에 대응하도록 선택된다. 이 회로는 VDRIVE가 하이일 때만 측정을 한다. VDRIVE가 로우일 때, 동일한 반대 전류가 Rm을 통해 도출된다. Q2가 온일 때, 타이밍 커패시터(C)는 2개의 동일값 저항에 의해 결정되는 기준 전압(Vrh)으로 충전된다. Rm이 무한인 경우, 측정된 전압(Vm)은 V0 또는 +V/2이다. 다시 말하면, Vt가 Vm 및 V0를 전달하기 위한 시간이 측정된다. Rm의 값은 따라서 
이다. 이 결과를 컨덕턴스(Gm)의 항으로 표현하면, 
으로 된다.
이것이 Rm의 직접 측정이기 때문에, 해상도는 엄격히 말하면 동적 범위 및 타이밍 해상도의 함수이다. 각각의 미지의 저항에 부합하는 Rrl에 대한 고유의 기준 저항값을 선택함으로써, 각각의 저항 측정 경로의 동적 범위 및 해상도가 독립적으로 설정될 수 있다.
본 발명에 따른, 도 12에 나타낸 도 11의 회로의 변형의 결과, 컨덕턴스로 된 저항의 직접 시간 로그 측정치가 얻어진다. 도 11의 전류원은 저항으로 대체되고, 저항(Rt1, Rt2)이 기준 전압(Vr)을 설정하기 위해 추가되어 있다. Vr이 하나의 시상수(
)의 것과 동일하게 설정되어 있는 것으로 가정하면, ln(Rm) 및 ln(Gm) 에 대한 방정식은 
및 
이다. 도 10의 회로에 비해 이 회로의 이점은 이 회로가 정합된 다이오드를 필요로 하지 않고 구성될 수 있다는 것이다. 따라서, 이 회로는 상용 부품으로 구현될 수 있다.
12개 정도로 많은 저항이 측정될 필요가 있을 수 있다. 타이밍 기술을 사용하여 그렇게 많은 저항을 동시에 측정할 수 있는 이용가능한 마이크로컨트롤러가 없다. 그렇지만, 본 발명에 따라 멀티플렉서와 함께 ADC를 사용하여 12개의 저항을 측정하는 것은 가능하다. 타이밍 방식을 사용하면, 여러가지 방식으로 멀티플렉싱이 행해질 수 있다. 센서 인터페이스 회로가 똑같이 만들어질 수 있고 그 출력이 마이크로컨트롤러에의 입력에 멀티플렉싱될 수 있다. 센서 인터페이스 회로에의 입력에 있는 멀티플렉서 회로도 역시 가능하지만 바람직하지는 않다.
도 10 내지 도 12의 구성 등의 센서 저항에 인터페이스하기 위해 연산 증폭기를 사용하는 회로 구성에서, 본 발명의 독자적인 멀티플렉싱 기술이 사용될 수 있다. 도 13에 나타낸 바와 같이 연결된 12-저항 센서를 가정하면, 13개 와이어 대신에 단지 7개 와이어만이 센서에 제공되면 된다. 패드(P4-P7)는 측정 인터페이스 회로를 구동한다. 패드(P1-P3)는 별도의 3-상태 출력 회로에 의해 구동된다. 유사한 감도를 갖는 센서 저항을 그룹화함으로써, 여전히 동적 범위 및 측정 해상도를 조정하는 것을 이용할 수 있다.
구동 멀티플렉싱(drive multiplexing)은 도 10 내지 도 12의 트랜지스터(Q1, Q2)가 각각의 구동 경로에 똑같이 만들어져 있을 것을 필요로 한다. 모든 구동 트 랜지스터의 게이트는 한번에 단지 하나만이 온될 수 있도록 독립적으로 구동되어야만 한다. 각각의 저항의 측정은 구동 파형의 3 사이클을 필요로 한다. Rm이 100 Hz로 구동될 때, 초당 33번의 측정이 실행가능하며, 이는 각각의 판독을 위해 대략 2.5 ms, 16 MHz 수정의 경우 대략 10,000 카운트를 가능하게 해준다.
도 14에는 도 11에 도시된 회로에 기초하고 그에 부가적인 기능을 부가하여 본 발명에 따라 확장된 회로가 도시되어 있다. 도 14에 도시된 회로는 12개 Rm의 동시적인 측정을 가능하게 해준다. 도 10 및 도 11의 회로에서 이용되는 타이밍 기술을 사용하여 12개 Rm을 이와같이 동시에 측정하는 것은 현재 이용가능한 마이크로컨트롤러를 사용하여 가능하지 않다. 그렇지만, 도 14의 회로는 이 제한을 극복하는 멀티플렉싱 인터페이스를 포함한다. 이 멀티플렉싱 인터페이스 회로는 도 13에 상세히 도시되어 있다.
예시를 위해, 도 14는 5개의 프로그램가능 카운터 어레이를 갖는 87C52 마이크로컨트롤러(Intel Corporation으로부터 입수가능함)의 사용을 나타낸 것이다. 그렇지만, 당업자에게는 다른 마이크로컨트롤러가 사용될 수 있다는 것이 명백할 것이다. 도 14는 그에 부가하여 EIA-232(RS-232라고도 함) 인터페이스를 나타내고 있다. 자동차 응용에서 일반적으로 사용되는 CAN 인터페이스는 마이크로컨트롤러의 버스 내로 배선함으로써 EIA-232 인터페이스 대신에 또는 그에 부가하여 사용될 수 있다.
제공된 모든 측정 기술은 로컬 기준 저항에 의존한다. 회로들 중 임의의 것에 대해 절대적인 기준이 필요하지 않다. 모든 방식에 자체-보상이 내재되어 있 다. 타이밍에 기초한 회로에서, 온도에 따른 타이밍 성분값의 변동은 각각의 측정치와 함께 타이밍 회로를 교정함으로써 정규화된다. 따라서, 정확도를 위해 필요한 유일한 부품은 로컬 기준 저항이다.
C.
분석 장치
미국 특허 출원 제10/117,472호 및 제09/977,791호에 기술된 장치 및 방법은, 검출 회로를 통해, 다성분 가스계의 농도 또는 성분을 계산하기 위해 컴퓨터 처리될 필요가 있는 정보를 발생한다. 본 발명의 분석 시스템 및 방법은 본 시스템의 혼합물에서의 하나 이상의 분석물 가스의 농도 또는 성분을 계산하는 메카니즘을 제공한다.
1.
분석 장치의 하드웨어
분석 장치(300)는 양호하게는 종래의 컴퓨팅 개체 또는 일련의 연결된 종래의 컴퓨팅 개체(예를 들어, 상기한 T89C51CC01 등의 마이크로컴퓨터)를 포함한다. 도 15에 나타낸 바와 같이, 각각의 컴퓨팅 개체는 프로세서(404), 판독 전용 메모리(ROM)(406), 메인 메모리(408), 저장 장치(410), 입력 장치(412), 출력 장치(414) 및 통신 인터페이스(416)를 상호 연결시키는 버스(402)를 포함할 수 있다. 버스(402)는 모든 장치가 배선에 직접 부착되어 있고 또한 모든 신호가 각각의 장치를 통해 전달되는 것인 네트워크 토폴로지 또는 회로 장치이다. 각각의 장치는 고유의 식별자를 가지며 그에게로 보내지는 그 신호들을 인식할 수 있다. 프로세서(404)는 컴퓨터를 구동하는 기본 명령어에 응답하고 그를 처리하는 논리 회로를 포함한다. ROM(406)은 프로세서(404)에 의해 사용되는 명령어 및 데이터를 저장하 는 정적 메모리를 포함한다.
컴퓨터 저장 장치는 컴퓨터 프로세서가 액세스하기 위해 전자기 형태로 데이터를 보유하고 있다. RAM 또는 다른 유형의 동적 메모리일 수 있는 메인 메모리(408)는 컴퓨터의 주 저장 장치를 구성한다. 컴퓨터의 보조 저장 장치는 하드 디스크, 테이프, 디스켓, 집 드라이브, RAID 시스템, 홀로그래픽 저장 장치, 광학 저장 장치, CD-ROM, 자기 테이프, 및 다른 외부 장치와 그의 대응하는 드라이브 등의 저장 장치(410)를 포함할 수 있다.
입력 장치(412)는 키보드, 마우스, 포인팅 장치, 사운드 장치(예를 들어, 마이크, 기타 등등), 생체 인식 장치, 또는 컴퓨터에 입력을 제공하는 임의의 다른 장치를 포함할 수 있다. 출력 장치(414)는 디스플레이, 프린터, 사운드 장치(예를 들어, 스피커, 기타 등등), 또는 컴퓨터로부터의 출력을 제공하는 다른 장치를 포함할 수 있다. 통신 인터페이스(416)는 네트워크 연결, 모뎀, 또는 다른 컴퓨터 시스템 또는 장치와의 통신을 위해 사용되는 다른 장치를 포함할 수 있다.
이하에 기술하는 바와 같이, 본 발명에 따른 분석 장치(300)는 다성분 가스계의 농도 또는 성분을 계산할 수 있다. 장치(300)는 프로세서(404)가 메인 메모리(408) 등의 컴퓨터 판독가능 매체에 포함된 명령어 시퀀스를 실행한 것에 응답하여 이 작업을 수행한다. 컴퓨터 판독가능 매체는 하나 이상의 메모리 장치 및/또는 반송파를 포함할 수 있다.
메인 메모리(408)에 포함된 명령어 시퀀스의 실행은 프로세서(404)로 하여금 나중에 기술하게 될 프로세스를 수행하게 한다. 다른 대안으로서, 본 발명에 따른 프로세스를 구현하기 위해 소프트웨어 명령어 대신에 또는 그와 함께 하드와이어드 회로(hardwired circuitry)가 사용될 수 있다. 따라서, 본 발명은 하드웨어 회로 및 소프트웨어의 임의의 특정한 조합에 한정되지 않는다.
2.
분석 장치에 의한 처리
분석 장치(300)는, 검출 회로(200)를 통해, 화학적 센서 어레이(100)로부터 입력(예를 들어, 저항)(202)을 수신하고, 수신된 입력에 기초하여 다성분 가스계의 성분(예를 들어, NOx)의 농도를 계산한다. 임의의 주어진 시점에서, 센서 어레이(100)는 다성분 가스계에서의 가스 농도로 변환되어야만 하는 일련의 출력 저항을 제공한다.
a.
알고리즘 개발(오프라인 환경)
도 16은 센서 저항으로부터 분석물 (가스) 농도를 예측할 수 있는 교정 모델이 발생될 수 있는 방법 또는 프로세스를 나타낸 것이다. 이 프로세스는 실시간으로 또한 온라인으로 예측을 하기 위해 나중에 사용될 수 있는 파라미터를 구하는 데 요구된다.
(1)
알고리즘 개발 데이터 소스
(a)
센서 교정 데이터
"센서 교정 데이터" 평행사변형(A2)은 하나 이상의 교정 실험 동안에 수집된 상기한 센서 입력 저항(202)에 대응한다.
(b)
보조 교정 데이터
"보조 교정 데이터" 평행사변형(A3)은 연소 시스템의 다른 부분, 엔진 제어 유닛(ECU) 또는 차량에 위치되어 있는 다른 데이터 소스로부터 온라인으로 획득될 수 있는 입력을 나타낸다. 이들은 ("센서 교정 데이터"에서) 앞서 언급한 동일한 교정 실험(들) 동안에 수집된 정합 데이터(matching data)이다. 이러한 입력은 연료 대 공기비, 엔진 속도(단위: 분당 회전수(rpm)), 엔진 토오크, 엔진 출력, 엔진 흡입 공기 온도, 및 배기 가스 온도를 포함할 수 있지만, 이에 한정되지 않는다. 이들 입력은 저항, 전압 또는 전류의 형태일 수 있다. 그렇지만, 이들 입력은 센서가 실시간으로 동작하고 있을 때 센서가 계속하여 이용할 수 있어야만 한다.
(c)
분석기 교정 데이터
"분석기 교정 데이터" 평행사변형(A1)은 사용자가 센서로 측정하고자 하는 배기 가스(들)의 농도(들)를 측정할 수 있는 하나 이상의 장치로부터 획득된 입력을 나타낸다. 이들은 ("센서 교정 데이터"에서) 상기한 동일한 하나 이상의 교정 실험 동안에 수집된 정합 데이터이다. 이들 입력은 일반적으로 오프라인 알고리즘 개발 환경에서만 이용가능하다.
이하의 동작은 통상적으로 오프라인 알고리즘 개발 동안에 행해진다. 주어진 응용에 대해, 이들 동작 전부가 행해지거나 이들 동작이 이하에 열거된 순서로 행해질 필요가 있는 것은 아니다.
(2)
알고리즘 개발 프로세스
(a)
동기화
"보조 교정 데이터" 및 "분석기 교정 데이터" 평행사변형으로부터의 프로세 스 흐름에 있는 "동기화" 상자(A4, A5)는 공통의 시간에 기초하여 이들 2개의 데이터 스트림으로부터 획득된 측정치를 센서로부터의 측정치에 맞춰 정렬하는 단계를 나타낸다. "분석기 교정 데이터"는, 그 중에서도 특히, 샘플이 분석기에 도달하는 데 걸리는 시간 길이, 분석기가 그 샘플을 측정하는 데 필요한 시간 길이, 및 분석기 출력이 데이터 로깅 장치에 도달하는 데 걸리는 시간 길이에 의해 유입되는 시간 지연(time lag)을 해결하기 위해 종종 동기화를 필요로 한다. 일반적으로, 샘플이 분석기에 도달하는 데 걸리는 시간 길이가 시간 지연의 주된 원인이다. "보조 교정 데이터"는, 그 중에서도 특히, 다른 감지 장치의 측정 지연 시간과 연관된 시간 길이, 연소 및 배기 시스템에서의 센서 어레이(100)에 대한 각각의 다른 장치의 위치와 연관된 시간 길이, 및 ECU에서 출력을 계산하는 데 필요한 시간 길이를 해결하기 위해 종종 동기화를 필요로 한다.
보조 교정 데이터(A3)에 대해 동기화가 필요한 경우, 이러한 동기화를 위한 파라미터 및 명령어(A6)가 센서의 실시간 동작 동안에 적절히 실시될 수 있도록 이들 파라미터 및 명령어가 기록되어 있다.
(b)
데이터 전처리
센서 입력과 분석기(들) 및 보조 데이터 소스로부터의 동기화된 입력은 이어서 각각의 입력의 크기 및 범위를 다른 입력들과 부합하도록 만들기 위해 전처리될 수 있다(상자 A7, A8, A10). 이 단계는 종종 모델 작성 프로세스에 각각의 개별 입력 소스의 적당한 상대 가중치를 제공하기 위해 또는 입력 소스 데이터로부터 바람직하지 않은 또는 부적절한 효과를 제거하기 위해 필요하다.
신호 전처리는 이하의 수학적 연산, (1) 신호(들)의 중앙이 평균값에 오도록 하는 것, (2) 신호(들)를 스케일링하는 것, (3) 신호(들)를 정규화하거나 단위 분산으로 스케일링하는 것, (4) 예를 들어, 메디안 필터링 등, 누락된 계측치를 제거하기 위해 신호(들)를 디지털 수단에 의해 필터링하는 것, 또는 (5) 예를 들어, 계측치의 1차(또는 다른 고차) 도함수를 계산하기 위해 신호(들)을 적용함으로써, 신호(들)를 변환하는 것 중 하나 이상을 포함한다. 신호(들)를 전처리하는 다른 수단은 이하의 수학적 연산, (1) 신호(들)의 로그, 또는 그의 역, 즉 지수를 계산하는 것, (2) 신호(들)의 삼각함수 또는 그의 역삼각함수를 계산하는 것, (3) 신호(들)의 쌍곡선 함수 또는 역쌍곡선 함수를 계산하는 것, 또는 (4) 신호(들)를 n 제곱(단, n은 실수임)하는 것 중 하나 이상을 통해 계측치를 변환하는 것을 포함한다. 이들 연산 중 임의의 연산은 신호(들)에 대해 개별적으로 또는 소정의 순서로 행해질 수 있다.
