KR20210116278A - 가스 감지 디바이스 및 가스 감지 디바이스를 작동시키기 위한 방법 - Google Patents

가스 감지 디바이스 및 가스 감지 디바이스를 작동시키기 위한 방법 Download PDF

Info

Publication number
KR20210116278A
KR20210116278A KR1020210030781A KR20210030781A KR20210116278A KR 20210116278 A KR20210116278 A KR 20210116278A KR 1020210030781 A KR1020210030781 A KR 1020210030781A KR 20210030781 A KR20210030781 A KR 20210030781A KR 20210116278 A KR20210116278 A KR 20210116278A
Authority
KR
South Korea
Prior art keywords
processor
gas
signal samples
trained model
gas sensors
Prior art date
Application number
KR1020210030781A
Other languages
English (en)
Inventor
프라샨스 마카람
세실리아 카르보넬리
카테리나 트라반
Original Assignee
인피니온 테크놀로지스 아게
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인피니온 테크놀로지스 아게 filed Critical 인피니온 테크놀로지스 아게
Publication of KR20210116278A publication Critical patent/KR20210116278A/ko

Links

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
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G01N27/122—Circuits particularly adapted therefor, e.g. linearising circuits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G01N27/125—Composition of the body, e.g. the composition of its sensitive layer
    • G—PHYSICS
    • 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
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/403—Cells and electrode assemblies
    • G01N27/406—Cells and probes with solid electrolytes
    • G01N27/407—Cells and probes with solid electrolytes for investigating or analysing gases
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G01N27/122—Circuits particularly adapted therefor, e.g. linearising circuits
    • G01N27/123—Circuits particularly adapted therefor, e.g. linearising circuits for controlling the temperature
    • 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
    • G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
    • G01N27/223—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance for determining moisture content, e.g. humidity
    • 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
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/403—Cells and electrode assemblies
    • G01N27/406—Cells and probes with solid electrolytes
    • G01N27/4067—Means for heating or controlling the temperature of the solid electrolyte
    • 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
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/416—Systems
    • G01N27/4162—Systems investigating the composition of gases, by the influence exerted on ionic conductivity in a liquid
    • 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
    • G01N33/0006—Calibrating gas analysers
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

가스 감지 디바이스가 제공된다. 가스 감지 디바이스는,
하나 이상의 화학-저항성 가스 센서 - 가스 센서들 각각은 가스들의 혼합물에서 하나 이상의 가스 중 하나의 가스의 농도에 대응하는 신호 샘플들을 생성하도록 구성됨 -;
복구 페이즈들 동안 하나 이상의 제1 온도 프로파일에 따라 그리고 감지 페이즈들 동안 하나 이상의 제2 온도 프로파일에 따라 가스 센서들을 가열하기 위한 하나 이상의 열원;
수신된 신호 샘플들을 전처리하도록 구성되는 전처리 프로세서;
수신된 전처리된 신호 샘플들로부터 하나 이상의 피처 값을 추출하도록 구성되는 피처 추출 프로세서;
가스들의 혼합물의 습도 값을 추정하도록 구성되는 습도 프로세서 - 습도 프로세서는 제1 훈련된 모델 기반 알고리즘 프로세서 및 제1 훈련된 모델을 포함하고, 습도 값은 제1 머신 학습 알고리즘 프로세서의 출력에 기초함 -;
가스 센서들 각각에 대해 감지 결과들을 생성하도록 구성되는 가스 농도 프로세서 - 가스 농도 프로세서는 제2 훈련된 모델 기반 알고리즘 및 제2 훈련된 모델 기반 알고리즘 프로세서에 대한 제2 훈련된 모델을 포함하고, 감지 결과들은 제2 머신 학습 알고리즘 프로세서의 출력 값들에 기초하고, 감지 결과들은 습도 값에 의존함 -
를 포함한다.

