英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

毕业论文(设计)

英文文献翻译

英文题目 Online decorrelation of humidity and temperature in

chemical sensors for continuous monitoring

中文题目 化学传感器中湿度和温度的在线关系

用于连续监测

化学传感器中湿度和温度的在线关系，用于连续监测

Ramon Huertaa, *, Thiago Mosqueiroa, Jordi Fonollosab, c, Nikolai F Rulkova, Irene Rodriguez-Lujand

摘要：提出了一种利用环境湿度和温度变化对化学传感器信号进行在线装饰的方法。其目标是通过同时读取环境湿度和温度的数据来提高电子鼻子测量的准确性。本研究的电子鼻安装包括8个金属氧化物传感器，温度和湿度传感器和无线通信连接到外部计算机。这款无线电子鼻用于在一个作者的住宅中监测空气长达两年，在537天内连续收集数据，采样率为每秒1次。为了估计空气湿度和温度变化对化学传感器信号的影响，我们使用了标准能量带模型，用于n型金属氧化物(MOX)气体传感器。该模型的主要假设是，在外部湿度和温度变化的情况下，传感器电导率的变化可以表示为半导体能量带变化的非线性函数。将该模型与所收集的数据相吻合，我们证实了最具统计意义的因素是湿度变化和温度和湿度的相关变化。这个简单的模型在确定R2接近1的系数时达到了非常好的精度。为了说明湿度-温度修正模型对气体识别的作用机理，我们构建了一个基于香蕉、葡萄酒和基线反应的网络识别模型。这表明模式识别算法通过包括化学传感器的滤波信号来提高性能和可靠性。

关键词：电子鼻；化学传感器的湿度；温度解相关；无线氧化物电子鼻传感器；能源带模型家庭监控。

1介绍

众所周知，电导化学传感器对环境中的湿度非常敏感[1-11]。这种交叉敏感性挑战了在不受控制的情况下识别和量化挥发物的任务。例如，电子鼻可用于人类的监测目的[12-17]。事实上，他们已经成功地量化了在航天飞机模拟器中工作的人数[18]。在这种情况下，该算法使用的主要信号可能是在某个给定时间内估计在场人数的主要信号是房间的湿度。

通过湿度和温度变化的反应，可以得到一个更清晰的化学信号，这可以促进更复杂的监测任务，如识别个体[19]。这个敏感问题的一个可能的解决方案是设计一个特殊的感应室，它控制湿度，并在预先设定的条件下将气体输送给传感器[8,18,20,21,22]。这样的预处理腔对于信号的改善是有效的，但是它们的使用增加了在连续监测环境中应用的电子鼻设计的成本[14]。另一种方法是建立一个模型，该模型预测传感器电导的变化是湿度和温度变化的函数[5,8,23,24]。

传感器灵敏度的现象学模型是传感器电阻的比值取决于气体浓度的幂律[25]。该模型提供了在已知和受控条件下的准确预测。然而，由于环境的变化，它变得不准确。基于人工神经网络的修正方法[8]利用现有和过去的输入特征值被证明是成功的，缺乏对基础过程的解释。从另一方面来说，基本模型能够准确地捕捉到湿度变化下电阻的动态变化[23]。在这些模型中，参数的数量并不大，但是模型参数依赖于向传感器提供的气体。因此，在连续监测系统中，在空气中存在复杂的气体混合物的情况下，根据湿度和温度变化对传感器读数进行适当的修正确实具有挑战性。