전처리 동작(들)로부터 출력되는 데이터는 전처리되지 않은 데이터와 여러가지 단일의 동작 또는 일련의 동작에 의해 전처리된 데이터의 임의의 조합을 포함할 수 있다.
최적의 전처리가 결정되면, 수치 파라미터 및 전처리 명령어가 센서의 실시간 동작 동안에 적절히 실시될 수 있도록 이들 파라미터 및 명령어가 기록되어 있어야만 한다. 이들 파라미터 및 명령어는 센서 장치에 내장되어 있는 프로세서에 저장되어 있을 수 있다. 도 16에서의 "보조 데이터에 대한 전처리 명령어 및 파라미터"(A9) 및 "센서 데이터에 대한 전처리 명령어 및 파라미터"(A11)라고 하는 평 행사변형은 2개의 데이터 스트림에 대한 이들 저장된 파라미터 및 명령어를 나타낸다.
(c)
드리프트 정정
본 명세서에서 사용되는 바와 같이, 용어 "드리프트(drift)"는 가스 분석물 농도의 예측과 관련이 없는 센서 패드 응답(sensor pad response)의 하나 이상의 특성(즉, 베이스라인 오프셋 및 스팬)의 시변적인 (일시적인) 변화를 말한다. 이러한 시변적인 변화는 반드시 시간상으로 연속적/단조적일 필요는 없으며 시간상으로 불연속일 수 있다.
센서, 분석기(들) 및 다른 이용가능한 소스로부터의 전처리된 입력은 측정치에서의 히스테리시스(hysteresis) 또는 드리프트로부터의 바람직하지 않은 효과를 포함할 수 있다. 히스테리시스 및 드리프트는 화학적 센서에서 통상적으로 관찰되며, 이들은 다른 데이터 소스의 입력에 존재할 수 있다. 센서 및 보조 데이터 입력에서의 이러한 효과는 센서가 장기간에 걸쳐 효과적인 성능을 유지하기 위해 감소되어야만 하고, 분석기 데이터에서의 임의의 이러한 효과는 센서 장치에 대한 효과적인 알고리즘을 개발하기 위해 감소되어야만 한다. 따라서, 드리프트 및/또는 히스테리시스 정정 절차(A12, A13, A18)가 3가지 데이터 소스 모두에 대해 종종 필요하다.
(i)
드리프트 정정 - 배경
드리프트는 측정 기기의 도량형적 특성(metrological characteristic)의 일시적인 변화이다. 가스 감지 물질에서의 이러한 변화는 일반적으로 가스 성분 농 도를 예측하는 데 부적절하며, 종종 장기간에 걸쳐 효과적으로 동작할 수 있는 알고리즘을 개발하는 데 방해가 된다. 센서 특성이 부품 노후로 인해 시간에 따라 변할 때 센서에 드리프트가 나타날 수 있다.
센서 데이터에 대한 드리프트-정정 방법에 상당한 연구가 수행되었다. 이 연구의 대부분은 샘플의 정성적 평가 또는 분류만이 요구되는 정성적 감지 응용에만 적용된다. 게다가, 정량적 응용에 적용되었떤 이전의 연구 대부분은 참조 가스의 주기적인 측정에 의존한다. 참조 가스를 필요로 하지 않는 다른 방법들이 제안되어 있지만, 이들은 광범위한 온라인 데이터 처리 또는 감지 물질의 드리프트 거동의 정확한 장기 모델을 필요로 한다. 그렇지만, 정량적 분석이 필요하고, 참조 가스가 실제로 가능한 것이 아니며, 정확한 장기 드리프트 모델을 개발할 가능성이 없고, 또한 온보드 신호 처리 전자 회로의 계산 능력이 제한되어 있는 경우, 이러한 이전의 연구는 본 발명에 의해 제안된 히스테리시스 및 드리프트의 해결책을 제시하지 못하고 있다.
(ii)
드리프트 정정 - 본 발명
본 발명은 본 발명의 화학적 센서의 응용을 위해 특별히 설계되어 있는 응용-관련 드리프트 정정 방법을 이용한다. 이러한 방법은 센서 장치로부터의 입력 데이터는 물론 엔진으로부터 입수할 수 있는 임의의 다른 온라인 데이터를 이용할 수 있다. 실시간 동작 동안에, 이들 입력은 현재 입력, 현재 시간 이전에 수신된 입력, 또는 이들의 조합일 수 있다. 이들은 또한 이러한 현재 및 과거 데이터의 시간 도함수일 수 있다. 드리프트 정정 방법은 시간상으로 고정되어 있거나 센서 또 는 보조 데이터로부터의 보다 최근의 입력에 기초하여 적응적(시변적)일 수 있다. 게다가, 이 방법은 응용의 특성에 기초하여 다양한 빈도로(at varying frequencies) 실행될 수 있다. 이 방법은 감지 요소의 응답의 간단한 오프셋 조정을, 응답의 스팬 조정, 또는 이들 둘다를 필요로 할 수 있다. 별도의 드리프트 정정 방법이 센서 어레이 내의 각각의 감지 요소에 개별적으로 적용될 수 있거나 단일의 드리프트 정정 방법이 모든 감지 요소에 적용될 수 있다. 이러한 드리프트 정정은 충분히 재현가능한 참조 가스 상태를 발생하는 특별한 엔진내 샘플링 프로토콜(in-engine sampling protocol)을 사용할 수 있다. 재현가능한 참조 상태(reproducible reference state)를 생성하는 한가지 방법은 센서 어레이의 온도를 증가시키는 것, 센서 어레이 주변의 환경에서의 람다(즉, 공기 대 연료비)를 측정하는 것, 및 저항을 그 람다 및 온도에서의 기지의 참조 저항으로 스케일링하는 것으로 이루어져 있다. 다른 정정 방법은 드리프트를 야기하는 인자에 주로 반응하고 가스 성분 농도의 변화에 최소로 반응하는 특별히 제조된 참조 감지 물질을 이용할 수 있다. 드리프트 정정 방법은 도 16에 나타낸 바와 같이 알고리즘-작성 절차에서 별도의 단계일 수 있거나, 모델 생성 또는 데이터 전처리 단계 등, 이 절차 내의 다른 단계들과 통합되어 있을 수 있다.
주어진 응용에 대한 적절한 드리프트 정정 방법의 선택은 몇가지 고려 사항에 좌우된다. 구체적으로는, 이 선택은 본 발명의 화학적 센서 내의 물질에 대한 히스테리시스 및 드리프트에 대한 이해에 의존한다. 이것은 화학적 센서를 이루고 있는 물질에서의 드리프트의 "기능"의 특징을 파악하는 것, 히스테리시스 및 드리 프트에 이르게 하는 표면 화학 현상을 이해하는 것, 화학적 센서를 이루고 있는 물질에서의 히스테리시스 및 드리프트에 대한 어떤 가스의 영향을 찾아내는 것, 히스테리시스 및 드리프트 영향을 최소화하기 위해 물질 조성 및 마이크로구조를 최적화하는 것을 포함한다. 예를 들어, 한 응용에서, 드리프트가 시간과 상관되어 있는 연속적인 단조 성분과 감지 환경 및 엔진 조건에서의 여러가지 변수에 의존하는 비연속적("구조적(structured)") 성분 둘다를 갖는다는 것을 실험을 통해 알아낼 수 있다.
선택은 또한 물질 및 마이크로구조 개발에 의존한다. 이것은, 물질 벌크 화학적 성질, 벌크 마이크로구조 및 표면 기능의 최적화를 비롯한, 화학적 센서를 이루고 있는 물질에 대한 이전의 연구 및 목표 실험(targeted experimentation)에 기초하고 있다. 예를 들어, 이러한 목표 실험 동안에 관심의 가스 분석물에 대한 그의 감도에 기초하여 뿐만 아니라, 그의 드리프트 특성 또는, 엔진에서의 센서의 정상 동작 동안에 액세스가능한 센서 및 보조 데이터를 사용하여, 그의 드리프트 특성의 예측가능성에 기초하여, 특정의 감지 물질이 선택될 수 있다.
선택은 또한 엔진내 참조 프로토콜을 통해 참조 샘플 상태를 발생할 수 있는것에 의존한다. 참조 가스는 센서 물질의 장기적 변화(예를 들어, 부착, 부식, 기타 등등)에 의해 야기되는 드리프트 영향을 모니터링하기 위해 사용될 수 있다. 이것은 본 발명의 화학적 센서에서의 물질-기반 드리프트 원인에 대한 어떤 이해를 필요로 한다. 예를 들어, 어떤 응용에서, 참조 샘플 상태는 감지 요소의 표면의 열적, 전기적, 또는 자기적 여기에 의해 주기적으로 발생될 수 있다. 또한, 가스 성분 농도의 주기적 사이클이 경험되는 응용에서, 각각의 사이클 중의 고정된 시간 동안의 배기 가스 샘플 상태를 참조 상태로서 사용하는 것이 가능할 수도 있다.
드리프트 정정 방법은 또한 참조 물질의 개발을 필요로 할 수 있다. 이것은 센서 히스테리시스 및 드리프트를 가져올 수 있는 단기 가스 조성 결과(short-time-scale gas composition event)를 모니터링하는 것을 필요로 하며, 이는 화학적 센서에서의 히스테리시스 및 드리프트의 환경적 원인에 대한 이해를 필요로 한다. 양호하게는, 화학적 센서를 이루고 있는 물질은 분석물 가스에 대해 최소 반응을 갖지만, 히스테리시스 및 드리프트를 야기하는 인자에 대해 최대 반응을 갖는다. 예를 들어, 드리프트가 배기 가스의 어떤 환경적 조건에 의존하는 것으로 알려져 있는 경우, 이들 조건의 변화에 주로 반응하고 분석물 가스 농도의 변화에 최소로 반응하는 특정의 감지 물질이 개발될 수 있다. 이러한 물질은 정상 동작 동안에 센서 응답에서의 드리프트 영향을 감소시킬 수 있다.
(iii)
드리프트 정정 - 예
응용-관련 드리프트 정정 방법의 예가 이하에 기술된다. 이 예는 GDI(Gasoline Direct Injection, 가솔린 직접 분사) 자동차 엔진에서의 감지 응용에 사용하기 위해 개발되었다. GDI 엔진의 정상적인 동작은, 엔진 공급 가스 혼합물에서 아주 리치-버닝하는 연료(very rich-burning fuel)를 생성하기 위해 공기/연료비를 간헐적으로 떨어뜨림으로써, NOx 저장 촉매(storage catalyst)의 주기적인 재생성/세정을 필요로 한다. 이 결과 도 17a에 나타낸 바와 같이 배기 가스에서의 가스 성분 농도의 주기적인 패턴이 얻어진다.
예 - 적응적 드리프트 정정
배경 및 설정
이 드리프트 정정 방법은 어레이 내의 각각의 감지 요소에 고유한 오프셋(베이스라인 응답) 및 스팬(감도) 정정 둘다를 적용한다. 오프셋 및 스팬 정정 인자의 값은 GDI 엔진의 각각의 사이클 동안의 지정된 시점(본 명세서에서 "갱신 시간"이라고 함)에서 주기적으로 갱신된다. 주어진 GDI 사이클에 대한 갱신 시간은 일반적으로 리치 재생성 상태(rich regeneration state)로부터 린 동작 상태(lean operating state)로의 엔진 천이 직후에 일어난다. 이 드리프트 정정 방법의 실행은 그의 설명을 돕기 위해 도 17b에 나타내어져 있다. 최적의 갱신 시간은 이 최적의 시간을 결정하는 것을 목표로 하는 특별한 실험으로부터 또는 동작 중인 GDI 엔진 내의 센서의 테스트로부터 데이터의 분석을 통해 결정될 수 있다. 각각의 사이클에 대한 갱신 시간을 결정하기 위해 사용되는 시간 지연은 어레이 내의 모든 감지 요소에 대해 고정되어 있을 수 있거나, 각각의 감지 요소에 대해 서로 다를 수 있다. 게다가, 이 시간 지연은 시간에 따라 고정되어 있거나 시간에 따라 변할 수 있다. 고정된 시간 지연의 경우에, 이 최적의 지연 시간은 센서 데이터, 분석기 데이터, 및 특별한 실험 또는 엔진 테스트로부터의 보조 데이터를 사용하여 계산될 수 있다. 시변적(적응적) 시간 지연의 경우에, 이 시간 지연은 또한 실시간 센서 또는 보조 데이터를 사용하여 조정되어진다.
각각의 사이클에 대한 갱신 시간 동안에, 센서 응답에 적용되어야 하는 오프셋 및 스팬 정정 인자의 새로운 값은 실시간 및/또는 이전의 전처리된 센서 데이 터(A15) 및 드리프트-정정된 보조 데이터(A17)를 입력으로서 사용하는 센서 요소 관련 모델(본 명세서에서 "정정 인자 모델"이라고 함)을 적용함으로써 계산된다. 이들 정정 인자 모델의 개발은 다음 단락에서 기술한다.
도 17c의 플로우차트의 좌측은 적응적 오프셋 및 스팬 정정에서 사용되는 인자 회귀 모델(factor regression model)에 대한 한가지 이러한 개발 프로세스를 나타낸 것이다. 이들 예측 모델은, 센서 및 엔진 데이터가 이용가능할 뿐만 아니라 관심의 분석물 가스(들)의 농도를 독립적으로 측정하는 분석기로부터의 데이터도 이용가능한 경우, 센서에 대한 특별한 교정 실험으로부터 얻어지는 데이터를 사용하여 개발될 수 있다. 먼저, 전처리된 센서 데이터(A15)가 사이클별 응답 제로화 절차(cycle-wise response zeroing procedure)(D1A)를 추가적으로 사용하여 처리되고, 그에 따라 베이스라인-제로화된 센서 데이터(baseline-zeroed sensor data)(A15B)를 생성한다. 이 응답 제로화 절차는 다음과 같이 설명된다. 갱신 시간에서의 각각의 센서 요소의 응답은 그 다음 GDI 엔진 사이클에 대한 갱신 시간까지 그 센서 요소의 모든 후속하는 응답으로부터 차감된다. 이어서, 정정된 분석기 데이터(A16) 및 베이스라인-제로화된 센서 데이터(A15B)가, 각각의 사이클에 대해, 각각의 감지 요소에 대한 이상적인 오프셋 및 스팬 인자를 결정하는 데 사용된다. 이 프로세스(D1)는 몇가지 방식으로 행해질 수 있으며, 그 중 2가지에 대해 이하에서 기술한다.
기지의 분석물 농도에 대한 베이스라인 제로화된 센서 요소 응답의 일련의 국소 선형 회귀가, 각각의 엔진 사이클에 대해, 각각의 센서 요소마다 행해질 수 있다.
여기서, 
는 사이클 j 동안의 분석물 가스 농도를 포함하고, 
는 사이클 j 동안에 센서 요소 i의 베이스라인-제로화된 응답을 포함한다. 이 결과, 각각의 센서 요소/사이클 조합에 대해 하나씩, 일련의 회귀 기울기(regression slope)
및 오프셋 
이 얻어진다. 각각의 국소 선형 회귀에 대해, 국소 회귀 직선(local regression line)의 오프셋 및 기울기는 각각 그 감지 요소/사이클 조합에 대한 이상적인 오프셋 및 스팬 조정 인자이다. 그 결과, 일련의 NC x NE개 세트의 이상적인 오프셋 및 스팬 조정 인자(D2)가 얻어지며, 여기서 NC는 교정 데이터에서의 사이클의 수이고, NE는 센서 어레이 내의 감지 요소의 수이다. 본 명세서에서 사용되는 바와 같이, GDI 사이클은 리치-린 엔진 천이(rich-to-lean engine transition) 간의 시간 간격으로서 정의된다. 상기한 국소 선형 회귀는 사이클 동안에 획득된 모든 데이터 점 또는 사이클 동안에 획득된 데이터 점의 임의의 서브셋을 사용할 수 있다.
