SE513148C2 - Detection of chemicals based on resistance fluctuation spectroscopy - Google Patents
Detection of chemicals based on resistance fluctuation spectroscopyInfo
- Publication number
- SE513148C2 SE513148C2 SE9803019A SE9803019A SE513148C2 SE 513148 C2 SE513148 C2 SE 513148C2 SE 9803019 A SE9803019 A SE 9803019A SE 9803019 A SE9803019 A SE 9803019A SE 513148 C2 SE513148 C2 SE 513148C2
- Authority
- SE
- Sweden
- Prior art keywords
- chemicals
- sensor
- noise
- density spectrum
- power density
- Prior art date
Links
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
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Combustion & Propulsion (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
Description
513 148 2 Lät oss anta att vi har M sensorer i sensorsystemet 20, och N olika kemikalier i kemikaliesystemet 10. Resistansgensvaret hos sensorema kan beskrivas enligt föl- jande: A---C dRi = 1,] j ïlvlz där i är ett heltal från 1 till M, och dRi är förändringen i medelresistans i den izte sensorn på grund av kemikalierna, Cj är koncentrationen av den jzte kemikalien och Aij är en kalibreringsfiinlction. Uppgiften är att bestämma koncentrationen Cj=(C1, ..., CN) genom att mäta resistansgensvaret dR1=(dR1, ..., dRM) för sensorer- na. l allmänhet är dessa system icke-linjära, så att Aij-storheterna är en funktion av alla koncentrationerna Cj, d.v.s. Aij(C1, ..., CN). Detta är skälet till varför elektro- niska näsor i praktiken normalt kräver ett artificiellt nätverk som lär sig denna funktion genom erfarenhet under kalibreringsprocessen eller träningsprocessen. 513 148 2 Let us assume that we have M sensors in the sensor system 20, and N different chemicals in the chemical system 10. The resistance response of the sensors can be described as follows: A --- C dRi = 1,] j ïlvlz where i is an integer from 1 to M, and dRi is the change in mean resistance in the izte sensor due to the chemicals, Cj is the concentration of the jzte chemical and Aij is a calibration inlction. The task is to determine the concentration Cj = (C1, ..., CN) by measuring the resistance response dR1 = (dR1, ..., dRM) for the sensors. In general, these systems are non-linear, so that the Aij quantities are a function of all the concentrations Cj, i.e. Aij (C1, ..., CN). This is the reason why electronic noses in practice normally require an artistic network that learns this function through experience during the calibration process or the training process.
För att illustrera det tekniska problemet, och för att förenkla, antar vi att sensorer- na är linjära så att Aij-storheterna är enkla kalibreringskonstanter. Frän teorin om linjära ekvationssystem följer det då. att N oberoende ekvationer krävs för att lösa ekvationssystemet (1). Därför måste antalet M olika tillgängliga sensorer vara större än eller lika med antalet N kemikalier: M 2 N. (2) I det praktiska fallet när ekvationema är icke-linjära, gäller fortfarande relationen (2). Emellertid blir denna situation normalt mer komplex med flera olika lösningar, vilket kräver tillämpning av ett artificiellt neuralt närverk. Relationens (2) giltighet gör elektroniska näsor dyrbara, eftersom alla de tillgängliga sensorerna måste till- handahälla ett gensvar av olika natur.To illustrate the technical problem, and to simplify, we assume that the sensors are linear so that the Aij quantities are simple calibration constants. From the theory of linear systems of equations it follows then. that N independent equations are required to solve the system of equations (1). Therefore, the number of M different available sensors must be greater than or equal to the number of N chemicals: M 2 N. (2) In the practical case when the equations are non-linear, the relation (2) still applies. However, this situation normally becomes more complex with your different solutions, which requires the application of an artistic neural network. The validity of the relation (2) makes electronic noses expensive, since all the available sensors must provide a response of a different nature.
Dessutom har det visat sig att konventionella elektroniska näsor baserade på mät- ningar av gensvaret i medelresistans inte har den tillräckliga känslighetsnivå som krävs i många tillämpningar. 513 148 3 Allmän bakgrundsinformation avseende elektroniska nâsor står att fmna i A brief history of electronic noses, Sensors and Actuators B, 18-19 ( 1994), 211-220 av J .W.In addition, it has been found that conventional electronic noses based on measurements of the response in medium resistance do not have the sufficient level of sensitivity required in many applications. 513 148 3 General background information regarding electronic noses can be found in A brief history of electronic noses, Sensors and Actuators B, 18-19 (1994), 211-220 by J .W.
Gardner och P.N. Bartlett.Gardner and P.N. Bartlett.
