王濤，吳羽，張愷悅，金玉山，倪望澤，張永威，楊志

（1.上海交通大學電子信息與電氣工程學院，上海 200240；2.中國船舶集團有限公司第七一一研究所，上海 201108）

1 引 言

氣體傳感器可實現有毒、有害、易燃、易爆氣體的定量檢測與預警，被廣泛應用于生物醫(yī)學、國防安全、食品檢測、工業(yè)生產等領域［1-3］。在常用的氣體傳感器中，金屬氧化物半導體（Metal Oxide Semiconductor，MOS）式（又稱化學電阻型）氣體傳感器具有制備簡單、操作方便、成本低廉和微型便攜等優(yōu)點，但其工作溫度高、功耗大、選擇性差的缺點限制了該類傳感器進一步的發(fā)展和應用［4-6］。由多個具有部分特異性氣體傳感器構成的傳感陣列是電子鼻的核心硬件，通過搭載相應的信號處理與模式識別算法，可以實現對不同氣體的種類判定與濃度預測［7-9］。電子鼻模仿了生理功能的實現機制，識別準確性不依賴于受體的高度特異性和傳感器的強選擇性，主要取決于傳感陣列的交叉敏感、信息編碼與模式識別性能［10］。因此，可以利用選擇性較弱的半導體式氣體傳感器來構建電子鼻的傳感陣列［11］。

氣體傳感器陣列化是構建高效電子系統(tǒng)的關鍵環(huán)節(jié)，但是因為組成陣列的傳感器數量較多且單個傳感器基礎功耗較高，會導致陣列體積、成本、功耗成倍上升。目前，減少傳感器陣列數量的主要途徑在于陣列優(yōu)化，即從大量傳感器中根據信號質量與影響權重對傳感器的重要程度進行排序，篩選出起主要作用的傳感器、剔除起次要作用的傳感器，獲得數量最優(yōu)的氣體傳感器陣列。Zhang等使用方差分析、負載分析和多重比較方法來檢測傳感器響應之間的顯著差異［12］。通過刪除或優(yōu)化傳感器陣列中具有相同響應的冗余傳感器，在不降低電子鼻性能的情況下減少了傳感器數量，有效減小了電子鼻尺寸。Men等使用日本Figaro公司的TGS系列氣體傳感器組成了傳感器陣列，并測量了5種不同品牌的醋［13］。傳感器陣列通過最小的Wilks統(tǒng)計值進行優(yōu)化，并選擇6個氣體傳感器中的4個來檢測醋的類型。

減少系統(tǒng)功耗的另一途徑是降低單個傳感器的功耗。傳統(tǒng)插腳式MOS傳感器一般具有1000 mW左右的功耗，如果傳感陣列中數個MOS傳感器長時間共同工作將對電源系統(tǒng)造成巨大的負載壓力［14-15］。基于微機電系統(tǒng)（Micro Electro Mechanical System，MEMS）工藝的氣體傳感器擁有更小尺寸的敏感層與加熱面積，在減小器件體積的同時，功耗也得到大幅度降低（通常50 mW左右）［16］。Gupta等提出一項關于聚合物涂層MEMS傳感器陣列的模擬研究，用于監(jiān)測呼吸中與人體氧化應激相關的可揮發(fā)性有機蒸氣（Volatile Organic Compounds，VOCs）排放［17］。結果證明，MEMS陣列的動態(tài)模式更適合于抗干擾目標的檢測。Palaparthy等研究了在基于MEMS傳感器平臺的電子鼻中使用具有溫度補償的混合模式識別方法，可在時間緊迫情況下進行爆炸物質快速探測［18］。

對于需要在高溫下工作的MOS氣體傳感器，使用脈沖加熱的方式可以有效降低器件的平均功率，即通過周期性地開關或調整加熱電壓來減少傳感器加熱器的工作時間，這種方法通常稱為溫度調制。Palacio等探索了在極限占空比方案下溫度調制的氣體傳感器表現，與連續(xù)加熱的器件相比，降低了99 %的能量消耗［19］。通過使用不同溫度調制方案評估暴露于氨、乙烯和乙醛氣體中的4個氣體傳感器性能，證明了可以在總功耗小于1 mW的情況下實現對目標氣體的探測。Tavebi等展示了由不同金屬氧化物組成的MOS傳感器陣列，允許以多路復用方式獨立控制溫度和讀取單個傳感單元。傳感單元設計在超薄基體上，最大限度地減少散熱，從而大幅降低整體功耗（<10 μW）［20］。在不同工作溫度下使用此傳感陣列會產生多維數據，用于訓練神經網絡以確定均質混合物中單個氣體的獨特指紋。

