KR20220130850A - 가스센서를 이용한 실시간 가스 종류 판별장치 및 방법 - Google Patents

가스센서를 이용한 실시간 가스 종류 판별장치 및 방법 Download PDF

Info

Publication number
KR20220130850A
KR20220130850A KR1020210035601A KR20210035601A KR20220130850A KR 20220130850 A KR20220130850 A KR 20220130850A KR 1020210035601 A KR1020210035601 A KR 1020210035601A KR 20210035601 A KR20210035601 A KR 20210035601A KR 20220130850 A KR20220130850 A KR 20220130850A
Authority
KR
South Korea
Prior art keywords
gas
data
gas sensor
time
real
Prior art date
Application number
KR1020210035601A
Other languages
English (en)
Other versions
KR102510314B1 (ko
Inventor
박인규
강민구
윤국진
조인철
정재석
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020210035601A priority Critical patent/KR102510314B1/ko
Publication of KR20220130850A publication Critical patent/KR20220130850A/ko
Application granted granted Critical
Publication of KR102510314B1 publication Critical patent/KR102510314B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

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

Abstract

본 발명은 가스센서를 이용하여 실시간으로 가스의 종류를 판별하는 장치 및 방법에 관한 것으로써, 가스 센서의 감지 데이터에서 과도구간 및 안정구간 데이터를 활용하여 실시간으로 가스의 종류를 판별할 수 있는 효과가 있다.

