高精度电子鼻采样电路设计与检测系统开发北大核心CSCD

电子鼻融合了气体传感器阵列、数据采集电路和模式识别算法,可实现对不同气体的识别与分类。在电子鼻的研发过程和实际应用中,气体传感器阵列的响应、数据采集的精度直接影响着对目标气体的识别准确率。文中以高精度、宽量程采样为目标,设计半导体气体传感器电阻信号的采样电路,结合自动化配气系统提高信号采样稳定性。进一步通过上位机软件设计,研制出可测试多种气体的电子鼻检测系统。对乙醇、甲苯和甲醛3种气体的测试研究表明:该系统能够稳定地实现传感器电阻值信号采样,阻值范围在10 kΩ~100 MΩ,采样误差低于0.31%。结合良好的气体分类效果,展现出电子鼻应用于多组分气体检测的潜力。     

基于单传感器温度调制的无线电子鼻系统设计

针对无线电子鼻系统应用多个气体传感器组成传感器阵列功耗过大的问题,本文研究了基于温度调制技术的单传感器动态检测方法,并设计了相应的无线电子鼻系统,实现了单一传感器对混合气体的定量分析.根据半导体气体传感器在不同工作温度下具有不同响应灵敏度的特点,用高压5 V、低压1.5 V、周期为150 s的矩形脉冲加热电压控制传感器工作在高温和低温两种状态,通过选取一个加热周期内传感器动态响应在4个时刻的采样点,构成4个虚拟传感器响应.利用支持向量机回归算法建立混合气体分析模型,提高小样本情况下的泛化性能.对氢气和甲烷两种气体混合样本进行实验,结果表明该系统可有效地分析混合气体成分,具有较高的精度,较低的功耗,并可通过无线传感器网络对目标气体进行实时监控.     

基于特征提取与选择的气体识别研究

在电子鼻系统中,特征提取和选择以及分类模型都是其性能改进的关键。针对从传感器阵列中提取单一特征时会忽略传感器特异性的问题,提出基于相关性分析来选择每一个传感器最优的特征提取方法,组成最优特征向量进行气体识别,实验表明：通过该方式提取的特征向量在分类模型中表现更好,在各模型的平均识别准确率提升了0.027,其中支持向量机和人工神经网络提升效果最明显,分别提升了0.031和0.054。并根据模型特性和实际需求,提出逻辑回归与支持向量机结合的二次分类模型,实验表明该模型能够进一步提高分类准确率,降低具体气体检测场景中辨别气体错误的风险。     

基于聚类支持向量机的气体泄漏检测

本文提出了一种基于声学信号功率谱分析和聚类支持向量机的检测管道损坏导致气体泄漏的新方法。该方法以现场采集的声学信号功率谱作为聚类支持向量机的输入,首先分析了环境变量对信号频谱的影响,然后,通过对现场不同环境下采集的信号采用自组织特征映射网络算法进行聚类分析,将检测空间分为若干独立子空间,再针对每一子空间构造一个支持向量机检测模型,并以对应子空间的样本集训练支持向量。基于某炼化厂采集数据所进行的实验表明,该方法在不同的现场环境下均具有较好的检测性能。     

一种毛细管色谱柱的色谱仪易制毒气体检测与识别

针对常见易制毒化学品气体设计了一种快速检测系统,可以实现对单个气体和混合气体的检测识别。系统采用的气象色谱仪的色谱柱是0.32 mm的毛细管,管道长度30 m,这样的毛细管色谱柱不仅对于常见的易制毒气体,而且对吡啶和异黄樟脑这种大分子易制毒气体也具有良好的分离效果。传感器采用ZnO片传感器,它对易制毒气体具有很高的敏感性。传感器采集的信号数据经过预处理后,用PCA变换提取特征,采用SVM支持向量机算法进行训练和识别。     

基于神经网络的电子鼻检测系统研究

研制了一套由51单片机和厚膜传感器阵列组成的电子鼻系统,并介绍了该系统的工作原理。对不同气体通过传感器阵列产生的响应信号进行了数据采集,利用BP神经网络对样本进行分析识别,并在显示终端实现气体成分的定性或定量显示。     

基于多类超球支持向量机的铣削颤振预测方法

为了预测薄壁件铣削过程颤振的发生,提出了一种应用小波系数特征和多类超球支持向量机进行铣削颤振预报的方法.首先基于连续小波变换分别提取高、低频段铣削振动信号的特征,然后利用多类超球支持向量机进行稳定铣削状态、铣削颤振孕育状态、铣削颤振状态识别.为了简化支持向量机进行多类分类时所带来的计算复杂性,该算法使每一类样本都获得一个超球支持向量机,在特征空间中以测试样本与超球中心距离、超球半径作为决策函数来进行识别.实验表明,在铣削颤振识别系统中多类双核超球支持向量机与连续小波系数特征向量相结合具有良好的识别效果,颤振孕育预报正确率达98.0％.     