이상적인 오프셋 및 스팬 인자는 또한 반복적/재귀적 최적화 절차를 사용하여 결정될 수 있으며, 여기서 각각의 센서 요소/사이클 조합마다 이들 인자의 서로 다른 일련의 값이 테스트되고, 이어서 이들 인자를 사용하여 정정되는 센서 데이터로부터 획득된 분석물 가스 농도(들)에 대한 센서 응답의 회귀 모델의 근사 에러(fit error)에 기초하여 평가 및 조정된다. 이전의 단락에 기술된 방법에 의해 추정되는 이상적인 정정 인자(수학식 1)는 이 재귀적 방법에 대한 시작값으로서 사용될 수 있다.
일련의 테스트 데이터에 대해 이상적인 오프셋 및 스팬 정정 인자(D2)가 계산되면, 실시간으로 이들 정정 인자(본 명세서에서 "정정 인자 모델"이라고 함)를 추정하는 일련의 예측 모델이 개발될 수 있다(프로세스 D3). 이들 정정 인자 모델에 대한 입력은 갱신 시간에 수집되는 전처리된 센서 데이터(A15), 베이스라인-제로화된 센서 데이터(A15B), 및 드리프트-정덩된 보조 데이터(A17), 및/또는 갱신 시간 이전에 수집된 이러한 데이터를 포함할 수 있지만, 이에 한정되는 것은 아니다. 이들 정정 인자 모델은, 선형 회귀(Linear Regression), 다중 선형 회귀(Multiple Linear Regression), PLS(Projection to Latent Structures)(또는 다른 선형 모델링 방법) 및 신경망(또는 다른 비선형 모델링 방법)(이들에 대해서는 차후의 섹션에서 기술될 것임), 등의 다양한 도구를 사용하여 개발될 수 있다. 적응적 오프셋(D4) 및 스팬(D5) 정정 인자에 대한 일련의 NCxNE 예측 모델이 계산되면, 그의 파라미터 및 실행 명령어(D9)가 센서 장치의 실시간 동작 동안에 적용될 수 있도록 이들이 저장되어 있어야만 한다.
상기한 적응적 드리프트 정정 방법에 대한 한가지 명백한 대안은 베이스라인-제로화(baseline-zeroing) 단계(D1A)를 우회하는 것이다. 이 대안의 경우, 이상적인 적응적 정정 인자를 추정(프로세스 D1)하기 위해서도 정정 인자 모델을 발생(프로세스 D3)하기 위해서도 전처리된 센서 데이터(A15)만이 이용가능하다.
실행
도 17c의 플로우차트의 우측은 실시간으로 GDI 엔진에서의 적응적 드리프트 정정 방법에 대한 한가지 가능한 실행 방식을 나타낸 것이며, GDI 엔진으로부터 획득되는 센서 데이터에 대한 이 정정의 효과가 도 17b에 도시되어 있다. 이 구체적인 경우에, 베이스라인 제로화(D6A)는 센서 데이터에 대해 먼저 행해지고, 베이스라인-제로화된 센서 데이터(D6C)는 드리프트 정정 절차(C3)로의 입력으로서 사용된다. 게다가, 갱신 시간은 각각의 감지 요소에 대한 각각의 사이클 내에서의 고정된 시간으로서 정의되며, 저장 촉매의 재생성보다 정확히 td 이후이다(도 17b 참조). 그렇지만, 앞서 언급한 바와 같이, 베이스라인 제로화 단계(D6A)는 우회될 수 있다. 게다가, 갱신 시간은 시간에 따라 일정할 필요가 없으며 또한 센서 어레이 내의 각각의 감지 요소마다 동일할 필요도 없다.
임의의 주어진 시간에, 드리프트 정정된 센서 응답은 이하의 식에 따라 계산된다.
여기서, 
는 사이클 j 동안의 지정된 시간에 감지 요소 i의 미정정된 응답이고, 
는 사이클 j 동안의 감지 요소 i에 대한 현재 유효한 오프셋 정정 인자이며, 
는 사이클 j 동안에 감지 요소 i에 대한 현재 유효한 스팬 정정 인자이다. 각각의 사이클 내의 각각의 지정된 갱신 시간에서, 이 방법은 먼저 응답 제로화 프로세스(D6A)에서 사용될 응답 제로를 갱신한다. 이어서, 이 방법은 센서 어레이 내의 각각의 감지 요소에 대해 오프셋 정정 인자 
및 스팬 정정 인자 
둘다를 갱신한다. 이 정정 인자 갱신 프로세스(D6)는 현재의 온라인 데이터에 대한 정정 인자 모델(D9)(이의 개발에 대해서는 이전의 섹션에서 기술하였음)의 적용을 수반한다. 정정 인자 모델에 적용되는 온라인 데이터는 드리프트 정정 방법(이전의 섹션에서 기술되었음)의 개발 동안에 구체적으로 정의되었으며, 이들은 갱신 시간에 수집되는 전처리된 센서 데이터(C1, corr), 베이스라인-제로화된 센서 데이터(D6C), 및 드리프트-정정된 보조 데이터(C2, corr), 및/또는 갱신 시간 직전에 수집된 이러한 데이터를 포함할 수 있지만, 이에 한정되는 것은 아니다. 이러한 정정 인자 갱신 프로세스(D6)는 갱신된 정정 인자(D7)를 생성하고, 이 인자(D7)는 이어서 드리프트 정정 파라미터(A19)를 갱신하는 데 사용된다.
갱신 시간 동안에 갱신된 드리프트 정정 파라미터(A19) 및 응답 제로(D6D)는 그 다음 사이클에 대한 갱신 시간(이 때 이들 값은 상기한 절차를 사용하여 다시 한번 갱신됨)까지 모든 후속하는 센서 요소 응답에 적용된다.
예
이 간단화된 예에서, 적응적 드리프트 정정 방법이 GDI 엔진 배기 가스에서의 NOx 농도를 효과적으로 예측하는 데 사용될 수 있도록 이 방법은 센서 어레이 내의 단일의 감지 요소에 적용된다. 교정 모델을 작성하는 데 한 세트의 데이터가 사용되었으며, 별도의 세트의 데이터가 모델을 테스트하는 데 사용되었다. 도 22는, 테스트 세트 데이터에 대해, 미정정된 센서 데이터와 NOx 농도를 비교한 것이 다.
유의할 점은 센서 요소가 NOx 농도의 단기 변화에 잘 반응하지만 실험 과정 동안에 그의 베이스라인 응답에 드리프트 및 주기적인 변화를 겪는다는 것이다. 교정 데이터 세트로부터의 미정정된 센서 데이터가 NOx에 대한 선형 회귀 교정 모델을 작성하는 데 사용되고 이어서 이 모델이 테스트 세트 데이터에 적용되는 경우, 도 23에 도시된 결과가 얻어진다. 센서 오프셋 및 스팬의 적응적 변화 및 장기 드리프트의 결과 예측 성능이 아주 좋지 않음은 명백하다.
이 예에서, 정정 방법은 베이스라인-제로화된 센서 데이터를 사용하여 수행된다. 게다가, 갱신 시간은 각각의 GDI 사이클마다 리치-린 천이(rich-to-lean transition)보다 정확히 10초 이후로 설정된다. 도 23b는 센서 요소의 데이터가 이들 갱신 시간을 사용하여 베이스라인-제로화된 이후의 그 데이터를 나타낸 것이다.
이 예에서 단지 하나의 감지 요소만이 사용되고 있기 때문에, 총 2개의 정정 인자 모델, 즉 그 감지 요소의 오프셋 인자에 대한 정정 인자 모델 및 그의 스팬 인자에 대한 정정 인자 모델이 구축될 필요가 있다. 이들 모델을 구축하는 데 있어서의 첫번째 단계는 교정 데이터 세트에서 각각의 사이클마다 이상적인 오프셋 및 스팬 인자를 결정하는 것이다. 이 예에서, 이것은, 교정 실험으로부터 획득된 정정된 분석기 데이터(A16) 및 베이스라인-제로화된 센서 데이터(A15B)를 사용하여, 사이클 동안에 측정된 NOx 농도에 대한 센서 응답의 일련의 국소 선형 회귀(각 각의 사이클마다 한번씩)를 수행함으로써 행해진다. 그 결과 얻어지는 교정 데이터에 대한 이상적인 오프셋 및 스팬 인자가 도 24에 베이스라인-제로화된 센서 데이터와 비교하여 도시되어 있다. 이 예에서, 국소 선형 회귀는 각각의 사이클에 대한 모든 데이터 점을 이용하지 않고 오히려 갱신 시간(리치-린 천이 개시보다 10초 이후)에서 시작하여 린-리치 천이의 시간까지의 제한된 일련의 데이터 점을 이용하였다.
이 시점에서, 교정 데이터는 상기한 이상적인 정정 인자를 사용하여 정정될 수 있으며, 이 정정된 데이터는 이어서 예측 NOx 교정을 구축하기 위해 사용될 수 있다. 이 예에서, 단지 하나의 감지 요소가 사용되기 때문에, 이 NOx 교정 모델은 단변량 선형 회귀를 사용하여 구축된다. 그 결과의 NOx 교정 모델이 도 25에 도시되어 있다. 유의할 점은 이상적인 정정 인자를 사용하는 적응적 정정의 결과 미정정된 데이터로 구축된 모델보다 훨씬 더 나은 근사치를 갖는 예측 NOx 모델이 얻어진다(도 23).
이상적인 정정 인자가 획득된 경우, 오프셋 및 스팬 정정 인자에 대한 예측 정정 인자 모델을 구축할 수 있다. 이러한 모델에 대한 예측기 변수는 엔진의 정상적인 동작 동안에 센서가 이용가능한 임의의 측정치를 포함할 수 있으며, (1) 장치 내의 임의의 센서 요소로부터의 데이터, (2) 센서 칩 온도 데이터 또는 센서 장치가 획득한 다른 데이터, 및 (3) 엔진 내의 다른 센서로부터의 데이터(람다, RPM, 토오크, 온도, 공기 속도, 기타 등등)를 포함할 수 있다. 게다가, 이들 예측기 변 수는 갱신 시간에 또한 갱신 시간 직전의 어떤 시간에 획득된 상기 측정치 중 임의의 것을 포함할 수 있다.
이 예에서, 센서 및 엔진 둘다로부터의 일련의 예측기 변수를 사용하는 PLS(Partial Least Squares) 회귀를 사용하여 2가지 정정 인자 모델이 개발되었다. 이 경우에, 이들 모델에의 입력으로서 고려되었던 센서 데이터는 베이스라인-제로화된 센서 데이터로 제한되었지만, 모든 응용에 대해 항상 그러할 필요는 없다. 그 결과 얻어지는 정정 인자 모델이 도 26에 도시되어 있다. 이들 결과는 주어진 사이클에 대한 이 감지 요소의 적응적 오프셋 및 스팬 정정 인자가 엔진에서 즉각 이용가능한 정보를 사용하여 합리적으로 추정될 수 있음을 명백히 보여준다.
인자 회귀 모델이 개발된 경우, 이 모델이 실시간 센서 및 엔진 데이터(C1,corr 및 C2,corr)에서 각각의 사이클마다 정정 인자(D7)를 갱신하기 위해 적절한 갱신 시간에서 이 데이터에 적용될 수 있다. 이 예에서, 이 방법을 인자 회귀 모델을 구축하는 데 사용되지 않은 일련의 정합 센서 및 엔진 데이터(본 명세서에서, 테스트 세트 데이터라고 함)에 적용함으로써 실시간 드리프트 정정이 시뮬레이션된다. 적응적 드리프트 정정 전후의 이 테스트 세트에서의 센서 데이터가 도 27에 도시되어 있다. 미정정된 센서 데이터가 미정정된 교정 데이터(상기 도 23)를 사용하여 구축된 NOx 교정 모델에 적용되는 경우, 도 28a의 결과가 얻어진다. 그렇지만, 드리프트-정정된 센서 데이터가 정정된 교정 데이터(상기 도 25)를 사용하여 구축된 NOx 교정 모델에 적용되는 경우, 도 28b의 결과가 얻어진다. 유의할 점은 적응적 드리프트 정정 방법의 결과 크게 향상된 NOx 예측 성능이 얻어진다는 것이다.
(d)
필터링(직교화)
드리프트-정정된 데이터는 이어서 다른 처리 방법, 필터링 또는, 보다 구체적으로는, 직교화(A20)(도 16)에 제공될 수 있다. 직교 신호 정정(OSC, orthogonal signal correction)이라고 하는 기술 및 그의 변형은 관심의 분석물 가스(들)의 농도를 계산하는 데 부적절한 센서 데이터에서의 효과를 제거(즉, 디지털적으로 필터링)할 수 있는 한 부류의 기술들을 포함한다. 이 부류의 방법을 적용하기 위해, 신호 입력에서의 무관한 효과의 원인이 센서의 수명에 걸쳐 일정하게 유지되는 것으로 가정한다. 임의의 이러한 방법(들)(A21)의 적용으로부터 비롯되는 파라미터는, 센서 및 관련 측정 시스템이 특정의 분석물(들)의 농도(들) 또는 존재를 예측하기 위해 온라인으로 동작하고 있을 때, 나중의 사용을 위해 저장되어야만 한다.
분석기(A16), 센서 어레이(A22), 및 보조 데이터 소스(A17)로부터의 정정된 형태의 데이터는 그 다음 프로세스 단계인 모델 생성(A23)에 대한 입력으로서 사용되는 정정된 데이터를 포함한다.
(e)
모델 생성(오프라인 환경)
정정된 입력 데이터는 이어서 하나 이상의 예측 모델을 생성하는 데 사용된다. 각각의 모델은 단변량 회귀 모델, 다변량 회귀 모델, 잠재 구조에의 투영 모 델(PLS, 또는 부분 최소 제곱) 또는 다른 선형 모델링 방법, 역전파 신경망 모델 또는 다른 비선형 모델링 방법, 또는 상기한 것들의 조합일 수 있다. 이들 유형의 모델링 방법 각각은 동일한 정정된 입력 데이터에 적용될 때 다수의 모델을 발생할 수 있다. 이들 모델 각각은 그 모델을 개발하는 데 사용된 입력 데이터에 고유한 것이며, 따라서 센서 어레이(100)에 사용되는 특정의 물질에 고유한 것이고, 또한 교정을 위한 입력 데이터를 발생하기 위해 센서가 배치된 엔진 배기 시스템의 유형(즉, 센서 환경)에 고유한 것이다.
(i)
선형 회귀
이 모델 구축 방법은 단일의 선택된 입력(예를 들어, 센서 어레이 내의 단일의 감지 요소, 또는 보조 데이터 내의 단일의 변수)으로부터의 정정된 데이터를 사용하며, 이하의 식에 따라 이 데이터와 관심의 분석물의 일치하는 일련의 기지의 농도(예를 들어, 분석기-측정 NOx 농도) 간의 선형 회귀를 수행한다.
여기서, 
는 단일의 입력으로부터의 데이터를 포함하고, 
는 대응하는 가스 분석물 농도 데이터를 포함한다. 
및 
가 주어지면, 최소 제곱 방법을 사용하여 모델 계수 b 및 c가 추정된다. 단변량 회귀의 경우, 이들 파라미터(b 및 c)는 도 16의 평행사변형(A24)에서의 모델 파라미터를 구성한다.
(ii)
다중 선형 회귀(Multiple Linear Regression, MLR)
이 모델 구축 방법은 2개 이상의 입력(예를 들어, 센서 어레이 내의 2개 이 상의 감지 요소, 또는 적어도 하나의 감지 요소 및 보조 데이터로부터의 적어도 하나의 입력)으로부터의 정정된 데이터를 사용한다. 이 모델링 방법은 이어서 이하의 식에 따라 이들 데이터 입력과 관심의 가스 분석물(예를 들어, NOx)의 기지의 농도 간의 다중 선형 회귀를 수행한다.
여기서, 
는 다수의 입력(1, 2...n)으로부터의 데이터이고, y는 대응하는 가스 분석물 농도이다. 
및 y가 주어지면, MLR 모델 계수 
및 
는 다중 최소 제곱(Multiple Least Squares) 방법을 사용하여 계산된다. 다중 선형 회귀의 경우, 이들 모델 계수는 도 16의 평행사변형(A24)에서의 모델 파라미터를 구성한다.