SAMMANFATTNING AV UPPFINNINGEN Med föreliggande uppfinning får man bukt med dessa och andra nackdelar hos ar- rangemang enligt teknikens ståndpunkt.SUMMARY OF THE INVENTION The present invention overcomes these and other disadvantages of prior art arrangements.
Ett allmänt syfte med uppfinningen är att åstadkomma en förbättrad elektronisk näsa, såväl som en förbättrad metod att bestämma den kemiska kompositionen av ett antal kemikalier.A general object of the invention is to provide an improved electronic nose, as well as an improved method of determining the chemical composition of a number of chemicals.
Ett annat syfte med uppfinningen är att finna ett sätt att reducera det nödvändiga antalet sensorer i en elektronisk näsa. Faktum är att det bör vara tillräckligt att använda en enda kemisk sensor för att särskilja ett antal olika kemikalier. Ännu ett syfte med uppfinningen är att åstadkomma en metod såväl som en reali- sering av densamma, för att bestämma kompositionen av ett antal kemikalier med en hög grad av känslighet.Another object of the invention is to provide a method of reducing the required number of sensors in an electronic nose. In fact, it should be sufficient to use a single chemical sensor to distinguish a number of different chemicals. Yet another object of the invention is to provide a method as well as a realization thereof, for determining the composition of a number of chemicals with a high degree of sensitivity.
Dessa och andra syften uppfylls av uppfinningen sådan den definieras i de bifogade patentkraven.These and other objects are fulfilled by the invention as defined in the appended claims.
I korta ordalag år iden enligt uppfinningen att mäta brusfluktuationema hos en på förhand bestämd egenskap, såsom resistansen hos en sensor, i stället fór föränd- ring av dess medelvärde, och att bestämma ett effekttäthetsspektrum (power- density spectrum) för dessa brusfluktuationer. Effekttäthetsspektrum för brus- fluktuationen år inte bara ett mycket känsligt verktyg, utan också en rik källa till information avseende kompositionen av de kemikalier som påförs på sensorn. Ef- fekttäthetsspektrets mönster är representativt för kemikaliernas komposition, och kan utvärderas manuellt, eller med hjälp av ett artificiellt neuralt nätverk, för att bestämma den kemiska kompositionen. 513 148 4 Genom att dela upp effekttäthetsspektret i ett antal olika frekvensband, där natu- ren hos gensvaret i varje frekvensband skiljer sig från det hos de andra banden, och genom att använda information om effektspektrum vid vart och ett av dessa frekvensband kan antalet sensorer som är nödvändiga för att detektera ett givet antal olika kemikalier markant reduceras i jämförelse med lösningar enligt tekni- kens ståndpunkt. Faktum år att en enda sensor skulle kunna vara tillräcklig för att bestämma den kemiska kompositionen av ett antal olika kemikalier runt om sen- som.In short, the idea according to the invention is to measure the noise uctuations of a predetermined property, such as the resistance of a sensor, instead of changing its mean value, and to determine a power density spectrum for these noise ktctuations. The power density spectrum for the noise åructuation is not only a very sensitive tool, but also a rich source of information regarding the composition of the chemicals applied to the sensor. The pattern of the power density spectrum is representative of the composition of the chemicals, and can be evaluated manually, or with the help of an artificial neural network, to determine the chemical composition. By dividing the power density spectrum into a number of different frequency bands, where the nature of the response in each frequency band differs from that of the other bands, and by using power spectrum information at each of these frequency bands, the number of sensors are necessary to detect a given number of different chemicals is significantly reduced in comparison with solutions according to the state of the art. In fact, a single sensor could be sufficient to determine the chemical composition of a number of different chemicals around late.
Uppfinningen erbjuder följande fördelar: Effekttäthetsspektrum för brusfluktuationer ger en högre grad av känslighet; och Antalet sensorer som är nödvändiga för att detektera ett visst antal kemikalier kan reduceras i jämförelse med lösningar enligt teknikens ståndpunkt.The invention offers the following advantages: Power density spectrum for noise actuations provides a higher degree of sensitivity; and The number of sensors necessary to detect a certain number of chemicals can be reduced compared to prior art solutions.
Ytterligare syften och fördelar med denna uppfinning kommer att inses efter genomläsnirig av beskrivningen nedan avseende utföringsformerna av uppfinning- en.Additional objects and advantages of this invention will become apparent upon reading the following description of the embodiments of the invention.