在这项工作中，我们提出了一种在线方法来减少MOX传感器响应中湿度和温度的变化，并证明该方法提高了模式识别算法在鉴别不同化学特征上的性能。我们首先开发了一种基于n型半导体能量带的模型，该模型适用于低功率微控制器(德州仪器MSP430F247)。然后我们利用这个模型的预测来减去由于湿度和温度变化而引起的变化。我们使用一个由8个MOX传感器组成的无线电子鼻，在其中一个作者的住宅中收集了537天的数据，并显示出我们的模型能够预测所有的MOX传感器，其系数R2大于0.9。由于电子鼻有几个不可预知的条件(房屋清洁、无线连接问题等)，这个数据集代表了在家庭监控场景中出现的各种各样的事件。为了评估对不稳定身份的在线识别的影响，我们创建了一个小数据集，包括将电子鼻子暴露在两种截然不同的刺激中:葡萄酒和香蕉。我们表明，使用与原始时间序列相结合的与装饰相关的数据，可以显著提高识别性能。对于任何一个电子鼻子系统来说，这是一个至关重要的任务，如果你想在不同的环境条件下，根据它们的化学特征来描述或检测事件。

2传感器与湿度和温度的关系的例子。

在图1中，我们展示了一个典型的湿度问题，利用化学传感器进行连续监测。我们安装的电子鼻是由8个金属氧化物(MOX)传感器，以及温度和湿度传感器组成。在我们的风洞研究中，该平台曾用于识别不同位置的10种气体[26]。由于之前的调查，我们知道我们可以准确地辨别气体，并估计在ppm范围内的气体浓度[27]。图1所示的时间序列是在2014年10月的一个正常工作日内获得的，在一个作者的住所。

上面的面板显示了全天的湿度，x轴表示一天的时间。例如，早晨5点半左右的湿度第一次上升相当于早晨的阵雨。早上6点半左右，湿度突然下降，表明浴室的窗户打开了，下午5点的变化与家人回家的那一刻有关，而后院的门也被打开了。第二个面板显示的是我们用TE表示的电子鼻位置的温度，以区别于传感器加热器的温度。这个住宅没有任何空调系统或加热器在此期间运行。

从这张图可以清楚地看出，湿度和温度的环境变化往往是相互关联的。MOX传感器的测量电阻值显示在四个底部面板中。虽然传感器板由8个MOX传感器组成，但在这里我们只提供其中4个传感器的记录，因为剩余的传感器与所显示的传感器高度相关。湿度变化会严重影响传感器的电阻变化。

图1所示。在某天使用由8个MOX传感器组成的无线电子鼻，包括湿度和温度传感器来记录的例子。第一个面板显示了湿度值，第二个面板是外部温度，然后是4个不同的MOX传感器的阻力值。

温度，如预期的广泛文献[1-11]。尽管如此，整个数据集还包括了一些例子，其中MOX传感器的变化不能仅从湿度和温度的变化来解释，因为环境中也存在对传感器反应产生影响的化学变化。如前所述，我们的目标是找到一种方法，将MOX传感器从湿度和温度中重新定位，并显示这可以改善模式识别任务，例如识别气体识别。

3设计无线电子鼻。

在本节中，我们描述为家庭监控目的设计的电子鼻。该传感器阵列基于Figaro公司提供的8个金属氧化物气体传感器，传感器基于6个不同的敏感表面，被选择来增强系统的选择性和灵敏度。表1显示了所选的传感元件以及相应的目标化合物。为了控制传感元件之间的可变性，增加传感平台的灵活性，传感器的工作温度可以通过对每个传感器中内置的独立可达加热元件施加电压来调节。湿度和温度传感器使用敏感元件SHT75集成在电路板上。该设备与M-Pod非常相似[24]，但我们的设备直接由任何电源插座供电，在很长一段时间内连续记录。

传感器阵列集成了一个定制的板，其中包括微处理器MSP430F247(德州仪器公司)。在表1为无线电子鼻选择的传感器设备(由Figaro公司提供)

图2显示了操作电子鼻。该微控制器被编程执行以下操作:i)连续数据采集从8个化学传感器通过一个12位的分辨率模数转换器(ADC)设备采样率为100 Hz;2)通过10 ms周期和6 V振幅脉冲宽度调制(PWM)驱动信号控制传感器加热器温度;(三)与另一设备进行双向通信，将采集到的数据从传感器中传输，并控制传感器加热器中的电压。传感器板通过USB和/或4针连接器(Tx, Rx, Gnd, Vcc)提供串行数据通信给另一个设备。

