基于電子鼻技術的混合氣體識別研究

劉偉玲 吳龍焦 張思祥 閆子琪

摘? 要： 為了評估惡臭對人類和環境的影響，需要有效鑒別出惡臭成分，設計并研發了以傳感器陣列為核心的在線檢測惡臭成分的電子鼻系統。針對傳感器響應曲線幾何特征提取方式的不足，提出分段擬合曲線的方式進行特征值提取。采用主成分分析（PCA）和線性判別分析（LDA）兩種降維方式對原始數據降維，并結合支持向量機（SVM）和BP神經網絡進行分類識別。結果表明，SVM和BP神經網絡結合LDA都能100%識別出三種惡臭物質，SVM結合PCA識別率為92%，BP神經網絡結合PCA識別率為94%。

關鍵詞： 電子鼻系統; 氣體識別; 特征值提取; 特征降維; 氣體分類; 在線檢測

中圖分類號： TN98?34; TP212.9? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）06?0057?04

Research on mixed gas recognition based on electronic nose technology

LIU Weiling ， WU Longjiao， ZHANG Sixiang， YAN Ziqi

（ School of Mechanical Engineering， Hebei University of Technology， Tianjin 300130， China）

Abstract： In order to evaluate the impact of foul smell on human?beings and environment， it is necessary to effectively identify foul smell′s components. An electronic nose system with sensor array as its core for the online detection of foul smell′s components is designed and developed. As for the insufficiency of the geometric feature extraction method of sensor response curve， the method of segment fitting curve is proposed to extract feature values. The principal component analysis （PCA） and linear discriminant analysis （LDA） are used for the dimension reduction of original data， and the support vector machine （SVM） and BP neural network are combined with them for the classification and identification. The results show that both SVM and BP neural network combined with LDA can recognize three kinds of foul smell substances in 100%， the recognition rate of SVM combined with PCA is 92%， and the recognition rate of BP neural network combined with PCA is 94%.

Keywords： electronic nose system; gas identification; feature value extraction; feature dimension reduction; oder classification; only detection

0? 引? 言

隨著我國現代工業的迅猛發展，經濟增長的同時也帶來了巨大的環境污染問題。惡臭作為一種環境污染，已經成為當今世界七大公害之一[1]。惡臭物質對人體消化系統、呼吸系統和神經系統都會造成不同程度的損害，嚴重危害人類身心健康。惡臭物質成分不同，對人類造成的影響也不同。有效鑒別惡臭成分是治理惡臭和評價惡臭對人類影響的一個重要環節。因此，研究一款能夠智能鑒別惡臭成分的檢測系統具有重要意義。

電子鼻是模仿生物鼻的一種人工嗅覺系統，它能夠快速、準確獲取氣味特征，并根據這些特征準確鑒別不同氣味的成分。與常規儀器分析法相比，電子鼻采樣時間和分析時間短，對復合惡臭物質能實現有效鑒別。目前，電子鼻廣泛應用于食品[2]、農產品[3]、環境監測[4]、安全[5]等領域。

1? 電子鼻系統與數據獲取

1.1? 電子鼻系統

電子鼻系統檢測裝置示意圖如圖1所示，電子鼻系統主要由氣體傳感器陣列、數據采集電路、數據處理軟件組成。傳感器陣列由2個金屬氧化傳感器（日本費加羅公司：TGS2600，TGS2602）和2個光離子氣體傳感器（英國阿爾法公司：PID?A1，PID?AH）構成。數據采集電路的核心是MSC1210Y5，將傳感器采集到的電壓信號轉換為24 bit 數字信號，通過RS 485總線傳送給上位機（PC），經LabVIEW進行數據顯示和存儲，通過Matlab進行模式識別。

1.2? 數據獲取

在開始測試前，先對傳感器陣列通電進行預熱，同時通入清潔空氣清洗傳感器陣列。實驗包括三個過程：基線過程，先通入50 s清潔空氣清洗氣室，使傳感器基線達到穩定狀態;采樣過程，通入采樣氣體50 s，獲取傳感器的響應值并記錄，采樣頻率為10 Hz;清洗過程，最后通入清潔空氣清洗氣室100 s，使傳感器恢復到初始狀態，等候下一次測量。實驗數據的獲取是通過循環這三個過程得到。