本文通過周期性地調整傳感器工作溫度獲得高頻響應信號并通過設計特征提取算法將高頻信號分解為多維低頻響應信號，以此模擬多個傳感器的功能，使單個氣體傳感器具有多模態(tài)分時復用能力，大幅優(yōu)化了氣體傳感系統(tǒng)的功耗與結構?；谏鲜鎏摂M傳感陣列，設計了適用于32位微控制器的人工神經網絡模型，構建了新型智能電子鼻系統(tǒng)，實現了對8種VOCs高精度定量識別。與傳統(tǒng)氣體傳感器陣列比較，本文利用溫度調制技術和相應特征提取方法，使用單個傳感器模擬傳感陣列的輸出形式與多元感知能力，獲得多維有效數據，實現了傳感陣列的虛擬化。該方法對設計與構筑低功耗、低成本、便攜式的智能電子鼻系統(tǒng)有著重要的推動作用。

2 硬件與實驗設計

2.1 電子鼻的硬件設計

電子鼻系統(tǒng)的氣體傳感器選用河南煒盛公司GM系列商用MEMS氣體傳感器GM-402（可燃氣體傳感器）與GM-512（異味氣體傳感器），分別編號為Sen-1與Sen-2。主控芯片（MCU）選擇意法半導體公司的32位ARM Cortex-M3內核的STM32F103型號的單片機，并使用其片上ADC外設進行數據采集。數據傳輸采用了433 MHz的LoRa射頻模塊，可通過專用收發(fā)器與電腦進行無線雙工通信。板載鋰電池電源管理電路，使系統(tǒng)具有獨立便攜使用的特點，無需依賴外部供電工作。圖1（a）、（b）分別顯示了電子鼻系統(tǒng)的PCB布局圖與實物3D渲染圖，可見該設備的硬件布局緊湊、功能完整，具有50 mm×30 mm的微型的尺寸，十分便攜且易于嵌入到其他集成系統(tǒng)之中。本文制備了兩個電子鼻設備，分別搭載Sen-1與Sen-2傳感器，并將它們同時進行氣體傳感實驗，評估傳感器特性不同對溫度調制效果的影響。

圖1 電子鼻系統(tǒng)的PCB設計圖與電路原理圖Fig.1 PCB layout and circuit schematics for the electronic nose system

MEMS傳感器的加熱驅動電流較?。ㄗ畲?0 mA），因此可以采用主控芯片產生一個占空比可調的方波，再將其經過低通濾波器轉化為一個大小隨方波占空比變化的直流電平信號。通過設計一個射極跟隨器電路，增強直流電平信號的驅動能力，使其電流輸出能力滿足驅動的需求，加熱器驅動電壓范圍實現0～2.5 V可調。溫度調制電路原理圖如圖1（c）所示?？紤]到商用MEMS傳感器的電阻變化范圍相對穩(wěn)定，采用電壓基準與標準電阻分壓的方式，獲取傳感器測量電極兩端的電壓，通過一個低通濾波器后，再使用主控芯片的ADC外設采集相應的電壓信號。傳感器前端調理電路原理圖如圖1（d）所示。本文研究中使用的電子元器件、氣體傳感器等都是通過采購獲得，PCB制板與貼片加工通過委外完成，電子鼻系統(tǒng)的板級電路設計、硬件調試以及單片機固件程序的編寫均由論文作者完成。

2.2 氣體傳感實驗

氣體傳感實驗是在自建的全自動氣敏測量系統(tǒng)中進行的，該系統(tǒng)由預先設計的工作流程腳本控制，可以實現無人值守的自動實驗［21-22］。實驗裝置使用一定量的溶劑蒸發(fā)到固定體積的腔室中，間接獲得設定濃度的有機溶劑蒸氣。如果測試環(huán)境需要恢復正?？諝猓勺詣哟蜷_試驗箱通風門加速換氣。本工作所使用的8種VOCs實驗氣體分別為甲醇、乙醇、正丙醇、異丙醇、正丁醇、異丁醇、丙酮和乙二醇，它們的類別編號分別標記為0、1、2…7。