KORT BESKRIVNING AV RITNINGARNA Fig. 1 är ett schematiskt diagram av en illustrativ konventionell elektronisk näsa; Fig. 2 är ett schematiskt diagram av en elektronisk näsa, innefattande ett arran- gemang för resistansfluktuationsspektroskopi, enligt en föredragen utföringsform av uppfinningen; Fig. 3 visar ett illustrativt exempel på ett effekttäthetsspektrum för de totala resi- stansfluktuationerna för en sensor, och ett effekttäthetsspektrum för bakgrunds- brusbidraget; Fig.4 visar ett illustrativt exempel av effekttâthetsspektrum för resistansfluktuatio- ner som beror på de påförda kemikalier-na, också betecknade överskottsspektret; och 513 148 Fig. 5 är ett schematiskt diagam över en elektronisk näsa, innefattande ett antal sensorer, och tillhörande resistansfluktuationsmätningsarrangemang, enligt en föredragen utföringsform av uppfinningen.BRIEF DESCRIPTION OF THE DRAWINGS Fig. 1 is a schematic diagram of an illustrative conventional electronic nose; Fig. 2 is a schematic diagram of an electronic nose, including an arrangement for resistance fluctuation spectroscopy, according to a preferred embodiment of the invention; Fig. 3 shows an illustrative example of a power density spectrum for the total resistances of a sensor, and a power density spectrum for the background noise contribution; Fig. 4 shows an illustrative example of the power density spectrum for resistance flctuations due to the applied chemicals, also referred to as the excess spectrum; and Fig. 5 is a schematic diagram of an electronic nose, including a plurality of sensors, and associated resistance actuation measurement arrangement, according to a preferred embodiment of the invention.
DETALJERAD BESKRIVNING AV UTFÖRINGSFORMER AV UPPFINNINGEN Nu kommer uppfinningen att beskrivas med hänvisning till illustrativa och före- dragna utföringsfonner av uppfinningen. Emellertid begränsas uppfinningen inte till dessa vilket kommer att framgå av följande beskrivning.DETAILED DESCRIPTION OF EMBODIMENTS OF THE INVENTION Now, the invention will be described with reference to illustrative and preferred embodiments of the invention. However, the scope is not limited to these, as will be apparent from the following description.
Den allmänna idén enligt uppfinningen är att använda de spontana fluktuationer- na dR(t), också betecknade brusflulctuationer, hos resistansen R för sensorn eller sensorerna som används i den elektroniska näsan, i stället för förändringen dR av dess medelvärde. Ett sätt att karaktärisera de spontana resistansfluktuationerna dR(t) är att bestämma effekttäthetsspektrum för fluktuationerna. Eñekttäthets- spektrum är ett frekvensspektrum för resistansfluktuationerna. Effekttäthetsspekt- ret, eller brusspektret, är proportionellt mot kvadraten på Fourier-integralen av dR(t), och det finns många olika numeriska metoder som kan användas för att be- stämma effekttäthetsspektrum. Exempelvis är den väl kända Fast Fourier Trans- forrn (FFT) tekniken ett bekvämt sätt att erhålla energispektrumet.The general idea according to the invention is to use the spontaneous u-actuations dR (t), also referred to as noise ctu ulctations, of the resistance R of the sensor or sensors used in the electronic nose, instead of the change dR of its mean value. One way to characterize the spontaneous resistance fl uctuations dR (t) is to determine the power density spectrum of the fl uctuations. The single density spectrum is a frequency spectrum for the resistance uctuations. The power density spectrum, or noise spectrum, is proportional to the square of the Fourier integral of dR (t), and there are many different numerical methods that can be used to determine the power density spectrum. For example, the well-known Fast Fourier Transformer (FFT) technology is a convenient way to obtain the energy spectrum.
Fig. 2 är ett schematiskt diagram över en elektronisk näsa enligt en föredragen ut- föringsform av uppfinningen. Den elektroniska näsan 100 innefattar en strömgene- rator l lO, en kernisk sensor 120 som har en resistans antydd vid 102, en förför- stärkare 130, ett valfritt "anti-aliasing"-filter 140, en spektrumanalysator 150 och ett valfritt artificiellt neuralt nätverk (ANN) 160. Som exempel skulle den kemiska sensorn 120 kunna vara en konduktansbaserad sensor, såsom Taguchi-sensorn.Fig. 2 is a schematic diagram of an electronic nose according to a preferred embodiment of the invention. The electronic nose 100 includes a current generator 10, a nuclear sensor 120 having a resistance indicated at 102, a preamplifier 130, an optional "anti-aliasing" filter 140, a spectrum analyzer 150 and an optional art neural network. (ANN) 160. As an example, the chemical sensor 120 could be a conductance-based sensor, such as the Taguchi sensor.