本文針對三種惡臭氣體：甲硫醚（C2H6S）、乙酸乙酯（C2H2O8）以及這兩種氣體的混合氣體進行分析。甲硫醚和乙酸乙酯各取8種濃度，混氣取9種濃度。甲硫醚（1 ppm，2 ppm，3 ppm，5 ppm，10 ppm，15 ppm，20 ppm，25 ppm），乙酸乙酯（1 ppm，2 ppm，5 ppm，10 ppm，15 ppm，20 ppm，30 ppm，40 ppm）。將甲硫醚和乙酸乙酯分別按照5 ppm，10 ppm，20 ppm的比例進行兩兩混合得到9種混合氣體。

2? 特征值提取

目前，大部分研究是直接對傳感器響應原始曲線的幾何形狀進行特征提取，如梁子躍提取曲線的面積、穩態值、均值、恢復時間、某時刻的響應值作為特征值[6]，徐克明提取曲線的平均微分值、穩定值、面積值作為特征參數[7]。該方法的優點是簡單、直觀，但是該方法的缺點是易受外界環境干擾，若采樣過程中發生震動、溫度變化時，提取的幾何特征則不能精確反映樣本信息。

基于上述缺點，本文提出了分段擬合曲線的方式進行特征提取，將擬合參數作為特征值。

傳感器響應曲線分為兩個階段：反應階段和恢復階段。如圖2所示，Ⅰ為反應階段，Ⅱ為恢復階段。

反應階段Ⅰ可簡化為圖3所示曲線，反應階段等效為矩形虛線所示的階躍。

式中，A表示傳感器的反應量。

傳感器響應為一階線性模型，傳遞函數為：

式中，[τ]表示傳感器的時間常數，不同類型的傳感器[τ]不同，同一類型傳感器對不同類型氣體響應的[τ]也不同。

對式（1）進行Laplace變換：

s域表達式為：

對式（4）進行Laplace逆變換：

通過式（5）建立傳感器信號的響應模型，提取反應量A和反應速率1/[τ]兩個特征值。

對于恢復階段Ⅱ，先對A/D數字量取相反數，使之變為同反應階段一樣的上升趨勢模型，再通過式（5）提取反應量和速率作為特征值。因此，對于一個傳感器響應曲線，共提取4個特征值。

3? 特征降維

本文共提取4個特征值，若同時將它們作為模式識別的輸入，則會造成“數據冗余”和“維數災難”問題[8]，使得數據量過于龐大而難以處理。解決“數據冗余”和“維數災難”的一個重要途徑是將高維特征空間中的數據投影到低維空間中，通過降維對原始數據進行有效的信息提取和壓縮。

本文采用PCA和LDA兩種方式進行數據降維，并將降維后的數據作為模式識別的輸入。圖4為三種氣體降維后的PCA和LDA分布圖。

一般認為主成分累計方差貢獻率達到85%以上時即可認為保留了大部分原始信息[9]。由圖4可知，PCA分布圖中，3種氣體線性不可分，而LDA能夠很明顯地區分三種氣體。說明采用LDA的識別效果優于PCA。

4? 基于SVM和BP神經網絡實現氣體分類

本系統采用SVM和BP神經網絡結合不同降維方式對三種氣體進行分類識別，并通過識別率（正確分類的樣本個數與所有樣本總個數的比值）判定優劣，識別率越高表明分類效果越好，反之，分類效果越差。相同成分不同濃度的氣體進行20次平行試驗，從中隨機抽取16個樣本數據作為訓練數據，剩下的4個樣本作為測試數據用于后期樣本預測數據，因此訓練數據共有400個，測試數據共有100個。

4.1? 支持向量機實現氣體分類

支持向量機是基于統計學習方法，尋找一個最優超平面作為高維空間中的決策函數，實現不同類別的樣本區分，同時滿足分類間隔最大[10]。影響SVM模型的主要參數是懲罰參數[c]和核函數參數[g]，確定好核函數后，通過交叉驗證法和網格搜索法對懲罰參數進行尋優。常用的核函數有線性核函數、多項式核函數、Sigmoid內核、徑向基函數（RBF）。RBF是全局收斂的學習算法，具有學習速度快的優點，是使用最多的核函數，因此本文采用RBF作為核函數。SVM識別流程圖如圖5所示，表1為基于不同降維方式的SVM分類結果。