Description

가스 감지 디바이스 및 가스 감지 디바이스를 작동시키기 위한 방법{GAS SENSING DEVICE AND METHOD FOR OPERATING A GAS SENSING DEVICE}
실시예들은 가스들의 혼합물에서 하나 이상의 가스를 감지하기 위한 가스 감지 디바이스에 관한 것이다. 추가 실시예들은 그러한 가스 감지 디바이스를 작동시키기 위한 방법에 관한 것이다. 더 구체적으로, 본 개시내용은 화학-저항성 가스 센서(chemo-resistive gas sensor)들의 사용을 통한 가스 농도들의 추정을 다룬다.
본 개시내용은 가스 감지 기술과 관련된다. 화학-저항성 가스 센서들은 환경 변화의 영향을 받는다. 따라서, 가스들을 정확하게 식별하고/하거나 그들의 농도들을 예측하기 위해 환경 변화들을 보상하는 것이 중요하다.
가스들의 혼합물에서 하나 이상의 가스를 감지하기 위한 가스 감지 디바이스가 제공된다. 가스 감지 디바이스는,
하나 이상의 화학-저항성 가스 센서 - 가스 센서들 각각은 가스들의 혼합물에서 하나 이상의 가스 중 하나의 가스의 농도에 대응하는 신호 샘플들을 생성하도록 구성되고, 하나 이상의 가스 센서는 복구 페이즈들 및 감지 페이즈들에서 교대로 작동되고, 가스 센서들 각각의 신호 샘플들 중 적어도 일부는 복구 페이즈들 중 하나 및 감지 페이즈들 중 하나를 나타냄 -;
복구 페이즈들 동안 하나 이상의 제1 온도 프로파일에 따라 그리고 감지 페이즈들 동안 하나 이상의 제2 온도 프로파일에 따라 가스 센서들을 가열하기 위한 하나 이상의 열원 - 가스 센서들 각각에 대해, 각각의 제1 온도 프로파일의 최대 온도는 각각의 제2 온도 프로파일의 최대 온도보다 높음 -;
가스 센서들 각각에 대해 전처리된 신호 샘플들을 생성하기 위해 가스 센서들 각각으로부터 신호 샘플들을 수신하고 수신된 신호 샘플들을 전처리하도록 구성되는 전처리 프로세서;
전처리된 신호 샘플들을 수신하고, 각각의 가스 센서의 수신된 전처리된 신호 샘플들의 특성들에 기초하여 가스 센서들 각각의 수신된 전처리된 신호 샘플들로부터 하나 이상의 피처 값을 추출하도록 구성되는 피처 추출 프로세서;
피처 값들의 제1 그룹을 수신하고, 가스들의 혼합물의 습도 값을 추정하도록 구성되는 습도 프로세서 - 습도 프로세서는 제1 훈련된 모델 기반 알고리즘 프로세서 및 제1 훈련된 모델 기반 알고리즘 프로세서에 대한 제1 훈련된 모델을 포함하고, 피처 값들의 제1 그룹은 제1 훈련된 모델 기반 알고리즘 프로세서의 입력들에 공급되고, 습도 값은 제1 머신 학습 알고리즘 프로세서의 출력에 기초함 -;
피처 값들의 제2 그룹 및 습도 값을 수신하고, 가스 센서들 각각에 대해 감지 결과들을 생성하도록 구성되는 가스 농도 프로세서 - 가스 농도 프로세서는 제2 훈련된 모델 기반 알고리즘 및 제2 훈련된 모델 기반 알고리즘 프로세서에 대한 제2 훈련된 모델을 포함하고, 피처 값들의 제2 그룹은 제2 훈련된 모델 기반 알고리즘 프로세서의 입력들에 공급되고, 감지 결과들은 제2 머신 학습 알고리즘 프로세서의 하나 이상의 출력에서의 출력 값들에 기초하고, 감지 결과들은 습도 값에 의존함 -
를 포함한다.
하나 이상의 화학-저항성 가스 센서는 그래핀(graphene) 가스 센서들 또는 환원된 그래핀 가스 센서들일 수 있으며, 기본 재료는 특정 화학 물질들, 예를 들어, 백금(Pt) 또는 이산화망간(manganese dioxide)(MnO2)을 사용하여 기능화되어, 가스 센서들 각각이 특정 가스, 예를 들어, 이산화질소(nitrogen dioxide)(NO2), 오존(O3) 또는 일산화탄소(carbon monoxide)(CO)에 대해 민감하게 된다. 이 과정에서, 그래핀 시트들과 흡착된 가스 분석물들 사이의 상호 작용은 가스들의 혼합물에 따라 재료의 전자 구조에 영향을 주어, 전하 캐리어 농도가 변경되고 전기 전도도가 변경되게 된다.
멀티-가스 감지의 경우, 유사하지 않은 선택성을 갖는 복수의 화학-저항성 가스 센서들을 포함하는 멀티-가스 센서 어레이가 사용될 수 있다. 다양한 가스 분자들에 대한 상이한 감도로 인해, 가스 센서들의 저항들이 전혀 다른 패턴들로 변경되므로, 하나의 단일 센서 어레이로 복잡한 가스 혼합물들을 분석할 수 있다.
신호 샘플은 시간-이산 신호 값(time-discrete signal value)들로 구성되는 시퀀스이며, 신호 값들은 가스 센서들 중 하나에 의해 출력된다.
가스 센서들 각각은 하나 이상의 열원에 의해 가열될 수 있다. 열원들은 전기적으로 전력이 공급되는 저항성 가열 엘리먼트들 또는 광, 특히, 자외선 광을 갖는 광을 방출하는 라디에이터들일 수 있다. 하나 이상의 열원 각각은 복구 페이즈들 동안 제1 온도 프로파일에 따라 그리고 감지 페이즈들 동안 제2 온도 프로파일에 따라 제어되고, 제1 온도 프로파일의 최대 온도는 제2 온도 프로파일의 최대 온도보다 높다.
예를 들어, 하나 이상의 가열 엘리먼트의 온도는 가스 센서들의 복구 페이즈들 동안의 제1 온도와 가스 센서들의 감지 페이즈들 동안의 제2 온도 사이에서 펄스화될 수 있으며, 제1 온도는 제2 온도보다 높다. 제1 온도는, 예를 들어, 150℃ 내지 300℃의 값으로 설정될 수 있는 반면, 제2 온도는, 예를 들어, 50℃ 내지 200℃의 값으로 설정될 수 있다.
온도 변조는 모든 센서들에 대해 동일할 수 있다.
감지 결과들의 반복성과 안정성을 개선하기 위해, 가스 센서들 각각의 신호 샘플들 중 적어도 일부는 복구 페이즈들 중 적어도 하나 및 감지 페이즈들 중 적어도 하나를 나타낸다.
프로세서라는 용어는 특정 태스크를 위해 구성되는 전자 디바이스를 지칭한다. 프로세서는 하드웨어 또는 하드웨어와 소프트웨어의 조합을 포함할 수 있다. 상이한 프로세서들은 하드웨어 컴포넌트들 및/또는 소프트웨어 컴포넌트들을 공유할 수 있다.
전처리 프로세서는 더 신뢰할 수 있는 필터링된 신호 샘플들을 생성하기 위해 신호 샘플들의 아티팩트들 및/또는 신호 샘플들의 노이즈 및/또는 가스 센서들의 오작동으로 인한 유효하지 않은 신호 샘플들 및/또는 가스 센서들의 드리프트들로 인한 신호 샘플들의 오류들을 억제 및/또는 보상하도록 구성된다.
정보 추출 프로세서는 전처리된 신호 샘플들을 수신하고, 각각의 가스 센서의 수신된 전처리된 신호 샘플들의 특성들에 기초하여 가스 센서들 각각의 수신된 전처리된 신호 샘플들로부터 하나 이상의 피처 값을 추출하도록 구성된다. 피처들은 신호 샘플들의 동적 특성들에 기초할 수 있다. 이를 위해, 가스 센서들의 응답들의 펄스 속성이 활용되고, 가스 센서들의 동적 진화에 의존하는 특성들이 추출된다.
훈련된 모델 기반 알고리즘 프로세서는 머신 학습이 가능한 프로세서이다. 머신 학습은 사전 작동 훈련 페이즈에서 수행되며, 훈련된 모델 기반 알고리즘 스테이지의 정의된 입력들에 대해 훈련된 모델 기반 알고리즘 스테이지의 실제 출력 값들을 훈련된 모델 기반 알고리즘 스테이지의 원하는 출력 값들과 비교함으로써 훈련된 모델들이 개발된다. 훈련된 모델들은 사전 정의된 구조를 가지며, 사전 정의된 구조의 파라미터화가 훈련 페이즈 동안 수행된다. 훈련 페이즈가 완료된 후, 훈련된 모델들은 학습된 콘텐츠를 포함한다. 처리 결과들을 생성하기 위한 작동 페이즈에서, 훈련 페이즈로부터 훈련된 모델들 중 하나 이상이 그들의 입력 데이터를 처리하는 데 사용된다.
훈련 페이즈에서, 복수의 훈련된 모델들이 확립된 후, 가스 감지 디바이스에 저장될 수 있다. 훈련된 모델들은 구조들 및/또는 파라미터들이 상이할 수 있다. 작동 페이즈 동안, 특정 사용-사례에 따라 가장 적절한 훈련된 모델이 선택될 수 있다.
습도 프로세서는 입력 데이터로서 피처 값들의 제1 그룹을 수신하고, 그것의 처리 결과로서 가스들의 혼합물의 습도 값을 추정하도록 구성되며, 습도 프로세서는 제1 훈련된 모델 기반 알고리즘 프로세서 및 제1 훈련된 모델 기반 알고리즘 프로세서에 대한 제1 훈련된 모델을 포함하고, 피처 값들의 제1 그룹은 제1 훈련된 모델 기반 알고리즘 프로세서의 입력들에 공급되고, 습도 값은 제1 머신 학습 알고리즘 프로세서의 출력에 기초한다. 습도 프로세서의 작동 원리는 화학-저항성 가스 센서들로부터의 신호 샘플들의 동적 특성들이 주변 습도에 의해 직접 영향을 받는다는 아이디어에 기초한다. 신호 샘플들에 대한 습도의 직접적인 영향은 그 자체로는 양 및 질 측면에서 알려지지 않았지만, 제1 훈련된 모델 기반 알고리즘 프로세서를 사용하면 습도 값을 추정하기 위한 영향을 활용할 수 있으므로, 습도 값을 생성하기 위해 전용 습도 센서가 필요하지 않다.
가스 농도 프로세서는 피처 값들의 제2 그룹 및 습도 값을 수신하고 가스 센서들 각각에 대해 감지 결과들을 생성하도록 구성되고, 가스 농도 프로세서는 제2 훈련된 모델 기반 알고리즘 및 제2 훈련된 모델 기반 알고리즘 프로세서에 대한 제2 훈련된 모델을 포함하고, 피처 값들의 제2 그룹은 제2 훈련된 모델 기반 알고리즘 프로세서의 입력들에 공급되고, 감지 결과들은 제2 머신 학습 알고리즘 프로세서의 출력에서의 출력 값들에 기초하고, 감지 결과들은 습도 값에 의존한다.
피처 값들의 제2 그룹은 피처 값들의 제1 그룹과 비교하여 동일한 피처 값들 또는 상이한 피처 값들을 포함할 수 있다.
가스 농도 프로세서는 가스 센서들에 의해 검출된 가스 농도들의 분류 또는 가스 센서들에 의해 검출된 가스 농도들의 지속적인 측정에 대한 결정을 제공한다. 첫 번째 경우에는, 분류 알고리즘으로서 훈련되는 제2 훈련된 모델이 사용되고, 감지 결과들은 "high" 또는 "low"와 같은 영숫자 용어들이다. 특히, 감지 결과들을 출력하기 위해 대기질 지수 시스템의 용어들이 사용될 수 있다. 후자의 경우에는, 회귀 알고리즘(regression algorithm)으로서 훈련되는 제2 훈련된 모델이 사용되고, 감지 결과들은 "4 부피 %(% by volume)"와 같은 물리량들이다. 가스 농도 프로세서가 습도 프로세서에 의해 제공되는 습도 값을 고려하므로, 감지 결과들에 대한 주변 습도의 영향이 최소화되거나 심지어 제거된다.
본 개시내용에 따른 가스 감지 디바이스는 화학-저항성 가스 센서들의 본질적인 불안정성을 다룬다. 이는 캘리브레이션 부정확성들, 드리프트들 및 기타 유사한 효과들을 안정적으로 넓은 작동 범위에서 처리할 수 있는 견고한 알고리즘들 및 검출 메커니즘들을 사용한다.
제안된 가스 감지 디바이스는 여러 응용 분야들 및 사용 사례들(실외, 실내, 건강 검진 등)에 다목적으로 광범위하게 적용 가능하며 스마트 휴대용 디바이스에 임베딩될 수 있는 멀티-가스 흡착 센서들을 위한 종단 간 솔루션을 제공한다. 특히, 지속적인 센서 판독들에 대해 작동하고, 센서 응답들에서 일시적인 정보를 사용하고, 복잡성이 낮고 메모리 요구 사항들이 제한되는 알고리즘이 사용된다.
