一种高鲁棒性化学传感器阵列软测量方法
技术领域
本发明涉及气体检测设备技术领域，具体为一种高鲁棒性化学传感器阵列软测量方法。
背景技术
电子鼻系统是由一组具有部分特异性的化学传感器和一个恰当的模式识别方法组成，能够识别和分析简单或复杂的气味。电子鼻系统通过化学传感器阵列对气体/气味进行数据采集，组成训练样本集并利用训练样本集构建模式识别模型。根据该模型可以对测试气体/气味样本进行识别与分析。目前，电子鼻系统已经广泛应用于公共安全、医学诊断、易燃易爆检测、环境污染监测及食品安全等领域。
目前大多数的相关学者的研究集中在对于信号处理方法和模式识别技术的研究。同时，相关学者也将不同类型的传感器应用到了电子鼻系统，如导电聚合物、金属氧化物、声表面波、石英晶体微天平等传感器。随着电子鼻系统应用领域的不断拓展，在长期工作情况下系统的可靠性和分析结果的准确性至关重要。由于化学传感器通过复杂的物理化学反应实现对目标气体的响应，在长期使用过程中随着气敏元件老化及电路退化，化学传感器阵列的测量质量下降。一旦发生化学传感器故障会导致传感器阵列的响应信号发生突变，使得已经建立的模式识别模型的气体识别与分析结果准确性下降。
传统的软测量模型利用一组化学传感器阵列的输出信号，经过信号预处理模块对化学传感器阵列信号执行去基线处理，减少传感器漂移的影响。模式识别模型利用特征提取方法对目标气体的浓度信息进行描述，再利用恰当的回归模型对混合气体的浓度进行估计。如果化学传感器阵列发生故障，会导致后续模式识别模型对存在故障信息的阵列信号产生错误的识别与分析结果。因此，传统化学传感器阵列软测量模型的可靠性较差。
发明内容
本发明的目的是：针对现有技术中传统化学传感器阵列软测量模型准确率差的问题，提出一种高鲁棒性化学传感器阵列软测量方法。
本发明为了解决上述技术问题采取的技术方案是：
一种高鲁棒性化学传感器阵列软测量方法，包括以下步骤：
步骤一：将化学传感器阵列分成g个子传感器阵列，所述化学传感器阵列中各类传感器数量一致；
步骤二：采集每个子传感器阵列的输出信号组成训练样本集；
步骤三：针对每个子传感器阵列的训练样本，利用主成分分析法进行特征提取，得到每个子传感器阵列的特征集；
步骤四：利用特征集对子传感器阵列的回归模型进行训练；
步骤五：利用训练好的各子传感器阵列的回归模型对测量样本进行测量，并选取将各子传感器阵列的回归模型测量结果的中位值作为最终的测量结果。
进一步的，所述步骤三中利用主成分分析法进行特征提取的具体步骤为：
假设
步骤三一：针对传感器阵列中每个传感器的输出信号进行漂移补偿；
步骤三二：对漂移补偿后的子传感器阵列进行标准化，得到矩阵X*；
步骤三三：计算矩阵X*的协方差矩阵∑；
步骤三四：根据得到的协方差矩阵执行奇异值分解：
步骤三五：根据奇异值分解后的协方差矩阵∑，利用累积方差百分比得到主成分的个数k；
步骤三六：根据确定的主成分个数k，确定载荷矩阵
步骤三七：利用载荷矩阵
步骤三八：利用映射矩阵C进行特征提取：
其中，
进一步的，所述步骤三一通过分式差分法进行漂移补偿。
进一步的，所述分式差分法进行漂移补偿表示为：
xi＝(Vimax-Vimin)/Vimin
其中，Vimax表示传感器响应信号的最大输出电压，Vimin表示传感器响应信号的最小输出电压。
进一步的，所述步骤三二中矩阵X*表示为：
其中，Xi表示Xn×p的列向量，E(Xi)表示列向量均值，D(Xi)表示列向量的方差，i＝1,2,...p，p为子传感器阵列中传感器的个数。
进一步的，所述步骤三三中协方差矩阵∑表示为：
进一步的，所述步骤三四中根据得到的协方差矩阵∑执行奇异值分解表示为：
∑＝VΛVT
其中Λ表示一个对角矩阵，其对角线位置包含协方差矩阵∑的特征值λi，且以降序排列λ1≥λ2≥...≥λm≥0，V由∑的特征向量组成。
进一步的，所述步骤三五中利用累积方差百分比得到主成分的个数k表示为：
当CPV值大于90时，k的值为主成分的个数，其中trace表示矩阵的迹数。
进一步的，当CPV值大于90％，且小于95％时，k的值为主成分的个数。
进一步的，所述载荷矩阵