Description

가스센서를 이용한 실시간 가스 종류 판별장치 및 방법{Real-time gas type identification device using gas sensor and method thereof}
본 발명은 가스센서를 이용하여 실시간으로 가스의 종류를 판별하는 장치 및 방법에 관한 것이다.
오늘날 대기 오염이 심각해짐에 따라 인체와 생태계가 받는 피해가 나날이 커지고 있다. 이에 따라 대기 환경을 모니터링하기 위한 노력을 지속하고 있으며, 특히 사물인터넷을 기반으로 한 모바일 환경 모니터링 장치가 다양하게 개발되고 있다.
배터리 혹은 태양전지로 구동되는 모바일 기기의 특성상 가스 센서는 소모전력이 작아야 하며, 크기가 작고, 노이즈 대비 감도가 높아야 하며, 저렴한 가격으로 대량 생산이 가능해야 한다.
가스를 검출하는 다양한 기기(가스 크로마토그래피, 전기화학식 가스 센서, 광학식 가스 센서)와 비교하여 금속산화물을 이용한 반도체식 가스 센서는 앞서 언급한 요건에 잘 부합하기 때문에 모바일 기기용 가스 센서로 주목받고 있다.
반도체식 가스 센서는 타겟 가스에 노출됨에 따라 금속산화물 감지 소재의 전기 저항 변화 특성을 이용하며, 이때 높은 감도와 빠른 응답(화학반응의 활성)을 위하여 감지 물질을 고온으로 가열하는 등 에너지를 지속해서 공급해준다.
이때 금속산화물 반도체 가스 센서는 선택성 난제라고 하는 한계점을 가지고 있는데, 도 1을 참조하면, 금속산화물 반도체 가스 센서 대부분의 반응성 가스에 응답을 보이기 때문에 단일 센서 신호만으로는 그 신호가 어떤 가스에 의한 것인지 구별할 수 없다.
이를 해결하기 위해 종래에 가장 널리 활용된 방법은 가스별로 응답도가 조금씩 다른 다종의 센서 어레이를 동시에 측정(2종 이상)하여 기계학습 기반의 신호처리를 통해 가스 종을 구별하는 것이다.
그러나 반도체식 가스 센서는 가스와 완전히 반응하는 데 시간이 필요하므로 과도구간(transient region)의 센서 감지 데이터를 사용하기 어려워 실시간으로 선택적인 가스 감지를 구현하기 어렵다는 한계가 존재했다.
따라서, 과도구간의 센서 데이터를 기계학습에 적용하여 실시간으로 선택적인 가스 감지를 구현할 수 있는 기술 개발이 필요한 실정이다.
등록특허 제10-1852074호(2018.04.25.)
본 발명의 목적은 가스센서를 이용한 실시간 가스 종류 판별장치 및 방법을 제공하는 데 있다.
본 발명에 따르면, 측정 대상 가스 별로 응답도가 다른 가스센서 어레이로 구성하고, 가스센서가 가스와 완전히 반응하기 전의 데이터와 가스센서가 완전히 회복하기 전의 데이터인 과도구간 데이터, 및 가스센서가 가스와 완전히 반응한 상태와 완전히 회복한 상태인 안정구간 데이터를 포함한　감지 데이터를 측정하는　센서부; 상기 감지 데이터를 학습 데이터로 이용하여 기계학습 모델을 학습시키고, 상기 기계학습 모델을 이용하여 가스의 종류를 실시간으로 식별하는　진단부; 및 상기　진단부에서 식별된 가스의 종류를 안내하는　표시부; 를 포함하는　가스센서를 이용한 실시간 가스 종류 판별장치가 제공될 수 있다.
또한, 상기 과도구간 데이터는, 반응속도 데이터, 회복속도 데이터, 및 그래디언트(gradient) 데이터를 포함하는 가스센서를 이용한 실시간 가스 종류 판별장치가 제공될 수 있다.
또한, 상기　진단부는, 상기 감지 데이터에 타임윈도우(time window)를 적용하여 상기 학습 데이터로 이용하는　가스센서를 이용한 실시간 가스 종류 판별장치가 제공될 수 있다.
또한, 상기 타임윈도우(time window)는 상기 과도구간 데이터 및 안정구간 데이터에 적용되어,　상기 타임윈도우의 움직임에 따른 상기 타임윈도우 내에서 단위시간 동안　가스센서가 가스와 완전히 반응하기 전, 가스센서가 회복하기 전, 및 가스센서가 가스와 완전히 반응하고 회복한 상태에서의　가스에 대한 상기 가스센서 어레이의 반응 패턴을 상기 학습 데이터로 이용하는　가스센서를 이용한 실시간 가스 종류 판별장치가 제공될 수 있다.
또한, 상기 타임윈도우의 길이는 가스의 종류에 대응하여 다양하게 설정하는　가스센서를 이용한 실시간 가스 종류 판별장치가 제공될 수 있다.