가스 감지 디바이스는, 예를 들어, 센서 응답들에서 교차-감도들을 유발하는 가스 혼합물들이 존재하고 주변 습도가 변하는 실제 시나리오들을 반영할 수 있다. 더욱이, 가스 감지 디바이스는 안정적인 응답 레벨에 도달하는 데 짧은 시간만이 걸린다.
전용 습도 센서가 필요하지 않다는 사실로 인해, 가스 감지 디바이스의 재료 비용이 저렴하고, 이것이 양산되는 소비자 전자 제품들(휴대폰 등)에 임베딩될 수 있을만큼 충분히 견고하고 경제적인 구체적인 메커니즘들을 사용하는 동시에, 복잡한 실제 시나리오들에서 우수한 지속적인 예측 성능을 제공하며, 이에 따라 제한적이고 노이즈가 있는 데이터 세트들의 가용성, 불완전한 초기 캘리브레이션, 다양한 농도들의 분석물들이 있는 가스 혼합물들, 모델링 오류들 등과 관련된 문제들을 처리해야 한다.
특히, 가스 감지 디바이스는 대기질 모니터링에 사용될 수 있다.
제안된 가스 감지 디바이스는 추가 센서 컴포넌트를 사용하지 않고 알고리즘의 올바른 캘리브레이션 및 구현을 사용하는 것에만 기초한 기술을 포함한다. 가스 센서 응답들(습도 센서들 없음)의 정확한 피처들을 추출함으로써, 주변 습도 조건들의 변화들을 예측하고 보상하는 것이 가능할 수 있다.
이 기술의 이점은 다음과 같다.
- 장기 드리프트 감소.
- 가스들의 예측 정확도 향상.
- 가스들의 분류 개선.
- 추가 피처로서, 습도 값들이 습도 센서 없이 제공될 수 있다.
이 기술을 사용하면, 추가 습도 센서들이 필요하지 않으므로, 다음으로 이어질 수 있다.
- BOM 비용 감소
- ASIC 복잡성 및 전력 소비 요구 사항들 감소
- 습도 센서를 개발/통합하기 위해 사내에 추가적인 R&D 노력이 필요하지 않음
- 칩 사이즈 감소(습도 센서를 위한 공간 필요 없음)
본 개시내용의 실시예들에 따르면, 전처리 프로세서는 가스 센서들로부터 수신된 신호 샘플들에 대한 기준선 캘리브레이션 알고리즘을 실행하도록 구성된다. 기준선 조작은 가스 센서들 중 하나의 것의 신호 샘플을 기준 분석물에 대한 센서 응답과 관련하여 상대 저항 변화로 변환하는 것으로서, 이러한 센서 응답을 기준선(baseline)이라고 한다. 합성 공기는 실제 시나리오에서 쉽게 적용 가능하고 현실적이기 때문에 매우 일반적인 기준선이다. 기준선의 목적은 장기 가스 노출 및 센서 노화에 의해 야기되는 드리프트 중 일부를 제거함으로써 더 안정적이고 재현 가능한 감지 결과를 잠재적으로 생성하는 것이다. 식 (1)에서 볼 수 있듯이, 센서 응답을 그 기준선 R0만큼 감산하면 가산 드리프트가 제거되고, 나누기에 의해 곱셈 드리프트가 제거된다. 결합된 두 작업들을 사용하면 상대 저항 변화
Figure pat00001
가 다음과 같이 생성된다.
Figure pat00002
본 개시내용의 실시예들에 따르면, 전처리 프로세서는 가스 센서들로부터 수신된 신호 샘플들에 대한 필터링 알고리즘을 실행하도록 구성된다. 필터링 알고리즘은, 예를 들어, 고역 통과 필터 또는 노이즈 필터로서 구현될 수 있다. 이러한 피처들은 감지 결과들의 정확도를 더욱 개선한다.
본 개시내용의 실시예들에 따르면, 전처리 프로세서는 가스 센서들로부터 수신된 신호 샘플들에 대한 감지 페이즈 추출 알고리즘을 실행하도록 구성된다. 이러한 피처들은 신호 샘플들 중 하나의 것의 특정 값이 복구 페이즈들 중 하나 동안 생성되는지 또는 감지 페이즈들 중 하나 동안 생성되는지를 결정하게 할 수 있고, 이는 피처 값들의 추출 품질을 개선시켜, 습도 값뿐만 아니라 감지 결과들의 정확도도 개선되게 한다.
본 개시내용의 실시예들에 따르면, 피처 추출 프로세서는 수신된 전처리된 신호 샘플들로부터 가스 센서들 각각에 대한 피처 값들 중 하나로서 정규화된 센서 감도
Figure pat00003
를 추출하도록 구성된다. 정규화된 센서 감도
Figure pat00004
는 식 (1)에 따라 계산될 수 있다.
정규화된 센서 감도들
Figure pat00005
을 피처 값들로서 사용하면 감지 결과의 정확도가 개선된다.
본 개시내용의 실시예들에 따르면, 피처 추출 프로세서는 수신된 전처리된 신호 샘플들로부터 가스 센서들 각각에 대한 피처 값들 중 하나로서 전처리된 신호 샘플들 중 하나의 것의 기울기
Figure pat00006
를 추출하도록 구성된다. 기울기
Figure pat00007
또는 도함수는 식 (2)에 따라 계산될 수 있다.
Figure pat00008
기울기들
Figure pat00009
를 피처 값들로서 사용하면 감지 결과의 정확도가 개선된다.
본 개시내용의 실시예들에 따르면, 피처 추출 프로세서는 가스 센서들로부터 수신된 전처리된 신호 샘플들로부터 가스 센서들 각각에 대한 피처 값들 중 하나로서 전처리된 신호 샘플들 중 하나의 것의 감지 페이즈 동안 전처리된 신호 샘플들 중 하나의 것의 평균 값
Figure pat00010
와 전처리된 신호 샘플들 중 하나의 것의 복구 페이즈동안 전처리된 신호 샘플들 중 하나의 것의 평균 값
Figure pat00011
사이의 비율 r을 추출하도록 구성된다. 비율 r은 식 (3)에 따라 계산될 수 있다.
Figure pat00012
비율 r을 피처 값들로서 사용하면 감지 결과의 정확도가 개선된다.
본 개시내용의 실시예들에 따르면, 피처 추출 프로세서는 가스 센서들로부터 수신된 전처리된 신호 샘플들로부터 가스 센서들 각각에 대한 피처 값들 중 하나로서 전처리된 신호 샘플들 중 하나의 것의 감지 페이즈 동안 전처리된 신호 샘플들 중 하나의 것의 평균 값
Figure pat00013
와 전처리된 신호 샘플들 중 하나의 것의 복구 페이즈 동안 전처리된 신호 샘플들 중 하나의 것의 평균 값
Figure pat00014
사이의 차이 d를 추출하도록 구성된다. 차이 d는 식 (4)에 따라 계산될 수 있다.
Figure pat00015
차이들 d를 피처 값들로서 사용하면 감지 결과의 정확도가 개선된다.
본 개시내용의 실시예들에 따르면, 제1 훈련된 모델 기반 알고리즘 프로세서는 제1 인공 신경망으로서 구현된다.
본 개시내용의 실시예들에 따르면, 제2 훈련된 모델 기반 알고리즘 프로세서는 제2 인공 신경망으로서 구현된다.
인공 신경망은 다수의 로지스틱 회귀들이 비선형적으로 결합되는 파라미터화된 통계 모델이다. 이러한 시스템들은 일반적으로 임의의 태스크-특정 규칙들로 프로그래밍되지 않고 예들을 고려하여 태스크들을 수행하도록 "학습"한다. 신경망은 인공 뉴런들이라고 하는 연결된 노드들의 모음에 기초한다. 각각의 연결은 하나의 인공 뉴런으로부터 다른 인공 뉴런으로 신호를 송신할 수 있다. 신호를 수신하는 인공 뉴런은 이것을 처리한 다음, 이에 연결된 추가 인공 뉴런들에 시그널링할 수 있다. 모델은 노드들의 구조 또는 신경망의 하이퍼파라미터들을 사전 정의하며, 신경망을 훈련함으로써 연결들의 파라미터들이 찾아진다. 구조 및 대응하는 파라미터들은 각각의 신경망에 대한 훈련된 모델을 형성한다.
본 개시내용의 실시예들에 따르면, 습도 값은 감지 결과들이 습도 값에 의존하도록 하기 위해 제2 훈련된 모델 기반 알고리즘 프로세서의 입력들 중 하나에 공급된다. 이러한 피처들에 의해, 감지 결과들에 대한 주변 습도의 영향이 훈련 페이즈 동안 제2 훈련된 모델 기반 알고리즘 프로세서에 의해 자동으로 학습된다. 또한, 감지 결과들에 대한 주변 습도의 영향은 작동 페이즈동안 자동으로 보상된다.
본 개시내용의 실시예들에 따르면, 가스 감지 디바이스는 피처 값들의 제3 그룹을 수신하고 가스들의 혼합물의 온도 값을 추정하도록 구성되는 온도 프로세서를 포함하고, 온도 프로세서는 제3 훈련된 모델 기반 알고리즘 프로세서 및 제3 훈련된 모델 기반 알고리즘 프로세서에 대한 제3 훈련된 모델을 포함하고, 피처 값들의 제3 그룹은 제3 훈련된 모델 기반 알고리즘 프로세서의 입력들에 공급되고, 온도 값은 제3 머신 학습 알고리즘 프로세서의 출력에 기초하고,
가스 농도 프로세서는 온도 값을 수신하도록 구성되고, 감지 결과들은 온도 값에 기초한다.
온도 프로세서의 작동 원리는 화학-저항성 가스 센서들로부터의 신호 샘플들의 동적 특성들이 주변 온도에 의해 직접 영향을 받는다는 아이디어에 기초한다. 신호 샘플들에 대한 온도의 직접적인 영향은 그 자체로 양 및 질 측면에서 알려지지 않았지만, 제3 훈련된 모델 기반 알고리즘 프로세서를 사용하면 온도 값을 추정하기 위한 영향을 활용할 수 있으므로, 온도 값을 생성하기 위해 전용 온도 센서가 필요하지 않다.
본 개시내용의 실시예들에 따르면, 제3 훈련된 모델 기반 알고리즘 프로세서는 제3 인공 신경망으로서 구현된다.
본 개시내용의 실시예들에 따르면, 온도 값은 감지 결과들이 온도 값에 의존하도록 하기 위해 제2 훈련된 모델 기반 알고리즘 프로세서의 입력들 중 하나에 공급된다. 이러한 피처들에 의해, 감지 결과들에 대한 주변 온도의 영향이 훈련 페이즈 동안 제2 훈련된 모델 기반 알고리즘 프로세서에 의해 자동으로 학습된다. 또한, 감지 결과들에 대한 주변 온도의 영향은 작동 페이즈 동안 자동으로 보상된다.
본 개시내용의 실시예들에 따르면, 가스 농도 프로세서는 제2 머신 학습 알고리즘 프로세서의 출력 값들을 보정하기 위한 보정 프로세서를 포함하고, 습도 값은 보정 프로세서에 공급되고, 보정 프로세서는 감지 결과들이 습도 값에 의존하도록 하기 위해 습도 값에 따라 제2 머신 학습 알고리즘 프로세서의 출력 값들을 보정하도록 구성된다. 감지 결과에 대한 주변 습도의 영향이 알려져 있는 경우, 이러한 피처들을 사용함으로써 높은 정확도의 감지 결과들이 달성될 수 있다.
본 개시내용의 실시예들에 따르면, 가스 농도 프로세서는 제2 머신 학습 알고리즘 프로세서의 출력 값들을 보정하기 위한 보정 프로세서를 포함하고, 온도 값은 보정 프로세서에 공급되고, 보정 프로세서는 감지 결과들이 온도 값에 의존하도록 하기 위해 온도 값에 따라 제2 머신 학습 알고리즘 프로세서의 출력 값들을 보정하도록 구성된다. 감지 결과에 대한 주변 온도의 영향이 알려져 있는 경우, 이러한 피처들을 사용함으로써 높은 정확도의 감지 결과들이 달성될 수 있다.
본 개시내용의 실시예들에 따르면, 보정 프로세서는 제2 머신 학습 알고리즘 프로세서의 출력 값들을 보정하기 위한 하나 이상의 룩업 테이블을 포함한다. 이러한 피처들에 의해, 높은 정확도의 감지 결과들이 달성될 수 있다.
본 개시내용의 실시예들에 따르면, 가스 감지 디바이스는 감지 결과들 및/또는 습도 값을 출력하도록 구성되는 출력 유닛을 포함한다.
본 개시내용의 실시예들에 따르면, 가스 감지 디바이스는 온도 값을 출력하도록 구성되는 출력 유닛을 포함한다.
이러한 피처들에 의해, 습도 값 및/또는 온도 값이 출력되어, 사용자에게 가스 감지 디바이스 주위의 주변 습도 및/또는 주변 온도에 대해 알릴 수 있다. 출력 유닛은 그래픽 사용자 인터페이스일 수 있다.