(iii)
잠재 구조에의 투영
이 모델 구축 방법은 2개 이상의 입력(예를 들어, 센서 어레이 내의 2개 이상의 감지 요소, 또는 적어도 하나의 감지 요소 및 보조 데이터로부터의 적어도 하나의 입력)으로부터의 정정된 데이터의 사용을 필요로 한다. 그렇지만, 상기한 MLR 방법과는 달리, PLS 방법은 2가지 다른 동작,(1) 원래의 n개의 입력 변수를 보다 적은 수의 잠재 변수(latent variable)(서로 완전히 독립적이고(따라서 원래의 n개의 입력의 거동에서의 임의의 중복성을 설명함) 또 원래의 n개의 변수에 포함된 정보의 대부분을 설명함)로의 압축, 및 (2) 이들 잠재 변수의 관심의 가스 분석물 농도로의 다중 선형 회귀를 수행한다. PLS 모델의 최종 형태는 MLR 모델의 최종 형태(방정식 2)와 동일하다. 즉,
그렇지만, 모델 계수 
및 
는 다른 방식으로 결정되며, 따라서 MLR을 사용하여 결정된 것과 아주 다를 수 있다. PLS 모델의 경우, 계수 
및 
는 도 16의 평행사변형(A24)에서의 모델 파라미터를 구성한다.
(
iv
)
신경망 모델
신경망 모델 구축 방법은 2개 이상의 입력(예를 들어, 센서 어레이 내의 2개 이상의 감지 요소, 또는 적어도 하나의 감지 요소 및 보조 데이터로부터의 적어도 하나의 입력)으로부터의 정정된 데이터의 사용을 필요로 한다. 간단한 선형적 수학 연산(방정식 1 내지 3)을 통해 실행될 수 있는 모델이 얻어지는 상기한 모델링 방법과는 달리, 신경망 모델은 일반적으로 일련의 2개 이상의 선형 또는 비선형 연산을 통해 실행된다.
일반적인 신경망 모델 실행 방식이 도 18에 도시되어 있다. 정정된 입력 데이터는 도 18의 좌측에 있는 원시 입력 벡터 
에 포함되어 있으며, 관심의 가스 분석물 농도(들)는 도 18의 오른쪽 멀리에 있는 원시 출력 벡터 
에 포함되어 있다. 벡터 
는 스케일링된 입력 벡터를 나타내고, 벡터 
는 스케일링된 출력 벡터를 나타낸다. 동 도면의 중앙에 있는 벡터 
는 "은폐(hidden)" 또는 "중간(intermediate)" 벡터라고 한다. 스케일링된 입력을 은폐 벡터로 변환하는 데 사용되는 계수는 행렬 
에 포함되어 있으며, 은폐 벡터 값을 스케일링된 출력으로 변환하는 데 사용되는 계수는 행렬 
에 포함되어 있다. 신경망 모델 실행에서의 특정의 단계들에 대해 이하에서 기술한다.
단계 1: 스케일링된 입력 벡터 
가 0.1 내지 0.9의 값을 갖도록 각각의 변수마다 정정된 입력 벡터 
에 대해 선형 스케일링 연산이 수행된다. 선형 스케일링의 경우, 스케일링된 입력 벡터 
는, 각각의 입력 변수의 데이터 최소값 및 최대값을 사용하여, 입력 벡터 
로부터 계산된다.
단, 
이고, 
은 입력의 수이며, 
및 
는 각각 입력 변수 
에 대한 원시 입력의 최소값 및 최대값이고, 바이어스에 대한 조정항(adjustment term)인 
은 1이다. 열 벡터 
는 
+1개의 요소(행)으로 이루어져 있다.
단계 2: 스케일링된 입력 벡터 
에서의 각각의 값은 이어서 가중치 행렬 
과 곱해진다. 가중치 행렬 
은 네트워크의 은폐(중간) 계층에서의 각각의 노 드에 대한 각각의 별도의 입력의 기여를 계산한다.
단, 
이고, 여기서 
는 은폐 계층에서의 노드의 수이고, 바이어스에 대한 조정항인 
는 1이다. 가중치 행렬 
은 크기가 
+1 행 x 
+1 열이고, 열 벡터 
는 
+1 요소(행)로 이루어져 있다. 스케일링된 입력과 은폐 계층 간의 변환(방정식 5)은 비선형 변환이다.
단계 3: 중간 벡터 
에서의 각각의 값은 이어서 가중치 행렬 
와 곱해진다. 행렬 
는 은폐 계층에서의 각각의 개별 노드의, 네트워크의 스케일링된 출력 벡터인 
의 각각의 요소에 대한 기여를 계산하는 데 사용된다.
단, 이고, 여기서 
는 출력의 수이며, 바이어스에 대한 조정항인 
는 1이다. 가중치 행렬 
는 크기가 
행 x 
열이고, 열 벡터 
는 
개 요소(행)으로 이루어져 있다. 농도를 계산해야만 하는 가스종(gas species)의 수는 출력 유닛의 수 
를 결정한다. 예를 들어, 단지 하나의 가스 분석물 농도 출력(예를 들어, NOx)만이 필요한 응용에서, 단지 하나의 출력 유닛이 있다(N3 = 1). 3개의 가스 분석물 농도 출력(예를 들어, NOx, 산소 및 전체 탄화수소)이 필요한 응용에서, 3개의 출력 유닛이 있다(N3 = 3). 은폐 계층 노드와 스케일링된 출력 간의 변환(방정식 6)은 비선형 변환이다.
단계 4: 스케일링된 출력 벡터 
로부터 원시 출력 벡터 
를 계산하기 위해, 데이터 최소값 및 최대값을 사용하여 역 선형 변환(inverse linear transformation)이 계산된다.
여기서, 
및 
은 각각 출력 변수 
에 대한 원시 출력의 최소값 및 최대값이다. 원시 출력 벡터 
의 내용은 관심의 가스와 관련되어 있으며, 이하에 기술되는 후처리 단계에서 적절한 역 연산이 
에 적용될 때 농도를 산출하는 형태로 되어 있다.
많은 신경망 응용에서 일반적인, 하나의 은폐 벡터를 갖는 신경망 모델에서, 모델 파라미터는 최대 및 최소 원시 입력값(벡터 
및 
), 최대 및 최소 원시 출력값(벡터 
및 
), 및 가중치 행렬(
및 
)이다. 
및 
가 원시 입력 및 원시 출력으로부터 용이하게 계산되지만, 가중치 행렬(
및 
)의 계산은 더 복잡하다. 본 발명은 원시 입력 및 원시 출력 데이터로부터 가중치 행렬을 계산하기 위해 역전파(Back-Propagation) 및 "강성" 역전파(Stiff Back-Propagation) 등의 종래의 방법을 이용할 수 있다. 하나의 은폐 벡터를 갖는 신경망 모델에서, 파라미터 
및 
는 도 16에서의 평행사변형(A24)에서의 모델 파라미터를 구성한다.
알고리즘 개발과 관련하여, 도 16 및 도 20에 도시하고 이상에서 설명한 단계들의 순서는 데이터 처리 순서의 단지 한 예에 불과하며, 이들 단계는 다른 순서로 실행될 수 있다. 예를 들어, 드리프트 정정(A12, A13, A18) 이전에 필터링/직교화(A20)가 수행되는 알고리즘이 개발될 수 있거나, 보조 데이터가 동기화(A5) 이전에 전처리(A8)될 수 있다.
b.
오프라인 환경에서의 알고리즘 선택
알고리즘 선택이 온라인(즉, 실시간으로, 센서가 엔진에서 동작하고 있는 동안) 또는 오프라인으로 행해질 수 있다. 이 섹션에서, 오프라인 환경에서의 알고리즘 선택이 제공된다.
본 명세서에서 사용되는 바와 같이, 용어 "알고리즘"은 데이터 전처리, 보조 데이터 동기화, 드리프트 정정, 데이터 필터링, 및 모델 실행을 위한 일련의 파라미터 및 데이터 처리 명령어로서 정의된다(도 16의 평행사변형(A25) 참조). 주어 진 엔진 배기 가스 응용에서의 주어진 센서 장치에 있어서, 몇가지 서로 다른 알고리즘이 준비될 수 있으며, 이들 각각은 서로 다른 일련의 전처리, 동기화, 드리프트 정정, 필터링 및 모델 실행 요소를 서로 다른 연대기적 순서로 사용할 수 있다.
앞서 기술한 방법(섹션 C.2.a에 기술됨)에 의해 발생된 알고리즘(A25)은 알고리즘 선택 프로세스로 전송된다. 도 19는 알고리즘 선택 프로세스에 포함되는 서브단계들을 나타낸 것이다. 먼저, 각각의 알고리즘 후보(A25,1, A25,2,..., A25,N)는 일치하는 일련의 분석기 데이터(B2)(기지의 가스 분석물 농도를 포함함)도 갖는 이전에 수집된 일련의 센서 및 보조 데이터(B3, B4)에 적용된다. 이 이전에 수집된 일련의 데이터는 통상적으로 테스트 데이터(B1)라고 한다. 알고리즘을 일련의 새로운 입력 데이터에 적용하는 것과 연관된 상세한 단계들(프로세스 C)이 이하에 요약되어 있으며 도 20에 도시되어 있다. 테스트 데이터가 알고리즘 후보(A25,1, A25,2,..., A25,N) 중 임의의 후보를 생성하는 데 사용되었던 어떤 데이터도 포함하지 않는 것이 바람직하다. 각각의 알고리즘 후보(A25,1, A25,2,..., A25,N)를 테스트 데이터(B1)에 적용하면 그 결과 각각의 알고리즘 후보에 대한 일련의 예측된 가스 분석물 농도(B5)가 얻어진다.
각각의 알고리즘 후보(B5)에 대한 일련의 예측된 가스 분석물 농도가 획득되면, 이들 농도는, 알고리즘(A25)으로부터의 다른 정보와 함께, 기지의 가스 분석물 농도(B2)와 결합되어, 각각의 알고리즘 후보의 예상되는 효과성을 평가하는 데 사용되는 기준을 구성하는 몇가지 서로 다른 품질값(B7)을 발생한다. 이 목적을 위한 3가지 통상적으로 사용되는 품질값(B7)이 이하에서 기술되지만, 이들은 전수적 인 리스트를 나타내는 것이 아니다.
(1)
제곱 평균 제곱근 오차(Root Mean Squared Error, RMSE)
서로 다른 알고리즘의 효과성을 비교하는 통상적인 기준은 제곱 평균 제곱근 오차(RMSE)이다. 이 통계는 이하의 방정식에 따라 계산된다.
여기서, N은 테스트 데이터에서의 관찰(또는 샘플)의 수이고, 
은 (분석기 데이터로부터의) 기지의 가스 분석물 농도이며, 
는 알고리즘에 의해 예측된 가스 분석물 농도이다. 높은 RMSE는 알고리즘이 그의 예측된 가스 분석물 농도에서 큰 오차를 야기한다는 것을 암시하는 반면, 낮은 RMSE는 알고리즘이 그의 예측된 가스 분석물 농도에서 더 작은 오차를 야기한다는 것을 암시한다.
테스트 데이터가 알고리즘을 발생하는 데 사용되는 데이터와 동일할 때, RMSE 통계는 통상적으로 RMSEC(Root Mean Square Error of Calibration, 교정의 제곱 평균 제곱근 오차)라고 한다. 이 경우에 모델을 구축 및 테스트하는 데 동일한 데이터가 사용되기 때문에, RMSEC 통계는 알고리즘의 효과의 최적의 추정치이다.
테스트 데이터가 알고리즘을 발생하는 데 사용되는 데이터로부터 독립적으로 획득되었을 때(예를 들어, 서로 다른 때에, 서로 다른 엔진에서 또는 서로 다른 장소에서 수집되었을 때), RMSE 통계는 통상 RMSEP(Root Mean Square Error of Prediction, 예측의 제곱 평균 제곱근 오차)라고 한다. 이 경우에 모델을 구축 및 테스트하기 위해 서로 다른 데이터가 사용되기 때문에, RMSEP이 통상 알고리즘의 성능의 보다 현실적인 평가인 것으로 생각된다.
(2)
알고리즘 복잡도
알고리즘 후보에 대한 제2 기준은 알고리즘의 전체 복잡도이다. 모든 다른 기준이 똑같은 경우, 덜 복잡한 알고리즘이 더 복잡한 알고리즘보다 바람직한데, 그 이유는 실행하기가 더 용이하고, 유지하기가 더 용이하며, 또 정상 동작 동안에 센서 및 보조 데이터에서의 뜻하지 않은 외란에 덜 민감하기 때문이다. 이 기준은 더 정성적(qualitative)이며, 알고리즘에서의 데이터 처리 동작의 수, 회귀 모델에서 사용되는 입력의 수, PLS 모델(또는 다른 선형 모델)에서의 잠재 벡터의 수, 또는 신경망 모델(또는 다른 비선형 모델)에서의 은폐 벡터의 수에 기초한다. 예를 들어, 둘다 PLS 회귀를 사용하는 2개의 알고리즘이, 동일한 일련의 테스트 데이터에 적용될 때, 동일한 RMSE 통계를 생성하고 또 이들 알고리즘 각각이 서로 다른 수의 잠재 벡터를 사용하는 경우, 가장 적은 수의 잠재 벡터를 갖는 모델이 덜 복잡하고 따라서 선택될 가능성이 더 많다.
(3)
모델 회귀 계수의 크기
서로 다른 다중 선형 회귀(MLR) 및 PLS 모델을 비교할 때, 모델 계수 
의 크기는, 정상 동작 동안에, 뜻하지 않은 외란에 대한 모델의 감도 또는 알고리즘을 생성하는 데 사용된 조건으로부터의 임의의 다른 벗어남을 반영한다. 따라서, 이러한 모델에 대한 이들 계수의 크기가 가능한 한 낮은 것이 바람직 하다. 계수의 크기를 표현하는 데 사용될 수 있는 한가지 통계는 계수의 제곱의 합(SSC, sum of squares of the coefficients)이다.
모든 다른 기준이 똑같을 때, 최저 SSC를 갖는 모델이 가장 적합한 것으로 생각된다.
각각의 알고리즘 후보에 대해 품질값(B7)이 계산되면, 이들 품질값은 각각의 알고리즘 후보의 전체적인 품질 평가를 가능하게 해주기 위해 다른 것(B8)과 비교된다. 이들 품질 평가에 기초하여, N개의 후보(A25,1, A25,2,..., A25,N)로부터 단일의 알고리즘이 선택될 수 있고, 이 알고리즘이 분석물 가스(들)의 농도를 예측하기 위한 선택된 알고리즘(A25,s)이 된다. 다른 대안으로서, 본 발명은 2개 이상의 예측 모델이 실시간으로 평가될 수 있을 정도로 충분한 컴퓨팅 능력을 제공할 수 있으며, 개별적인 알고리즘 후보의 품질값(B7)이 분석물 가스(들)의 농도에 대한 가중된 추정치를 계산하는 데 사용될 수 있다.
c.
알고리즘 실행(온라인 환경)
선택된 알고리즘은 이어서 알고리즘 실행 단계(C)에 제공된다. 이 단계는 센서가 엔진 배기 가스 시스템에 설치되어 있는 동안에 실시간으로 알고리즘의 동작을 나타낸다. 도 20은 알고리즘 실행 프로세스(C)에 수반되는 서브단계를 나타낸 것이다. 도 20으로부터 알 수 있는 바와 같이, 이 단계는 단지, 특정의 순간에 엔진으로부터 획득된 일치하는 일련의 센서(C1) 및 보조 데이터(C2)에 적용되는, 그의 알고리즘 개발(도 16) 동안에 선택된 알고리즘(A25,s)에서 이전에 정의되었던 일련의 실행 단계이다. 이들 실행 단계 각각에 대한 파라미터 및 명령어는 선택된 알고리즘(A6, A9, A11, A14, A19, A21, A24)에 정의된 것들과 동일해야만 하며, 알고리즘 실행 동안의 단계들의 순서는 선택된 알고리즘(A25,s)의 순서와 일치해야만 한다.