본 발명에 따르면, (a) 가스센서 어레이에서　가스센서가 가스와 완전히 반응하기 전의 데이터와 가스센서가 완전히 회복하기 전의 데이터인　과도구간 데이터 및 가스센서가 가스와 완전히 반응하고 회복한 상태인 안정구간 데이터가 포함된　감지 데이터를　측정하는 단계; (b)　상기 감지 데이터를 학습 데이터로 이용하여 기계학습 모델을 학습시키는 단계; 및 (c)　상기 기계학습 모델을 이용하여 가스의 종류를 실시간으로 식별하는 단계; 를 포함하는　가스센서를 이용한 실시간 가스 종류 판별방법이 제공될 수 있다.
또한, 상기 (b) 단계는, 상기 감지 데이터에 타임윈도우(time window)를 적용하여 상기 학습 데이터로 이용하는 단계를 포함하는　가스센서를 이용한 실시간 가스 종류 판별방법이 제공될 수 있다.
또한, 상기 (b) 단계에서, 상기 타임윈도우(time window)는 상기 과도구간 데이터 및 안정구간 데이터에 적용되어,　상기 타임윈도우의 움직임에 따른 상기 타임윈도우 내에서 단위시간 동안　가스센서가 가스와 완전히 반응하기 전, 가스센서가 회복하기 전, 및 가스센서가 가스와 완전히 반응하고 회복한 상태에서의　가스에 대한 상기 가스센서 어레이의 반응 패턴을 상기 학습 데이터로 이용하는 가스센서를 이용한 실시간 가스 종류 판별방법이 제공될 수 있다.
또한, 상기 (a) 단계에서, 상기 과도구간 데이터는 반응속도 데이터, 회복속도 데이터, 및 그래디언트(gradient) 데이터를 포함하는　가스센서를 이용한 실시간 가스 종류 판별방법이 제공될 수 있다.
본 발명의 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치 및 방법은 가스 센서의 감지 데이터에서 과도구간 및 안정구간 데이터를 활용하여 실시간으로 가스의 종류를 판별할 수 있는 효과가 있다.
또한, 각 가스의 농도도 실시간으로 예측할 수 있으며, 복수 가스를 동시에 측정하더라도 각 가스의 종류를 식별할 수 있는 효과가 있다.
도 1은 금속산화물 반도체 가스센서의 가스에 대한 반응 특성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 가스 주입에 따른 반도체식 가스센서의 동적 반응을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 감지 데이터에서 타임윈도우를 적용한 과도구간 데이터를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 가스별 센서 감지 반응이 다른 가스센서 어레이에서 가스별 가스센서의 반응도를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 진단부의 기계학습 모델에 심층신경망을 적용한 것을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 가스 종류의 식별 정확도를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 가스 종별로 농도를 예측한 도면이다.
도 8은 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별방법에 대한 블록도이다.
본 발명을 충분히 이해하기 위해서 본 발명의 바람직한 실시예를 첨부되는 도면을 참조하여 설명한다. 본 발명의 실시예는 여러 가지 형태로 변형할 수 있으며, 본 발명의 범위가 아래에서 상세히 설명하는 실시예로 한정되는 것으로 해석되어서는 안 된다. 본 실시예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다. 따라서 도면에서의 요소의 형상 등은 보다 명확한 설명을 강조하기 위해서 과장되어 표현할 수 있다. 각 도면에서 동일한 부재는 동일한 참조부호로 도시한 경우가 있음을 유의하여야 한다. 또한, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략한다.
이하에서 본 발명의 실시예를 첨부한 도면을 참고로 설명한다.