추가 양태에서, 가스들의 혼합물에서 하나 이상의 가스를 감지하기 위한 가스 감지 디바이스를 작동시키기 위한 방법이 개시되며, 가스 감지 디바이스는 하나 이상의 화학-저항성 가스 센서를 포함한다. 방법은,
가스들의 혼합물에서 하나 이상의 가스 중 하나의 가스의 농도에 대응하는 신호 샘플들을 생성하기 위하여 가스 센서들 각각을 사용하는 단계 - 하나 이상의 가스 센서는 복구 페이즈들 및 감지 페이즈들에서 교대로 작동되고, 가스 센서들 각각의 신호 샘플들 중 적어도 일부는 복구 페이즈들 중 하나 및 감지 페이즈들 중 하나를 나타냄 -;
복구 페이즈들 동안 하나 이상의 제1 온도 프로파일에 따라 그리고 감지 페이즈들 동안 하나 이상의 제2 온도 프로파일에 따라 가스 센서들을 가열하기 위하여 하나 이상의 열원을 사용하는 단계 - 가스 센서들 각각에 대해, 각각의 제1 온도 프로파일의 최대 온도는 각각의 제2 온도 프로파일의 최대 온도보다 높음 -;
가스 센서들 각각에 대해 전처리된 신호 샘플들을 생성하기 위해 가스 센서들 각각으로부터 신호 샘플들을 수신하고 수신된 신호 샘플들을 전처리하기 위하여 전처리 프로세서를 사용하는 단계;
전처리된 신호 샘플들을 수신하고, 각각의 가스 센서의 수신된 전처리된 신호 샘플들의 특성들에 기초하여 가스 센서들 각각의 수신된 전처리된 신호 샘플들로부터 하나 이상의 피처 값을 추출하기 위하여 피처 추출 프로세서를 사용하는 단계;
피처 값들의 제1 그룹을 수신하고, 가스들의 혼합물의 습도 값을 추정하기 위하여 습도 프로세서를 사용하는 단계 - 습도 프로세서는 제1 훈련된 모델 기반 알고리즘 프로세서 및 제1 훈련된 모델 기반 알고리즘 프로세서에 대한 제1 훈련된 모델을 포함하고, 피처 값들의 제1 그룹은 제1 훈련된 모델 기반 알고리즘 프로세서의 입력들에 공급되고, 습도 값은 제1 머신 학습 알고리즘 프로세서의 출력에 기초함 -;
피처 값들의 제2 그룹 및 습도 값을 수신하고, 가스 센서들 각각에 대해 감지 결과들을 생성하기 위하여 가스 농도 프로세서를 사용하는 단계 - 가스 농도 프로세서는 제2 훈련된 모델 기반 알고리즘 프로세서 및 제2 훈련된 모델 기반 알고리즘 프로세서에 대한 제2 훈련된 모델을 포함하고, 피처 값들의 제2 그룹은 제2 훈련된 모델 기반 알고리즘 프로세서의 입력들에 공급되고, 감지 결과들은 제2 머신 학습 알고리즘 프로세서의 하나 이상의 출력에서의 출력 값들에 기초하고, 감지 결과들은 습도 값에 의존함 -
를 포함한다.
본 발명의 실시예들은 첨부된 도면들을 참조하여 본 명세서에서 설명된다.
도 1은 3개의 화학-저항성 가스 센서를 포함하는 본 개시내용에 따른 가스 감지 디바이스의 제1 예시적인 실시예의 개략도를 도시한다.
도 2는 본 명세서에 설명된 훈련된 모델들 및 훈련된 모델 기반 알고리즘 프로세서들의 개발 및 구현을 설명하는 개략적인 흐름도를 도시한다.
도 3은 본 개시내용에 따른 가스 감지 디바이스의 제2 예시적인 실시예의 개략도를 도시한다.
도 4는 신호 샘플들로부터 추출된 가장 유익한 피처 값들의 예시적인 2차원 표현 및 습도 값들에 대한 가장 유익한 피처 값들의 할당을 도시한다.
도 5는 본 개시내용에 따른 습도 프로세서의 성능을 시각화하는 예시적인 혼동 행렬을 도시한다.
도 6은 본 개시내용에 따른 예시적인 그래핀 멀티-가스 센서 어레이를 도시한다.
도 7은 시간에 따른 예시적인 정규화된 센서 응답들 및 히터 온도들을 예시한다.
도 8은 종래 기술에 따른 고유한 습도 센서를 갖는 화학-저항성 가스 감지 디바이스를 사용하여 NOX를 감지하는 것에 대한 예시적인 결과들을 도시한다.
도 9는 종래 기술에 따른 습도 보상 없이 화학-저항성 가스 감지 디바이스를 사용하여 NOX를 감지하는 것에 대한 예시적인 결과들을 도시한다.
도 10은 본 개시내용에 따른 습도 프로세서를 갖는 화학-저항성 가스 감지 디바이스를 사용하여 NOX를 감지하는 것에 대한 예시적인 결과들을 도시한다.
도 11은 본 개시내용에 따른 가스 감지 디바이스의 제3 예시적인 실시예의 개략도를 도시한다.
도 12는 본 개시내용에 따른 가스 감지 디바이스의 제4 예시적인 실시예의 개략도를 도시한다.
동등하거나 등가의 엘리먼트들 또는 동등하거나 등가의 기능을 갖는 엘리먼트들은 동등하거나 등가의 참조 번호들에 의해 다음의 설명에서 표시된다.
다음의 설명에서, 본 발명의 실시예들에 대한 보다 철저한 설명을 제공하기 위해 복수의 세부 사항들이 제시된다. 그러나, 본 발명의 실시예들이 이러한 특정 세부 사항들 없이 실시될 수 있다는 것은 본 기술분야의 통상의 기술자에게 명백할 것이다. 다른 예들에서, 널리 공지된 구조들 및 디바이스들은 본 발명의 실시예들을 모호하게 하는 것을 피하기 위해 상세하기보다는 블록 다이어그램 형태로 도시된다. 또한, 특별히 달리 언급하지 않는 한, 후술하는 상이한 실시예들의 피처들은 서로 결합될 수 있다.
도 1은 3개의 화학-저항성 가스 센서(2)를 포함하는 본 개시내용에 따른 가스 감지 디바이스(1)의 제1 예시적인 실시예의 개략도를 도시한다.
가스들의 혼합물에서 하나 이상의 가스를 감지하기 위한 가스 감지 디바이스(1)가 개시되며, 가스 감지 디바이스(1)는,
하나 이상의 화학-저항성 가스 센서(chemo-resistive gas sensor)(2) - 가스 센서들(2) 각각은 가스들의 혼합물에서 하나 이상의 가스 중 하나의 가스의 농도에 대응하는 신호 샘플들(signal samples)(SIG)을 생성하도록 구성되고, 하나 이상의 가스 센서(2)는 복구 페이즈들(recovery phases)(RP) 및 감지 페이즈들(sense phases)(SP)에서 교대로 작동되고, 가스 센서들(2) 각각의 신호 샘플들(SIG) 중 적어도 일부는 복구 페이즈들(RP) 중 하나 및 감지 페이즈들(SP) 중 하나를 나타냄 -;
복구 페이즈들(RP) 동안 하나 이상의 제1 온도 프로파일(first temperature profile)(FTP)에 따라 그리고 감지 페이즈들(SP) 동안 하나 이상의 제2 온도 프로파일(second temperature profile)(STP)에 따라 가스 센서들(2)을 가열하기 위한 하나 이상의 열원(3) - 가스 센서들(2) 각각에 대해, 각각의 제1 온도 프로파일(FTP)의 최대 온도는 각각의 제2 온도 프로파일(STP)의 최대 온도보다 높음 -;
가스 센서들(2) 각각에 대해 전처리된 신호 샘플들(preprocessed signal samples)(PSS)을 생성하기 위해 가스 센서들(2) 각각으로부터 신호 샘플들(SIG)을 수신하고 수신된 신호 샘플들(SIG)을 전처리하도록 구성되는 전처리 프로세서(4);
전처리된 신호 샘플들(PSS)을 수신하고, 각각의 가스 센서(2)의 수신된 전처리된 신호 샘플들(PSS)의 특성들에 기초하여 가스 센서들(2) 각각의 수신된 전처리된 신호 샘플들(PSS)로부터 하나 이상의 피처 값(feature value)(FV)을 추출하도록 구성되는 피처 추출 프로세서(feature extraction processor)(5);
피처 값들(FV)의 제1 그룹을 수신하고, 가스들의 혼합물의 습도 값(humidity value)(HV)을 추정하도록 구성되는 습도 프로세서(6) - 습도 프로세서(6)는 제1 훈련된 모델 기반 알고리즘 프로세서(7) 및 제1 훈련된 모델 기반 알고리즘 프로세서(7)에 대한 제1 훈련된 모델(8)을 포함하고, 피처 값들(FV)의 제1 그룹은 제1 훈련된 모델 기반 알고리즘 프로세서(8)의 입력들(9)에 공급되고, 습도 값(HV)은 제1 머신 학습 알고리즘 프로세서(7)의 출력(10)에 기초함 -;
피처 값들(FV)의 제2 그룹 및 습도 값(HV)을 수신하고, 가스 센서들(2) 각각에 대해 감지 결과들(sensing results)(SR)을 생성하도록 구성되는 가스 농도 프로세서(11) - 가스 농도 프로세서(11)는 제2 훈련된 모델 기반 알고리즘 프로세서(12) 및 제2 훈련된 모델 기반 알고리즘 프로세서(12)에 대한 제2 훈련된 모델(13)을 포함하고, 피처 값들(FV)의 제2 그룹은 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력들(14)에 공급되고, 감지 결과들(SR)은 제2 머신 학습 알고리즘 프로세서(12)의 하나 이상의 출력(15)에서의 출력 값들(OV)에 기초하고, 감지 결과들(SR)은 습도 값(HV)에 의존함 -
를 포함한다.
본 개시내용의 실시예들에 따르면, 전처리 프로세서(4)는 가스 센서들(2)로부터 수신된 신호 샘플들(SIG)에 대한 기준선 캘리브레이션 알고리즘을 실행하도록 구성된다.
본 개시내용의 실시예들에 따르면, 전처리 프로세서(4)는 가스 센서들(2)로부터 수신된 신호 샘플들(SIG)에 대한 필터링 알고리즘을 실행하도록 구성된다.
본 개시내용의 실시예들에 따르면, 전처리 프로세서(4)는 가스 센서들(2)로부터 수신된 신호 샘플들(SIG)에 대한 감지 페이즈 추출 알고리즘을 실행하도록 구성된다.
본 개시내용의 실시예들에 따르면, 피처 추출 프로세서(5)는 수신된 전처리된 신호 샘플들(PSS)로부터 가스 센서들(2) 각각에 대한 피처 값들(FV) 중 하나로서 정규화된 센서 감도를 추출하도록 구성된다.
본 개시내용의 실시예들에 따르면, 피처 추출 프로세서(5)는 수신된 전처리된 신호 샘플들(PSS)로부터 가스 센서들(2) 각각에 대한 피처 값들(FV) 중 하나로서 전처리된 신호 샘플들(PSS) 중 하나의 것의 기울기를 추출하도록 구성된다.
본 개시내용의 실시예들에 따르면, 피처 추출 프로세서(5)는 가스 센서들(2)로부터 수신된 전처리된 신호 샘플들(PSS)로부터 가스 센서들(2) 각각에 대한 피처 값들(FV) 중 하나로서 전처리된 신호 샘플들(PSS) 중 하나의 것의 감지 페이즈(SP) 동안 전처리된 신호 샘플들(PSS) 중 하나의 것의 평균 값과 전처리된 신호 샘플들(PSS) 중 하나의 것의 복구 페이즈 동안 전처리된 신호 샘플들(PSS) 중 하나의 것의 평균 값 사이의 비율을 추출하도록 구성된다.
본 개시내용의 실시예들에 따르면, 피처 추출 프로세서(5)는 가스 센서들(2)로부터 수신된 전처리된 신호 샘플들(PSS)로부터 가스 센서들(2) 각각에 대한 피처 값들(FV) 중 하나로서 전처리된 신호 샘플들(PSS) 중 하나의 것의 감지 페이즈 동안 전처리된 신호 샘플들(PSS) 중 하나의 것의 평균 값과 전처리된 신호 샘플들(PSS) 중 하나의 것의 복구 페이즈 동안 전처리된 신호 샘플들(PSS) 중 하나의 것의 평균 값 사이의 차이를 추출하도록 구성된다.