Information om Taguchi-sensorn går att finna i t. ex. Applications of the Taguchi gas sensor to alarms for inflammable gases, The Radio and Electronic Engineer, Vol. 44, No. 2 (Feb. 1974), 85-91, by J. Watson and D. Tanner. Resistansen hos sensom 120 kan uttryckas såsom R +dR+dR(t), där R är den nominella resistansen hos sensom 120, dR förändringen av medelresistansen och dR(t) är de spontana resistansfluktua- tionerna. Sensorns 120 resistans mäts företrädesvis genom användning av en fyr- punktsmätteknik för att undvika kontaktbruseíïekter. Följaktligen år sensom 120 försedd med fyra spänningskontakter (ej visade i fig. 2). En stabil likström I drivs ge- 513 148 6 nom sensom 120, och de spontana resistansfluktuationerna dR(t) kommer att ge en spänningsbruskomponent för spänningssignalen från sensom 120. Inom det hörbara frekvensområdet, kan praktiska sensorer vid praktiska drivströmmar typiskt ha spänningsbrusamplituder inom mikrovolt till millivoltornrådet. Den totala spänningen över sensom 120 inkluderande brusspänningen p. g. a. de spontana resistansfluktu- atíonerna dR(t), förstärks sedan i en förförstärkare 130, och filtreras valfritt i "anti-aliasing"-filtret 140. Den förstärkta spänningsbruskomponenten extraheras från den totala spänningen och ett effekttätlietsspektrum för spänningsbruskornponenten p. g. a. resistansfluktuationema bestäms i spektrumanalysatorn 150.Information about the Taguchi sensor can be found in e.g. Applications of the Taguchi gas sensor to alarms for in flammable gases, The Radio and Electronic Engineer, Vol. 44, no. 2 (Feb. 1974), 85-91, by J. Watson and D. Tanner. The resistance of the sensor 120 can be expressed as R + dR + dR (t), where R is the nominal resistance of the sensor 120, dR the change of the mean resistance and dR (t) are the spontaneous resistance fl increases. The resistance of the sensor 120 is preferably measured by using a four-point measurement technique to avoid contact noise objects. Consequently, the sensor 120 is provided with four voltage contacts (not shown in fi g. 2). A stable direct current I is driven through the sensor 120, and the spontaneous resistance fl actuations dR (t) will provide a voltage-noise component for the voltage signal from the sensor 120. Within the audible frequency range, practical sensors at practical drive currents can typically have voltage-noise amplitudes within microvolumes millivolt tower council. The total voltage across the sensor 120, including the noise voltage due to the spontaneous resistance uctuations dR (t), is then amplified in a preamplifier 130, and optionally filtered in the "anti-aliasing" filter 140. The amplified voltage-noise component is extracted from the total voltage for the voltage-to-noise component due to the resistance fl actuations is determined in the spectrum analyzer 150.
Alternativt produceras brussignalen som är representativ för resistansfluktuatio- nerna genom att man lägger på en stabil likspänning över sensom 120, och sålun- da genererar en brusström p. g. a. resistansfluktuationema hos sensom 120 i stället för en brusspänning.Alternatively, the noise signal representative of the resistance ktuctuations is produced by applying a stable DC voltage across the sensor 120, thus generating a noise current due to the resistance fluctuations of the sensor 120 instead of a noise voltage.
Effekttäthetsspektret för resistansfluktuationerna har visat sig vara ett bekvämt och mycket känsligt verktyg för att bestämma kernikaliekompositionen som sen- sorn 120 utsätts för. Effekttäthetsspektrets mönster för resistansfluktuationerna är representativt för kemikaliekompositionen, och kan utvärderas manuellt eller med hjälp av det artificiella nätverket 160, för att bestämma den kemiska kompositio- IICD .The power density spectrum for the resistance uctuations has proven to be a convenient and very sensitive tool for determining the kernel composition to which the sensor 120 is subjected. The power density spectrum pattern of the resistance uctuations is representative of the chemical composition, and can be evaluated manually or using the art network 160, to determine the chemical composition IICD.
I sin enklaste form visar den elektroniska näsan 100 bara effekttåthetsspektrum- funktionen på en display. Under speciella omständigheter, då ett litet antal kerni- kalier, kanske en enda kemikalie, blåses över sensom, kan mönstret hos effekttät- hetsspektrumfunktionen lätt igenkånnas av människans öga, vilket gör det onödigt med tillkommande datoriserad utvärdering. I de flesta fall krävs emellertid datori- serad utvärdering av effekttåthetsspektret, exempelvis i det artificiella neurala nät- verket 160.In its simplest form, the electronic nose 100 only shows the power density spectrum function on a display. In special circumstances, when a small number of kernels, perhaps a single chemical, are blown over the sensor, the pattern of the power density spectrum function can be easily recognized by the human eye, making additional computerized evaluation unnecessary. In most cases, however, computerized evaluation of the power density spectrum is required, for example in the art neural neural network 160.
