[发明专利]一种气体传感器阵列自适应后融合检测方法

说明书

本发明公开了一种气体传感器阵列自适应后融合检测方法，属于传感器智能检测技术领域，包括数据集准备及预处理；基于深度学习、补偿矫正算法和MASK算子的神经网络模型的构建与训练；采用上述训练好的神经网络模型检测出实际浓度值与阵列传感器件状态。本发明采用后融合算法，首先基于同类型的传感器进行标定补偿和数据融合，再将各类型传感器的融合结果进行最终融合。该融合算法按照不同数据之间相关性的强弱进行分阶段融合，有利于控制算法的复杂度、提升算法的可解释性和执行效率，并降低模型训练过程中对数据集规模的要求。该类算法的成功构建，有助于推进气体传感系统通用性算法框架的构建和自动化的算法优化。

技术领域

本发明属于传感器智能检测技术领域，具体涉及一种气体传感器阵列自适应后融合检测方法。

背景技术

在已注入某一定量气体密封场景下，使用气体传感器检测环境中的气体浓度；气敏传感器基本上都存在预热步骤，气体传感器的气敏单元与气体通过充分化学或者物理反应，产生自身性质变化，通过不同的气敏元件特性设计检测电路，最终将物理或者化学信号转变为电信号。从以上反应特性可得出，气体传感器的测量周期缓慢，并且精度保障存在很大困难。

在传统的气体传感器测量方式是利用下位机收集气体传感器电路发出的电信号的幅值，将幅值时间序列中的平稳值或者峰值设置为当前环境气体浓度值。如图1所示，在碳纳米管气体传感器测量SOF₂和SO₂F₂气体浓度引起的电导幅值变化幅度值可以看出，整个反应过程存在峰值不规则变化现象。该次实验过程持续85h，传统收集时序幅值峰值的做法只能通过无限延长实验周期的方式减少误差，该过程存在耗时、实验结果偏差等问题。

另外，对于阵列传感器选择性实验中，干扰气体的存在始终影响检测的准确性。阵列气体传感器在检测环境中存在一些干扰气体影响的问题。这些干扰气体可能会对传感器产生交叉干扰，导致误报或漏报。因此，为了减小干扰的影响，需要对阵列传感器进行交叉响应的校准。在阵列传感器中，每个传感器都对应着一种特定的气体。当存在干扰气体时，会导致传感器的信号发生变化，进而影响到其他传感器的响应。因此，在测量中需要将干扰气体的影响考虑在内，并进行交叉响应的校准，以保证传感器的准确性和可靠性。

阵列气体传感器存在一些潜在的危害。首先，由于传感器响应时间的限制，可能会出现漏报或误报的情况，导致测量结果不准确。其次，传感器可能会对某些化学物质产生过敏反应，进而导致传感器失效或准确度下降。此外，传感器还可能受到温度、湿度等环境因素的影响，需要对其进行合理的环境调节和维护，以保证传感器的稳定性和准确性。

在传统测量方案中，将干扰气体可以分为两种类型：交叉敏感和干扰背景。交叉敏感是指某种气体成分对其他气体成分响应的影响，而干扰背景则是指环境中存在的其他气体成分对传感器响应的影响。针对这些干扰，采用传感器响应建模法：通过建立传感器响应模型来对干扰气体的影响进行校正，从而提高测量精度。这种方法的优点是能够校正多种干扰气体的影响，但需要大量的数据和计算工作；物理化学方法：利用物理化学方法来去除干扰气体，例如通过化学反应、吸附或分离等方法来减少干扰气体对传感器响应的影响。这种方法的优点是能够去除干扰气体的影响，但需要专门的处理设备和较长的处理时间；多传感器数据融合法：通过使用多个传感器来获取不同气体成分的信息，并将其融合起来得到更准确的测量结果。这种方法的优点是能够提高测量精度和可靠性，但需要使用多个传感器和数据处理技术。由于多个传感器和处理器都存在可能的故障点，系统的稳定性难以保证，也增加了维护成本。并且在气体传感器的选择性验证实验中，在干扰气体存在的情况下，不同气体的交叉响应会影响检测精度，需要进行更加复杂的处理。

发明内容

为了客服现有阵列传感器在干扰气体条件下，检测过程实验周期长、数据处理复杂、实验结果不精确并且阵列传感器状态不确定的问题，本发明提出了一种气体传感器阵列自适应后融合检测方法。

本发明通过如下技术方案实现：

一种气体传感器阵列自适应后融合检测方法，具体包括如下步骤：