본 개시내용의 실시예들에 따르면, 습도 값(HV)은 감지 결과들(SR)이 습도 값(HV)에 의존하도록 하기 위해 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력들(14) 중 하나에 공급된다.
추가 양태에서는, 가스들의 혼합물에서 하나 이상의 가스를 감지하기 위한 가스 감지 디바이스(1)를 작동시키기 위한 방법이 개시되며, 가스 감지 디바이스(1)는 하나 이상의 화학-저항성 가스 센서(2)를 포함한다. 방법은,
가스들의 혼합물에서 하나 이상의 가스 중 하나의 가스의 농도에 대응하는 신호 샘플들(SIG)을 생성하기 위하여 가스 센서들(2) 각각을 사용하는 단계 - 하나 이상의 가스 센서(2)는 복구 페이즈들(RP) 및 감지 페이즈들(SP)에서 교대로 작동되고, 가스 센서들(2) 각각의 신호 샘플들(SIG) 중 적어도 일부는 복구 페이즈들(RP) 중 하나 및 감지 페이즈들(SP) 중 하나를 나타냄 -;
복구 페이즈들(RP) 동안 하나 이상의 제1 온도 프로파일(FTP)에 따라 그리고 감지 페이즈들(SP) 동안 하나 이상의 제2 온도 프로파일(STP)에 따라 가스 센서들(2)을 가열하기 위하여 하나 이상의 열원(3)을 사용하는 단계 - 가스 센서들(2) 각각에 대해, 각각의 제1 온도 프로파일(FTP)의 최대 온도는 각각의 제2 온도 프로파일(STP)의 최대 온도보다 높음 -;
가스 센서들(2) 각각에 대해 전처리된 신호 샘플들(PSS)을 생성하기 위해 가스 센서들(2) 각각으로부터 신호 샘플들(SIG)을 수신하고 수신된 신호 샘플들(SIG)을 전처리하기 위하여 전처리 프로세서(4)를 사용하는 단계;
전처리된 신호 샘플들(PSS)을 수신하고, 각각의 가스 센서(2)의 수신된 전처리된 신호 샘플들(PSS)의 특성들에 기초하여 가스 센서들(2) 각각의 수신된 전처리된 신호 샘플들(PSS)로부터 하나 이상의 피처 값(FV)을 추출하기 위하여 피처 추출 프로세서(5)를 사용하는 단계;
피처 값들(FV)의 제1 그룹을 수신하고, 가스들의 혼합물의 습도 값(HV)을 추정하기 위하여 습도 프로세서(6)를 사용하는 단계 - 습도 프로세서(6)는 제1 훈련된 모델 기반 알고리즘 프로세서(7) 및 제1 훈련된 모델 기반 알고리즘 프로세서(7)에 대한 제1 훈련된 모델(8)을 포함하고, 피처 값들(FV)의 제1 그룹은 제1 훈련된 모델 기반 알고리즘 프로세서(7)의 입력들(9)에 공급되고, 습도 값(HV)은 제1 머신 학습 알고리즘 프로세서(7)의 출력(10)에 기초함 -;
피처 값들(FV)의 제2 그룹 및 습도 값(HV)을 수신하고, 가스 센서들(2) 각각에 대해 감지 결과들(SR)을 생성하기 위하여 가스 농도 프로세서(11)를 사용하는 단계 - 가스 농도 프로세서(11)는 제2 훈련된 모델 기반 알고리즘 프로세서(12) 및 제2 훈련된 모델 기반 알고리즘 프로세서(12)에 대한 제2 훈련된 모델(13)을 포함하고, 피처 값들(FV)의 제2 그룹은 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력들(14)에 공급되고, 감지 결과들(SR)은 제2 머신 학습 알고리즘 프로세서(12)의 하나 이상의 출력(15)에서의 출력 값들(OV)에 기초하고, 감지 결과들(SR)은 습도 값(HV)에 의존함 -
를 포함한다.
도 1에 도시된 예시적인 가스 감지 디바이스(1)는 3개의 화학-저항성 가스 센서(2)를 포함하며, 화학-저항성 가스 센서들(2) 중 하나는 O3를 감지하도록 구성되고, 화학-저항성 가스 센서들(2) 중 하나는 NO2를 감지하도록 구성되고, 화학-저항성 가스 센서들(2) 중 하나는 CO를 감지하도록 구성된다. 화학-저항성 가스 센서들(2) 각각은 신호 샘플들(SIG)을 생성하고, 이 신호 샘플들(SIG)은 M=3개의 신호 샘플(SIG)이 병렬로 포워딩되도록 전처리 프로세서(4)로 포워딩된다. 전처리 프로세서(4)는 화학-저항성 가스 센서들(2) 각각의 신호 샘플들(SIG)을 전처리하여, 화학-저항성 가스 센서들(2) 각각에 대해 전처리된 신호 샘플들(PSS)이 생성된다. 화학-저항성 가스 센서들(2) 각각에 대한 전처리된 신호 샘플들(PSS)은 M=3개의 전처리된 신호 샘플(PSS)이 병렬로 포워딩되도록 피처 추출 프로세서(5)에 공급된다.
피처 추출 프로세서(5)는 화학-저항성 가스 센서(2) 각각에 대해 전처리된 신호 샘플들(PSS)로부터 N개의 피처 값(FV)을 추출한다. 단순화를 위해, 제1 화학-저항성 가스 센서(2)로부터 발생되는 피처 값들(FV1 내지 FVn)만이 도 1에 도시되어 있다.
도 1의 예에서, 화학-저항성 가스 센서들(2) 중 제1 화학-저항성 가스 센서로부터 발생되는 피처 값(FV1)은 제1 훈련된 모델 기반 알고리즘 프로세서(7)의 입력(9.1)에 공급된다. 또한, 화학-저항성 가스 센서들(2) 중 제1 화학-저항성 가스 센서로부터 발생되는 피처 값(FV2)은 제1 훈련된 모델 기반 알고리즘 프로세서(7)의 입력(9.2)에 공급된다. 제2 화학-저항성 가스 센서(2) 및 제3 화학-저항성 가스 센서(2)로부터 발생되는 피처 값들(FV1 및 FV2)이 제1 훈련된 모델 기반 알고리즘 프로세서(7)의 추가 입력들(도시 생략)에 병렬로 공급된다.
또한, 화학-저항성 가스 센서들(2) 중 제1 화학-저항성 가스 센서로부터 발생되는 피처 값(FV1)은 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력(14.1)에 공급되고, 화학-저항성 가스 센서들(2) 중 제1 화학-저항성 가스 센서로부터 발생되는 피처 값(FV2)은 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력(14.2)에 공급되고, 기타 등등 마찬가지이다. 화학-저항성 가스 센서들(2) 중 제1 화학-저항성 가스 센서로부터 발생되는 피처 값(FVn)은 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력(14.n)에 공급된다. 제2 화학-저항성 가스 센서(2) 및 제3 화학-저항성 가스 센서(2)로부터 발생되는 피처 값들(FV1 내지 FVn)은 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 추가 입력들(도시 생략)에 병렬로 공급된다.
더욱이, 제1 훈련된 모델 기반 알고리즘 프로세서(7)의 출력(10)으로부터의 습도 값(HV)은 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력(14.n+1)에 공급된다. 도 1에서, 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 출력들(15)에서의 출력 값들(OV)은 화학-저항성 가스 센서들(2) 각각에 대한 감지 결과들(SR)과 동일하다.
도 1은 피처 식별부터 예측들까지의추론 동안의 일반적인 신호 처리 흐름을 도시한다. 여기에서, M개의 센서로부터의 원시 신호들이 샘플링 및 필터링되고, 특정 피처들이 추출된다. 특히, 습도 정보를 추출하는 데 도움이 되는 해당 피처들이 습도 추정 블록으로 전송된다. 이러한 블록은 MAP(Maximum A-posteriori, 최대 사후 확률 추정) 기준에 기초하여 감독되는 분류기가 될 수 있으며, 주어진 습도 등급 값
Figure pat00016
에 대한 관측된 피처 벡터
Figure pat00017
의 우도 함수(likelihood function), 즉, 조건부 확률(conditional probability)
Figure pat00018
은 공분산 행렬(covariance matrix)
Figure pat00019
및 평균 벡터
Figure pat00020
가 캘리브레이션 페이즈에서 결정되어야 하고 타겟 아키텍처에 대해 나중에 배치되는 모델의 일부인 단봉 가우시안 밀도 분포(unimodal Gaussian density distribution)를 충족한다.
그 후, 추론(테스트) 페이즈의 습도 값은 다음과 같이 획득된다.
Figure pat00021
습도를 예측하는 다른 접근 방식들이 가능하며, 예를 들어, 일부 피처들은 추정기 블록들 사이에 공유되고(피처 1) 일부는 그들 중 하나에 의해서만 독점적으로 사용되는(피처 2, 3,... N) 도 6b에 도시된 바와 같이, 노드들의 수가 적고 숨겨진 계층이 1개뿐인 완전히 연결된 소규모 신경망과 같은 비-파라메트릭(non-parametric) 방법이 가능하다.
특히, 습도 추정치들은 다음과 같이 획득될 수 있으며,
Figure pat00022
여기서,
Figure pat00023
는 역전파 알고리즘(backpropagation algorithm)으로 최적화되는(그 후, 추론 페이즈에 배치됨) 단일 숨겨진 계층의 가중치들 및 오프셋들이고,
Figure pat00024
는 활성화 함수(activation function)들이고,
Figure pat00025
는 입력 피처들의 컨캐트네이션(concatenation)이다. 가스 농도 추정치들(
Figure pat00026
)의 경우, 더 많은 새로운 숨겨진 계층들이 있다. 피드 포워드 신경망의 경우, 최종 출력은 다음과 같이 표현될 수 있으며,
Figure pat00027
여기서,
Figure pat00028
는 추정된 습도
Figure pat00029
와 나머지 입력 피처들
Figure pat00030
의 컨캐트네이션이고,
Figure pat00031
는 포괄적인 숨겨진 계층
Figure pat00032
의 가중치들 및 오프셋이다.
요약으로서, 도 3은 상이한 깊이들의 신경망들을 사용한 모델의 배치를 예시한다.
도 2는 본 명세서에 설명된 훈련된 모델들(8, 13, 19) 및 훈련된 모델 기반 알고리즘 프로세서들(7, 12, 18)의 개발 및 구현을 설명하는 개략적인 흐름도를 도시한다.
도 2에 도시된 바와 같이, 센서들의 신호 샘플들(SIG)에서 관련 피처 값들(FV)을 추출하기 위해 예비 캘리브레이션 페이즈가 먼저 수행된다. 그 후, 이러한 피처 값들(FV)이 결합되어 습도를 설명하는 하나의 더 간단한 제1 훈련된 모델(8) 및 가스 농도들을 설명하는 제2 훈련된 모델(13)을 개발한다.
그 후, 훈련된 모델들(8 및 13)은 타겟 아키텍처에 필요한 추론 단계들과 함께 배치되고, 실시간으로 농도들(SR)(필요한 경우, 습도 값들(HV))을 예측하는 데 사용된다. 흐름도는 모델 개발 및 구현을 설명하며, C(t)는 농도를 시간의 함수로서 표시하고, f1(t) ... fn(t)는 피처들(1 내지 n)을 시간의 함수로서 표시하고, H(t)는 습도를 시간의 함수로서 표시하고, T(t)는 온도를 시간의 함수로서 표시한다.