无线通信模块作为MSP430F247微控制器和网络之间的桥梁。与MSP430F247单片机的通信是通过UART端口进行的，而与网络的通信是通过无线方式进行的。该委员会的基础是一个WiFly RN-131G无线电模块，包括在RN-134冲浪板(Roving Networks Inc)。WiFly模块包含2.4 GHz的无线电、处理器、完整的TCP/IP堆栈、实时时钟、FTP、DHCP、DNS和web服务器。

该模块可以通过RS-232串口(9600默认波特率)或802.11无线网络访问，从而可以修改其配置。无线通信模块配置为接收UDP和TCP连接，微处理器的baud速率设置为115200，使其可以与MSP430F247单片机交换数据，并使用外部4“反向极性天线”来增加传输功率。

4传感器响应的在线模型。

n型半导体的能量带模型描述了在曝光、RI和曝光后的传感器电阻的变化，作为半导体能量波段变化的非线性表达[1,2]。能量带的变化取决于湿度和气体外部温度的变化，这调节了整个转导。如果我们表示功函数变化计算后,功函数之间的差异在曝光之前,我们表达了电子亲和力改变整个传导可以表示为

其中，kB是玻尔兹曼常数，T是由内置传感器加热器控制的传感器工作温度。传感器温度不是恒定的，因为它是由外部温度调节的。为了能够构建适合数据的基本模型，我们做出如下假设。我们假设外部湿度、DH = h和外部温度变化(DTE = t)的相对变化足够小。我们还假设在环境变化过程中化学成分保持不变。这一假设很重要，因为众所周知，湿度的变化会引起能量的非线性变化[4]。在这些假设条件下，我们可以将Eq.(1)的转导重写为

gt; 0是一个无量纲因子，反映了外部温度对传感器的影响。

因为传感器板是基于德州仪器MSP430F247的微控制器，它只能执行简单的数学运算，我们现在考虑的是Eq.(2)在DH和DT中的第二顺序。这就消除了Eq.(2)中的大部分非线性问题，但是没有过度简化模型。我们分别在每个传感器的第5节中研究了这种近似的有效性。因此,

图2所示。传感器板集成了8个MOX气体传感器(Figaro)和空调电子和温度和湿度传感器(敏感体)。数据通过无线通信委员会(Roving Networks)传输。

表2在Eq.(5)中定义模型的结果，在预测中误差的均方根(RMS)始终保持在3.0以下，而确定R2的系数始终在0.9以上。我们还表明,该系数b1、b2、b3和为每个传感器安装,连同他们的信噪比(se(X)代表标准错误(X)。所有b参数统计学意义(*),假定值低于10minus;10。

注意, ,因为没有湿度和温度的变化对我们的采样时间尺度。简化的模型为

因此，我们将以下模型与数据相匹配。

因此，我们的模型只有三个参数: , 和。特别是, 和有相反的迹象和他们相关的这意味着的比值随着传感器温度的升高而变小。

5结果

我们将Eq.(5)中定义的模型拟合为537天(从2013年2月17日到2015年6月5日)，将时间序列采样到每分钟一个数据点和每个传感器。传感器1-4的加热器总是保持在相同的工作电压下，而传感器5则保持在相同的工作电压下。控制在一个协议下，保证传感器的响应始终保持在相同的值范围内。表2总结了能量带模型的有效性和统计意义:模型所达到的精度，由确定R2的系数来衡量，所有传感器的准确率都在90%以上，所有的模型系数都具有统计学意义。具有固定加热器温度的传感器(即传感器1 - 4的性能优于使用加热器温度的传感器。、传感器5 - 8)。在最坏的情况下(传感器8)，R2中的差值接近10%。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24215]，资料为PDF文档或Word文档，PDF文档可免费转换为Word