基于小波特征提取的气体传感器温度调制模式研究*

孙 晶, 赵寒涛

(1.黑龙江省科学院智能制造研究所,黑龙江 哈尔滨 150090；2.黑龙江省科学院高技术研究院,黑龙江 哈尔滨 150020)

0 引 言

随着传感器技术的不断发展,气体传感器的选择性、稳定性成为制约其发展的瓶颈。针对以上问题有人提出了电子鼻技术,即用多个不同传感特性的传感器组成传感器阵列,但增加传感器元件个数势必会加大整个系统的功耗和体积,不利于工程的应用以及商用便携式气体传感器的发展。如何利用一个传感器通过自身的传感特性制定有效的检测方法成为研究的热点。

经研究表明气体传感器的气敏特性受器件温度的影响和控制,在不同工作温度范围内对不同气体的响应有所不同。因此,可将气体传感器调制在不同的温度模式下,测试传感器在给定温度模式下对不同气体的动态响应信号,再结合信号处理技术,达到对气体识别、分类和量化的目的[1]。气体传感器温度调制模式技术种类繁多,但对某些气体温度调制模式优化选择问题尚没有准确的定论。

本文只选用一个微热板式气体传感器研究了多个周期和幅度的正弦波、矩形波、三角波、锯齿波等温度调制模式对可燃性气体的响应,通过小波变换提取其低频系数作为气体响应特征并结合主成分分析(principal compoent analysis,PCA)和概率神经网络(probabilistic neural network,PNN)对气体进行识别。

1 实 验

微热板式气体传感器具有加热功率低,热响应速度快,与集成电路工艺兼容等优点,在温度调制模式研究中有着独特的优势。所以,选取以 Pt/SnO2敏感薄膜的微热板式气体传感器作为测试对象。使用气体传感器自动测试系统测试传感器的动态响应[2],为了使气体传感器响应平稳,测试开始之前需要先对微热板式传感器进行预热。然后使用程控电源配置传感器的加热电源,调制电压和调制波形。控制调制电压波形为正弦波、矩形波、三角波和锯齿波等4种常见波形,选择200～300 ℃,100～300 ℃,0～300 ℃,150～350 ℃等4种温度调制范围,8种调制周期分别设计为4,10,20,30,40,50,60,80 s,共128种温度调制模式[3]。

实验1相同体积分数下,气体不同温度调制模式研究,即在多种不同温度调制模式下分别测试传感器对3 000×10-6的甲烷(CH4),150×10-6的一氧化碳(CO),15×10-6的乙醇以及清洁空气的响应。

表1 温度调制模式实验的设置

实验2不同体积分数气体相同温度调制模式研究。通过实验1寻找最优温度调制模式,并在此模式下对不同体积分数的CO、CH4和乙醇之间进行分类,每种气体分别选择了4种体积分数进行测试。具体气体体积分数设置:CO体积分数分别为20×10-6,40×10-6,60×10-6,80×10-6；CH4分别为500×10-6,1000×10-6,1500×10-6,2000×10-6；乙醇分别为4×10-6,8×10-6,12×10-6,16×10-6。

气体测试流程：首先通入洁净空气清洗测试腔12 min,然后依次通入不同浓度CH4各6 min,洁净空气清洗测试腔 9 min,依次通入不同浓度CO各6 min,洁净空气清洗测试腔9 min,依次通入不同浓度乙醇各6 min,洁净空气清洗测试腔9 min。对以上步骤重复性测试4组。

图1 CH4、CO、空气、乙醇四种气体温度调制模式原始信号

如图1,为几种温度调制模式下4种气体响应曲线。可以看出,在4种不同温度调制模式下4种气体响应曲线差异明显。

2 算法设计

首先对气体测试的数据进行预处理,然后依次对预处理好的每个周期的不同气体数据进行4层db4小波分解,然后提取小波系数作为气体的初步特征。提取的初步特征数据量大,势必影响整个算法的效率。因此对气体初步特征进行PCA,根据主元的贡献率大小值进行排序并选取前三个主元作为气体新的特征[4]。其中,若前三个主元贡献率之和小于85 %,则表明这三个主元不能充分表达出原气体响应数据的信息,故舍去这组气体测试数据。最后把新组成的特征向量输入进概率神经网络,即可得出被测气体的识别率。