하나의 전역적 모델이 타겟 출력들로서 습도와 가스 농도들을 모두 사용하여 훈련될 수 있지만, 이것은 특히 사용자에게 별도의 습도 추정치가 제공되어야 할 때 등가의 정확도에 대해 가스 추정 측면에서 성능이 더 저하되고 파라미터들의 수 측면에서 복잡도가 더 높아짐을 나타낸다는 것에 유의해야 한다. 따라서, 도 1에 도시된 바와 같이 별도의 습도 및 가스 추정을 사용하는 2-스테이지 접근 방식이 선호될 것이다.
도 3은 본 개시내용에 따른 가스 감지 디바이스(1)의 제2 예시적인 실시예의 개략도를 도시한다. 제2 실시예는 제1 실시예에 기초하므로, 다음에서는 차이점들만이 논의된다.
본 개시내용의 실시예들에 따르면, 제1 훈련된 모델 기반 알고리즘 프로세서(6)는 제1 인공 신경망으로서 구현된다.
본 개시내용의 실시예들에 따르면, 제2 훈련된 모델 기반 알고리즘 프로세서(12)는 제2 인공 신경망으로서 구현된다.
본 개시내용의 실시예들에 따르면, 가스 감지 디바이스(1)는 감지 결과들(SR) 및/또는 습도 값(HV)을 출력하도록 구성되는 출력 유닛(16)을 포함한다.
요약으로서, 도 3은 상이한 깊이들의 2개의 신경망을 사용한 전체 모델의 배치를 예시한다.
도 4는 신호 샘플들(SIG)로부터 추출된 가장 유익한 피처 값들(FV1, FV2)의 예시적인 2차원 표현 및 습도 값들(HV)에 대한 가장 유익한 피처 값들(FV1, FV2)의 할당을 도시한다.
특히, 도 4는 파라메트릭 분류기가 센서 원시 데이터로부터 획득된 두 가지 피처에서 다양한 습도 값들을 쉽게 분리하고 클러스터링할 수 있는 방법을 도시한다.
파라메트릭 분류기와 비-파라메트릭 NN 기반 회귀 간의 선택은 사용자에게 제공되는 추가 습도 출력에 대해 원하는 세분성 레벨에 의존한다.
도 5는 본 개시내용에 따른 습도 프로세서(6)의 성능을 시각화하는 예시적인 혼동 행렬을 도시한다.
특히, 도 5는 1개의 숨겨진 계층과 8개의 노드가 있는 얕은 신경망에 기초한 습도 분류에 대한 혼동 행렬을 도시한다. 1200개의 분류로부터, 43개만이 잘못된 것으로 입증되었다.
이 지점에서, 예측된 습도 값들은 가스 농도 프로세서(11)로 전송될 수 있으며, 가스 농도 프로세서(11)는 가스 농도들을 추정하고, 통상적으로 완전히 연결된 신경망 또는 게이트형 반복 유닛(gated recurrent unit)을 포함한다. 도 3에서, 예측된 습도 값들(HV)은 신경망(12)에 추가 피처로서 제공되고, 이에 따라 습도 센서를 대체하고, 원하는 경우, 그래픽 사용자 인터페이스(16)에 별도로 표시될 수도 있음을 알 수 있다.
도 6은 본 개시내용에 따른 예시적인 그래핀 멀티-가스 센서 어레이(2)를 도시한다. 어레이의 각각의 센서(2.1, 2.2, 2.3 및 2.4)는 열원(3.1, 3.2, 3.3, 3.4)을 가지며, 열원(3.1, 3.2, 3.3, 3.4)의 온도는 제1 온도(T1, 복구 페이즈)와 제2 온도(T2, 감지 페이즈) 사이에서 펄스된다. 이러한 제어된 온도 진동들의 결과는 가스 감지 디바이스(1)에 의해 활용되는 도 7에 도시된 바와 같은 신호 샘플들(SIG1, SIG2, SIG3, SIG4)보다 더 동적인 거동이다.
온도 펄싱 메커니즘의 여러 구현들이 가능하다. 예를 들어, 온도 변조는 기본 재료의 상이한 기능화들을 더 잘 활용하고 가스 분리성을 개선하기 위해 모든 센서들(2.1, 2.2, 2.3 및 2.4)에 대해 동일할 수도 있고 상이할 수도 있다. 유사하게, 다수의 히터 제어들이 (각각의 센서(2.1, 2.2, 2.3 및 2.4)에 대해 하나씩) 사용될 수도 있고, 또는 대안적으로, 센서 특정 온도 값들을 획득하기 위해 상이한 인가 전압들로 시분할 멀티플렉싱하여 단일 히터 제어가 사용될 수도 있다.
센서들(2.1, 2.2, 2.3 및 2.4)은 멀티-가스 센서 어레이를 형성하며, 그래핀으로 구성되는 기본 재료는 유사하지 않은 선택성을 위해 상이한 화학 물질들(예를 들어, Pd, Pt 및 MnO2)로 기능화된다. 그래핀 시트들과 흡착된 가스 분석물들 사이의 상호 작용은 재료의 전자 구조에 영향을 주어, 전하 캐리어 농도들이 변경되고 전기 전도도가 변경되게 한다. 한편, 다양한 가스 분자들에 대한 상이한 감도로 인해, 센서들(2.1, 2.2, 2.3 및 2.4)의 저항들이 전혀 다른 패턴들로 변경되므로, 하나의 단일 센서 어레이로 복잡한 가스 혼합물들을 분석할 수 있다.
도 7은 화학-저항성 가스 센서들(2.1, 2.2, 2.3, 2.4)에 대한 예시적인 정규화된 신호 샘플들(SIG1, SIG2, SIG3 SIG4) 및 시간에 따른 온도 프로파일들(FTP, STP)을 예시한다. 도 7의 특정 예에서는, 두 가지 온도 프로파일(FTP, STP)이 선택되며, 제1 온도 프로파일(FTP)은 센서 저항들을 감지하고 복구 페이즈(RP)에서 300℃의 일정한 온도에서 센서 표면을 복구하고 흡착된 가스 분자들을 탈착하기 위한 것이고, 제2 온도 프로파일(STP)은 감지 페이즈(SP) 동안 200℃의 일정한 온도에서 센서 저항들을 감지하기 위한 것이다. 따라서, 절대 또는 상대 센서 저항 변화들과 같은 정적 피처들뿐만 아니라, 예를 들어, 시간에 따른 가스 흡착을 반영하는 200℃에서의 감지 페이즈(SP)의 기울기와 같은 동적 피처들도 모니터링될 수 있다. 특정 온도 또는 온도 램프(temperature ramp)에서 가스 흡착/반응과 같이 신호 샘플들(SIG1, SIG2, SIG3 및 SIG4)에 추가 정보 또는 피처들을 제공하는 한, 추가 온도 단계들 및 펄스 모드들도 가능하다.
도 8은 종래 기술에 따른 고유한 습도 센서를 갖는 화학-저항성 가스 감지 디바이스를 사용하여 NOX를 감지하는 것에 대한 예시적인 결과들을 도시한다.
도 9는 종래 기술에 따른 습도 보상 없이 화학-저항성 가스 감지 디바이스를 사용하여 NOX를 감지하는 것에 대한 예시적인 결과들을 도시한다.
도 10은 본 개시내용에 따른 습도 프로세서(6)를 갖는 화학-저항성 가스 감지 디바이스(1)를 사용하여 NOX를 감지하는 것에 대한 예시적인 결과들을 도시한다.
도 8 내지 도 10에는, 상이한 습도 값들에 대해 실험실에서 수집된 데이터 중 일부에 대해 제안된 방식을 채택하여 획득된 예비 결과들이 도시되어 있다. 여기서, 관심 타겟 가스는 실외 대기질 모니터링 응용 분야들을 위한 NO2이다. 구체적으로, 습도를 완벽하게 아는 이상적인 경우(도 8)가 가스 추정 모델을 준비하기 위해 고정된 습도 값이 사용되는 경우(도 9), 및 습도가 추정되어 가스 예측 모델로 전달되는 본 개시내용에 제안된 솔루션(도 10)과 비교된다. 도 8의 습도 지식은 기준 습도 센서에 의해 또는 설정된 습도 조건을 아는 것에 의해 획득될 수 있다. 도 9에서, 고정된 습도 값은 단일 습도 값(예를 들어, Rh 45%, Rt 25C)에서 센서를 훈련/캘리브레이트하고, 생성된 모델을 모든 상대 습도 조건들에 대해 사용하는 것을 의미한다.
도 11은 본 개시내용에 따른 가스 감지 디바이스(1)의 제3 예시적인 실시예의 개략도를 도시한다.
본 개시내용의 실시예들에 따르면, 가스 감지 디바이스(1)는 피처 값들(FV)의 제3 그룹을 수신하고 가스들의 혼합물의 온도 값(TV)을 추정하도록 구성되는 온도 프로세서(17)를 포함하고, 온도 프로세서(17)는 제3 훈련된 모델 기반 알고리즘 프로세서(18) 및 제3 훈련된 모델 기반 알고리즘 프로세서(18)에 대한 제3 훈련된 모델(19)을 포함하고, 피처 값들(FV)의 제3 그룹은 제3 훈련된 모델 기반 알고리즘 프로세서(18)의 입력들(20)에 공급되고, 온도 값(TV)은 제3 머신 학습 알고리즘 프로세서(18)의 출력(21)에 기초하고,
가스 농도 프로세서(11)는 온도 값(TV)을 수신하도록 구성되고, 감지 결과들(SR)은 온도 값(TV)에 기초한다.
본 개시내용의 실시예들에 따르면, 제3 훈련된 모델 기반 알고리즘 프로세서(18)는 제3 인공 신경망으로서 구현된다.
본 개시내용의 실시예들에 따르면, 온도 값(TV)은 감지 결과들(SR)이 온도 값(TV)에 의존하도록 하기 위해 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력들(14) 중 하나에 공급된다.
본 개시내용의 실시예들에 따르면, 가스 감지 디바이스(1)는 온도 값(TV)을 출력하도록 구성되는 출력 유닛(16)을 포함한다.
도 12는 본 개시내용에 따른 가스 감지 디바이스(1)의 제4 예시적인 실시예의 개략도를 도시한다.
본 개시내용의 실시예들에 따르면, 가스 농도 프로세서(11)는 제2 머신 학습 알고리즘 프로세서(12)의 출력 값들(OV)을 보정하기 위한 보정 프로세서(22)를 포함하고, 습도 값(HV)은 보정 프로세서(22)에 공급되고, 보정 프로세서(22)는 감지 결과들(SR)이 습도 값(HV)에 의존하도록 하기 위해 습도 값(HV)에 따라 제2 머신 학습 알고리즘 프로세서(12)의 출력 값들(OV)을 보정하도록 구성된다.
본 개시내용의 실시예들에 따르면, 가스 농도 프로세서(11)는 제2 머신 학습 알고리즘 프로세서(12)의 출력 값들(OV)을 보정하기 위한 보정 프로세서(22)를 포함하고, 온도 값(TV)은 보정 프로세서(22)에 공급되고, 보정 프로세서(22)는 감지 결과들(SR)이 온도 값(TV)에 의존하도록 하기 위해 온도 값(TV)에 따라 제2 머신 학습 알고리즘 프로세서(12)의 출력 값들(OV)을 보정하도록 구성된다.
본 개시내용의 실시예들에 따르면, 보정 프로세서(22)는 제2 머신 학습 알고리즘 프로세서(12)의 출력 값들(OV)을 보정하기 위한 하나 이상의 룩업 테이블을 포함한다.
본 발명이 예시적인 실시예들을 참조하여 설명되었지만, 이 설명은 제한적인 의미로 해석되는 것으로 의도되지 않는다. 설명을 참조하면, 예시적인 실시예들의 다양한 수정들 및 조합들뿐만 아니라 본 발명의 다른 실시예들도 본 기술분야의 통상의 기술자에게 명백할 것이다. 따라서, 첨부된 청구 범위는 임의의 그러한 수정들 또는 실시예들을 포함하도록 의도된다.
참조 문헌들:
[1] US 2015/0308996 A1.
[2] US 20190145929 A1.
[3] R
Figure pat00033
ffer, D., Hoehne, F., & B
Figure pat00034
hler, J. (2018). New digital metal-oxide (MOx) sensor platform. Sensors, 18(4), 1052.
[4] Ionescu, R., Llobet, E., Brezmes, J., Vilanova, X., & Correig, X. (2003). Dealing with humidity in the qualitative analysis of CO and NO2 using a WO3 sensor and dynamic signal processing. Sensors and Actuators B: Chemical, 95(1-3), 177-182.