表1表明，基于LDA的SVM模式識別方法具有最高的識別精度，能夠100%地識別出氣體類別，說明LDA+SVM分類器分類效果最優。

4.2? BP神經網絡實現氣體分類

BP神經網絡關鍵是確定各層神經元個數和傳遞函數。輸入層神經元的個數是根據分析數據種類確定，輸入層神經元個數為2或16;輸出層神經元的個數是根據識別氣體的類別個數來確定，在本系統中氣體類別數為3，那么輸出層神經元個數為3;隱含層神經元的個數可通過改變隱含層神經元個數，觀察BP神經網絡性能確定。選擇Logsig作為隱含層神經元的傳遞函數，Sigmoid作為輸出層傳遞函數。圖6為BP神經網絡分類識別流程圖。

BP神經網絡期望輸出是0或1，輸出為0表示不含該氣體，輸出為1表示含有該氣體。然而由于分類前的數據經過歸一化處理，實際輸出數據并不是整數0或1，而是[0，1]之間的某個數。本文規定：將實際輸出值大于0.8以上的數判定為1，小于0.1以下的判定為0。BP神經網絡輸出3種不同類別的氣體，用[y1，y2，y3]表示，期望輸出為：

需識別出甲硫醚，則需同時滿足下列條件：

表2為基于不同降維方式的BP神經網絡識別結果。

由表2可知，直接用原始數據作為BP的輸入和LDA降維后的數據作為BP的輸入，識別率都能達到100%，PCA降維后的數據作為BP的輸入識別率為94%。表3為LDA結合BP神經網絡識別結果。

由表3可知，SVM和BP神經網絡結合LDA識別效果優于SVM和BP神經網絡結合PCA，雖然直接將原始數據作為BP的輸入也能達到100%，但是采用LDA降維后的數據作為輸入可以減小數據量，降低計算難度，同時保證分類正確。

5? 結? 論

本文基于分段擬合曲線的方法對傳感器響應曲線進行特征提取，利用SVM和BP神經網絡結合PCA/LDA檢測混合氣體。實驗結果表明，本系統能夠準確區分三種氣體，SVM和BP神經網絡結合LDA識別率可高達100%。以后，可以對該系統進一步優化設計，建立更加全面的數據庫，實現對不同惡臭氣體的類別檢測。

參考文獻

[1] 姬亞芹，陳麗，宮慶超，等.惡臭排放規律及其采樣和分析方法[J].中國環境監測，2013（3）：137?143.

[2] 張謙益，包李林，熊巍林，等.電子鼻在兩種類型濃香菜籽油識別中的應用[J].中國油脂，2018，43（10）：144?146.

[3] 黃星奕，孫兆燕，田瀟瑜，等.基于電子鼻技術的馬鈴薯真菌性腐爛病早期檢測[J].食品工業科技，2018，39（24）：97?101.

[4] 張嘉琪，冀大選，李杰一，等.基于LabVIEW平臺的電子鼻系統設計[J].傳感器與微系統，2015，34（5）：92?94.

[5] 趙野.基于電子鼻的早期電氣火災探測技術研究[D].武漢：華中科技大學，2014.

[6] 梁子躍，楊昊，黃燦燦，等.電子鼻的混合氣體分類研究[J].中國計量大學學報，2017，28（3）：388?393.

[7] 徐克明，王俊，鄧凡霏，等.用于山核桃陳化時間檢測的電子鼻傳感器陣列優化[J].農業工程報，2017，33（3）：281?287.

[8] 韋彩虹.基于電子鼻系統的混合氣體的定性分析和定量估計[D].杭州：浙江大學，2012.

[9] PHILIP R C N， PAUL A T， JOHN F M. Missing methods in PCA and PLS： score calculations data with incomplete observations [J]. Chemometrics and intelligent laboratory systems， 1996， 35（1）： 45?65.

[10] 鄒小波，趙杰文.支持向量機在電子鼻區分不同品種蘋果中的應用[J].農業工程學報，2007（1）：146?149.

[11] JHA S K， HAYASHI K. A novel odor filtering and sensing system combined with regression analysis for chemical vapor quantification [J]. Sensors and actuators B： chemical， 2014， 200： 269?287.