其中，uk表示选取得到的k个主成分对应的∑的特征向量。
本发明的有益效果是：
本发明提出了一种高鲁棒性化学传感器阵列软测量模型，具有良好的化学传感器的容错性，提升电子鼻系统的长期工作条件下的准确性和稳定性。本发明提出一种高鲁棒性化学传感器阵列软测量模型，该模型能够在化学传感器阵列中存在故障气敏传感器的情况下，保持电子鼻系统对气体识别与分析结果的准确性。
附图说明
图1为传统化学传感器阵列软测量模型框图；
图2为本发明高鲁棒性化学传感器阵列软测量模型框图；
图3为基于MOS气体传感器阵列的电子鼻系统框图。
具体实施方式
具体实施方式一：参照图具体说明本实施方式，本实施方式所述的一种高鲁棒性化学传感器阵列软测量方法，包括以下步骤：
步骤一：将化学传感器阵列分成g个子传感器阵列，所述化学传感器阵列中各类传感器数量一致；
步骤二：采集每个子传感器阵列的输出信号组成训练样本集；
步骤三：针对每个子传感器阵列的训练样本，利用主成分分析法进行特征提取，得到每个子传感器阵列的特征集；
步骤四：利用特征集对子传感器阵列的回归模型进行训练；
步骤五：利用训练好的各子传感器阵列的回归模型对测量样本进行测量，并选取将各子传感器阵列的回归模型测量结果的中位值作为最终的测量结果。
在本申请中，申请所针对的是传感器阵列中各类传感器数量一致的传感器阵列，在将传感器阵列分成多个子传感器阵列时，如传感器阵列共有12个，4类，每类3个传感器，那么可将传感器阵列分为3个子传感器阵列，每个子传感器阵列中包含4类传感器各一个。
传统化学传感器阵列软测量模型
如图1所示为传统化学传感器阵列软测量模型框图。可见，传统的软测量模型利用一组化学传感器阵列的输出信号，经过信号预处理模块对化学传感器阵列信号执行去基线处理，减少传感器漂移的影响。模式识别模型利用特征提取方法对目标气体的浓度信息进行描述，再利用恰当的回归模型对混合气体的浓度进行估计。如果化学传感器阵列发生故障，会导致后续模式识别模型对存在故障信息的阵列信号产生错误的识别与分析结果。因此，传统化学传感器阵列软测量模型的可靠性较差。
高鲁棒性化学传感器阵列软测量模型
本专利提出一种高鲁棒性化学传感器阵列软测量模型，该模型能够在化学传感器阵列中存在故障气敏传感器的情况下，保持电子鼻系统对气体识别与分析结果的准确性。如图2所示为提出的高鲁棒性化学传感器阵列软测量模型框图。
化学传感器阵列通常采用不同类型的化学传感器组成并且每种类型的传感器具有硬件冗余。根据化学传感器阵列的上述性质，在对化学传感器阵列信号进行采集和信号预处理之后，将根据化学传感器的种类组成虚拟化学传感器阵列。虚拟化学传感器阵列分为多个子传感器阵列，为了保证每个子传感器阵列能够具有更好的广谱响应特性，每个子传感器阵列都由不同的化学传感器组成。通过每个子传感器阵列获取足够的训练样本集，并构建各自的模式识别模型。求取不同模式识别模型对目标气体的估计值，并选择其中的中位值作为软测量模型的结果输出。当化学传感器阵列中存在故障传感器，会导致包含故障传感器的子传感器阵列的分析结果偏离其他模式识别模型的分析结果。为了提升模型的鲁棒性，本发明采用各模式识别模型的中位值作为化学传感器阵列的分析结果输出。
基本步骤
高鲁棒性化学传感器阵列软测量模型的基本步骤如下所述。
(1)由于化学传感器存在温度效应带来的漂移，为了减少漂移的影响，采用分式差动法对传感器漂移进行补偿。利用分式差分法针对每个化学传感器进行信号预处理如式(1)所示。
xi＝(Vimax-Vimin)/Vimin (1)
其中，xi表示化学传感器经信号预处理后获得的处理结果，Vimax表示传感器响应信号的最大输出电压，Vimin表示传感器响应信号的最小输出电压，Vi表示传感器响应信号的某一时刻值。
(2)假设化学传感器阵列由n个化学传感器组成，且一共采用了g种不同的化学传感器，则可以根据提出的方法将化学传感器阵列分成m个子传感器阵列，构成虚拟化学传感器阵列，可知n＝m·g。
(3)根据实验计划利用不同浓度的被测气体进行样本采集实验，针对不同的浓度进行独立实验，获得每个子传感器阵列对应的训练样本集。