電子鼻設備分別在1500 mV常溫加熱、2500 mV常溫加熱、脈沖加熱等3種模式下進行氣體傳感實驗。常溫加熱模式下的加熱器工作電壓在整個實驗過程中固定不變，即氣體傳感器的工作溫度保持恒定。脈沖加熱模式下，加熱器保持在低壓1500 mV工作3 s，高壓2500 mV工作2 s，然后再進入低壓工作3 s的周期性循環(huán)中，氣體傳感器的工作溫度處于5 s為一個周期的高低溫循環(huán)中。分別針對3種工作模式、8種實驗氣體進行傳感實驗（共計24種實驗條件），每組實驗獨立重復5次以上。

單次實驗的流程可參考作者之前的相關研究［23］，具體描述如下：電子鼻首先放置在充滿清潔空氣的測試室中，等待10 min使上位機軟件自動捕獲每個傳感器的基線值。然后關閉腔室門，通過溶劑蒸發(fā)法在腔室中生成特定濃度的氣體并等待3 min，讓傳感器響應至穩(wěn)定狀態(tài)。隨后腔室門自動打開進行通風換氣，使空氣恢復正常成分并保持5 min等待傳感器恢復。從10 ppm開始依次增加氣體濃度并重復執(zhí)行上述響應恢復過程，直到氣體濃度達到50 ppm。全部實驗都在正常大氣壓下進行，環(huán)境相對濕度為（30±10）%，測試溫度為（24±2）°C。

設計的傳感器數據采集、信號處理、模型訓練等環(huán)節(jié)均可在電子鼻設備的MCU上運行［24］。電子鼻的響應數據和計算結果將同步上傳至電腦端進行可視化分析。MCU固件程序開發(fā)均在意法半導體提供的集成開發(fā)環(huán)境（STM32CubeIDE，V1.7.0）上進行。MCU外設的底層操作基于配套提供的標準外設函數庫，框架程序、核心算法和模型實現均為自主設計和編碼。電子鼻輸出數據的分析處理在Python V3.8的集成開發(fā)環(huán)境（PyCharm 2021.2.4，社區(qū)版）上進行。

2.3 數據處理與特征提取

在1500 mV常溫加熱模式、2500 mV常溫加熱模式、脈沖加熱模式下，傳感器Sen-1與Sen-2對10～50 ppm濃度的乙醇響應恢復曲線如圖2（a）～（c）所示。在常溫加熱模式下，每個氣體傳感器的輸出信號（響應恢復曲線）為一維低頻信號且加熱電壓的大小對傳感器的基線電阻與響應性能有著非常巨大的影響。傳感器的電阻值隨著乙醇濃度的升高而逐漸下降。在脈沖加熱模式下，密集的振蕩信號（Sen-1原始信號）在有限長度的時間軸上形成了連續(xù)色塊區(qū)域的顯示效果，如圖2（c）所示。圖2（c）中的局部放大圖展示了脈沖加熱模式下某一較短時間范圍內Sen-1的原始振蕩信號，為了便于觀察與分析信號的波形，將該局部放大圖的時間軸（橫軸）進行了適當的拉長。工作溫度周期性變化導致基線振蕩，氣體響應過程導致電阻變化，每個氣體傳感器的輸出信號是基線振蕩與電阻變化的疊加。由于傳感器的工作溫度本身對響應過程也有著重要的影響，上述兩個因素彼此之間也存在一定的關聯性，因此最終呈現的信號圖譜并非工作溫度與氣體濃度影響的簡單線性疊加。從頻域的角度可以通過快速傅立葉變換處理這種形式的信號，將時域信號轉化為頻域信號，并獲取不同的頻域特征來衡量目標氣體種類與濃度的信息。但信號時域-頻域轉換的過程對算力依賴相對較高，不適合用在硬件條件嚴重受限的邊緣計算環(huán)境中。

圖2 氣體傳感器Sen-1與Sen-2對10～50 ppm濃度的乙醇響應恢復曲線Fig.2 Response and recovery curves of Sen-1 and Sen-2 for ethanol with the concentration ranging in 10～50 ppm