Fig. 3 är ett exempel på hur ett effekttäthetsspektrum skulle kunna se ut. Effekt- tåthetsspektret för sensoms 120 totalresistansfluktuationer indikeras såsom total- spektret. Emellertid är det normalt önskvärt att beakta bakgrundsresistansbruset.Fig. 3 is an example of what a power density spectrum could look like. The power density spectrum of the sensor's 120 total resistance kt actuations is indicated as the total spectrum. However, it is normally desirable to consider the background resistance noise.
Det relevanta resistansfluktuationerna är sådana som beror på de påförda kemika- lierna. Sensoms 120 totalresistansfluktuationer inkluderar i allmänhet resistans- 513 148 7 fluktuationema p. g. a. kemikalierna, såväl som bakgrundsresistansbruset. I vissa fall kan bakgrundsresistansbruset vara försumbart, men för förbättrad prestanda år det viktigt att bestämma överskottsresistansbruset i förhållande till bakgrunds- resistansbruset. Detta antyder naturligtvis att bakgrundsresistansbruset har be- stämts i förväg, vilket är standardmässigt. Därefter bestäms överskottsresistans- bruskomponenten genom att subtrahera bakgrundsresistansbruset från totalresi- stansfluktuationerna. Detta kan utföras innan analys i spektrumanalysatom me- delst en tillkommande enhet (ej visad) för bestämning av överskottsresistansbruset i förhållande till bakgrundsresistansbruset, men det år också möjligt att låta den datoriserade spektrumanalysatom 150 bestämma överskottsspektret baserat på brussignalens totalspektrum och bakgrundsspektret för bakgrundsresistansbruset.The relevant resistance kt actuations are those that depend on the applied chemicals. Sensom 120 total resistance uctuations generally include the resistance octuations due to the chemicals, as well as the background resistance noise. In some cases the background resistance noise can be negligible, but for improved performance it is important to determine the excess resistance noise in relation to the background resistance noise. This of course indicates that the background resistance noise has been determined in advance, which is standard. Thereafter, the excess resistance noise component is determined by subtracting the background resistance noise from the total resistance fl actuations. This can be done before analysis in the spectrum analyzer by means of an additional unit (not shown) for determining the excess resistance noise in relation to the background resistance noise, but it is also possible to let the computerized spectrum analyzer 150 determine the excess spectrum based on the noise spectrum total spectrum and background spectrum.
Bakgrundsspektret, d. v. s. efiekttäthetsspektret för bakgrundsresistansbruset antyds i fig. 3.The background spectrum, i.e. the real density spectrum of the background resistance noise is indicated in fi g. 3.
Fig. 4 visar överskottsspektret, d. v. s. effekttäthetsspektret för resistansfluktuatio- nerna som beror på de påförda kemikaliema. Överskottsspektret i fig. 4 uppdelas i 4 frekvensband med en bandvidd Af.Fig. 4 shows the excess spectrum, i.e. the power density spectrum of the resistance uctuations due to the applied chemicals. The excess spectrum in fi g. 4 is divided into 4 frequency bands with a bandwidth Af.
Om effekttâthetsspektret för överskottsresistansbrusfluktuationema för en sensor har K olika frekvensband, där naturen hos gensvaret i varje frekvensband skiljer sig från de andra bandens, kan man bilda följande uppsättning av oberoende ekva- tioner: dS(j])=ÉB,_j-Cj (3) F där i är ett heltal från 1 till K, N är ett antal olika kemikalier och dS(f1) år medelvär- det för effekttäthetsspektret för resistansfluktuationerna som beror på kemikalier- na vid det i:te karaktäristiska frekvensbandet, C; är koncentrationen av den j:te kemikalien och Bi; år en kalibreringsfunktion av alla koncentrationerna Cj. På detta sätt kan t. o. m. en enda sensor tillhandahålla en uppsättning oberoende ekvatio- ner som tillråckliga för att bestämma den kemiska kompositionen omkring en sensor. Genom att lösa ekvationssystemet som ges av (3), erhålles koncentratio- nerna Cj för kemikaliema. Motsvarande beaktanden som leder till relationen (2) ovan antyder att antalet K frekvensband mäste vara större än eller lika med antalet N kemikalier: 513 148 K 2 N. (4) P. g. a. komplexiteten och karaktäñstiken hos ekvationssystemet (3) ovan, speciellt när antalet N kemikalier är högt, är det lämpligt att använda ett tränat artificiellt neuralt nätverk 160 för att lösa ekvationerna och för att bestämma kemikaliemas koncentrationer Cj. Det artificiella neurala nätverket 160 kan implementeras an- tingen i mjukvara som körs på en dator eller direkt i hårdvara. Exempelvis skulle