도 1은 금속산화물 반도체 가스센서의 가스에 대한 반응 특성을 나타낸 도면이다. 도 2는 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 가스 주입에 따른 반도체식 가스센서의 동적 반응을 나타낸 도면이다. 도 3은 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 감지 데이터에서 타임윈도우를 적용한 과도구간 데이터를 나타낸 도면이다. 도 4는 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 가스별 센서 감지 반응이 다른 가스센서 어레이에서 가스별 가스센서의 반응도를 나타낸 도면이다. 도 5는 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 진단부의 기계학습 모델에 심층신경망을 적용한 것을 나타낸 도면이다. 도 6은 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 가스 종류의 식별 정확도를 나타낸 도면이다. 도 7은 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치에서 가스 종별로 농도를 예측한 도면이다. 도 8은 본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별방법에 대한 블록도이다.
본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별장치는 측정 대상 가스 별로 응답도가 다른 가스센서 어레이로 구성하고, 가스센서가 가스와 완전히 반응하기 전의 데이터와 가스센서가 완전히 회복하기 전의 데이터인 과도구간 데이터, 및 가스센서가 가스와 완전히 반응한 상태와 완전히 회복한 상태인 안정구간 데이터를 포함한　감지 데이터를 측정하는　센서부(10); 상기 감지 데이터를 학습 데이터로 이용하여 기계학습 모델을 학습시키고, 상기 기계학습 모델을 이용하여 가스의 종류를 실시간으로 식별하는　진단부(20); 및 상기　진단부(20)에서 식별된 가스의 종류를 안내하는　표시부(30); 를 포함한다.
가스센서는 금속산화물을 이용한 반도체식 가스센서를 사용할 수 있다. 반도체식 가스센서는 타겟 가스에 노출됨에 따라 금속산화물 감지 소재의 전기 저항 변화 특성을 이용한다.
가스센서 어레이는 반도체식 가스센서를 타겟 가스별로 반응도가 조금씩 다른 다종을 어레이로 구성한 것이다.
센서부(10)는 가스센서 어레이로 구성하여 가스별로 감지 데이터를 측정한다.
진단부(20)는 상기 감지 데이터로 가스의 종류를 실시간으로 식별한다.
가스들은, 도 1과 같이, 반도체 가스센서와의 반응이 시간에 따라 다르며, 가스 농도에 따라서도 가스별로 가스센서의 응답도가 다르다. 그리고, 가스센서는 가스를 감지했을 때, 바로 신호를 발생시키는 것이 아니라, 가스와 완전히 반응하고 회복하는데 시간이 필요하고, 이를 과도구간(transient region)이라 하며, 가스센서가 가스와 완전히 반응한 상태 및 완전히 회복한 상태를 안정구간(steady state)이라 한다.
도 2를 참조하면, 가스의 농도를 일정하게 유지하도록 하여 주입하고 배출하더라도, 반도체식 가스센서의 반응도는 그래디언트(gradient), 즉 변화율을 가지는 과도구간을 형성하게 된다.
과도구간은 가스센서와 가스가 완전히 반응한 안정구간(steady state)을 기준으로 안정구간 전과 후에 다른 반등도를 보이며, 안정구간 전은 반응구간, 안정구간 후는 회복구간을 형성한다. 그리고, 반응구간과 회복구간은 각각 다른 그래디언트를 가지면서 변한다. 또한, 가스 및 가스센서별로 과도구간은 다르게 나타난다.
즉, 안정구간은 가스센서와 가스가 완전히 반응한 구간과 가스와의 반응이 끝나고 가스센서가 완전히 회복한 구간을 포함한다. 이 두 가지를 포함하는 안정구간은 과도구간과 다르게 변화율을 가지지 않는다.
상기　진단부(20)는, 상기 감지 데이터에 타임윈도우(time window)를 적용하여 상기 학습 데이터로 이용한다.
진단부(20)는 감지 데이터에 타임윈도우를 적용함으로써, 가스센서와 가스가 완전히 반응하기 전의 데이터와 완전히 회복하기 전의 데이터, 그리고 가스센서가 가스와 완전히 반응한 데이터와 가스센서가 완전히 회복한 데이터를 포함하는 감지 데이터를 학습 데이터로 이용하여 기계학습 모델을 학습시킨다.
기계학습 모델은 학습 데이터로 센서부(10)에서 측정한 감지 데이터를 사용하는데, 감지 데이터를 입력 데이터로 사용하되, 감지 데이터에 타임윈도우를 적용하고 이를 입력 데이터로 하여 학습하는 것이다.
학습 데이터로 사용하는 상기 감지 데이터 중 과도구간 데이터에는 반응속도, 회복속도, 및 그래디언트 등 가스센서와 가스가 반응하면서 발생하는 과도구간에서 얻을 수 있는 정보를 포함한다.