從時域的角度可以有如下兩種方法實現對信號的分解處理。第一種方法是將數據采樣的頻率調整為脈沖加熱頻率的整數倍，信號會呈現有規(guī)律的分層，這種現象被稱為“采樣條紋”。這是因為頻率信號的采樣在時間域中等價于周期性的復制過程，這個復制的周期與采樣率有關，利用這種方法可以從高頻信號中分解出若干個低頻響應曲線。第二種方法是采用查找上下包絡線的方式對響應信號進行簡化處理，將振蕩的信號轉化為兩組類似常溫模式下的低頻響應信號，如圖2（d）所示。圖2（d）中的局部放大圖展示了脈沖加熱模式下某一較短時間范圍內Sen-2的原始振蕩信號及上下包絡線，為了便于觀察與分析信號的波形，將時間軸（橫軸）進行了適當的拉長。使用這種方法，可以直接獲得振蕩信號的頂端與底部兩個低頻類響應信號，從而實現將一個實體傳感器分時復用為兩個異質傳感器輸出。與第一種方法相比，這種方法更為簡單、計算效率更高，因此本文通過尋峰算法自動查找上述包絡線，從而從高頻信號中分解出兩個低頻響應曲線。此外，Sen-1與Sen-2傳感器對相同濃度的同一氣體存在明顯響應值大小的區(qū)別，但上述方法不會因為不同傳感器的響應/恢復時間與響應值的差異而影響最終的分解效果。

實現脈沖加熱模式的傳感器輸出信號向常溫加熱模式下信號輸出形式轉化后，可以按照實驗時間和實驗條件對數據進行多標簽標注，標注的內容包括傳感器狀態(tài)標簽（空閑、響應、恢復）、氣體種類標簽（0～7，對應了8種VOCs氣體）、氣體濃度標簽（0～50 ppm）。本文中全部實驗均由全自動測試系統(tǒng)在無人值守下完成，因此在時序上有著嚴格的一致性，可以直接將恢復狀態(tài)開始前的100個數據作為穩(wěn)態(tài)響應電阻值（Rg）。將空閑狀態(tài)結束前的100個數據的平均值作為基線電阻值（Ra）。使用基線電阻值與穩(wěn)態(tài)響應電阻值的比值（Ra/Rg），即傳感器的響應值，作為響應特征值［25］。將完成數據標注、特征提取后的樣本數據通過5折交叉驗證法劃分為5組訓練集與驗證集，用于后續(xù)的模型訓練與結果評估。

使用主成分分析法（Principal Component Analysis，PCA）對不同工作模式下提取的特征數據進行降維處理與聚類分析［26］。如圖3所示，按照濃度標簽與類別標簽分別對PCA處理后的特征數據進行顏色標注?？梢?，兩種工作模式下的特征數據都按標簽呈現一定程度的聚集，但也存在著大量重疊。按照類別標簽進行顏色標注的數據聚類程度比按照濃度標簽進行顏色標注的明顯要高，呈現出條帶狀分布趨勢。這可能是因為濃度信息本身就是一個與種類相關聯的標簽，在不考慮具體氣體種類的情況下直接進行濃度預測是更有難度的學習任務。不同工作模式與標簽的組合均未呈現十分理想的聚類效果，這也說明了后續(xù)構建模式識別系統(tǒng)實現分類與回歸任務的必要性。同時需要說明的是，本文主要是研究虛擬傳感陣列的構建機制及方法，對氣體濃度和種類進行了直接標注，對于兩種標簽之間的關聯性尚未進行深入研究。

圖3 不同工作模式下的特征數據經過PCA處理后的散點圖（分別按照濃度標簽與類別標簽進行顏色標注）Fig.3 Scatter plots of the characteristic data after PCA processing under different working modes(color-coded according to concentration labels and category labels)

3 模式識別系統(tǒng)

3.1 模型結構設計

人工神經網絡由于其可控的訓練過程與強大的非線性擬合能力，在電子鼻模式識別系統(tǒng)中的應用十分廣泛［27-28］。得益于模塊化的神經元結構和高效的反向傳播訓練算法，人工神經網絡可以靈活地構建不同大小的模型，以適應邊緣計算有限的計算能力和硬件資源。其數據結構、傳播方法、激活函數等都十分適合使用底層編程語言實現，并可以根據實際需求進行簡化［29-30］。因此，在使用邊緣計算的環(huán)境中部署人工神經網絡模型是構建高效分析系統(tǒng)的有效方法。

