弱化溫濕度變化對氣敏傳感器影響的方法探究

劉耀杰，劉獨玉

(西南民族大學 電氣信息工程學院，四川 成都 610041)

0 引言

金屬氧化物氣敏傳感器中的金屬氧化物部件暴露于特定化學氣體成分環(huán)境下，電導率會發(fā)生變化，金屬氧化物氣敏傳感器通過實時測量金屬氧化物部件的電導率，實現實時檢測識別特定化學氣體成分的功能[1-5]。然而金屬氧化物部件的電導率也會受到環(huán)境溫度、濕度的影響[6]，這給金屬氧化物氣敏傳感器在復雜多變的外界環(huán)境下快速穩(wěn)定地識別化學氣體成分帶來了一定的困難。到目前為止，金屬氧化物氣敏傳感器已經廣泛應用于人類社會，例如有毒有害氣體監(jiān)測、食品質量檢測等[6-9]。但是當前廣泛應用的氣敏傳感器工作環(huán)境溫濕度變化情況基本上都很小，在溫濕度變化劇烈的場景下，氣敏傳感器的工作效果并不理想。文獻[10]和[11]中提出了一種金屬氧化物傳感器輸出值與環(huán)境溫度、濕度的能帶模型，可以有效解釋金屬氧化物傳感器輸出值與環(huán)境溫度、濕度之間的關系。

本文在該模型公式的基礎上，對該公式做了一定的拆解和近似變換，提出一種擬合實時溫濕度及其變化對傳感器輸出值產生的影響的模型函數φht，通過模型函數φht可以推算實時溫濕度及其變化對傳感器輸出值產生影響的偏差值序列，利用計算得到的偏差值序列校正傳感器輸出數據，以期望去除溫濕度與傳感器輸出值之間的相關關系，增強金屬氧化物傳感器系統(tǒng)在不同溫濕度環(huán)境下的氣味識別性能。

目前廣泛使用的利用氣敏傳感器輸出值進行氣體識別監(jiān)測的建模方法主要有兩種：第一種方法利用傳感器輸出值與特定氣體成分濃度的對應關系，直接對傳感器輸出值設定閾值，傳感器輸出值越過閾值時直接判定環(huán)境中存在該種氣體(成分)，目前廣泛應用于有毒有害氣體監(jiān)測、食品質量檢測等多個領域。但是此方法存在明顯的缺陷：(1)對環(huán)境的穩(wěn)定性要求高，在溫濕度、聲光電等多種環(huán)境因素較為穩(wěn)定的情況下工作良好，而在環(huán)境快速變化的工作場景下工作性能欠佳。(2)只能有針對性地識別特定氣體成分，通過氣體成分識別進一步推斷產生氣體的物體情況，需要在特定應用場景下針對特定物體才能正常工作，對于識別由多種氣體成分混合成的物體氣味以及通過物體氣味進一步判斷物體狀態(tài)，例如識別多種食品及判斷食品質量、腐敗程度等無能為力。第二種方法利用機器學習的多種監(jiān)督學習算法，基于歷史樣本數據集，監(jiān)督學習算法通過提取樣本集先驗知識擬合出一個模型函數，該方法可以有效利用樣本集中多維度特征對于識別目標表現的相關性信息，應用于未知表現的樣本預測之中。經過大量實踐證明效果良好。但是機器學習方法本身存在固有的缺陷為模型函數的可解釋性較差，黑箱模型意味著一定程度上的不可控性[12]，無法準確判斷模型函數內部的工作機理及穩(wěn)定性，也無法準確得出模型函數的正常工作有效值范圍。

空白場景下氣敏傳感器陣列采集到的數據變化基本只受到傳感器工作環(huán)境溫濕度變化的影響，排除了目標物對氣敏傳感器輸出值的影響，故本文計劃利用空白場景組數據來擬合反映溫濕度與金屬氧化物傳感器輸出值之間相關關系的模型函數φht變換參數，將已經得到擬合參數的模型函數應用于香蕉和葡萄酒組傳感器陣列數據，變換后的數據作為監(jiān)督訓練建模與測試用樣本集，得到最終分類模型和模型評價效果(分類準確率)，通過模型評價效果(分類準確率)來評判模型函數φht對于弱化環(huán)境溫濕度與金屬氧化物氣敏傳感器輸出值相關性的效果。