반응속도는 가스센서와 가스가 완전히 반응한 안정구간 전인 반응구간에서 가스와 가스센서가 반응하는 속도이며, 회복속도는 가스가 완전히 반응한 안정구간 후인 회복구간에서 가스와 가스센서의 반응이 끝나가는 속도이다. 그리고 그래디언트는 변화율로서 반응속도와 회복속도의 각 구배에 대한 것이다.
감지 데이터는 가스 및 가스센서의 종류별로 모두 다르며, 이를 기준으로 기계학습 모델을 학습시킴으로써, 실시간으로 반응하는 가스에서 그 종류를 식별할 수 있게 되는 것이다.
상기 진단부(20)는, 상기 감지 데이터에 타임윈도우(time window)를 적용하고, 상기 타임윈도우의 움직임에 따라 상기 타임윈도우 내에서 단위시간 동안의 가스에 대한 상기 가스센서 어레이의 반응 패턴을 상기 학습 데이터로 이용한다.
진단부(20)는 타임윈도우, 즉 일정한 시간간격을 설정하고, 이를 감지 데이터에 적용한다. 이때, 타임윈도우의 길이는 다양하게 설정할 수 있으며, 타임윈도우의 무빙 레이트(moving rate)는 데이터수집 장비의 샘플링 속도와 같게 설정할 수 있다.
타임윈도우(time window)는 상기 과도구간 데이터 및 안정구간 데이터에 적용되어,　상기 타임윈도우의 움직임에 따른 상기 타임윈도우 내에서 단위시간 동안　가스센서가 가스와 완전히 반응하기 전과 가스센서가 완전히 회복하기 전, 그리고 가스센서가 가스와 완전히 반응하고 회복한 상태에서의　가스에 대한 상기 가스센서 어레이의 반응 패턴을 상기 학습 데이터로 이용한다.
타임윈도우는 과도구간에 설정된 길이 및 설정된 무빙 레이트로 적용된다. 타임윈도우가 설정된 무빙 레이트로 움직이면서 수집되는 과도구간의 설정된 길이 내에서 단위시간 동안의 가스에 대한 상기 가스센서 어레이의 반응 패턴을 학습 데이터로 사용하는 것이다.
도 3을 같이 참조하면, 감지 데이터의 과도구간에 간격은 10초이고, 무빙 레이트는 1초인 타임윈도우를 적용한 것이다. 그리고, 10초 간격의 타임윈도우 내에서 1초의 단위시간 간격으로 가스에 대한 가스센서 어레이의 반응 패턴을 수집하는 것이다. 즉, 도 3의 예에서는 10초 간격의 타임위도우가 1초의 무빙 레이트로 움직이면서 10초의 타임윈도우 내에서 1초 간격으로 반응 데이터를 수집하는 것을 보여준다. 타임윈도우가 과도구간의 반응구간에서 회복구간으로 이동하면서 가스에 대한 가스센서 어레이의 반응 패턴이 수집되는 것이다.
가스의 종류별로 가스센서 어레이의 반응 패턴은 다르게 나타날 수 있기 때문에, 상기 타임윈도우의 길이는 가스의 종류에 대응하여 다양하게 설정할 수 있다. 또한, 타임위도우의 무빙 레이트 및 타임윈도우 내에서의 단위시간도 다양하게 설정할 수 있다.
수집된 과도구간에서의 가스에 대한 가스센서 어레이의 반응 패턴을 학습 데이터로 하여 기계학습 모델이 학습된다. 기계학습 모델은 주성분 분석(principal component analysis), 서포트 벡터 머신(support vertor machine), 인공신경망(artificial neural network), 심층신경망(deep neural network), 합성곱 신경망(convolution neural network)와 같은 패턴 인식 및 분류 방법들을 이용할 수 있다. 각 방법들은 이미 잘 알려진 학습 방법이므로 자세한 설명은 생략한다.
본 발명의 가스센서를 이용한 실시간 가스 종류 판별장치의 실시예에서는 심층신경망을 사용하여 감지 데이터를 분석하였다. 도 4 내지 7은 감지 데이터를 분석하여 가스를 분류한 것을 나타낸 것이다.
가스센서 어레이는 MEMS(micro electro mechanical systems)기반 마이크로히터가 집적된 반도체식 가스 센서를 사용하였고, 분류할 가스는 이산화질소 가스, 일산화탄소 가스, 암모니아를 사용하였다. 가스별 센서 감지 반응이 다른 가스 센서 어레이를 구성하기 위해 SnO2, In2O3, WO3, CuO 네 가지 금속산화물을 감지 소재로 사용하였다. 이상 가스센서 어레이의 종류, 금속산화물의 종류는 본 실시예를 테스트하기 위한 것으로써 이에 한정되지는 않는다.
도 4를 참조하면, 가스가 주입됨에 따라 감지 소재별로 수집되는 가스센서의 반응이 가스 종별로 서로 다른 것을 알 수 있다. 이를 종합하여 센서 어레이로부터 얻어지는 감지 데이터에서 가스센서 반응의 패턴을 분석함으로써 가스 종을 식별할 수 있다.