man kunna använda ett enkelt feed-forWard-nätverk, tidigare tränat på empiriska data med användning av den välkända trâningsalgoritmen med återpropagering (back-propagation training algorithm). Emellertid är det möjligt att använda också andra typer av neurala nätverk, såsom Hopfield-nätverk. Ytterligare information om artificiella neurala nätverk i relaterade sensortillämpningar står att finna i t. ex.If the power density spectrum of the excess resistance noise fl uctuations of a sensor has K different frequency bands, where the nature of the response in each frequency band differs from the other bands, the following set of independent equations can be formed: dS (j]) = ÉB, _j-Cj (3 ) F where i is an integer from 1 to K, N is a number of different chemicals and dS (f1) is the mean value of the power density spectrum for the resistance kt uctuations which depend on the chemicals at the i: th characteristic frequency band, C; is the concentration of the jth chemical and Bi; is a calibration function of all the concentrations Cj. In this way, even a single sensor can provide a set of independent equations sufficient to determine the chemical composition around a sensor. By solving the system of equations given by (3), the concentrations Cj of the chemicals are obtained. Corresponding considerations leading to the relation (2) above suggest that the number of K frequency bands must be greater than or equal to the number of N chemicals: 513 148 K 2 N. (4) P. ga the complexity and characteristics of the system of equations (3) above, especially when If the number of N chemicals is high, it is advisable to use a trained artificial neural network 160 to solve the equations and to determine the concentrations Cj of the chemicals. The artificial neural network 160 can be implemented either in software running on a computer or directly in hardware. For example, one could use a simple feed-forWard network, previously trained on empirical data using the well-known back-propagation training algorithm. However, it is possible to use other types of neural networks as well, such as Hop-fire networks. Further information on artificial neural networks in related sensor applications can be found in e.g.
Electronic Noses and Their Applications, ISBN 0-7803-2639-3, 116-119 by PE. Keller et al., och Quantification of H28 and N02 using gas sensor arrays and an artificial neu- ral network, Sensors and Actuators B, 43 (1997), 235-238, by B. Yang et al.Electronic Noses and Their Applications, ISBN 0-7803-2639-3, 116-119 by PE. Keller et al., And Quantification of H28 and NO2 using gas sensor arrays and an artificial neural network, Sensors and Actuators B, 43 (1997), 235-238, by B. Yang et al.
Fig. 5 är ett schematiskt diagram över en elektronisk näsa, som innefattar ett antal sensorer och tillhörande resistansfluktuationsmätningsarrangemang, enligt en fö- redragen utfóringsform av uppñrmingen. Den elektroniska näsan 200 enligt fig. 5 innefattar i grunden ett antal P sensorer, företrädesvis resistansbaserade och an- tydda vid 203 och 2 13, och tillhörande resistansfluktuationsmâtningsarrangemang 202, 206, 208 respektive 212, 216, 218, som lilmar det arrangemang som visas i fig. 2, och en processenhet 220. Processenheten 220 innefattar en brusanalysator, också betecknad spektrumanalysator 222, och ett artificiellt neuralt nätverk (ANN) 224. Företrädesvis är processenheten 220 en dator med ett datauppsarnlingskort och mjukvarumoduler för spektrumanalys (brusanalysatorn 222) och mönsterigen- känning (artificiellt neuralt nätverk 224). Brusanalysatorn 222 bestämmer ett ef- fekttâtlietsspektrum för resistansbrusfluktuationema som beror på de kemikalier som påförts på sensorerna 203, 2 13.Fig. 5 is a schematic diagram of an electronic nose, which includes a number of sensors and associated resistance-uctuation measurement arrangement, according to a preferred embodiment of the housing. The electronic nose 200 according to fi g. 5 basically comprises a number of P sensors, preferably resistance-based and indicated at 203 and 2 13, and associated resistance fl-actuation measuring arrangements 202, 206, 208 and 212, 216, 218, respectively, which illustrate the arrangement shown in fi g. 2, and a process unit 220. The process unit 220 comprises a noise analyzer, also referred to as a spectrum analyzer 222, and an art neural network (ANN) 224. Preferably, the process unit 220 is a computer with a data acquisition card and software modules for spectrum analysis (the noise analyzer 222). artificial neural network 224). The noise analyzer 222 determines the power spectrum of the resistance noise kttuations which depend on the chemicals applied to the sensors 203, 2 13.