根據特征維度和任務目標在電子鼻的MCU上設計了不同結構的人工神經網絡模型。分類和回歸模型都具有三層網絡結構：輸入層、隱藏層和輸出層。分類模型的輸入層的節(jié)點數為特征維度，隱藏層的節(jié)點數默認為50，輸出層的節(jié)點數設計為與類別總數相同，每個節(jié)點的輸出值大小代表該類別的可能性，輸出值越大則可能性越高［31］。因此，在ANN輸出層之后設計了一個額外的SoftMax層，將可能性轉換為所有節(jié)點之和為“1”的概率［32］。分類模型的最終預測結果為SoftMax層中輸出最大值對應的類別標簽?；貧w模型的輸入層節(jié)點數為特征維度，隱藏層的節(jié)點數默認為50，輸出層的節(jié)點數為1。輸出層的輸出結果即為濃度回歸值。與分類模型相比，回歸模型結構更加簡單，因此在訓練與驗證速度方面更快。兩種模型的激活函數都選用ReLU，節(jié)點權重參數采用Xavier方法進行初始化［33-34］。

由于1500 mV常溫加熱模式下的傳感器靈敏度大幅降低且響應/恢復時間延長，影響傳感器的實際應用，因此本工作只進行了2500 mV常溫加熱模式與脈沖加熱模式下的傳感器性能對比研究。2500 mV常溫加熱模式下，Sen-1與Sen-2輸出了2維的特征信號；脈沖加熱模式下，Sen-1與Sen-2輸出了虛擬的4維的特征信號（包絡線轉化）。因此，兩種工作模式下的相應分類與回歸模型的輸入節(jié)點分別為2個與4個。

3.2 模型訓練與驗證

分類模型的損失值選用交叉熵作為衡量指標?；貧w模型的損失值選用均方誤差作為衡量指標。選擇帶動量的隨機梯度下降法作為優(yōu)化器，既保證了易編碼實現，又能夠抑制震蕩現象，加快收斂速度［35］。批處理數據量（Batch Size）大小是指一次訓練中選擇的樣本數量，為了簡化計算處理，本文中批處理數據量固定為1（在線學習），即每輸入一個樣本數據就進行一次反向傳播，更新權重。選擇神經網絡模型的隱層節(jié)點數、學習率、迭代次數作為訓練過程的超參數［36］。對模型超參數進行網格搜索后確定隱層節(jié)點數為50，學習率為5×10-6。

工作在常溫加熱模式和脈沖加熱模式下的傳感陣列對應的分類模型學習曲線如圖4（a）所示。脈沖加熱模式對應的學習曲線為紅色，常溫加熱模式對應的學習曲線為藍色，相同顏色的不同曲線分別代表了5次獨立的訓練過程?？梢钥闯?，利用脈沖加熱模式下虛擬陣列的特征數據訓練的模型具備更快的收斂速度，150次迭代之后損失值基本穩(wěn)定。而利用常溫加熱模式下實體陣列的特征數據訓練的模型需要在至少500次迭代后損失值才基本穩(wěn)定。這意味著使用虛擬陣列訓練分類模型比使用實體陣列訓練分類模型要節(jié)省一半以上的時間。工作在常溫加熱模式和脈沖加熱模式下的傳感陣列分別對應回歸模型的學習曲線，如圖4（b）所示?？梢钥闯黾t、藍曲線幾乎重合，這意味著虛擬陣列與實體陣列樣本訓練的模型具備類似的性能。同時，損失值僅需100次迭代就可以趨于穩(wěn)定，這可能是因為回歸模型的結構相對比較簡單，可以在較短時間內完成模型的訓練。

圖4 在常溫加熱模式和脈沖加熱模式下工作的傳感陣列得到的模型學習曲線Fig.4 Learning curves of the classification and regression models for the sensor array operating at constant temperature mode and variable temperature mode