가스의 감지 데이터에서 과도구간에 10초 길이의 타임윈도우를 적용해 수집한 가스 센서 어레이의 감지 반응 데이터 패턴을 도 5의 심층신경망을 통해 분석한 결과, 도 6에 나타난 것처럼 실시간으로 가스 종류를 식별하였다.(정확도: 99.3%) 또한, 도 7에 나타난 것과 같이 가스의 농도도 예측할 수 있다.(오차범위: 19.5%)
또한, 여러 종류의 가스가 섞여 있는 혼합가스에 대한 가스센서 어레이의 감지 데이터를 사용하여 위와 같이 과도구간 데이터를 선정하고, 타임윈도우를 적용하여 수집한 가스센서의 반응 패턴을 기계학습 모델로 학습시키게 되면, 혼합가스에 대해서도 종류별로 가스를 식별하여 구분할 수 있다.
표시부(30)는 진단부(20)에서 식별한 가스의 종류를 스피커와 같은 음성장치 또는 디스플레이와 같은 시각장치 등으로 안내한다.
본 발명의 일 실시예에 따른 가스센서를 이용한 실시간 가스 종류 판별방법은, (a) 가스센서 어레이에서　가스센서가 가스와 완전히 반응하기 전의 데이터와 가스센서가 완전히 회복하기 전의 데이터인　과도구간 데이터 및 가스센서가 가스와 완전히 반응하고 회복한 상태인 안정구간 데이터가 포함된 감지 데이터를　측정하는 단계(S10); (b)　상기 감지 데이터를 학습 데이터로 이용하여 기계학습 모델을 학습시키는 단계(S20); 및 (c)　상기 기계학습 모델을 이용하여 가스의 종류를 실시간으로 식별하는 단계(S30); 를 포함한다.
(a) 단계는 가스센서 어레이에서 감지 데이터를 측정한다. 가스센서 어레이는 센서부(10)를 구성하고 있으며, 개별 가스 또는 복수의 혼합가스에서 감지 데이터를 측정한다.
(b) 단계는 감지 데이터에 타임윈도우(time window)를 적용하고, 상기 타임윈도우의 움직임에 따라 상기 타임윈도우 내에서 단위시간 동안의 가스에 대한 상기 가스센서 어레이의 반응 패턴을 상기 학습 데이터로 이용한다.
진단부(20)는 센서부(10)에서 받은 감지 데이터에서 가스의 종을 식별하기 위해 기계학습 모델을 학습시키기 위한 전단계로 상기 감지 데이터에 타임윈도우를 적용한다.
상기 감지 데이터에는 가스센서와 가스가 완전히 반응하기 전의 데이터와 완전히 회복되기 전의 데이터인 과도구간 데이터 그리고 가스센서가 가스와 완전히 반응하고 회복한 상태에서의 데이터인 안정구간 데이터가 포함된다. 이때, 상기 과도구간 데이터는 반응속도 데이터, 회복속도 데이터, 및 그래디언트(gradient) 데이터를 포함한다.
그리고, 학습 데이터를 이용하여 기계학습 모델을 학습시킨다. 학습 데이터에서 나타나는 가스가 가스센서 어레이에 반응하는 패턴 정보를 수집하여 이를 심층신경망과 같은 패턴 인식 및 분류 방법을 사용하여 학습시키는 것이다.
(c)단계는 기계학습 모델을 이용하여 가스의 종류를 실시간으로 식별한다.
이때, 가스의 종류를 식별할 수 있을 뿐만 아니라 식별한 가스의 농도도 같이 예측할 수 있다.
또한, 이후 식별한 가스의 종류 또는 농도를 스피커와 같은 음성장치 또는 디스플레이와 같은 시각장치 등으로 안내하는 단계를 더 포함할 수도 있다.
본 발명의 가스센서를 이용한 실시간 가스 종류 판별장치 및 방법은 가스 센서의 감지 데이터에서 과도구간 데이터와 안정구간 데이터를 활용하여 실시간으로 가스의 종류를 판별할 수 있다. 이 때, 가스센서와 가스의 완전반응이 일어나지 않는 구간인 과도구간을 데이터로 사용함으로써 가스센서와 가스의 완전반응에 걸리는 시간에 따라 발생하는 딜레이를 극복하여 가스의 종류를 실시간으로 식별할 수 있는 것이다.
또한, 복수 가스를 동시에 측정하더라도 각 가스의 종류를 식별할 수 있으며, 각 가스의 농도도 실시간으로 예측할 수 있는 효과가 있다. 기계학습 모델을 사용하여 복수의 가스가 섞여 있는 혼합가스를 학습시킴으로써, 복수의 가스를 동시에 그 종류를 구분하여 식별할 수 있다.
이상에서 설명된 본 발명의 실시예는 예시적인 것에 불과하며, 본 발명이 속한 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 잘 알 수 있을 것이다. 그러므로 본 발명은 상기의 상세한 설명에서 언급되는 형태로만 한정되는 것은 아님을 잘 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. 또한, 본 발명은 첨부된 청구범위에 의해 정의되는 본 발명의 정신과 그 범위 내에 있는 모든 변형물과 균등물 및 대체물을 포함하는 것으로 이해하여야 한다.