알고리즘 실행 프로세스(C)에 대한 데이터 입력은 온라인 센서 데이터(C1) 및 온라인 보조 데이터(C2)이다. 이들 데이터는 엔진 내의 센서 장치의 실제 동작 동안에 실시간으로 수집되는 것을 제외하고는 알고리즘(A2, A3)을 개발하는 데 사용되는 데이터와 유사하다. 센서 데이터(C1)는 임의의 주어진 시점에서 어레이 내의 감지 요소들로부터 수집되는 데이터이다. 보조 데이터(C2)는, 엔진 제어 유닛(ECU) 또는 차량에 위치한 다른 데이터 소스 등의, 연소 시스템의 다른 부분으로부터 획득된 데이터이다. 이러한 데이터는 연료 대 공기비, 엔진 속도(단위: 분당 회전수(rpm)), 엔진 토오크, 엔진 출력, 엔진 흡입 공기 온도, 및 배기 가스 온도를 포함할 수 있지만, 이에 한정되는 것은 아니다.
먼저, 보조 데이터는 (이 데이터가 알고리즘에서 사용되고 있는 경우) 알고리즘(A6)에 저장된 파라미터 및 명령어에 따라 동기화(A5)되어야 하고, 알고리즘(A9)에 저장된 파라미터 및 명령어에 따라 전처리(A8)되어야만 하며, 알고리즘(A14)에 저장된 파라미터 및 명령어에 따라 드리프트-정정되어야만 한다. 센서 데이터는 또한 알고리즘(A11)에 저장된 파라미터 및 명령어에 따라 전처리되어야만 한다. 이 전처리는, 이하에 기술하는 바와 같이, 온도 보상을 포함할 수 있다. 이어서, 전처리된 센서 데이터(C1,corr)는 알고리즘(A19)에 저장된 파라미터 및 명령어에 따라 센서 데이터에 드리프트 정정(C3)을 수행하기 위해 드리프트-정정된 보조 데이터(C2,corr)와 결합된다. 이러한 드리프트 보상은 상기한 적응적 드리프트 정정 방법일 수 있다. 이어서, 필요한 경우, 센서 데이터는 알고리즘(A21)에 저장된 파라미터 및 명령어에 따라 필터링/직교화된다. 마지막으로, 가스 분석물 농도(들)(C7)를 발생하기 위해, 정정된 센서 및 보조 데이터(C5)를 입력으로 사용하여 교정 모델(A24)이 실행된다(C6). 가스 분석물 농도 정보(C7)는 이어서 분석 중인 다성분 가스계를 발생하는 시스템에서의 파라미터를 조정하는 데 이용될 수 있다.
센서 패드에 대한 온도 변화는 저항 변동과 상관될 수 있다. 이들 변동이 큰 경우, 알고리즘이 좁은 온도 범위로부터의 저항 데이터를 바탕으로 작성되었다면, 이들 변동이 알고리즘의 예측 능력을 떨어뜨릴 수 있다. 온도로 인한 저항의 변화를 보상하는 것은 이러한 유형의 모델로부터 더 나은 예측을 생성하게 된다. 이것은 몇가지 방식으로 행해질 수 있다. 한 방법에서, 과거의 어떤 기간이 검토되고, 과거의 온도 변화가 저항을 예측하는 데 사용된다. 따라서, 이하의 형태의 모델이 도모된다.
여기서, 
및 
는 과거의 기간에서의 그 데이터 범위에 걸친 평균 저항 및 온도이다. 최소 제곱 기술을 사용하여, k가 구해질 수 있다. 항 
은 온도로 인한 저항의 변화를 정의한다. 정정된 R은 
에서 
을 차감함으로써 획득될 수 있다. 
가 데이터를 발생한 센서의 사전 설정된 온도가 아닐 경우에 문제가 발생한다. 데이터의 베이스라인이 오염되고, 한 문제가 다른 문제로 대체된다. 이 베이스라인은 저항에 다시 
를 가산함으로서 복원될 수 있으며, 여기서 
는 센서 패드에 대한 설정점 또는 원하는 온도이다. 이것은 베이스라인에 대한 최소한의 오염으로 온도의 변동을 정정한다.
이 기술은 k의 값이 지수적 망각 시간(exponential forgetting time)에 따라 적응적으로 구해지도록 수정될 수 있다. 이것을 하기 위해, 이 모델은 
(R은 저항이고 T는 시간 t에서의 온도임)을 제공하도록 약간 수정될 필요가 있다.
이득 인자 
는 
이고, 여기서 
는 온도의 분산-공분산이며, I는 항등 행렬이고, 
는 망각 인자이고, 
이다. 수반되는 계산을 얼마간 간단화시 키는 투영 알고리즘 등의 적용될 수 있는 이 주제의 다른 변형이 있다.
벡터 
는 저항에 대한 온도의 기여를 추정하는 데 사용될 수 있다. 올바른 평균에 있지 않은 것에 대한 정정이 이전과 같이 수정될 수 있다.
이 기술은 온도로 인해 생기는 변동에 대해 저항 측정치를 정정하기 위한 메카니즘을 제공하기 위해 온라인으로 사용될 수 있다. 이것은 센서 장치의 온도가 알고리즘을 개발하기 위해 교정 데이터가 취해졌을 때 사용된 온도의 범위 밖에 있는 경우 중요하다. 이것이 일어날 수 있는 이유는, 주변 온도가 장치 설정 온도보다 낮을 때 또는 주변 온도가 장치 설정 온도보다 높을 때, 칩 상의 제어기가 안정된 온도를 유지하고 있지 않기 때문이다.
d.
화학적 센서 어레이에 대한 실시간 품질 진단
본 발명은 센서 어레이 장치에 대한 실시간 신호 품질 평가 진단 통계를 제공하며, 이 장치는 센서가 교정되지 않은 샘플링 공간에서 동작하고 있을 때에 경보를 제공할 수 있으며, 따라서 분석물 가스(들) 농도(들)의 부정확한 추정치를 발생하는 경향이 있다. 단일의 감지 요소를 갖는 센서 및 센서 어레이 장치에 대한 신호 처리 방식의 크게 간소화된 예가 도 21에 도시되어 있다.
n개의 감지 요소의 센서 어레이는 n개의 입력을 생성한다. 이들 입력은 이어서 일련의 수학적 연산(선택된 센서 알고리즘)에 의해 처리되어 정량적 센서 출력(NOx 농도 또는 NH3 농도 등)을 발생한다(도 21의 하부 예를 참조할 것).
(1)
배경
응답을 발생하기 위해 단일의 감지 요소가 사용되는 센서의 경우(도 21의 상부), 이 단일의 감지 요소는 관심의 샘플 성분(예를 들어, NOx)에 대해 아주 선택적이어야만 한다. 이것은 아주 간단한 교정 절차 및 아주 간단한 알고리즘에 이르게 한다.
출력 = 상수 * 입력 + 오프셋 (1)
이러한 간단한 알고리즘에서, 센서가 교정되지 않은 조건(이후부터, "특이 조건(outlier condition)"이라고 함)에서 동작하고 있는지 여부를 판정하는 일, 즉 현재 시간에서의 센서 입력 또는 출력이 교정 동안에 발생된 센서 출력의 범위 내에 있는지 여부를 단순히 판정하는 일은 쉽다. 좋은 예가 pH 4 내지 pH 10에서 정확한 것으로 확인된 단일의 전극에 기초한 pH 센서이다. 보고된 pH가 이 범위 밖에 있는 경우, 센서 계측치는 의심스럽다. 센서 입력(pH 전극 전류 또는 전위 측정치)이 교정을 위해 사용된 입력의 범위 내에 있는지 여부를 알 필요조차도 없는데, 그 이유는 센서 출력이 범위 내에 있는 경우, 직접적인 입력/출력 관계가 센서 입력도 역시 범위 내에 있음을 암시하기 때문이다.
센서 입력의 어레이가 출력을 발생하는 데 사용되는 경우 상황이 많이 다르다. 이러한 상황은 개개의 감지 요소의 어느 것도 개개의 샘플 성분에 고유의 감도를 갖지 않는(또한 교차 감도가 존재하는) 경우에 필요하게 된다. 이 경우에, 더 복잡한 알고리즘을 생성하기 위해 더 정교한 교정 절차가 행해져야만 한다. 이것은 2가지 직접적인 결과를 갖는다. 즉, (1) 알고리즘은 특이 조건 동안에 오차 있는 출력을 발생할 가능성이 더 많으며, 따라서 이러한 특이 조건의 검출이 더 중요하게 되고, (2) 센서 동작 동안의 이러한 특이 조건의 검출이 단지 센서 출력의 "범위 밖" 값을 모니터링하는 것만으로 행해질 수 없고 심지어 도 21에서의 J개의 센서 입력 각각의 "범위 밖" 조건에 대해 모니터링하는 것으로도 행해질 수 없다. 그 대신에, 센서 교정 조건 동안에 획득된 센서 입력 값을 기술하고 이러한 잘못된 결과를 가져오게 할지도 모르는 특이 조건이 존재하는지 여부를 결정하기 위해 센서 동작 동안에 이 모델을 실시간으로 적용하는 수학적 모델을 구축하는 것이 필요하다.
(2)
센서 품질 인자의 개요
센서 장치에 대한 교정 데이터(A2)가 수집되면, 교정 동안에 획득된 센서 어레이 요소 응답의 품질 인자 모델이, 예를 들어, 주성분 분석(PCA, Principal Components Analysis)을 사용하여 개발된다. 이어서, 이 품질 인자 모델로부터의 파라미터가 온보드 센서 전자 회로 상에 존재하도록 할 수 있으며, 이들 파라미터가 실시간으로 수집될 때 센서 어레이 입력에 수학적으로 적용될 수 있다. 예측 정성적 모델로부터의 차후의 모델 출력은 이어서 품질 인자를 계산하는 데 사용되며, 이 품질 인자는 그 시간의 일련의 센서 입력이 정량적 알고리즘의 안전한 적용을 위해 유효한지 여부를 나타낸다. PCA의 경우, 품질 인자를 계산하는 데 가장 유용한 모델 출력은 잔차(residual) 및 레버리지(leverage)라고 한다. 품질 인자 계산의 결과는 이어서, 출력을 발생하기 위해 현재의 입력 데이터를 정량적 알고리즘으로 전송하는 것의 회피, 센서가 사용되는 제어 시스템에 대한 경보, 또는 센서 재교정을 위해 나중에 사용될 센서 및 기타 데이터의 수집 및 저장 등의, 몇가지 가능한 동작을 트리거할 수 있다.
(3)
센서 품질 인자의 수학적 상세
도 29는 품질 인자 모델의 개발은 물론 그의 실시간 실행을 나타낸 것이다. 품질 인자 모델은 어레이가 정상 동작 동안에 경험하게 될 조건을 나타낼 것으로 예상되는 일련의 샘플 조건에 어레이가 노출되는 교정 실험 동안에 수집된 센서 어레이 데이터를 사용하여 개발된다. 일반적으로, 교정 실험은 분석물 가스(들)에 대한 정량적 예측 모델을 작성하기 위한 데이터를 획득하는 데 사용되는 것과 동일하다. 이러한 실험 동안에 수집된 데이터(A22)는 
라고 하는 행렬로 배열될 수 있다.
여기서, 
는 샘플 조건 i에서의 센서 요소 j의 응답이다. 알고리즘 개발 프로세스(도 16)와 관련하여, 
는 일반적으로 정정된 센서 및 보조/엔진 데이터(A22)를 포함하지만, 여러가지 사전 정정된 형태의 교정 데이터(A15, A17 또는 A20)를 포함할 수 있다.
이어서, 센서 어레이 응답 모델(E1)을 작성하기 위해 몇가지 서로 다른 모델링 도구가 사용될 수 있다. 선형 모델링 방법이 통상적으로 사용되지만, 비선형 방법도 적용될 수 있다. 한가지 선형 모델링 도구는 주성분 분석(PCA)이고, 여기서 응답 데이터 
는 데이터에서의 변동의 대부분을 기술하는 일련의 NC 주성분(PC)으로 분해된다.
여기서, 
는 각각의 PC에 대한 샘플 조건 각각의 "세기(intensity)"를 포함하는 (i x NC)개 요소들로 된 점수 행렬(scores matrix)이고, 
는 원래의 j개의 감지 요소의 측정 공간과 관련하여 PC의 "정의"를 포함하는 (NC x j)개 요소들로 된 적재 행렬(loadings matrix)이며, 
는 PCA 모델에 의해 설명되지 않는 
내의 정보를 포함하는 잔차 행렬이다. PCA의 경우, 점수 및 적재 행렬 
및 
는 품질 인자 모델(E2)를 구성한다.
품질 인자 모델이 개발되면, 이 모델은 여러가지 모델 출력(F2)를 생성하기 위해 실시간으로 임의의 차후의 센서 데이터 어레이에 적용될 수 있다(F1). PCA를 사용하여 개발된 품질 인자 모델의 경우에, 센서 데이터 어레이에 모델을 적용하는 것으로부터 생성될 수 있는 몇가지 가능한 출력이 있다. 이들 출력 중 단지 2개, 즉 샘플 잔차 및 샘플 레버리지에 대해 여기에서 기술한다.
센서 어레이 응답의 새로운 샘플로부터 획득되는 새로운 일련의 센서 어레이 데이터가 벡터 
로 표시되는 경우, PCA 품질 인자 모델의 적용은 PCA 모델 적재 
와 새로운 데이터 벡터 
의 행렬 곱셈을 통해 이 새로운 일련의 데이터 
의 PCA 점수를 계산하는 것을 수반한다.
이 때, 새로운 센서 어레이 응답의 모델 추정치 
는 다음과 같이 계산될 수 있다.
새로운 샘플의 잔차(RES)는 실제 센서 어레이 응답 벡터의 요소와 모델-추정된 센서 어레이 응답 벡터의 요소 간의 차이의 제곱의 합이다.
이 통계는 PCA 품질 인자 모델이 새로운 샘플 벡터 
내의 데이터를 설명하는 범위를 기술한다.
새로운 샘플의 레버리지(LEV)는 단지 새로운 샘플의 점수 벡터 
의 크기이고, 여기서 점수 벡터 내의 NC개 요소 각각은 그 주성분에 의해 설명되는 정보량에 의해 가중된다.
여기서, 
는 모델을 개발하는 데 사용되는 샘플의 수이다. 이 통계는 새로운 샘플이 PCA 모델에 적용되는 경우 그 샘플이 PCA 모델의 공간 내에서 얼마나 극 단적일지를 기술한다.
새로운 샘플의 모델 출력(F2)(예를 들어, 잔차 및 레버리지)이 획득되면, 단일의 품질 인자(F4)를 제공하기 위해 이들 출력이 결합될 수 있는 많은 방식이 있다. 예를 들어, 이들 통계 각각은, 잔차비(RR, residual ratio) 및 레버리지비(LR, leverage ratio)를 획득하기 위해, 교정 데이터 세트에 대한 이들 통계의 기준값 
및 
로 나누어질 수 있다.
1보다 훨씬 더 큰 RR 또는 LR의 값은 새로운 샘플 데이터 벡터의 패턴이 교정 실험 동안에 관찰된 임의의 데이터 패턴과 그다지 일치하지 않음을 나타낸다. 따라서, 새로운 데이터는, 교정 데이터를 사용하여 개발된 정량적 가스 농도 예측 모델에 적용되는 경우, 오차있는 결과를 생성할 수 있다. 기준값은 모델 교정 동안에 획득된 평균 잔차 및 레버리지이거나
또는 기술 분야에 공지된 파라미터에 대한 특정의 신뢰 한계(예를 들어, 95% 신뢰 한계)와 관련된 다른 통계적으로 결정된 값일 수 있다.
RR 및 LR은, 응용 및 이들이 어떻게 사용되는지에 따라, 많은 서로 다른 방식으로 단일의 품질 인자로 결합될 수 있다. 예를 들어, 품질 인자는 단지 RR과 LR의 합, RR과 LR의 가중합, 또는 RR과 LR의 합 - RR과 LR의 분수 부분의 곱일 수 있다.