常溫加熱模式和脈沖加熱模式對應傳感陣列的模式識別模型訓練與驗證結果如圖5所示。訓練準確率使用訓練模型的樣本數據來評估模型的訓練程度。脈沖模式下的虛擬陣列訓練的分類準確率要明顯高于常溫模式下實體陣列的結果，如圖5（a）所示。在交叉驗證的5次重復訓練中，虛擬陣列的分類模型訓練準確率的變化范圍為（0.90～0.92），遠小于實體陣列的訓練準確率變化范圍（0.73～0.88）。這說明了虛擬陣列訓練的分類模型具備更強的訓練穩(wěn)定性。驗證準確率使用了沒有參與訓練的樣本數據對模型進行評估，因而更能反映模型的泛化性能。與訓練準確率相比，驗證準確率是對未知樣本的預測，其數值均略有所下降，如圖5（b）所示。與訓練準確率相同的是，虛擬陣列的驗證準確率依然遠高于實體陣列，同時其驗證準確率的離散程度也遠低于實體陣列，這說明了基于虛擬陣列訓練的分類模型泛化性能與穩(wěn)定性都要高于基于實體陣列訓練的分類模型。通過溫度調制方法，實現了特征數據強化，增加了樣本中關于氣體種類的信息，提高了模型分類性能的同時也降低了任務的學習難度。這與圖4（a）中基于脈沖加熱模式的模型學習曲線具有更快的收斂速度相一致。

圖5 常溫加熱模式和脈沖加熱模式對應傳感陣列的模式識別模型訓練與驗證結果Fig.5 Training and validation results of the pattern recognition model for the sensor array at constant temperature mode and variable temperature mode

濃度回歸模型的訓練結果顯示了不同的規(guī)律。圖5（c）、（d）分別為不同訓練次數下的訓練R2分數與驗證R2分數。可見，使用虛擬陣列特征數據訓練的回歸模型在訓練R2分數與驗證R2分數上都與使用實體陣列特征數據訓練的回歸模型相近?；趥鞲衅鞑煌ぷ髂Ｊ接柧毜膬煞N回歸模型在訓練過程與結果上都有著較大的相似，這與圖4（b）中脈沖加熱模式與常溫加熱模式對應的模型學習曲線互相重疊的現象相一致。這樣的結果說明通過溫度調制的方法提取樣本中的相關氣體濃度信息的作用比較有限。此外，由于本文中的濃度回歸預測沒有考慮與類別標簽的關聯性，任務難度大幅提高。因此，無論是基于虛擬陣列還是實體陣列的回歸模型，最終的泛化性能都相對較低。

3.3 結果對比與分析

使用驗證集數據評估訓練完成后的模型泛化能力，5次驗證的結果匯總如圖6所示?；诔丶訜崮Ｊ胶兔}沖加熱模式的分類模型種類判斷的混淆矩陣對比如圖6（a）、（b）所示?？梢钥闯龌诿}沖加熱模式的分類模型表現出十分優(yōu)秀且均衡的效果，對每種實驗氣體種類都能實現出色的判斷。而基于常溫加熱模式的分類模型在不同種類氣體的預測效果上存在明顯的波動，部分氣體類型容易被混淆，例如類別1與7、3與5等。兩種分類模型的驗證性能數據匯總如表1所示。使用5折交叉驗證結果的均值作為模型的最終性能，使用5折交叉驗證結果的標準差衡量模型的離散程度。脈沖模式對應分類模型的驗證準確率為0.91，標準差為0.016；常溫模式對應分類模型的驗證準確率為0.81，標準差為0.057。脈沖加熱模式形成的虛擬陣列有效實現了分類特征的增強從而大幅提升模型的性能，這在一定程度上得益于溫度的周期性變化，從響應過程上分離了原本重疊的不同氣體在不同工作溫度下響應特性的差異。因此，通過溫度調制技術實現特征數據強化，可以有效地提高MOS氣體傳感器的選擇性。

表1 常溫加熱模式和脈沖加熱模式對應傳感陣列的模式識別模型性能數據Table 1 Performance of the recognition model for the sensor array at constant temperature mode and variable temperature mode