Claims (20)

  1. 가스들의 혼합물에서 하나 이상의 가스를 감지하기 위한 가스 감지 디바이스(1)로서,
    하나 이상의 화학-저항성 가스 센서(chemo-resistive gas sensor)(2) - 상기 가스 센서들(2) 각각은 상기 가스들의 혼합물에서 하나 이상의 가스 중 하나의 가스의 농도에 대응하는 신호 샘플들(signal samples)(SIG)을 생성하도록 구성되고, 상기 하나 이상의 가스 센서(2)는 복구 페이즈들(recovery phases)(RP) 및 감지 페이즈들(sense phases)(SP)에서 교대로 작동되고, 상기 가스 센서들(2) 각각의 신호 샘플들(SIG) 중 적어도 일부는 상기 복구 페이즈들(RP) 중 하나 및 상기 감지 페이즈들(SP) 중 하나를 나타냄 -;
    상기 복구 페이즈들(RP) 동안 하나 이상의 제1 온도 프로파일(first temperature profile)(FTP)에 따라 그리고 상기 감지 페이즈들(SP) 동안 하나 이상의 제2 온도 프로파일(second temperature profile)(STP)에 따라 상기 가스 센서들(2)을 가열하기 위한 하나 이상의 열원(3) - 상기 가스 센서들(2) 각각에 대해, 각각의 제1 온도 프로파일(FTP)의 최대 온도는 각각의 제2 온도 프로파일(STP)의 최대 온도보다 높음 -;
    상기 가스 센서들(2) 각각에 대해 전처리된 신호 샘플들(preprocessed signal samples)(PSS)을 생성하기 위해 상기 가스 센서들(2) 각각으로부터 상기 신호 샘플들(SIG)을 수신하고 상기 수신된 신호 샘플들(SIG)을 전처리하도록 구성되는 전처리 프로세서(4);
    상기 전처리된 신호 샘플들(PSS)을 수신하고, 각각의 가스 센서(2)의 수신된 전처리된 신호 샘플들(PSS)의 특성들에 기초하여 상기 가스 센서들(2) 각각의 수신된 전처리된 신호 샘플들(PSS)로부터 하나 이상의 피처 값(feature value)(FV)을 추출하도록 구성되는 피처 추출 프로세서(feature extraction processor)(5);
    상기 피처 값들(FV)의 제1 그룹을 수신하고, 상기 가스들의 혼합물의 습도 값(humidity value)(HV)을 추정하도록 구성되는 습도 프로세서(6) - 상기 습도 프로세서(6)는 제1 훈련된 모델 기반 알고리즘 프로세서(7) 및 상기 제1 훈련된 모델 기반 알고리즘 프로세서(7)에 대한 제1 훈련된 모델(8)을 포함하고, 상기 피처 값들(FV)의 제1 그룹은 상기 제1 훈련된 모델 기반 알고리즘 프로세서(8)의 입력들(9)에 공급되고, 상기 습도 값(HV)은 상기 제1 머신 학습 알고리즘 프로세서(7)의 출력(10)에 기초함 -;
    상기 피처 값들(FV)의 제2 그룹 및 상기 습도 값(HV)을 수신하고, 상기 가스 센서들(2) 각각에 대해 감지 결과들(sensing results)(SR)을 생성하도록 구성되는 가스 농도 프로세서(11) - 상기 가스 농도 프로세서(11)는 제2 훈련된 모델 기반 알고리즘 프로세서(12) 및 상기 제2 훈련된 모델 기반 알고리즘 프로세서(12)에 대한 제2 훈련된 모델(13)을 포함하고, 상기 피처 값들(FV)의 제2 그룹은 상기 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력들(14)에 공급되고, 상기 감지 결과들(SR)은 상기 제2 머신 학습 알고리즘 프로세서(12)의 하나 이상의 출력(15)에서의 출력 값들(OV)에 기초하고, 상기 감지 결과들(SR)은 상기 습도 값(HV)에 의존함 -
    를 포함하는 가스 감지 디바이스.
  2. 제1항에 있어서, 상기 전처리 프로세서(4)는 상기 가스 센서들(2)로부터 수신된 신호 샘플들(SIG)에 대한 기준선 캘리브레이션 알고리즘을 실행하도록 구성되는 가스 감지 디바이스.
  3. 제1항 또는 제2항에 있어서, 상기 전처리 프로세서(4)는 상기 가스 센서들(2)로부터 수신된 신호 샘플들(SIG)에 대한 필터링 알고리즘을 실행하도록 구성되는 가스 감지 디바이스.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 전처리 프로세서(4)는 상기 가스 센서들(2)로부터 수신된 신호 샘플들(SIG)에 대한 감지 페이즈 추출 알고리즘을 실행하도록 구성되는 가스 감지 디바이스.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 피처 추출 프로세서(5)는 상기 수신된 전처리된 신호 샘플들(PSS)로부터 상기 가스 센서들(2) 각각에 대한 피처 값들(FV) 중 하나로서 정규화된 센서 감도를 추출하도록 구성되는 가스 감지 디바이스.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 피처 추출 프로세서(5)는 상기 수신된 전처리된 신호 샘플들(PSS)로부터 상기 가스 센서들(2) 각각에 대한 피처 값들(FV) 중 하나로서 상기 전처리된 신호 샘플들(PSS) 중 하나의 것의 기울기를 추출하도록 구성되는 가스 감지 디바이스.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 피처 추출 프로세서(5)는 상기 가스 센서들(2)로부터 수신된 전처리된 신호 샘플들(PSS)로부터 상기 가스 센서들(2) 각각에 대한 피처 값들(FV) 중 하나로서 상기 전처리된 신호 샘플들(PSS) 중 하나의 것의 감지 페이즈(SP) 동안 상기 전처리된 신호 샘플들(PSS) 중 하나의 것의 평균 값과 상기 전처리된 신호 샘플들(PSS) 중 하나의 것의 복구 페이즈 동안 상기 전처리된 신호 샘플들(PSS) 중 하나의 것의 평균 값 사이의 비율을 추출하도록 구성되는 가스 감지 디바이스.
  8. 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 피처 추출 프로세서(5)는 상기 가스 센서들(2)로부터 수신된 전처리된 신호 샘플들(PSS)로부터 상기 가스 센서들(2) 각각에 대한 피처 값들(FV) 중 하나로서 상기 전처리된 신호 샘플들(PSS) 중 하나의 것의 감지 페이즈 동안 상기 전처리된 신호 샘플들(PSS) 중 하나의 것의 평균 값과 상기 전처리된 신호 샘플들(PSS) 중 하나의 것의 복구 페이즈 동안 상기 전처리된 신호 샘플들(PSS) 중 하나의 것의 평균 값 사이의 차이를 추출하도록 구성되는 가스 감지 디바이스.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 제1 훈련된 모델 기반 알고리즘 프로세서(6)는 제1 인공 신경망으로서 구현되는 가스 감지 디바이스.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 제2 훈련된 모델 기반 알고리즘 프로세서(12)는 제2 인공 신경망으로서 구현되는 가스 감지 디바이스.
  11. 제1항 내지 제10항 중 어느 한 항에 있어서, 상기 습도 값(HV)은 상기 감지 결과들(SR)이 상기 습도 값(HV)에 의존하도록 하기 위해 상기 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력들(14) 중 하나에 공급되는 가스 감지 디바이스.
  12. 제1항 내지 제11항 중 어느 한 항에 있어서, 상기 가스 감지 디바이스(1)는 상기 피처 값들(FV)의 제3 그룹을 수신하고 상기 가스들의 혼합물의 온도 값(TV)을 추정하도록 구성되는 온도 프로세서(17)를 포함하고, 상기 온도 프로세서(17)는 제3 훈련된 모델 기반 알고리즘 프로세서(18) 및 상기 제3 훈련된 모델 기반 알고리즘 프로세서(18)에 대한 제3 훈련된 모델(19)을 포함하고, 상기 피처 값들(FV)의 제3 그룹은 상기 제3 훈련된 모델 기반 알고리즘 프로세서(18)의 입력들(20)에 공급되고, 상기 온도 값(TV)은 상기 제3 머신 학습 알고리즘 프로세서(18)의 출력(21)에 기초하고,
    상기 가스 농도 프로세서(11)는 상기 온도 값(TV)을 수신하도록 구성되고, 상기 감지 결과들(SR)은 상기 온도 값(TV)에 기초하는 가스 감지 디바이스.
  13. 제12항에 있어서, 상기 제3 훈련된 모델 기반 알고리즘 프로세서(18)는 제3 인공 신경망으로서 구현되는 가스 감지 디바이스.
  14. 제12항 또는 제13항에 있어서, 상기 온도 값(TV)은 상기 감지 결과들(SR)이 상기 온도 값(TV)에 의존하도록 하기 위해 상기 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력들(14) 중 하나에 공급되는 가스 감지 디바이스.
  15. 제1항 내지 제14항 중 어느 한 항에 있어서, 상기 가스 농도 프로세서(11)는 상기 제2 머신 학습 알고리즘 프로세서(12)의 출력 값들(OV)을 보정하기 위한 보정 프로세서(22)를 포함하고, 상기 습도 값(HV)은 상기 보정 프로세서(22)에 공급되고, 상기 보정 프로세서(22)는 상기 감지 결과들(SR)이 상기 습도 값(HV)에 의존하도록 하기 위해 상기 습도 값(HV)에 따라 상기 제2 머신 학습 알고리즘 프로세서(12)의 출력 값들(OV)을 보정하도록 구성되는 가스 감지 디바이스.
  16. 제12항 내지 제14항 중 어느 한 항에 있어서, 상기 가스 농도 프로세서(11)는 상기 제2 머신 학습 알고리즘 프로세서(12)의 출력 값들(OV)을 보정하기 위한 보정 프로세서(22)를 포함하고, 상기 온도 값(TV)은 상기 보정 프로세서(22)에 공급되고, 상기 보정 프로세서(22)는 상기 감지 결과들(SR)이 상기 온도 값(TV)에 의존하도록 하기 위해 상기 온도 값(TV)에 따라 상기 제2 머신 학습 알고리즘 프로세서(12)의 출력 값들(OV)을 보정하도록 구성되는 가스 감지 디바이스.
  17. 제15항 또는 제16항에 있어서, 상기 보정 프로세서(22)는 상기 제2 머신 학습 알고리즘 프로세서(12)의 출력 값들(OV)을 보정하기 위한 하나 이상의 룩업 테이블을 포함하는 가스 감지 디바이스.
  18. 제1항 내지 제17항 중 어느 한 항에 있어서, 상기 가스 감지 디바이스(1)는 상기 감지 결과들(SR) 및/또는 상기 습도 값(HV)을 출력하도록 구성되는 출력 유닛(16)을 포함하는 가스 감지 디바이스.
  19. 제12항에 있어서, 상기 가스 감지 디바이스(1)는 상기 온도 값(TV)을 출력하도록 구성되는 출력 유닛(16)을 포함하는 가스 감지 디바이스.
  20. 가스들의 혼합물에서 하나 이상의 가스를 감지하기 위한 가스 감지 디바이스(1)를 작동시키기 위한 방법으로서,
    상기 가스 감지 디바이스(1)는 하나 이상의 화학-저항성 가스 센서(2)를 포함하고,
    상기 방법은,
    상기 가스들의 혼합물에서 하나 이상의 가스 중 하나의 가스의 농도에 대응하는 신호 샘플들(SIG)을 생성하기 위하여 상기 가스 센서들(2) 각각을 사용하는 단계 - 상기 하나 이상의 가스 센서(2)는 복구 페이즈들(RP) 및 감지 페이즈들(SP)에서 교대로 작동되고, 상기 가스 센서들(2) 각각의 신호 샘플들(SIG) 중 적어도 일부는 상기 복구 페이즈들(RP) 중 하나 및 상기 감지 페이즈들(SP) 중 하나를 나타냄 -;
    상기 복구 페이즈들(RP) 동안 하나 이상의 제1 온도 프로파일(FTP)에 따라 그리고 상기 감지 페이즈들(SP) 동안 하나 이상의 제2 온도 프로파일(STP)에 따라 상기 가스 센서들(2)을 가열하기 위하여 하나 이상의 열원(3)을 사용하는 단계 - 상기 가스 센서들(2) 각각에 대해, 각각의 제1 온도 프로파일(FTP)의 최대 온도는 각각의 제2 온도 프로파일(STP)의 최대 온도보다 높음 -;
    상기 가스 센서들(2) 각각에 대해 전처리된 신호 샘플들(PSS)을 생성하기 위해 상기 가스 센서들(2) 각각으로부터 상기 신호 샘플들(SIG)을 수신하고 상기 수신된 신호 샘플들(SIG)을 전처리하기 위하여 전처리 프로세서(4)를 사용하는 단계;
    상기 전처리된 신호 샘플들(PSS)을 수신하고, 각각의 가스 센서(2)의 수신된 전처리된 신호 샘플들(PSS)의 특성들에 기초하여 상기 가스 센서들(2) 각각의 수신된 전처리된 신호 샘플들(PSS)로부터 하나 이상의 피처 값(FV)을 추출하기 위하여 피처 추출 프로세서(5)를 사용하는 단계;
    상기 피처 값들(FV)의 제1 그룹을 수신하고, 상기 가스들의 혼합물의 습도 값(HV)을 추정하기 위하여 습도 프로세서(6)를 사용하는 단계 - 상기 습도 프로세서(6)는 제1 훈련된 모델 기반 알고리즘 프로세서(7) 및 상기 제1 훈련된 모델 기반 알고리즘 프로세서(7)에 대한 제1 훈련된 모델(8)을 포함하고, 상기 피처 값들(FV)의 제1 그룹은 상기 제1 훈련된 모델 기반 알고리즘 프로세서(7)의 입력들(9)에 공급되고, 상기 습도 값(HV)은 상기 제1 머신 학습 알고리즘 프로세서(7)의 출력(10)에 기초함 -;
    상기 피처 값들(FV)의 제2 그룹 및 상기 습도 값(HV)을 수신하고, 상기 가스 센서들(2) 각각에 대해 감지 결과들(SR)을 생성하기 위하여 가스 농도 프로세서(11)를 사용하는 단계 - 상기 가스 농도 프로세서(11)는 제2 훈련된 모델 기반 알고리즘 프로세서(12) 및 상기 제2 훈련된 모델 기반 알고리즘 프로세서(12)에 대한 제2 훈련된 모델(13)을 포함하고, 상기 피처 값들(FV)의 제2 그룹은 상기 제2 훈련된 모델 기반 알고리즘 프로세서(12)의 입력들(14)에 공급되고, 상기 감지 결과들(SR)은 상기 제2 머신 학습 알고리즘 프로세서(12)의 하나 이상의 출력(15)에서의 출력 값들(OV)에 기초하고, 상기 감지 결과들(SR)은 상기 습도 값(HV)에 의존함 -
    를 포함하는 방법.
KR1020210030781A 2020-03-11 2021-03-09 가스 감지 디바이스 및 가스 감지 디바이스를 작동시키기 위한 방법 KR20210116278A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20162333.7A EP3879266A1 (en) 2020-03-11 2020-03-11 Gas sensing device and method for operating a gas sensing device
EP20162333.7 2020-03-11