本文采用了監(jiān)督學習中最基礎的邏輯回歸方法作為擬合訓練樣本集的機器學習算法，該算法來自于線性回歸應用于分類任務的變種，算法結構簡單，脫胎于線性回歸算法，算法計算過程和原理清晰，訓練得出的模型數據結構簡單，因而模型的可解釋性相對較好，是現有各種監(jiān)督學習分類算法中最能反映訓練樣本集質量好壞的算法之一。

1 數據集簡介

為充分研究溫度、濕度、氣敏傳感器陣列與分類目標識別效果之間的關系，本文分析了一份具有大量氣敏傳感器陣列和溫濕度信息的數據集[13]，該數據來源于網上開源數據集，該份數據集在收集過程中設計了一個金屬氧化氣敏傳感器陣列，包括8個金屬氧化物氣敏傳感器(R1-R8)和1個溫濕度傳感器，金屬氧化物氣敏傳感器陣列器件參數說明詳見表1。樣本采集過程中每組樣本連續(xù)采集時間從7 min至2 h不等，平均時間42 min；采樣頻率為1 Hz，采集環(huán)境為室內環(huán)境；每次采集過程中溫濕度都有變化，不存在刻意控制，共計采集100組數據共計919 438條記錄，標記識別目標物體包括三種：香蕉、葡萄酒和空白場景，其中香蕉標記共計33組、葡萄酒標記共計36組、空白場景共計31組。

表1 氣敏傳感器陣列器件說明

2 溫度、濕度與傳感器的實時響應模型

溫濕度會改變金屬氧化物氣敏傳感器金屬氧化物暴露在環(huán)境中部分的電化學性質[10-11]，根據該種傳感器的工作原理，會干擾傳感器在檢測針對性氣體成分過程中的準確性，圖1記錄了一段連續(xù)時間段下空白場景中采集的傳感器陣列中R1、R3、R5、R7四個氣敏傳感器的輸出數值與溫濕度傳感器輸出數值，橫軸標示時間(s)，縱軸分別為各個傳感器的輸出數值。從圖中可以看出溫濕度傳感器輸出值與氣敏傳感器各個子傳感器輸出值之間具有明顯的相關性。

圖1 部分氣敏傳感器與溫濕度傳感器連續(xù)時間內輸出值

文獻[10]和[11]中提出了一種適用于多種半導體傳感器的能帶理論模型，該模型理論證明半導體傳感器的電化學性質受環(huán)境溫度和濕度的影響，并且該理論模型給出了環(huán)境溫濕度對于半導體傳感器電化學性質(電導率)影響程度的準確模型公式：

(1)

式中RI表示傳感器在環(huán)境改變之前的輸出值，RF表示傳感器當前的輸出值，KB為玻爾茲曼常數，T代表當前采樣時刻溫度值，ΔΦ代表傳感器功函數在環(huán)境變化前后的差值，ΔX代表傳感器電子親和性在環(huán)境變化前后的差值。注意該公式成立的條件中隱含傳感器工作環(huán)境溫度不變，而本文需要同時擬合溫度和濕度的變化，在擬合過程中，必然帶來誤差。對本文涉及的實驗過程做兩點假設：(1)傳感器本身的化學性質在實驗數據采集期間不發(fā)生變化；(2)在當前采樣頻率(1 Hz)下，傳感器的溫濕度不發(fā)生突變，只發(fā)生連續(xù)的漸變。

考慮到ΔΦ與ΔX只與環(huán)境濕度變化量有關，記h為當前采樣頻率下濕度相對前一采樣時刻變化量，記φ(h)=ΔΦ-ΔΧ，記ΔR=RF-RI，產生ΔR的時間間隔足夠小，在本文使用數據集采樣頻率下，ΔR即為各個傳感器采集數據序列的差分序列，差分間隔為1 s。變換式(1)為：

(2)

(3)

(4)

在傳感器的溫濕度變化量近似為0的情況下，根據本文中提到的實驗假設(2)，在本文使用數據集的采樣頻率下，式(4)中φ(0)近似等于0。

(5)

(6)

(7)

(8)

式(8)即為本文中使用的傳感器溫濕度實時響應模型的模型函數φht。ΔR序列、h序列可以通過各個氣敏傳感器采樣數據和濕度傳感器采樣數據差分得到，RI、T為各個氣敏傳感器和溫度傳感器在各個采樣時刻得到的采樣值序列。實驗樣本在采集過程中采集了一部分空白場景標識樣本數據，該部分數據中氣敏傳感器輸出值變化基本上只受到環(huán)境溫濕度變化的影響，排除了識別目標物對氣敏傳感器輸出值的影響，本文使用實驗樣本集中空白標識樣本數據擬合α、β參數，得到最終模型函數φht，并應用于全量分類數據的數據預處理過程中。