本文选用的是具有正交性的db4小波,不仅可以将信号分解到无重叠的子频带上,而且可以高效进行离散小波变换,同时具有较好的平滑性和数值稳定性,有利于后续的小波分析[4]。

图2显示了CH4,CO,清洁空气以及乙醇4种气体最后100 s样本在0～300 ℃正弦波、三角波、方波、锯齿波10 s周期温度调制下4层db4小波分解的12个低频系数。可以看出,分解后其低频小波系数在要区分的气体之间差异明显,因此只需要把这12个小波特征提取出来作为气体的初步特征再结合PCA和PNN算法进行分析。

图2 小波分解低频系数

3 结果分析

3.1 相同体积分数气体不同温度调制模式分析

首先选取表2实验1中的气体体积分数配置,然后对表1所列的包括 4 种波形( 正弦波、矩形波、三角波、锯齿波),4 种幅度( 200～300 ℃,100～300 ℃,0～300 ℃,150～350 ℃),8种周期[5](T=4,10,20,30,40,50,60,80 s) 共128种模式调制设置下得到的所有实验数据处理,绘制PNN识别率差异图,结果见图3～图6。

图3给出了传感器在正弦波模式调制下对CH4、CO、清洁空气和乙醇4种气体在8个周期下的PNN识别率。可以看出,在0～300 ℃和200～300 ℃温度范围具有相似之处,在10s周期后随着周期的增长识别率逐渐降低。其中,在0～300 ℃温度范围对4种气体的识别率明显高于其他温度范围,在100～300 ℃和150～350 ℃温度范围对四种气体识别率随着周期的增长识别率逐渐升高并趋于平稳。

图3 4种气体正弦波调制下PNN识别率

图4给出了传感器在方波模式调制下对CH4、CO、清洁空气和乙醇4种气体在8个周期下的PNN识别率。可以看出,在200～300 ℃和0～300 ℃温度范围随周期的增长对4种气体的识别率走势相似且呈下降之势,其中在200～300 ℃温度范围对4种气体的识别率明显高于其他温度范围,而在0～300 ℃温度范围对4种气体的识别率低于其他温度范围。在100～300 ℃和150～350 ℃温度范围对4种气体的识别率也具有相似之处,在40 s周期之前呈下降趋势,在40 s周期之后呈上升趋势。

图4 4种气体方波调制下PNN识别率

图5给出了传感器在三角波模式调制下对CH4、CO、清洁空气和乙醇4种气体在8个周期(T=4,10,20,30,40,50,60,80s)下的PNN识别率。

图5 4种气体三角波调制下PNN识别率

可以看出,在0～300 ℃的温度范围对4种气体的识别率明显高于其他温度范围,且随着周期的增长识别率逐渐增高,而在150～350 ℃的范围对4种气体识别率随着周期的增长识别率逐渐降低。在100～300 ℃的范围对4种气体识别率较低且随周期增长逐渐趋于平稳。在200～300 ℃的范围对4种气体识别率较低且随周期增长呈现不同的走势[4]。

图6给出了传感器在锯齿波模式调制下对CH4、CO、清洁空气和乙醇4种气体在8个周期下的PNN识别率差异图。可以看出,在4种温度范围内对4种气体的平均识别率均高于正弦波、三角波和方波调制的结果[6～8]。其中,在200～300 ℃温度范围对4种气的识别率明显高于其他3种温度范围,且随着周期的增长识别率呈现下降趋势。在100～300 ℃温度范围对4种气体的识别率随着周期的增长呈上升趋势。在0～300 ℃和150～350 ℃温度范围对4种气的识别率相比另外2种温度范围略低一些,且随着周期的增长识别率趋于下降趋势。

图6 四种气体锯齿波调制下PNN识别率差异

3.2 相同温度调制模式不同浓度气体分析

由图7可知,3种可燃性气体在100～300 ℃锯齿波80 s周期调制下识别率较高。所以控制传感器在100～300 ℃对3种不同浓度可燃性气体使用锯齿波80 s周期温度调制来进行测试。如图7,可以看出3种可燃性气体在不同浓度下依旧可以分类。

图7 三种可燃性气体不同浓度气体间分类结果

4 结束语

本文提出了基于小波特征提取的温度调制信号处理技术。通过对CH4,CO以及乙醇3种可燃性气体温度调制后的信号进行分析,发现了几种最佳温度调制模式。本文提出的小波特征提取方法易于实现,结合几种最佳温度调制模式,可以推广到其他气体的识别和研究。