모델 정보를 저장하고 큰 데이터 어레이의 처리를 가능하게 해주기 위한 대량의 이용가능한 자원이 데이터 처리 하드웨어 상에 없을 수 있는 센서 장치 응용의 경우, 품질 인자 모델(E2)을 최소량의 데이터 저장 공간을 사용하고 또한 온라인 데이터 처리 단계를 최소한으로 되게 하는 형태로 압축하는 것이 중요하다. PCA를 사용하여 구축된 품질 인자 모델의 경우, 완성된 모델은 (i x NC) 점수 행렬 
및 (NC x j) 적재 행렬 
로부터 나온 총 
개의 파라미터를 포함한다. 완성된 적재 행렬 
이 모델(방정식 4)의 온라인 응용을 가능하게 해주기 위해 필요하지만, 완성된 점수 행렬 
은 상기한 바와 같이 온라인 응용을 위해 필요하지 않다. 점수 행렬은, NC개 주성분 각각에 대한 점수의 제곱합을 포함하는, 제곱합 점수 벡터(sum-of-squares score vector) 
로 압축될 수 있다.
모델 점수의 이러한 축약된 표현은 여전히 방정식 7의 수정된 형태를 통해 샘플 레버리지의 온라인 계산을 가능하게 해준다.
벡터 
는 단지 NC개의 파라미터를 포함하며, 여기서 
행렬은 
개의 파라미터를 포함한다. 교정 데이터 세트가 1000개의 관찰(i = 1000)을 포함하고 주성분의 수가 4인 일반적인 경우에, 저장되어야만 하는 파라미터의 수는 4000으로부터 4로 떨어진다.
게다가, 모델이 개발된 경우, RR(방정식 8)을 계산하는 데 사용되는 교정 데이터 
의 기준 샘플 잔차가 변하지 않는다. 따라서, 이는 계산되어 다른 압축된 모델 파라미터와 함께 장치 데이터 처리 하드웨어 상에 저장되고 방정식 8에서와 같이 적용될 수 있다. 이 방식은 각각의 새로운 샘플 어레이에 대한 RR을 계산하기 위해 필요한 온라인 데이터 처리의 복잡도를 크게 감소시킨다.
(4)
품질 인자에 대한 변형
상기한 품질 인자의 변형도 역시 사용될 수 있다. 예를 들어, LDA(Linear Discriminant Analysis, 선형 판별 분석) 등의 품질 인자 모델을 발생하기 위해 PCA 이외의 응답 모델링 방법이 사용될 수 있다. 센서 어레이 입력이 각각 정량적 가스 농도 예측 알고리즘에 대한 그의 회귀 계수의 크기로 가중되어 있는 경우 또는 정량적 알고리즘에서의 그의 중요도의 사전 인식에 따라, 가중된 품질 인자 모델이 구축될 수 있다. 모델 출력(F2)에 대한 서로 다른 수학적 연산이 품질 인자를 계산하는 데 사용될 수 있다. 단일의 센서 장치에 대해 몇가지 품질 인자 모델 이 사용될 수 있으며, 여기서 각각의 모델은 서로 다른 유형의 특이 조건을 모니터링하도록 설계되어 있다.
(5)
품질 인자의 사용
(a)
위험한 예측의 거부
현재의 온라인 센서 어레이 응답이 정량적 알고리즘 개발에 사용된 교정 데이터에서 관찰된 센서 어레이 응답의 범위 내에 있지 않음으로 인해, 정량적 알고리즘(A25)으로부터의 가스 농도 출력(C7)이 의심스러운지 여부를 평가하기 위해 품질 인자가 사용될 수 있다. 도 30은 품질 인자의 이러한 사용을 나타낸 것이다. 이 경우에, 품질 인자 모델을 구축하는 데 사용되는 교정 데이터(A22)가 정량적 알고리즘을 구축하는 데 사용되는 데이터와 동일한 것이 중요하다. 온라인으로 획득된 품질 인자(F4)가 특이 조건을 나타내는 경우, 정량적 알고리즘을 실행하는 것 및 가스 농도를 보고하는 것을 피하기 위해 명령어가 데이터 프로세서로 전송될 수 있다. 특이 조건을 보여주는 품질 인자 값의 범위를 결정하기 위해 몇가지 기준이 사용될 수 있다. 예를 들어, PCA 품질 인자 모델의 경우에, 교정 데이터를 사용하여 획득된 RR 또는 LR에 대한 95% 신뢰 한계가 결정될 수 있으며, 이들 한계 밖의 RR 또는 LR을 발생하는 임의의 온라인 데이터에 대해 경보가 설정될 수 있다.
위험한 예측을 검출하기 위한 품질 인자의 효용성의 예가 도 30a에 도시되어 있다. 이 경우에, 8개의 서로 다른 감지 요소를 사용하여 NOx 농도를 예측하기 위한 정량적 알고리즘이 개발되었다. PCA 모델링 방법을 사용하여, 8개의 감지 요소 로부터 획득된 정확히 동일한 데이터를 사용하여 품질 인자 모델이 구축되었다. 도 30a는 2개의 곡선을 나타내고 있으며, 한 곡선은 정량적 모델에 의해 예측된 NOx 농도와 기지의 농도 간의 절대차를 나타내고, 한 곡선은 동일한 기간 동안의 품질 인자의 값을 나타낸 것이다. 이 경우에, 품질 인자는 각각의 데이터 점에 대해 획득된 잔차비(RR) 및 레버리지비(LR)의 합으로서 정의된다. 유의할 점은 NOx 예측 오차가 증가하는 때와 정확히 동일한 시간에 품질 인자가 증가한다는 것이다. 실제 응용에서, 실제 NOx 예측 오차를 안다는 이점이 없다. 그 결과, 이 예는 품질 인자가 실시간 엔진 응용 동안에 위험한 정량적 예측에 대한 아주 유용한 경보를 제공할 수 있음을 나타낸다. 이 특정의 예에서, 품질 인자의 문턱값은 이 문턱값을 넘는 품질 인자를 갖는 모든 데이터 점이 경보를 발생하지만 NOx 농도 출력을 발생하지 않도록 정의될 수 있다.
(b)
예측된 농도에 대한 허용 오차 한계를 계산
품질 인자가 센서 응답이 특이 조건인 범위의 연속적인 척도를 제공하고 또 이 범위가 정량적 모델로부터의 가스 농도 출력(C7)에서의 오차에 영향을 주기 때문에, 품질 인자는 가스 농도 출력에 대한 허용 오차 한계를 계산하는 데 사용될 수 있다. 도 31은 품질 인자의 이러한 사용을 나타낸 것이다. 이 경우에, 품질 인자 모델을 구축하는 데 사용된 교정 데이터(A22)가 정량적 알고리즘을 구축하는 데 사용되는 데이터와 동일한 것이 중요하다. 품질 인자는 정량적 알고리즘(A25)으로부터의 데이터, 알고리즘(A22)을 구축하는 데 사용되는 교정 데이터, 또는 허 용 오차 한계를 계산하기 위한 다른 사전 지식와 함께 사용될 수 있다. 예를 들어, 알고리즘을 구축하는 데 사용되는 분석기 교정 데이터에서의 노이즈가 알려져 있는 경우, 허용 오차 한계는 이 노이즈 값을 품질 인자의 스케일링된 값과 곱한 것으로서 계산될 수 있다.
(c)
몇가지 알고리즘으로부터 복합 예측 농도를 계산
몇가지 서로 다른 정량적 알고리즘(A25)이 개발되는 경우, 이들 알고리즘 각각에 대응하는 품질 인자는 가스 농도의 복합 예측 값(composite prediction value)을 제공하기 위해 그의 정량적 가스 농도 예측과 함께 사용될 수 있다. 도 32는 품질 인자의 이러한 사용을 나타낸 것이다. 이 응용의 경우, 각각의 정량적 알고리즘에 있어서, 품질 인자 모델을 구축하는 데 사용되는 교정 데이터(A22)가 알고리즘을 구축하는 데 사용되는 데이터와 동일한 것이 중요하다. 이 응용에서, 복합 가스 농도(C7,comp)는 서로 다른 정량적 알고리즘으로부터 획득된 농도들의 가중 평균일 수 있으며, 여기서 각각의 알고리즘에 대한 가중치는 알고리즘의 대응하는 품질 인자에 비례한다. 품질 인자가 정량적 알고리즘의 예측 향상에 따라 증가하는 경우, 가중치는 품질 인자에 정비례할 수 있다. 품질 인자가 정량적 알고리즘의 예측 향상에 따라 감소되는 경우, 가중치는 품질 인자에 역비례할 수 있다.
(d)
정정 동작을 트리거
센서 장치 및 알고리즘에 대한 특정의 고장 모드 조건에 민감한 특수화된 품질 인자 모델이 개발될 수 있다. 그 결과, 품질 인자는 실시간 동작 동안에 이러한 고장 모드를 검출하는 데 사용될 수 있다. 도 33은 품질 인자의 이러한 사용을 나타낸 것이다. 이 응용에서, 품질 인자 모델을 구축하는 데 사용되는 교정 데이터(A22)가 정량적 알고리즘을 구축하는 데 사용되는 데이터와 동일할 필요는 없으며, 모델이 특정의 조건에 민감하도록 개발되기만 하면 된다. 품질 인자가 어떤 미리 정해진 범위 내에 있을 때, 정정 동작은 미리 정해진 지연 시간 이후에 트리거된다. 이 정정 동작은 센서 장치 자체에 대한 물리적 절차, 장치에 대해 사용되는 알고리즘(들)의 변경, 또는 이 둘다를 포함할 수 있다.
품질 인자의 이러한 사용은 센서 응답의 점차적인 드리프트가 정량적 예측 성능을 시간에 따라 계속적으로 열화시키는 상황에서 특히 도움이 된다. 이러한 열화는 시간에 따른 센서의 노후 또는 센서 표면의 점차적인 오염 등의 몇가지 원인으로부터 발생할 수 있다. 이러한 경우에, 품질 인자에 의해 트리거될 수 있는 정정 동작의 몇가지 예가 있다. 한 예에서, 품질 인자는 센서 장치에 대한 참조 절차를 트리거하는 데 사용될 수 있으며, 이 절차 중에 어레이의 온도가 일시적으로 증가되고, 람다 신호가 측정되며, 센서 데이터에 대한 스케일링(전처리) 파라미터가 조정된다. 다른 예에서, 품질 인자는 사이클별 드리프트 정정 방법 또는 다른 드리프트 정정 방법에서 사용되는 드리프트 정정 인자를 갱신하기 위한 최적의 시간을 결정하는 데 사용될 수 있다.
센서 히터의 고장, 전기 리드(electrical lead)의 고장, 또는 감지 요소 중 하나 이상의 고장 등의 센서 장치에서의 다른 고장 모드를 검출하기 위해 특정의 품질 인자 모델이 또한 개발될 수 있다. 이들 경우에서, 센서에 대한 경보, 기존의 알고리즘의 수정, 또는 고장난 감지 요소(들)에 의존하지 않는 새로운 알고리즘 의 선택을 트리거하기 위해 품질 인자가 사용될 수 있다. 한 특정의 예(도 33a 및 도 33b)에서, 품질 인자는 센서 어레이 내의 12개의 감지 요소 중 하나의 고장을 검출하기 위해 사용된다. 시점(735)에서의 센서 요소 중 하나의 고장은 예측된 NOx 농도에서의 큰 바이어스에 대응한다(도 33a). 이 예에서 사용되는 품질 인자 모델은 베이스라인 오프셋 또는 드리프트에 대해 정정되지 않은 센서 요소 응답의 PCA 모델이었으며, 품질 인자는 잔차비(RR) 및 레버리지비(LR)의 합으로서 정의되었다. 그 결과, 품질 인자는 임의의 감지 요소의 응답에서의 큰 절대 변화에 민감했으며, 품질 인자는 분명히 큰 증가의 형태로 감지 요소의 고장을 검출한다(도 33b 참조).
(e)
실시간 알고리즘 선택을 용이하게 해줌
몇가지 서로 다른 정량적 알고리즘(A25)이 개발되는 경우, 이들 알고리즘 각각에 대응하는 실시간 품질 인자는 가장 적절한 정량적 알고리즘을 선택하는 데 사용될 수 있다. 도 34는 품질 인자의 이러한 사용을 나타낸 것이다. 이 응용에서, 각각의 정량적 알고리즘에 대해, 품질 인자 모델을 구축하는 데 사용되는 교정 데이터(A22)가 이 알고리즘을 구축하는 데 사용되는 데이터와 동일한 것이 중요하다. 실시간 동작 동안에, 서로 다른 정량적 알고리즘(A25)에 대응하는 서로 다른 품질 인자(F4)가 서로 다른 품질 인자 모델 및 현재의 온라인 데이터(C5)를 사용하여 발생된다. 그 다음에, 이들 품질 인자는 현재의 데이터(C5)에 적용할 가장 적절한 알고리즘을 선택하기 위해 비교된다. 예를 들어, 대응하는 품질 인자가 가장 덜 심각한 특이 조건을 나타내는 알고리즘이 실시간 동작 동안에 언제나 선택될 수 있 다.
도 34a 및 도 34b는 알고리즘-관련 품질 인자가 실시간 알고리즘 선택을 가능하게 해주기 위해 어떻게 사용될 수 있는지를 나타낸 것이다. 이 예에서, 2가지 서로 다른 알고리즘이 개발되었으며, 이들 각각은 동일한 교정 데이터를 사용하여 구축된 관련 품질 인자 모델을 갖는다. 양 알고리즘이 유사한 교정 모델 근사를 가지지만, 한 알고리즘은 명백하게도 온라인으로 적용될 때 다른 알고리즘보다 더 양호하게 동작한다(도 34a). 이들 알고리즘 각각에 대응하는 품질 인자는 도 34b에 도시되어 있으며, 여기서 각각의 경우의 품질 인자는 잔차비(RR) 및 레버리지비(LR)의 합으로서 정의된다. 알고리즘 1의 품질 인자가 항상 알고리즘 2의 품질 인자보다 작은 것이 명백하며, 이는 알고리즘 1이 현재의 데이터에 대해 사용하기 위한 가장 적절한 알고리즘임을 암시한다. 이것은 도 34a에서의 NOx 예측 결과에 의해 확인된다.
당업자에게는 본 발명의 범위 또는 정신을 벗어나지 않고 본 발명의 화학적 센서 및 화학적 센서 어레이를 사용하여 다성분 가스계에서의 NOx, 탄화수소, 일산화탄소, 및 산소를 비롯한 어떤 가스를 감지 및 분석하는 컴퓨터-구현 시스템 및 방법에서 또한 이러한 시스템 및 방법의 구성에서 여러가지 수정 및 변형이 이루어질 수 있음이 명백하다. 이들의 예가 이전에 제공되었다.
본 명세서에 개시된 본 발명의 상세한 설명 및 실시를 살펴보면 본 발명의 다른 실시예가 당업자에게는 명백하다. 이 상세한 설명 및 예들은 예시적인 것으로만 고려되어야 하며, 본 발명의 진정한 범위 및 정신은 이하의 청구 범위에 의해 나타내어진다.
Claims (36)
- 금속 산화물 센서 어레이의 응답들을 센서 어레이에 제공된 다성분 가스의 구성 성분들 및 농도들을 나타내도록 변환하는 방법으로서,자체-진단 모듈을 제공하여, 상기 센서 어레이의 실시간 응답들이 교정된(calibrated) 응답 범위 내에 있는지를 판정하기 위한 품질 인자들을 계산하기 위해 예측 알고리즘들과 연관된, 교정된 센서 어레이 응답들의 품질 인자 모델을 개발하는 단계,자체-정정 모듈을 제공하여, 교정된 응답 한계들 내에 있는 품질 인자들이 획득될 수 있도록 시간에 따른 상기 센서 어레이 응답들의 변화들을 보상하거나, 또는 상기 응답들을 중단시키고 에러를 보고하는 단계, 및농도 계산 모듈을 제공하여, 각각의 예측 모델로부터의 가스 농도 출력들, 대응하는 교정된 응답 허용 오차 한계들, 및 상기 예측 모델들로부터의 상기 출력들을 대응하는 품질 인자들로 가중하고 가중된 허용 오차 한계들을 결정함으로써 결정되는 가스 농도 출력들을 계산하여, 가장 낮은 허용 오차 한계들을 갖는 가스 농도 출력들을 상기 다성분 가스의 실제 구성 성분들 및 농도들로서 보고하는 단계를 포함하는 방법.