Publications (1)

Publication Number Publication Date
KR20210116278A true KR20210116278A (ko) 2021-09-27

Family

ID=69804613

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210030781A KR20210116278A (ko) 2020-03-11 2021-03-09 가스 감지 디바이스 및 가스 감지 디바이스를 작동시키기 위한 방법

Country Status (4)

Country Link
US (1) US11536678B2 (ko)
EP (1) EP3879266A1 (ko)
KR (1) KR20210116278A (ko)
CN (1) CN113390928A (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220415138A1 (en) * 2021-06-23 2022-12-29 Bank Of America Corporation Artificial Intelligence (AI)-Based Security Systems for Monitoring and Securing Physical Locations
US11735017B2 (en) 2021-06-23 2023-08-22 Bank Of America Corporation Artificial intelligence (AI)-based security systems for monitoring and securing physical locations
US11954990B2 (en) 2021-06-23 2024-04-09 Bank Of America Corporation Artificial intelligence (AI)-based security systems for monitoring and securing physical locations
US11867677B1 (en) * 2022-11-18 2024-01-09 Honeywell Federal Manufacturing & Technologies, Llc Sensor discriminators and methods for detecting electrical property changes in a metal organic framework
CN115860056B (zh) * 2023-02-17 2023-05-26 电子科技大学 一种用于混合气体浓度预测的传感器阵列神经网络方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU781321B2 (en) * 1999-11-15 2005-05-19 Cyrano Sciences, Inc. Referencing and rapid sampling in artificial olfactometry
US10663420B2 (en) * 2012-01-03 2020-05-26 Technion R&D Foundation Ltd. Morphology engineering of conductive metallic nanoparticles capped with an organic coating
KR102253148B1 (ko) 2014-04-28 2021-05-18 삼성전자주식회사 냄새를 측정하는 후각 감지 장치 및 방법
US11035825B2 (en) 2017-11-15 2021-06-15 Infineon Technologies Ag Sensing systems and methods for the estimation of analyte concentration
CN109556731A (zh) * 2018-12-13 2019-04-02 北京航空航天大学 一种基于神经网络和激光吸收光谱的路径温度直方图测量系统与方法
EP3699582A1 (en) * 2019-02-25 2020-08-26 Infineon Technologies AG Gas sensing device and method for operating a gas sensing device
CN110426425A (zh) * 2019-08-06 2019-11-08 仕达科技(广州)有限公司 水分检测方法、装置、电子设备及计算机可读介质

Also Published As

Publication number Publication date
EP3879266A1 (en) 2021-09-15
US11536678B2 (en) 2022-12-27
CN113390928A (zh) 2021-09-14
US20210285907A1 (en) 2021-09-16

Similar Documents

Publication Publication Date Title
KR20210116278A (ko) 가스 감지 디바이스 및 가스 감지 디바이스를 작동시키기 위한 방법
Esposito et al. Dynamic neural network architectures for on field stochastic calibration of indicative low cost air quality sensing systems
Marco et al. Signal and data processing for machine olfaction and chemical sensing: A review
Vlasov et al. Nonspecific sensor arrays (" electronic tongue") for chemical analysis of liquids (IUPAC Technical Report)
US11428658B2 (en) Gas sensing device and method for operating a gas sensing device
Barriault et al. Classification and regression of binary hydrocarbon mixtures using single metal oxide semiconductor sensor with application to natural gas detection
US11635416B2 (en) Gas sensing device and method for operating a gas sensing device
Reimann et al. Sensor arrays, virtual multisensors, data fusion, and gas sensor data evaluation
Wide et al. The human-based multisensor fusion method for artificial nose and tongue sensor data
Schleif et al. Odor recognition in robotics applications by discriminative time-series modeling
CN116720078A (zh) 一种智能传感器的连续采集和数据模型构建系统及方法
CN114049525A (zh) 气体种类和浓度识别的融合神经网络系统、装置与方法
WO2020255305A1 (ja) 予測モデル再学習装置、予測モデル再学習方法及びプログラム記録媒体
Fuchs et al. Evaluation of unpleasant odor with a portable electronic nose
US11971397B2 (en) Gas sensing device for sensing one or more gases in a mixture of gases
US20230110328A1 (en) Method for flexible and scalable gas identification and quantification in a multi-gas platform
Schober et al. Gas Discrimination Analysis of Neural Network Algorithms for a Graphene-Based Electronic Nose
EP4080202A1 (en) Gas sensing device and method for determining a calibrated measurement value of a concentration of a target gas
Barriault et al. Quantitative Natural Gas Discrimination For Pipeline Leak Detection Through Time-Series Analysis of an MOS Sensor Response
Fonollosa et al. Sensor failure mitigation based on multiple kernels
Gardner et al. Guest Editorial-Special issue on machine olfaction
EP4246137A1 (en) Gas sensing device for sensing one or more gases in a mixture of gases
Pareek et al. Smart Gas Sensing using Single MOS Gas Sensor with Adaptive Gradient Boosting
Kriz et al. Unveiling the Smell Inspector and Machine Learning Methods for Smell Recognition
Ivanov et al. Instrumental means for the control and analysis of gas mixtures based on the use of artificial neural networks