Claims (9)

  1. 측정 대상 가스 별로 응답도가 다른 가스센서 어레이로 구성하고, 가스센서가 가스와 완전히 반응하기 전의 데이터와 가스센서가 완전히 회복하기 전의 데이터인 과도구간 데이터, 및 가스센서가 가스와 완전히 반응한 상태와 완전히 회복한 상태인 안정구간 데이터를 포함한　감지 데이터를 측정하는　센서부;
    상기 감지 데이터를 학습 데이터로 이용하여 기계학습 모델을 학습시키고, 상기 기계학습 모델을 이용하여 가스의 종류를 실시간으로 식별하는　진단부; 및
    상기　진단부에서 식별된 가스의 종류를 안내하는　표시부; 를
    포함하는　가스센서를 이용한 실시간 가스 종류 판별장치.
  2. 제1 항에 있어서,
    상기 과도구간 데이터는,
    반응속도 데이터, 회복속도 데이터, 및 그래디언트(gradient) 데이터를 포함하는 가스센서를 이용한 실시간 가스 종류 판별장치.
  3. 제1 항에 있어서,
    상기　진단부는,
    상기 감지 데이터에 타임윈도우(time window)를 적용하여 상기 학습 데이터로 이용하는　가스센서를 이용한 실시간 가스 종류 판별장치.
  4. 제3 항에 있어서,
    상기 타임윈도우(time window)는 상기 과도구간 데이터 및 안정구간 데이터에 적용되어,　상기 타임윈도우의 움직임에 따른 상기 타임윈도우 내에서 단위시간 동안　가스센서가 가스와 완전히 반응하기 전, 가스센서가 회복하기 전, 및 가스센서가 가스와 완전히 반응하고 회복한 상태에서의　가스에 대한 상기 가스센서 어레이의 반응 패턴을 상기 학습 데이터로 이용하는　가스센서를 이용하는 실시간 가스 종류 판별장치.
  5. 제3 항에 있어서,
    상기 타임윈도우의 길이는 가스의 종류에 대응하여 다양하게 설정하는　가스센서를 이용한 실시간 가스 종류 판별장치
  6. (a) 가스센서 어레이에서　가스센서가 가스와 완전히 반응하기 전의 데이터와 가스센서가 완전히 회복하기 전의 데이터인　과도구간 데이터 및 가스센서가 가스와 완전히 반응하고 회복한 상태인 안정구간 데이터가 포함된　감지 데이터를　측정하는 단계;
    (b)　상기 감지 데이터를 학습 데이터로 이용하여 기계학습 모델을 학습시키는 단계; 및
    (c)　상기 기계학습 모델을 이용하여 가스의 종류를 실시간으로 식별하는 단계; 를
    포함하는　가스센서를 이용한 실시간 가스 종류 판별방법.
  7. 제6 항에 있어서,
    상기 (b) 단계는,
    상기 감지 데이터에 타임윈도우(time window)를 적용하여 상기 학습 데이터로 이용하는 단계를 포함하는　가스센서를 이용한 실시간 가스 종류 판별방법.
  8. 제7 항에 있어서,
    상기 (b) 단계에서,
    상기 타임윈도우(time window)는 상기 과도구간 데이터 및 안정구간 데이터에 적용되어,　상기 타임윈도우의 움직임에 따른 상기 타임윈도우 내에서 단위시간 동안　가스센서가 가스와 완전히 반응하기 전, 가스센서가 회복하기 전, 및 가스센서가 가스와 완전히 반응하고 회복한 상태에서의　가스에 대한 상기 가스센서 어레이의 반응 패턴을 상기 학습 데이터로 이용하는 가스센서를 이용한 실시간 가스 종류 판별방법.
  9. 제6 항에 있어서,
    상기 (a) 단계에서,
    상기 과도구간 데이터는 반응속도 데이터, 회복속도 데이터, 및 그래디언트(gradient) 데이터를 포함하는　가스센서를 이용한 실시간 가스 종류 판별방법.
KR1020210035601A 2021-03-19 2021-03-19 가스센서를 이용한 실시간 가스 종류 판별장치 및 방법 KR102510314B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210035601A KR102510314B1 (ko) 2021-03-19 2021-03-19 가스센서를 이용한 실시간 가스 종류 판별장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210035601A KR102510314B1 (ko) 2021-03-19 2021-03-19 가스센서를 이용한 실시간 가스 종류 판별장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220130850A true KR20220130850A (ko) 2022-09-27
KR102510314B1 KR102510314B1 (ko) 2023-03-17