常溫加熱模式和脈沖加熱模式對應傳感陣列的回歸模型的濃度預測散點圖對比如圖6（c）、（d）所示。兩種工作模式對應的回歸模型都能基本實現氣體濃度的預測，基于脈沖加熱模式的模型性能要略低于基于常溫加熱模式的模型。從模型輸出的散點分布來看，目前兩種回歸模型整體性能不高，只能實現氣體濃度的“模糊”預測，這也與上一小節(jié)的分析一致：沒有考慮類別標簽關聯性以及邊緣計算環(huán)境限制了模型復雜度是導致回歸模型性能不高的主要因素。兩種回歸模型的驗證性能數據匯總如表1所示。脈沖模式對應回歸模型的驗證R2分數為0.83，標準差為0.028；常溫模式對應回歸模型的驗證R2分數為0.84，標準差為0.046。處于低溫狀態(tài)的氣體傳感器響應時間大幅延長導致獲取的特征數據不一定是穩(wěn)態(tài)響應值，同時響應值的大幅下降導致傳感器更易出現飽和現象，這兩個因素的疊加大幅降低了傳感器對氣體濃度的區(qū)分能力。脈沖加熱模式下傳感器工作溫度呈高低周期性變化，高溫狀態(tài)的響應數據可以在一定程度上補償低溫狀態(tài)下濃度區(qū)分能力的不足。但數據維度的增加引入了低效數據，進一步增加了回歸學習難度，因此虛擬陣列訓練的濃度預測模型性能要略低。

在功耗方面，常溫加熱模式下實體陣列總功耗高達78 mW，而脈沖加熱模式下虛擬陣列總功耗降低為48 mW?？梢?，本文構建的溫度調制虛擬傳感陣列顯著降低了功耗與成本。通過調整脈沖加熱的低壓持續(xù)時間與升溫速度可以實現虛擬陣列功耗的進一步降低。此外，虛擬陣列將傳感器硬件數量減少了50%，提升了智能傳感系統(tǒng)的集成度。如果使用匹配采樣頻率的方法，將單個實體傳感器虛擬為數量可調的虛擬傳感器輸出，可以進一步減少傳感器硬件的數量。邊緣計算的應用可以在廉價單片機上實現多個神經網絡的訓練與運行，大幅降低電子鼻的物料清單成本。同時，溫度調制所依賴的驅動電路設計精簡而高效，也沒有帶來物料清單成本的上升。然而，本文提出的虛擬化陣列方法依賴于傳感器完整的響應恢復曲線，使得數據實時分析受到一定限制，且溫度調制技術的應用會在一定程度上降低傳感器的響應恢復速度。受到上述因素的影響，與傳統(tǒng)電子鼻系統(tǒng)相比，基于單傳感器的電子鼻系統(tǒng)的識別響應速率會有所變慢。所以實現單傳感器在響應過程中的實時陣列虛擬化，大幅提高電子鼻系統(tǒng)的識別響應速率將是后續(xù)研究工作的重點。

4 結 論

氣體傳感器陣列化是解決MOS氣體傳感器交叉敏感、選擇性差等問題的有效手段。本文針對氣體傳感器陣列化存在的體積、成本、功耗成倍上升的明顯缺陷，采用溫度調制技術成功實現了陣列虛擬化，大幅減少構建傳感陣列所需的實體傳感器數量。通過氣體傳感器工作溫度的高溫/低溫周期性變換，從時間上實現了多種不同特性傳感器的分時復用。通過設計合適的信號分離重建算法，實現虛擬陣列的構建與氣體類別特征的數據強化?；谌斯ど窠浘W絡設計與部署了用于執(zhí)行氣體分類與濃度預測任務的模式識別模型。針對32位單片機的邊緣計算環(huán)境，從特征提取方法、神經網絡結構、模型訓練流程等方面進行優(yōu)化適配，使多個神經網絡模型可以在單片機中高效執(zhí)行。

本文將溫度調制的工程方法與模式識別的數據分析相結合，構建了具備邊緣計算能力的智能氣體傳感系統(tǒng)，實現對8種易混VOCs氣體的分類與濃度回歸。分類的平均準確率為91%，回歸的平均R2分數為0.83。與實體陣列相比，通過脈沖溫度調制的虛擬陣列將分類準確率提高了12%，功耗降低了38%，具備顯著的性能與功耗優(yōu)勢，十分適合作為獨立模塊嵌入到智能終端與無人載具中。本文提出的氣體傳感器陣列虛擬化方法，為后續(xù)傳感器陣列優(yōu)化設計提供了重要的研究思路及解決方案，在無人系統(tǒng)技術領域具有重要的應用價值。未來的研究將更加注重如何進一步提高本系統(tǒng)的全面性能，通過設計高性能氣敏器件、優(yōu)化識別模型、發(fā)展多效應傳感等方法滿足更多應用場景的需求。