- 제1항에 있어서, 상기 자체-진단 모듈은 상기 센서 응답들, 센서 온도값들, 또는 임의의 보조 센서 데이터의 임의의 값들 중 하나에 대해 선형 변환 또는 비선형 변환 중 하나를 수행하는 방법.
- 제1항에 있어서, 상기 자체-정정 모듈은 실시간으로 상기 센서 어레이에 대한 자체-참조 프로세스(self-referencing process)를 제공하는 방법.
- 제1항에 있어서, 상기 자체-정정 모듈은 실시간으로 상기 센서 어레이에 대한 온도 정정 프로세스를 제공하는 방법.
- 제1항에 있어서, 상기 자체-정정 모듈은 실시간으로 상기 센서 어레이에 대한 드리프트 정정 프로세스(drift correction process)를 제공하는 방법.
- 제1항에 있어서, 상기 자체-정정 모듈은 상기 자체-정정 모듈이 상기 센서 응답들에서의 상기 변화를 보상할 수 없다고 결정하고, 미리 정해진 시간 동안 상기 센서 어레이가 데이터를 처리하는 것을 중단시키며, 상기 센서 어레이에 에러를 보고하고, 순차적 에러들의 수가 미리 정해진 수보다 큰 경우 데이터를 처리하는 것을 다시 시작하지 않는 방법.
- 제1항에 있어서, 상기 농도 계산 모듈은 각각의 예측 모델에 대한 상기 가스 농도 출력들 및 허용 오차 한계들을 계산하는 방법.
- 금속 산화물 센서 어레이의 응답들을 센서 어레이에 제공된 다성분 가스의 구성 성분들 및 농도들을 나타내도록 변환하는 방법으로서,자체-진단 모듈을 제공하여, 예측 알고리즘들과 연관된, 교정된 센서 어레이 응답들의 품질 인자 모델을 개발하고, 상기 센서 어레이의 실시간 응답들이 교정된 응답 범위 내에 있는지를 판정하는 단계, 및농도 계산 모듈을 제공하여, 각각의 예측 모델로부터의 가스 농도 출력들, 대응하는 교정된 응답 허용 오차 한계들, 및 상기 예측 모델들로부터의 상기 출력들을 대응하는 품질 인자들로 가중하고 가중된 허용 오차 한계들을 결정함으로써 결정되는 가스 농도 출력들을 계산하여, 가장 낮은 허용 오차 한계들을 갖는 가스 농도 출력들을 상기 다성분 가스의 실제 구성 성분들 및 농도들로서 보고하는 단계를 포함하는 방법.
- 제8항에 있어서, 미리 정해진 교정된 한계들 내에 있는 품질 인자들이 획득될 수 있도록 시간에 따른 상기 응답들의 변화를 보상하거나 또는 상기 응답들을 중단시키고 에러를 보고하는 자체-정정 모듈을 제공하는 단계를 더 포함하는 방법.
- 제9항에 있어서, 상기 자체-정정 모듈은 실시간으로 상기 센서 어레이에 대한 자체-참조 프로세스를 제공하는 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US61722204P | 2004-10-07 | 2004-10-07 | |
| US60/617,222 | 2004-10-07 | ||
| PCT/US2005/036265 WO2006137906A2 (en) | 2004-10-07 | 2005-10-06 | Computer-implemented system and method for analyzing mixtures of gases |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20070069193A KR20070069193A (ko) | 2007-07-02 |
| KR101291930B1 true KR101291930B1 (ko) | 2013-07-31 |
Family
ID=37533001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020077010378A KR101291930B1 (ko) | 2004-10-07 | 2005-10-06 | 가스 혼합물을 분석하는 컴퓨터-구현 시스템 및 방법 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US7460958B2 (ko) |
| EP (1) | EP1797421A2 (ko) |
| JP (1) | JP5308670B2 (ko) |
| KR (1) | KR101291930B1 (ko) |
| CN (1) | CN101073007B (ko) |
| WO (1) | WO2006137906A2 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101727889B1 (ko) | 2010-09-13 | 2017-04-18 | 엠케이에스 인스트루먼츠, 인코포레이티드 | 가스 샘플 스트림에서 화합물들을 모니터링, 검출 및 정량화 |
Families Citing this family (103)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7558771B2 (en) * | 2006-06-07 | 2009-07-07 | Gm Global Technology Operations, Inc. | System and method for selection of prediction tools |
| US7644051B1 (en) * | 2006-07-28 | 2010-01-05 | Hewlett-Packard Development Company, L.P. | Management of data centers using a model |
| EP2535830B1 (en) | 2007-05-30 | 2018-11-21 | Ascensia Diabetes Care Holdings AG | Method and system for managing health data |
| JP5050263B2 (ja) * | 2007-06-13 | 2012-10-17 | Ｎｅｃトーキン株式会社 | 誘電体の製造方法、及びその前駆体組成物の製造方法 |
| US9221056B2 (en) * | 2007-08-29 | 2015-12-29 | Canon U.S. Life Sciences, Inc. | Microfluidic devices with integrated resistive heater electrodes including systems and methods for controlling and measuring the temperatures of such heater electrodes |
| US8306773B2 (en) | 2007-08-29 | 2012-11-06 | Canon U.S. Life Sciences, Inc. | Microfluidic devices with integrated resistive heater electrodes including systems and methods for controlling and measuring the temperatures of such heater electrodes |
| US8380457B2 (en) | 2007-08-29 | 2013-02-19 | Canon U.S. Life Sciences, Inc. | Microfluidic devices with integrated resistive heater electrodes including systems and methods for controlling and measuring the temperatures of such heater electrodes |
| US9164073B1 (en) | 2008-02-11 | 2015-10-20 | Pavel Nosovitskiy | Multi-functional, discrete determination of concentrations of gases in a gaseous mixture |
| US8185325B2 (en) * | 2008-02-11 | 2012-05-22 | Pavel Nosovitskiy | Multi-functional, discrete and mutually exclusive method for determining concentrations of gases in a gaseous mixture |
| GB2457660A (en) * | 2008-02-19 | 2009-08-26 | Sphere Medical Ltd | Methods of calibrating a sensor in a patient monitoring system |
| US7489835B1 (en) * | 2008-03-28 | 2009-02-10 | General Electric Company | Sensing system with fiber gas sensor |
| US8141340B2 (en) * | 2008-04-30 | 2012-03-27 | Cummins Ip, Inc | Apparatus, system, and method for determining the degradation of an SCR catalyst |
| US8256208B2 (en) * | 2008-04-30 | 2012-09-04 | Cummins Ip, Inc. | Apparatus, system, and method for reducing NOx emissions on an SCR catalyst |
| US8505278B2 (en) * | 2009-04-30 | 2013-08-13 | Cummins Ip, Inc. | Engine system properties controller |
| US8074445B2 (en) * | 2008-04-30 | 2011-12-13 | Cummins Ip, Inc. | Apparatus, system, and method for reducing NOx emissions on an SCR catalyst |
| US8161730B2 (en) * | 2008-04-30 | 2012-04-24 | Cummins Ip, Inc. | Apparatus, system, and method for reducing NOx emissions on an SCR catalyst |
| US8181450B2 (en) * | 2008-04-30 | 2012-05-22 | Cummins IP. Inc. | Apparatus, system, and method for reducing NOx emissions on an SCR catalyst using ammonia storage and slip control |
| US8281572B2 (en) * | 2008-04-30 | 2012-10-09 | Cummins Ip, Inc. | Apparatus, system, and method for reducing NOx emissions from an engine system |
| US8201394B2 (en) * | 2008-04-30 | 2012-06-19 | Cummins Ip, Inc. | Apparatus, system, and method for NOx signal correction in feedback controls of an SCR system |
| US8109079B2 (en) * | 2008-04-30 | 2012-02-07 | Cummins Ip, Inc. | Apparatus, system, and method for controlling ammonia slip from an SCR catalyst |
| US8356471B2 (en) * | 2008-12-05 | 2013-01-22 | Cummins Ip, Inc. | Apparatus, system, and method for controlling reductant dosing in an SCR catalyst system |
| WO2010065963A2 (en) * | 2008-12-05 | 2010-06-10 | Cummins Ip, Inc. | Apparatus, system, and method for estimating an nox conversion efficiency of a selective catalytic reduction catalyst |
| US7994953B2 (en) * | 2008-12-19 | 2011-08-09 | Infineon Technologies Ag | Method and module with analog-to-digital converter |
| GB0901284D0 (en) * | 2009-01-26 | 2009-03-11 | Autoflame Eng Ltd | Burner operation and installation |
| WO2010151592A1 (en) | 2009-06-23 | 2010-12-29 | Bayer Healthcare Llc | System and apparatus for determining temperatures in a fluid analyte system |
| US8478603B2 (en) * | 2009-06-24 | 2013-07-02 | International Business Machines Corporation | Method and system for monitoring and reporting to an operator greenhouse gas emission from a vehicle |
| DK2462491T3 (da) * | 2009-08-03 | 2019-07-15 | Bae Systems Plc | Overvågningssystem |
| WO2011032020A2 (en) * | 2009-09-10 | 2011-03-17 | Cummins Ip, Inc. | Low temperature selective catalytic reduction catalyst and associated systems and methods |
| US8812352B2 (en) * | 2009-10-14 | 2014-08-19 | International Business Machines Corporation | Environmental stewardship based on driving behavior |
| US20110087430A1 (en) * | 2009-10-14 | 2011-04-14 | International Business Machines Corporation | Determining travel routes by using auction-based location preferences |
| US20110087524A1 (en) * | 2009-10-14 | 2011-04-14 | International Business Machines Corporation | Determining travel routes by using fee-based location preferences |
| PE20130501A1 (es) * | 2009-12-02 | 2013-04-22 | Univ New York State Res Found | Sensor de gas con compensacion para variaciones de linea base |
| US20110166958A1 (en) * | 2010-01-05 | 2011-07-07 | International Business Machines Corporation | Conducting route commerce from a central clearinghouse |
| US8733083B2 (en) | 2010-04-26 | 2014-05-27 | Cummins Filtration Ip, Inc. | SCR catalyst ammonia surface coverage estimation and control |
| US8972204B2 (en) * | 2010-11-01 | 2015-03-03 | Atmospheric Sensors Ltd. | Gas discriminating semiconductor sensors |
| US9310347B2 (en) | 2010-11-16 | 2016-04-12 | General Electric Company | Methods and systems for analyzing combustion system operation |
| US8700360B2 (en) | 2010-12-31 | 2014-04-15 | Cummins Intellectual Properties, Inc. | System and method for monitoring and detecting faults in a closed-loop system |
| US8725469B2 (en) * | 2011-03-03 | 2014-05-13 | Mks Instruments, Inc. | Optimization of data processing parameters |
| US9828696B2 (en) | 2011-03-23 | 2017-11-28 | Nanohmics, Inc. | Method for assembly of analyte filter arrays using biomolecules |
| US9252175B2 (en) | 2011-03-23 | 2016-02-02 | Nanohmics, Inc. | Method for assembly of spectroscopic filter arrays using biomolecules |
| US9164052B1 (en) * | 2011-09-30 | 2015-10-20 | Silicon Laboratories Inc. | Integrated gas sensor |
| TWI445958B (zh) * | 2012-02-09 | 2014-07-21 | Ind Tech Res Inst | 氣體檢測系統、裝置及方法 |
| KR101579447B1 (ko) * | 2013-03-28 | 2015-12-23 | 한국과학기술원 | 생체신호전달 네트워크 분석방법 |
| EP2873971A1 (en) * | 2013-07-01 | 2015-05-20 | Universiti Putra Malaysia | An artificial olfactory system and an application thereof |
| WO2015025087A1 (fr) * | 2013-08-22 | 2015-02-26 | L'air Liquide,Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude | Detection de defaillances dans la determination des concentrations de composants chimiques dans une colonne de distillation |
| CN105467072B (zh) * | 2014-08-01 | 2020-08-28 | 日电（中国）有限公司 | 一种空气污染物检测设备 |
| WO2016033186A1 (en) * | 2014-08-26 | 2016-03-03 | Eloret Corporation | Chemical monitoring system |
| CN105444201B (zh) | 2014-09-26 | 2018-11-13 | 通用电气公司 | 燃烧优化的方法及其系统 |
| EP3062103A1 (en) * | 2015-02-27 | 2016-08-31 | Alpha M.O.S. | Portable fluid sensory device with learning capabilities |
| EP3289349B1 (en) | 2015-04-29 | 2020-06-03 | Honeywell International Inc. | Method and system for identifying a chemical |
| JP6821871B2 (ja) * | 2015-06-16 | 2021-01-27 | マルチコア テクノロジーズ エルエルシーＭｕｌｔｉｃｏｒｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ， ＬＬＣ | 流体流内の１つ以上の流体濃度を測定するためのシステムおよび方法 |
| CN105139084A (zh) * | 2015-08-13 | 2015-12-09 | 北京中石润达科技发展有限公司 | 一种油品在线全流程优化方法 |
| WO2017086537A1 (ko) * | 2015-11-17 | 2017-05-26 | 경희대학교산학협력단 | 센서 어레이를 이용한 생체 정보 측정 장치 및 방법 |
| CN105426920B (zh) * | 2015-12-02 | 2018-08-14 | 江西理工大学 | 云模型人工蜂群优化的稀土矿区溪水pH值预测方法 |
| US10386351B2 (en) | 2015-12-07 | 2019-08-20 | Nanohmics, Inc. | Methods for detecting and quantifying analytes using gas species diffusion |
| US10386365B2 (en) | 2015-12-07 | 2019-08-20 | Nanohmics, Inc. | Methods for detecting and quantifying analytes using ionic species diffusion |
| US11988662B2 (en) | 2015-12-07 | 2024-05-21 | Nanohmics, Inc. | Methods for detecting and quantifying gas species analytes using differential gas species diffusion |
| CN107234936A (zh) * | 2016-03-28 | 2017-10-10 | 福特环球技术公司 | 车辆中的空气污染反应系统 |
| KR102625684B1 (ko) * | 2016-09-22 | 2024-01-17 | 엘지전자 주식회사 | 가스 센서 |
| KR102442058B1 (ko) * | 2016-12-09 | 2022-09-13 | 삼성전자주식회사 | 전자 장치 및 그의 제어방법 |
| JP7233719B2 (ja) * | 2017-05-05 | 2023-03-07 | ロイヤル・メルボルン・インスティテュート・オブ・テクノロジー | マルチガス感知システム |
| EP3425389B1 (en) * | 2017-07-04 | 2021-10-20 | BoydSense, Inc. | Breath sensing device for a portable electronic device |
| US10677768B2 (en) | 2017-07-29 | 2020-06-09 | Infineon Technologies Ag | Gas sensing systems and methods of operation thereof |
| CN107490613B (zh) * | 2017-07-31 | 2020-06-23 | 广东美的制冷设备有限公司 | 电化学气体传感器及其校准方法、空调器 |
| US11035825B2 (en) * | 2017-11-15 | 2021-06-15 | Infineon Technologies Ag | Sensing systems and methods for the estimation of analyte concentration |
| CN108254495B (zh) * | 2017-12-13 | 2023-08-22 | 上海市环境科学研究院 | 一种隧道机动车污染物监测方法及系统 |
| US11047843B2 (en) * | 2017-12-21 | 2021-06-29 | Smartcitygrid Co., Ltd. | Atmospheric environment monitoring apparatus detecting failure of atmospheric environment sensor, and method for detecting failure of atmospheric environment sensor |
| KR102517270B1 (ko) | 2018-01-02 | 2023-04-03 | 삼성전자주식회사 | 전자 장치 및 그의 제어방법 |
| WO2020090018A1 (ja) * | 2018-10-30 | 2020-05-07 | 日本電気株式会社 | 臭気センサ検査装置、臭気センサ検査方法、及びコンピュータ読み取り可能な記録媒体 |
| JP7205549B2 (ja) * | 2018-10-30 | 2023-01-17 | 日本電気株式会社 | 臭気センサデータ補正装置、臭気センサデータ補正方法、及びプログラム |
| US10803213B2 (en) | 2018-11-09 | 2020-10-13 | Iocurrents, Inc. | Prediction, planning, and optimization of trip time, trip cost, and/or pollutant emission for a vehicle using machine learning |
| CN109164218A (zh) * | 2018-11-12 | 2019-01-08 | 罕王微电子（辽宁）有限公司 | 一种智能传感器 |
| US10634558B1 (en) * | 2018-11-13 | 2020-04-28 | Anna Ailene Scott | Air quality monitoring system and enhanced spectrophotometric chemical sensor |
