气敏传感器阵列信号漂移补偿和数据自适应辨识方法研究

Machine olfaction system is used to identify gas and measure its concentration by using response of gas sensors, and it has wide application domains, such as environmental protection, food preservation, chemical control and hazardous chemicals management. Due to signal drift of gas sensors, the olfaction system has low accuracy, poor robustness and lack of self-adaptability in odor identification (gas identification and concentration calculation), which leads to poor tracking and locating of the odor source. To these problems, we apply adaptive domain and deep learning to improve the suitability and performance of machine olfaction. The research contents contain: a drift model of sensor signal in complex dynamic environments is researched and the odor information characteristics that are as little as possible influenced by the environment (temperature, humidity, poisoning, etc.) are extracted; considering drift compensation, a new method is proposed, which is used deep neural network and multitask learning to recognize gas classes and estimate concentration; on the basis of the distribution characteristics of the spatial sensor array and the multi-sensor data fusion technology, an effective tracking method for the odor source is proposed in general environment.

机器嗅觉系统是根据气敏传感器的响应来测量气体类型和浓度，在环境保护、食品保鲜、化工控制、危化品管理等领域有重要应用价值。但是，气敏传感器在应用过程中由于漂移的影响，导致其在对气味的辨识过程（气体类别识别和浓度计算）中准确率低、鲁棒性差且缺乏自适应能力，进而导致对气味源的追踪和定位效果差。本项目针对复杂环境中气体类别与浓度计算问题，提出了基于深度学习和自适应域的方法，以提高气体识别和浓度估计的自适应能力和精度。具体来说，课题通过研究传感器信号在复杂变化环境下的漂移模型和气体传感器阵列的优化方法，提取尽可能不受环境（温、湿度变化、中毒等）影响的气味信息特征，研究一种融入在线式漂移补偿机制的自适用多任务辨识方法，并基于空间传感器阵列分布特征，结合多传感器数据融合技术，提出一种在通用环境下对气味源的有效追踪方法。

机器嗅觉系统是根据气敏传感器的响应来测量气体类型和浓度，在环境保护、食品保鲜、化工控制、危化品管理等领域有重要应用价值。但是，由于测试环境的动态变化和气敏传感器自身的老化及中毒等导致的传感器信号漂移，会降低气敏传感器的选择性和敏感性，成为了限制机器嗅觉系统应用的技术瓶颈。针对气敏传感器在应用过程中由于漂移现象而导致其对气味的辨识率低、鲁棒性差等问题，本项目从传感器漂移影响下气味信息的获取与表达、基于传感器阵列的在线式漂移补偿与自适应辨识、基于多传感器信息融合的气味追踪三个方面开展了理论研究和实验研究。针对气敏传感器信号漂移问题，本项目搭建了基于聚合物石英晶体微天平的气敏传感器阵列测试平台，提出了域迁移-漂移模型理论，建立了通用环境下的传感器信号漂移的非线性函数模型，能够最大程度去除随环境变化或时间变化传感器响应信号中的漂移成分；提出了基于深度学习和自适应领域的特征提取方法，从而获得能够容忍一定噪声和漂移的新的鲁棒性强的气味信息特征。针对气体识别及浓度估计问题，本项目设计了一种基于在线式漂移补偿算法，能够通过自我感知和学习实现漂移补偿，提高了算法的自适应能力和鲁棒性，并进而提出了一种融入在线补偿的自适应多任务模式识别方法，能够同时进行气体类别识别和浓度估计。针对气味追踪问题，本项目以空间气味信息为基础，融合嗅觉机器人实时检测的风速、风向和自身位置信息，使得机器人能够自动分析气味源气体分子特性分布，并提出了一种基于最小风险贝叶斯决策的气味源确认方法。本项目提出的基于气敏传感器阵列的漂移补偿和自适应辨识具有重要的科学意义和应用价值，不仅丰富了机器嗅觉中的气体识别和监测方法，而且对模式识别技术、传感器技术等学科和领域的发展具有重要的促进作用。在本项目的资助下，共发表SCI收录论文18篇、EI收录论文1篇，超额完成全部研究任务。