模型函數φht應用于數據預處理過程時，先使用公式(8)求出待處理傳感器輸出值序列對應ΔR序列，記RI為待處理傳感器輸出值，記R′為經過模型函數φht處理后的傳感器輸出值，則在第n個采樣時刻：

(9)

整個R′序列即為經過弱化溫濕度變化對氣敏傳感器影響這一數據預處理過程完成后的輸出值序列。

3 完整實驗設計流程

(1)本文中使用的數據集的數據來源于傳感器直接輸出的模數值，受限于傳感器陣列元器件性能及數據采集環(huán)境中的各種電磁干擾因素，原始數據中存在一定的噪音，本文中使用時間序列分析中常用的MA模型(滑動平均模型)對全量采樣數據進行第一次數據預處理，MA模型中采用5階平滑，經過處理，原始數據噪音得到改善，見圖2。

圖2 局部和部分時段R2傳感器經過AR模型處理前后輸出值

(2)使用數據集中辨識目標為空白場景的數據擬合模型函數φht中的兩個未知參數α、β，φht中的溫度值T采用當前時間點對應溫度傳感器輸出值。

(3)使用實驗數據集中識別目標標簽為葡萄酒和香蕉的數據作為建模和測試的樣本數據集，將模型函數φht應用于該數據集上以達到去除溫濕度與傳感器陣列輸出值相關性的目的。處理過程中，計算每組樣本各個傳感器除溫度傳感器外的差分值，差分單位為基礎采樣間隔(1 s)。使用差分計算后的數據進入模型函數φht，分別得出各個采樣時間點傳感器陣列中每個金屬氧化物氣敏傳感器輸出值受溫濕度變化產生的偏差值序列，圖3是R1傳感器在一段時間內的傳感器模數值差分序列與使用模型函數φht產生的偏差值序列。理論上傳感器模數值差分序列中同時包含系統(tǒng)噪聲和環(huán)境溫濕度變化帶來的誤差，偏差值序列只包含環(huán)境溫濕度變化帶來的誤差，但在實驗環(huán)境下，由于模型函數φht使用的溫濕度傳感器測量值與傳感器實際工作環(huán)境溫濕度之間存在誤差，模型函數簡化過程中也引入了少量誤差，這些誤差的存在引起偏差值序列在一段時間點上的變化與溫濕度變化不一致。

圖3 R1傳感器在一段時間內的偏差值與溫濕度值

(4)使用各個傳感器對應的偏差值序列對原始數據進行校正，將偏差值序列按照時間順序進行累積求和，產生的計算結果作為糾偏量，序列按照時刻對應關系加在原有數據上，至此使用模型函數φht進行數據校正的工作就完成了。

(5)把經過校正的數據集按照70%、30%的比例劃分為訓練集和測試集，使用邏輯回歸算法進行模型訓練和測試，模型訓練過程中采用十折交叉驗證。

(6)使用只經過第一次數據預處理的數據集作為對照組，按照步驟5進行相同的數據建模流程，得出對照組實驗結果。

4 實驗結果及分析

本文實驗中涉及原始數據清洗后的兩步數據預處理程序，分別為應用自回歸模型(MA模型)進行時間序列平滑處理和應用模型函數φht進行環(huán)境溫濕度變化影響校正。表2是一組連續(xù)采集的原始數據在經過模型函數φht進行數據預處理后，傳感器陣列各個傳感器輸出值序列與溫濕度傳感器輸出值序列的相關系數?？梢钥闯鼋涍^模型函數φht數據校正后，各個傳感器與環(huán)境溫濕度的相關系數都有所下降。

表2 8傳感器經過數據處理前后溫濕度與 輸出值相關系數表

本文實驗中共設計了五組數據樣本集用于邏輯回歸算法建模實驗對照，分別為：只經過自回歸模型進行時間序列平滑處理的數據集(DSFilter)、未經過任何數據預處理的原始數據集(DSOrigin)、先經過自回歸模型進行時間序列平滑處理后經過模型函數φht進行環(huán)境溫濕度變化影響校正的數據集(DSFilter_HT)、只經過模型函數φht進行環(huán)境溫濕度變化影響校正的數據集(DSHT_Origin)、先經過模型函數φht進行進行環(huán)境溫濕度變化影響校正后經過自回歸模型進行時間序列平滑處理的數據集(DSHT_Filter)。