Med P olika sensorer som använder samma K karaktäristiska frekvensband för alla sensorer, kan följande uppsättning ekvationer bildas: N dsflwg) = :šßlklid- -c J. (s) J: 513 148 där i är ett heltal från 1 till K, k är ett heltal från 1 till P, N är antalet kemikalier, och dS0 som beror på kemikalierria vid det izte karaktäristiska frekvensbandet i den k:te sensorn, Cj är koncentrationen av den jzte kemikalien och Bflflij år en kalibrerings- funktion för den kzte sensorn. Genom att lösa detta ekvationssystem som ges av (5) i det tränade ANN 224, erhålles koncentrationerna Cj för kemikalierna. I det bästa fallet år antalet oberoende ekvationer P-K, så att den elektroniska näsan 200 i fig. 5 har förmåga att särskilja P-K olika kemikalier: P-K z N. (6) Om såsom exempel 5 olika sensorer används och antalet frekvensband år lika med 50, så kan den elektroniska näsan teoretiskt hantera 5-50=250 olika kemikalier.With P different sensors using the same K characteristic frequency band for all sensors, the following set of equations can be formed: N ds fl wg) =: šßlklid- -c J. (s) J: 513 148 where i is an integer from 1 to K, k is an integer from 1 to P, N is the number of chemicals, and dS0 which depends on the chemical series at the izte characteristic frequency band of the k: th sensor, Cj is the concentration of the jzte chemical and B fl flij is a calibration function for the kzte sensor. By solving this system of equations given by (5) in the trained ANN 224, the concentrations Cj of the chemicals are obtained. At best, the number of independent equations is P-K, so that the electronic nose 200 in fi g. 5 has the ability to distinguish P-K different chemicals: P-K z N. (6) If as example 5 different sensors are used and the number of frequency bands is equal to 50, then the electronic nose can theoretically handle 5-50 = 250 different chemicals.
Det bör noteras att om känsligheten inte är en avgörande fråga, kan också medel- resistansförändringar dRfkl för de olika sensorerna användas för detektion, och det kan ge en ytterligare oberoende ekvation för varje sensor, vilket sålunda ytterligare reducerar det nödvändiga antalet sensorer för ett givet antal kemikalier (eller ökar antalet kemikalier som kan detekteras med ett givet antal sensorer). För att använ- da detta alternativ måste likspänningen över sensorn utvärderas på det konventio- nella sättet. Den relevanta relationen mellan antalet P sensorer och antalet N ke- mikalier ges därvid av följande relation: P(K+ l) 2 N. (7) Även om uppfinningen har beskrivits med hänvisning till mätning av de spontana fluktuationerna i sensorresistansen, är det underförstått att de spontana fluktua- tionerna av andra fysikaliska sensoregenskaper kan mätas och användas vid be- stämning av ett relevant effekttätlietsspektrum. Exempel på andra fysikaliska sen- soregenskaper som kan användas vid bestämning av ett sådant energispektrum är den elektriska strömmen genom sensorn, den elektriska spänningen över sensorn och intensiteten av ljus från sensorn. De konduktansbaserade sensorerna, såsom den ovan nämnda Taguchi-sensorn, år endast exempel, och det firins ett helt spektrum av olika sensortyper, som arbetar med olika fysikaliska egenskaper, som kan användas vid uppfinningen.It should be noted that if sensitivity is not a crucial issue, mean resistance changes dRfkl for the different sensors can also be used for detection, and it can provide a further independent equation for each sensor, thus further reducing the required number of sensors for a given number. chemicals (or increases the number of chemicals that can be detected with a given number of sensors). To use this option, the DC voltage across the sensor must be evaluated in the conventional way. The relevant relationship between the number of P sensors and the number of N chemicals is then given by the following relationship: P (K + 1) 2 N. (7) Although the invention has been described with reference to the measurement of the spontaneous flctuations in the sensor resistance, it is understood that the spontaneous fl uctuations of other physical sensor properties can be measured and used in determining a relevant power density spectrum. Examples of other physical sensor properties that can be used in determining such an energy spectrum are the electric current through the sensor, the electrical voltage across the sensor and the intensity of light from the sensor. The conductance-based sensors, such as the above-mentioned Taguchi sensor, are examples only, and there is a whole range of different sensor types, operating with different physical properties, which can be used in the invention.
Ytterligare modifieringar, förändringar och förbättringar som bibehåller grundprin- cipema som beskrivs och söks skyddade håri ligger inom ramen för uppfinningen.Further modifications, alterations and improvements which maintain the basic principles described and sought to be protected are within the scope of the invention.