(4)利用主成分分析法(PCA)实现特征提取。针对每个子传感器阵列的训练样本，假设子传感器阵列由p个传感器组成，子传感器阵列的每个训练样本由n个预处理后的测量值组成Xn×p。对Xn×p进行标准化处理获得标准化后的矩阵X*，
其中，Xi表示Xn×p的列向量，E(Xi)表示列向量均值，D(Xi)表示列向量的方差。
通过PCA可以将X分解为
其中，
载荷矩阵
计算X*的协方差矩阵Σ，
对协方差矩阵Σ进行奇异值分解(SVD)，
∑＝VΛVT (5)
其中，Λ为由协方差矩阵Σ特征值按照降序排列获取(λ1≥λ1≥λ2≥...≥λm≥0)组成的对角矩阵，V由协方差矩阵Σ所有特征值对应的特征向量构成。
采用累积方差百分比(CPV)选取主成分的最优个数，
利用U前k个列向量组成载荷矩阵
通过特征提取获得了每个子传感器阵列的特征集，利用特征集对子传感器阵列的回归模型进行训练。本发明采用多变量相关向量机(MVRVM)、相关向量机(RVM)、最小二乘支持向量机回归(LS-SVR)作为混合气体浓度分析模型，MVRVM回归模型的基本原理可以参考文献[1]Thayananthan A,Navaratnam R,Stenger B,et al.Multivariate relevancevector machines for tracking[C]//European conference on computervision.Springer,Berlin,Heidelberg,2006:124-138.[2]THAYANANTHANA A.Template-based Pose Estimation and Tracking of 3D Hand Motion[D].Dissertation ofCambridge University.2005:103-124.
利用训练完成的各子传感器阵列的回归模型对测量样本进行分析，可以获得样本中不同气体的浓度值。为了降低故障传感器对电子鼻系统的性能，选取所有子传感器阵列测量值的中位值作为系统的输出。
实施例
图3所示的是基于MOS气体传感器阵列的电子鼻系统框图，该系统主要由MOS气体传感器阵列、数据采集卡、电源、质量流量控制器及PC机组成。MOS气体传感器阵列由16个日本FIGARO公司生产的TGS系列商用MOS气敏传感器组成，具体型号与装配数量如表1所示。
通过相应的测量电路可以将被测量信息转化为模拟信号。数据采集卡连接于PC机，采用NI公司生产的USB-6251，对MOS气体传感器阵列输出的16路模拟信号进行采集。MOS气体传感器阵列放置于一个容积1L的密闭有机玻璃气室中。采用+5V直流电源对MOS气体传感阵列的气敏材料加热，使得气敏传感器能够与被测气体/气味进行充分反应。甲烷(CH4)和一氧化碳(CO)气体被选为目标气体样本，通过两个质量流量控制器控制两种气体在气室中的体积分数。MOS气体传感器阵列自确认方法程序在主频2.27Hz，内存4G，32位Window 7操作系统下的PC机上运行。表2为实验系统采集的混合气体实验样本。以上实验每种浓度的MOS气体传感器响应数据样本都是进行五次独立重复实验获得的。
表1装配于气体传感器阵列的MOS气敏传感器
表2混合气体实验数据样本
以MOS气体传感器阵列中16号TGS2620型MOS气敏传感器出现加热电压断路故障为例，此时该气敏传感器由于缺少足够的工作温度，导致气敏材料不能够与被测气体进行化学反应，使得MOS气体传感器发生恒定输出故障。表3表示不同回归模型在恒定输出故障下的浓度估计的凭据相对误差。可见，在恒定故障情况下电子鼻实验系统的识别与检测性能均有下降，特别是气体浓度检测精度有显著下降。表4为使用本专利方法的不同回归模型在恒定输出故障下的浓度估计的平均相对误差。可见，本专利提出的高鲁棒性化学传感器阵列软测量模型能够显著提升电子鼻系统的分析结果的可靠性和准确性。
表3不同回归模型在恒定输出故障下的浓度估计的平均相对误差
表4使用本专利方法的不同回归模型在恒定输出故障下的浓度估计的平均相对误差
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。