模型訓練過程中訓練集、測試集劃分比例為70%、30%，訓練集中使用十折交叉核驗。模型算法為邏輯回歸算法，算法參數正則化強度(C)設置為1、最大迭代次數(max_iter)設置為100，正則化項(penalty)設置為L2(嶺回歸)。

模型采用的評價指標分別為：十折交叉核驗準確率、測試集準確率、概率標準差、AUC值(受試者工作特征曲線(ROC曲線)線下面積)，全部實驗結果見表3。經過實驗結果對比，發(fā)現：經過模型函數φht進行環(huán)境溫濕度變化影響校正數據集的模型表現相對未經過經過此數據預處理步驟的數據集有較明顯提高。

表3 邏輯回歸算法下兩組實驗結果對比表

通過實驗結果對比分析發(fā)現：經過自回歸模型進行時間序列平滑處理的數據集相對未經過此數據預處理的數據集，沒有明顯的模型評價提升。模型評價最高的數據集是經過兩種數據預處理步驟的數據集，其中數據預處理步驟的先后順序對于模型評價效果基本無影響。基于上述實驗結果對比分析得出本文提出的模型函數φht，對于弱化環(huán)境溫濕度變化對金屬氧化物氣敏傳感器陣列影響，提升目標物體氣味識別率和提升傳感器整列輸出數據質量方面有較明顯的作用。

文獻[14]使用了和本文相同的開源數據集，也在本文中利用的能帶模型公式的基礎上進行了適應性公式變換，利用變換后公式對氣敏傳感器采樣數據與溫濕度采樣數據的相關性信息進行特征提取，將提取的特征作為補充特征加入到原有傳感器陣列特征集中，數據建模過程中利用了支持向量機(SVM)算法，最終獲得了82.6%的十折交叉核驗準確率和80.9%的測試集準確率，相比之下本文提出的弱化溫濕度變化對氣敏傳感器影響的方法在相同的模型評價指標上具有更好的效果。

5 結論

金屬氧化物氣敏傳感器陣列在進行實時目標物氣味識別時，表現出了良好的反應靈敏度和有效區(qū)分度，但也存在固有的缺點和局限性，傳感器陣列在工作中會受到各種系統(tǒng)噪聲和工作環(huán)境變化的影響，其中以環(huán)境溫度、濕度變化影響顯著。

本文嘗試利用金屬氧化物器件的能帶模型公式，經過進一步公式推導變形，找到一個可以反映環(huán)境溫濕度變化對金屬氧化物氣敏傳感器輸出值變化的模型函數，進一步利用先驗知識(空白數據集)擬合氣敏傳感器陣列中各個傳感器器件對應的模型函數參數，形成完整的模型函數。

在本文中通過進行實驗設計，將模型函數應用于數據預處理階段，期望通過這一方式校正環(huán)境溫濕度變化對傳感器輸出值的干擾。最后使用機器學習中的邏輯回歸算法進行監(jiān)督模型訓練，通過模型表現的好壞來評價數據質量。經過實驗對比分析，發(fā)現經過模型函數預處理后的數據集訓練出的模型在分類識別準確率及其他各個評價指標維度上都有所提高，說明本文中提出的模型函數對弱化環(huán)境溫濕度變化對傳感器輸出值的干擾，提升傳感器陣列識別目標氣味的準確率是有效的。

本文中提出的利用模型函數擬合參數應用于數據預處理的方法，只是降低了環(huán)境溫濕度變化對于傳感器輸出值的影響，并沒有徹底消除環(huán)境溫濕度變化與傳感器輸出值之間的相關性，考慮有一個影響因素在本文實驗中尚未涉及：溫度傳感器測量值為環(huán)境溫度，并不是氣敏傳感器金屬氧化物工作部件的溫度，工作部件的溫度除了受到環(huán)境溫度的影響，也受到器件自身工作能耗影響，而且工作部件的溫度對于環(huán)境溫度變化有一定的反應時間，也就是說工作部件的溫度在受環(huán)境溫度變化而變化時，會產生一定的延遲效應，具體的延遲時間(階數)受到環(huán)境導熱率、自身器件導熱率等多種因素的影響，該影響因素的具體作用方式有待進一步研究。