Claims (15)
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| SE9803019A SE513148C2 (en) | 1998-09-07 | 1998-09-07 | Detection of chemicals based on resistance fluctuation spectroscopy |
| PCT/SE1999/001554 WO2000014521A1 (en) | 1998-09-07 | 1999-09-07 | Detection of chemicals based on resistance fluctuation-spectroscopy |
| AU60158/99A AU6015899A (en) | 1998-09-07 | 1999-09-07 | Detection of chemicals based on resistance fluctuation-spectroscopy |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| SE9803019A SE513148C2 (en) | 1998-09-07 | 1998-09-07 | Detection of chemicals based on resistance fluctuation spectroscopy |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| SE9803019D0 SE9803019D0 (en) | 1998-09-07 |
| SE9803019L SE9803019L (en) | 2000-03-08 |
| SE513148C2 true SE513148C2 (en) | 2000-07-17 |
Family
ID=20412508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| SE9803019A SE513148C2 (en) | 1998-09-07 | 1998-09-07 | Detection of chemicals based on resistance fluctuation spectroscopy |
Country Status (3)
| Country | Link |
|---|---|
| AU (1) | AU6015899A (en) |
| SE (1) | SE513148C2 (en) |
| WO (1) | WO2000014521A1 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7809432B2 (en) | 2002-04-12 | 2010-10-05 | Infineon Technologies Ag | Event detection—apparatus and method for measuring the activity of neural networks |
| EP1883824A4 (en) | 2005-05-04 | 2011-05-11 | Brandt Innovative Technologies Inc | Method and apparatus of detecting an object |
| CN101788440B (en) * | 2010-01-15 | 2011-12-28 | 清华大学 | Electronic nose used for food safety monitoring |
| JP2022548826A (en) * | 2019-09-23 | 2022-11-22 | ナショナル ユニヴァーシティー オブ シンガポール | AI Sensing Device for Wide Range Gas and Vapor Detection |
-
1998
- 1998-09-07 SE SE9803019A patent/SE513148C2/en not_active IP Right Cessation
-
1999
- 1999-09-07 WO PCT/SE1999/001554 patent/WO2000014521A1/en active Application Filing
- 1999-09-07 AU AU60158/99A patent/AU6015899A/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| AU6015899A (en) | 2000-03-27 |
| SE9803019D0 (en) | 1998-09-07 |
| SE9803019L (en) | 2000-03-08 |
| WO2000014521A1 (en) | 2000-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101852074B1 (en) | Electronic Nose System and Method for Gas Classification | |
| CN102265227B (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
| US11556121B2 (en) | Automated analysis of non-stationary machine performance | |
| Yea et al. | The concentration-estimation of inflammable gases with a semiconductor gas sensor utilizing neural networks and fuzzy inference | |
| US20030186461A1 (en) | Method and system for using a weighted response | |
| KR20200130657A (en) | Gas sensing device and method for operating a gas sensing device | |
| CN113390928A (en) | Gas sensing device and method of operating a gas sensing device | |
| Song et al. | A fault diagnosis and reconfiguration strategy for self-validating hydrogen sensor array based on mwpca and elm | |
| SE513148C2 (en) | Detection of chemicals based on resistance fluctuation spectroscopy | |
| Ge et al. | Identification of gas mixtures by a distributed support vector machine network and wavelet decomposition from temperature modulated semiconductor gas sensor | |
| Robin et al. | Machine learning based calibration time reduction for gas sensors in temperature cycled operation | |
| JP2021128423A (en) | Anomaly detection device and anomaly detection program | |
| CN113341079B (en) | Smell identification method and system based on electronic nose and alarm system | |
| CN114383648A (en) | Temperature instrument fault diagnosis method and device | |
| Jha et al. | Power scaling of chemiresistive sensor array data for odor classification | |
| Sharma et al. | Experimental use of electronic nose for odour detection | |
| Sharma et al. | Fuzzy logic based odour classification system in electronic nose | |
| Sobanski et al. | Application of sensor dynamic response analysis to improve the accuracy of odour-measuring systems | |
| EP1712908A2 (en) | Sensor arrangement and method for the qualitative and quantitative detection of chemical substances and/or mixtures of substances in an environment | |
| Cranny et al. | The use of pattern recognition techniques applied to signals generated by a multi-element gas sensor array as a means of compensating for poor individual element response | |
| Wozniak et al. | Wavelet Transform Analysis of Temperature Modulated Gas Sensor Response | |
| Kolehmainen et al. | Monitoring odorous sulfur emissions using self-organizing maps for handling ion mobility spectrometry data | |
| Faleh et al. | Implementation of Air Pollution Supervision System Using LabVIEW | |
| Baumbach et al. | A new method for fast identification of gases and gas mixtures after sensor power up | |
| CN113780410A (en) | Method and device for detecting step mutation points of power time sequence data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| NUG | Patent has lapsed |
Ref document number: 9803019-0 Format of ref document f/p: F |