Family

ID=83451816

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210035601A KR102510314B1 (ko) 2021-03-19 2021-03-19 가스센서를 이용한 실시간 가스 종류 판별장치 및 방법

Country Status (1)

Country Link
KR (1) KR102510314B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160004783A (ko) * 2014-07-04 2016-01-13 김한수 복수개의 동일한 반도체식 가스센서를 이용한 가스 종류 판별장치 및 방법
KR101852074B1 (ko) 2016-11-29 2018-04-25 단국대학교 산학협력단 가스 분류를 위한 전자코 시스템 및 방법
US20180217055A1 (en) * 2011-12-05 2018-08-02 Gassecure As Method and system for gas detection
JP2020201116A (ja) * 2019-06-10 2020-12-17 大阪瓦斯株式会社 ガス検知装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180217055A1 (en) * 2011-12-05 2018-08-02 Gassecure As Method and system for gas detection
KR20160004783A (ko) * 2014-07-04 2016-01-13 김한수 복수개의 동일한 반도체식 가스센서를 이용한 가스 종류 판별장치 및 방법
KR101852074B1 (ko) 2016-11-29 2018-04-25 단국대학교 산학협력단 가스 분류를 위한 전자코 시스템 및 방법
JP2020201116A (ja) * 2019-06-10 2020-12-17 大阪瓦斯株式会社 ガス検知装置

Also Published As

Publication number Publication date
KR102510314B1 (ko) 2023-03-17

Similar Documents

Publication Publication Date Title
CN109632891B (zh) 一种利用阵列气体传感器监测气体种类以及浓度的方法
US11428658B2 (en) Gas sensing device and method for operating a gas sensing device
US20210216877A1 (en) Ultra-high sensitive target signal detection method based on noise analysis using deep learning based anomaly detection and system using the same
CN116128260B (zh) 基于数据样本的重点企业环境分析方法
EP3879266A1 (en) Gas sensing device and method for operating a gas sensing device
Reimann et al. Fire detection in coal mines based on semiconductor gas sensors
CN113720968B (zh) 气体浓度检测方法、装置、系统及存储介质
KR20230052490A (ko) Cnn 학습을 기반으로 하는 타겟 가스 탐지 모델 생성 장치 및 그 방법
CN102095782B (zh) 基于微纳米碳纳米管薄膜三电极的气体在线检测装置
KR102510314B1 (ko) 가스센서를 이용한 실시간 가스 종류 판별장치 및 방법
WO2016033186A1 (en) Chemical monitoring system
Gębicki et al. –Application of Chemical Sensors and Sensor Matrixes to Air Quality Evaluation
Ionascu et al. Towards wearable air quality monitoring systems-initial assessments on newly developed sensors
CN112782233B (zh) 一种基于阵列气体传感器的气体识别方法
CN207798798U (zh) 一种全量程手持甲烷泄漏检测装置
Burresi et al. Temperature profile investigation of SnO/sub 2/sensors for CO detection enhancement
CN111373257A (zh) 测试气体传感器的方法和测试装置以及由气体传感器和测试装置构成的系统
CN112580741A (zh) 一种基于多传感器快速学习的气体种类识别方法及系统
CN109633113B (zh) 基于青鳉鱼逐级行为模型的水质监测预警方法及系统
Di Lecce et al. Discriminating gaseous emission patterns in low-cost sensor setups
US20200088705A1 (en) Method of operating gas sensors and corresponding device, sensor and program product
CN115147872B (zh) 一种考场中教师行为的检测方法及系统
Kumar et al. A New Approach of Modeling the Electronic Tongue Sensors for Classification
Norman et al. Carbon Nanotube Gas Sensor Using Neural Networks
CN103424350B (zh) 一种低数量级诱变细胞的高通量分析系统与计数方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right