| US10697947B1 (en) | 2019-01-23 | 2020-06-30 | Project Canary, Inc. | Apparatus and methods for reducing fugitive gas emissions at oil facilities |
| EP3933399A4 (en) * | 2019-02-26 | 2022-11-16 | Hitachi High-Tech Corporation | DEVICE FOR ANALYSIS BY LIQUID PHASE CHROMATOGRAPHY AND ASSOCIATED CONTROL METHOD |
| WO2020206438A1 (en) * | 2019-04-05 | 2020-10-08 | H2Scan Corporation | Methods and systems for determining a target gas concentration in a fluid environment |
| BR112021022142A2 (pt) | 2019-05-09 | 2022-01-04 | Cummins Emission Solutions Inc | Disposição de válvula para catalisador com acoplamento curto de fluxo dividido |
| US11333646B2 (en) * | 2019-06-05 | 2022-05-17 | General Electric Company | Gas sensor system and method |
| CN110646468B (zh) * | 2019-09-29 | 2022-02-11 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 高通量材料的表征方法 |
| US11162928B2 (en) * | 2019-11-04 | 2021-11-02 | Invensense, Inc. | Humidity correction method in thermistor based gas sensing platform |
| CN111291020A (zh) * | 2019-11-11 | 2020-06-16 | 中国计量大学 | 基于局部加权线性动态系统的动态过程软测量建模方法 |
| CN110928262B (zh) * | 2019-12-17 | 2022-11-15 | 中国人民解放军火箭军工程大学 | 时变系统下高效更新模型的质量相关故障在线监控方法 |
| CN111257180B (zh) * | 2020-01-22 | 2021-05-11 | 同济大学 | 一种空间分布式空气质量走航监测传感器的动态校准方法 |
| EP4118439A4 (en) * | 2020-03-10 | 2024-03-13 | Stratuscent Inc | SYSTEMS AND METHODS FOR DETECTING A SENSOR EVENT IN A STREAM OF CHEMICAL SENSOR MEASUREMENT DATA |
| US11150167B1 (en) | 2020-04-03 | 2021-10-19 | Project Canary, Pbc | Air sampling actuator and associated method |
| US11580456B2 (en) | 2020-04-27 | 2023-02-14 | Bank Of America Corporation | System to correct model drift in machine learning application |
| CN112038671B (zh) * | 2020-08-21 | 2022-04-12 | 华中科技大学 | 一种固体氧化物燃料电池温度分布估计方法与系统 |
| CA3191655A1 (en) | 2020-09-10 | 2022-03-17 | Anna Ailene Scott | Air quality monitoring system and method |
| US11686697B2 (en) | 2020-09-24 | 2023-06-27 | International Business Machines Corporation | Multifunctional heterojunction metal oxide gas sensor |
| KR102550799B1 (ko) * | 2020-10-26 | 2023-07-03 | 주식회사 웰릭스 | 다중 복합 센서의 복합신호 분리 시스템 |
| DE102020215735A1 (de) | 2020-12-11 | 2022-06-15 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Auswerten von Signalen einer Sensoreinheit mit zumindest zwei Sensoren |
| CN112649481B (zh) * | 2020-12-28 | 2023-08-22 | 北京首创大气环境科技股份有限公司 | 一种使用区域tvoc阵列监测系统的园区tvoc监测方法 |
| CN112782255B (zh) * | 2020-12-31 | 2023-11-28 | 江苏智闻智能传感科技有限公司 | 一种基于阵列气体传感器的气体识别方法 |
| EP4033243A1 (en) * | 2021-01-22 | 2022-07-27 | Infineon Technologies AG | Gas sensing device and method for determining a calibrated measurement value for a concentration of a target gas |
| CN113030197B (zh) * | 2021-03-26 | 2022-11-04 | 哈尔滨工业大学 | 一种气体传感器漂移补偿方法 |
| CN114018326B (zh) * | 2021-11-03 | 2024-04-16 | 国网湖南省电力有限公司 | 基于微系统传感器阵列的低压台区环境多参量检测方法 |
| CN114077848B (zh) * | 2021-11-16 | 2022-11-04 | 无锡时和安全设备有限公司 | 一种新型传感器阵列板及其混合气体分析方法 |
| DE102021130043A1 (de) | 2021-11-17 | 2023-05-17 | Endress+Hauser SE+Co. KG | Computerimplementiertes Verfahren zum Kompensieren eines Sensors |
| US11802860B1 (en) | 2022-03-25 | 2023-10-31 | Project Canary, Pbc | Emissions detection system and methods |
| US11887203B1 (en) | 2023-02-01 | 2024-01-30 | Project Canary, Pbc | Air quality monitors minimization system and methods |
| US11727519B1 (en) | 2023-02-01 | 2023-08-15 | Project Canary, Pbc | Air quality monitors minimization system and methods |
| US11861753B1 (en) | 2023-02-01 | 2024-01-02 | Project Canary, Pbc | Air quality monitors minimization system and methods |
| CN116738221B (zh) * | 2023-08-15 | 2023-10-20 | 湖南天联城市数控有限公司 | 一种带压管道气体分析方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5426934A (en) | 1993-02-10 | 1995-06-27 | Hitachi America, Ltd. | Engine and emission monitoring and control system utilizing gas sensors |
| EP0878709A2 (en) | 1997-03-21 | 1998-11-18 | NGK Spark Plug Co. Ltd. | Method and apparatus for measuring NOx gas concentration |
Family Cites Families (47)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4007435A (en) | 1973-07-30 | 1977-02-08 | Tien Tseng Ying | Sensor device and method of manufacturing same |
| US4151503A (en) | 1977-10-05 | 1979-04-24 | Ford Motor Company | Temperature compensated resistive exhaust gas sensor construction |
| US4234542A (en) | 1979-01-29 | 1980-11-18 | Bendix Autolite Corporation | Thin coat temperature compensated resistance oxide gas sensor |
| US4225842A (en) | 1979-07-25 | 1980-09-30 | Bendix Autolite Corporation | Resistance type oxygen sensor |
| JPS5766347A (en) | 1980-10-09 | 1982-04-22 | Hitachi Ltd | Detector for mixture gas |
| US4387359A (en) | 1981-01-21 | 1983-06-07 | Bendix Autolite Corporation | Titania oxygen sensor with chrome oxide compensator |
| JPS58211731A (ja) * | 1982-06-04 | 1983-12-09 | Nippon Kogaku Kk <Nikon> | 偏光顕微鏡のコノスコ−プ光学系 |
| US4542640A (en) | 1983-09-15 | 1985-09-24 | Clifford Paul K | Selective gas detection and measurement system |
| US4535316A (en) | 1984-03-26 | 1985-08-13 | Allied Corporation | Heated titania oxygen sensor |
| JPH0672861B2 (ja) | 1986-08-04 | 1994-09-14 | 日本碍子株式会社 | ＮＯｘセンサ |
| JP2741381B2 (ja) * | 1988-02-04 | 1998-04-15 | フィガロ技研株式会社 | ガス検出装置 |
| JP2550165B2 (ja) * | 1988-10-24 | 1996-11-06 | 株式会社日立製作所 | ガス検知装置 |
| GB8927567D0 (en) | 1989-12-06 | 1990-02-07 | Gen Electric Co Plc | Detection of chemicals |
| EP0527258B1 (de) | 1991-08-14 | 1995-10-25 | Siemens Aktiengesellschaft | Gassensor-Array zur Detektion einzelner Gaskomponenten in einem Gasgemisch |
| DE59306790D1 (de) | 1993-03-15 | 1997-07-24 | Siemens Ag | Verfahren zur Überprüfung von Lambdasonden |
| US5402665A (en) * | 1993-05-11 | 1995-04-04 | Hart; Russell F. | Monitoring gaseous oxygen concentration |
| SE513477C2 (sv) | 1993-11-08 | 2000-09-18 | Volvo Ab | Sensor för detektering av kväveoxidföreningar |
| DE4341632C2 (de) | 1993-12-07 | 1998-07-16 | Heraeus Electro Nite Int | Verfahren und Einrichtung zur Prüfung und Regelung von Kraftfahrzeugen |
| DE4408504A1 (de) | 1994-03-14 | 1995-09-21 | Bosch Gmbh Robert | Sensor zur Bestimmung der Konzentration von Gaskomponenten in Gasgemischen |
| DE4408361C2 (de) | 1994-03-14 | 1996-02-01 | Bosch Gmbh Robert | Elektrochemischer Sensor zur Bestimmung der Sauerstoffkonzentration in Gasgemischen |
| US5879526A (en) | 1994-11-08 | 1999-03-09 | Robert Bosch Gmbh | Electrochemical measuring sensor for determining nitrogen oxides in gas mixtures |
| US6170318B1 (en) | 1995-03-27 | 2001-01-09 | California Institute Of Technology | Methods of use for sensor based fluid detection devices |
| GB9512929D0 (en) | 1995-06-24 | 1995-08-30 | Sun Electric Uk Ltd | Multi-gas sensor systems for automatic emissions measurement |
| US5554273A (en) * | 1995-07-26 | 1996-09-10 | Praxair Technology, Inc. | Neural network compensation for sensors |
| US6084418A (en) | 1996-02-28 | 2000-07-04 | Denso Corporation | Method for accurately detecting sensor element resistance |
| US6015667A (en) * | 1996-06-03 | 2000-01-18 | The Perkin-Emer Corporation | Multicomponent analysis method including the determination of a statistical confidence interval |
| JPH1068346A (ja) | 1996-06-21 | 1998-03-10 | Ngk Insulators Ltd | エンジン排ガス系の制御法 |
| US5776601A (en) | 1996-10-28 | 1998-07-07 | General Motors Corporation | Titania exhaust gas oxygen sensor |
| EP0851222A1 (en) | 1996-12-31 | 1998-07-01 | Corning Incorporated | Metal oxide semiconductor catalyst hydrocarbon sensor |
| US5832411A (en) | 1997-02-06 | 1998-11-03 | Raytheon Company | Automated network of sensor units for real-time monitoring of compounds in a fluid over a distributed area |
| US6082176A (en) | 1997-06-13 | 2000-07-04 | Ngk Spark Plug Co., Ltd. | NOx-concentration detecting apparatus |
| DE69839515D1 (de) * | 1997-06-30 | 2008-07-03 | California Inst Of Techn | Mit verschiedenen polymerzusammensetzungen hergestellten sensoren und verfahren zu deren herstellung |
| US6085576A (en) | 1998-03-20 | 2000-07-11 | Cyrano Sciences, Inc. | Handheld sensing apparatus |
| WO1999053287A2 (en) * | 1998-04-09 | 1999-10-21 | California Institute Of Technology | Electronic techniques for analyte detection |
| US6289328B2 (en) | 1998-04-17 | 2001-09-11 | The United States Of America As Represented By The Secretary Of The Navy | Chemical sensor pattern recognition system and method using a self-training neural network classifier with automated outlier detection |
| EP1084390A4 (en) | 1998-06-09 | 2005-07-27 | California Inst Of Techn | COLLOIDAL PARTICLES USED IN A SENSOR MOSAIC |
| US6890715B1 (en) | 1999-08-18 | 2005-05-10 | The California Institute Of Technology | Sensors of conducting and insulating composites |
| US6338266B1 (en) * | 2000-04-05 | 2002-01-15 | Industrial Scientific Corporation | Method of identifying a gas and associated apparatus |
| US6849239B2 (en) | 2000-10-16 | 2005-02-01 | E. I. Du Pont De Nemours And Company | Method and apparatus for analyzing mixtures of gases |
| WO2002033393A2 (en) | 2000-10-16 | 2002-04-25 | E. I. Du Pont De Nemours And Company | Method and apparatus for analyzing mixtures of gases |
| US7129095B2 (en) * | 2002-03-29 | 2006-10-31 | Smiths Detection Inc. | Method and system for using a weighted response |
| JP4856851B2 (ja) * | 2002-04-05 | 2012-01-18 | イー・アイ・デュポン・ドウ・ヌムール・アンド・カンパニー | ガス放出プロセスを制御する方法および装置 |
| US6882929B2 (en) * | 2002-05-15 | 2005-04-19 | Caterpillar Inc | NOx emission-control system using a virtual sensor |
| CN2540633Y (zh) * | 2002-06-04 | 2003-03-19 | 复旦大学 | 便携式智能电子鼻的结构 |
| US20040126286A1 (en) * | 2002-06-19 | 2004-07-01 | Deruyter John C. | Method and apparatus for reducing a nitrogen oxide |
| WO2004086021A2 (en) | 2003-03-26 | 2004-10-07 | E.I. Dupont De Nemours And Company | Apparatus for analyzing mixtures of gases |
| US7763208B2 (en) | 2003-11-12 | 2010-07-27 | E.I. Du Pont De Nemours And Company | System and method for sensing and analyzing gases |
-
2005
- 2005-10-04 US US11/242,749 patent/US7460958B2/en not_active Expired - Fee Related
- 2005-10-06 JP JP2007535862A patent/JP5308670B2/ja not_active Expired - Fee Related
- 2005-10-06 CN CN2005800420346A patent/CN101073007B/zh not_active Expired - Fee Related
- 2005-10-06 EP EP05858226A patent/EP1797421A2/en not_active Withdrawn
- 2005-10-06 KR KR1020077010378A patent/KR101291930B1/ko not_active IP Right Cessation
- 2005-10-06 WO PCT/US2005/036265 patent/WO2006137906A2/en active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5426934A (en) | 1993-02-10 | 1995-06-27 | Hitachi America, Ltd. | Engine and emission monitoring and control system utilizing gas sensors |
| EP0878709A2 (en) | 1997-03-21 | 1998-11-18 | NGK Spark Plug Co. Ltd. | Method and apparatus for measuring NOx gas concentration |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101727889B1 (ko) | 2010-09-13 | 2017-04-18 | 엠케이에스 인스트루먼츠, 인코포레이티드 | 가스 샘플 스트림에서 화합물들을 모니터링, 검출 및 정량화 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101073007B (zh) | 2012-07-04 |
| US20060155486A1 (en) | 2006-07-13 |
| WO2006137906A3 (en) | 2007-04-05 |
| CN101073007A (zh) | 2007-11-14 |
| JP5308670B2 (ja) | 2013-10-09 |
| EP1797421A2 (en) | 2007-06-20 |
| JP2008516241A (ja) | 2008-05-15 |
| US7460958B2 (en) | 2008-12-02 |
| WO2006137906A2 (en) | 2006-12-28 |
| KR20070069193A (ko) | 2007-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101291930B1 (ko) | 가스 혼합물을 분석하는 컴퓨터-구현 시스템 및 방법 | |
| US7763208B2 (en) | System and method for sensing and analyzing gases | |
| US8043566B2 (en) | Method and apparatus for analyzing mixtures of gases | |
| Wilson et al. | Array optimization and preprocessing techniques for chemical sensing microsystems | |
| KR101075300B1 (ko) | 가스 혼합물 분석 장치 | |
| US20060042353A1 (en) | Analyte quantitation using semiconducting metal oxide gas sensors | |
| US20050063873A1 (en) | Apparatus for analyzing mixtures of gases | |
| JP2011237447A (ja) | ガス検知材料の感度、速度または安定性を回復する方法 | |
| JP2012008130A (ja) | ガスの混合物の分析装置 | |
| Martin et al. | Impedancemetric NOx Sensing Using Yttria-Stabilized Zirconia (YSZ) Electrolyte and YSZ/Cr2O3 Composite Electrodes | |
| JP2009150904A (ja) | ガスの混合物の分析装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| LAPS | Lapse due to unpaid annual fee |