基于DE-SVM的柴油机气门故障诊断方法及应用

针对柴油机故障诊断样本少的实际问题,结合支持向量机的特性和微分进化算法良好的全局优化性能,提出了一种微分进化算法优化支持向量机方法.利用柴油机气门振动信号实测数据,经小波变换作为诊断模型的故障特征,建立了基于微分进化算法优化支持向量机的柴油机气门间隙故障诊断模型,并与反向传播神经网络算法、基于遗传算法优化支持向量机和基于粒子群优化支持向量机的模型相比较,结果表明:应用微分进化算法优化支持向量机比其他三种算法具有更优性能,能够有效地进行柴油机的故障诊断.     

基于KPCA和RBF网络的电子鼻气体识别

提出了将KPCA特征提取和RBF网络识别相结合的气体检测方法,设计了一种用于气体实时检测的电子鼻系统,探讨了核主成分分析(KPCA)和RBF神经网络相结合进行气体识别的可行性.将传感器阵列的动态检测方法应用到电子鼻系统中,对甲苯、乙酸酐、乙醚、丙酮4种气体进行检测,针对响应信息的非线性变化利用KPCA进行特征提取,并作为RBF网络的输入,检测系统重复性和稳定性好,识别率可达87.5%.     

二元混合气体识别中传感器阵列优化方法研究

用于混合气体识别的电子鼻系统中,气体传感器阵列直接决定了识别效果、算法复杂性和硬件成本。为了研究阵列优化方法,以甲烷和乙烯二元混合气体为识别对象,将方差分析法和主成分分析法相结合用于气体传感器阵列的筛选优化,对比了优化前和优化后的传感器阵列对二元混合气体的识别效果。该阵列优化方法能够最大限度地简化传感器阵列,优化后的传感器阵列在保持识别精度的同时,传感器数量更少、软硬件成本降低、网络收敛速度更快。     

基于ICA的气体模式识别方法研究

文中提出一种基于独立成分分析的非监督气体模式识别方法,用多元统计理论中的独立成分分析(independent component analysis-ICA)来分析金属氧化物半导体气体传感器阵列响应数据,进而实现对不同种类气体的分类.对所设计的电子鼻实验系统测量得到的气体传感器阵列稳态响应数据进行了白化和快速定点独立成分分析(FastICA)处理.实验结果表明该方法对区分一氧化碳(CO)、甲烷(CH_4)和氢气(H_2)3种气体有很高的识别率.     

A novel sensor selection using pattern recognition in electronic nose

A novel sensor selection using pattern recognition technique in electronic nose (E-Nose) is proposed in this paper. This paper studies the portable E-Nose based on metal oxide semiconductor (MOS) gas sensors for detection of multiple kinds of indoor air contaminants. The characteristics of portability, low cost, multiple targets detection and high performance of E-Nose monitor are the main pursuit for home use. Formaldehyde, benzene, toluene, carbon monoxide, and ammonia are the primary targets of the proposed E-Nose which benefits from the characteristics of the broad spectrum, reproducibility, sensitivity and low-cost of MOS gas sensors. Therefore, a potential and full contribution analysis of the small sized sensor array, in detection of indoor air contaminants coupled with a kernel principal component analysis (KPCA) based linear discriminant analysis (LDA) pattern recognition technique, is presented in this paper. Some experimental findings on the roles of sensors in an E-Nose have also been concluded. The recognition results clearly demonstrate the contribution of each sensor to gas detection which helps the sensor selection in E-Nose design.     

基于非周期随机共振的粮食早期霉变识别研究

随机共振向人们展示了噪声在非线性系统中的积极作用,在深入分析非周期随机共振FHN模型的基础上,提出了一种基于最大互相关系数的方法来进行电子鼻信号的分类识别.实验中8只传感器构成的电子鼻阵列采集了燕麦不同程度的早期霉变数据,对这些数据利用主成分分析法降维处理后,通过非周期随机共振系统,发现不同霉变程度的燕麦,其最大互相关系数不同,而且对每个类别该系数几乎是常数,因此能准确地用来代表不同的类别.实验结果表明基于非周期随机共振的最大互相关系数法准确可行,为电子鼻信号的分类识别提供了一种新的思路和方法.     

电子鼻及其在白酒识别中的应用

论述了电子鼻的原理、结构及其在白酒识别中的应用。模拟生物嗅觉系统,由气敏传感器阵列是结合模式识别技术构成了电子鼻。用它对几种白酒进行了分类和识别实验,结果表明,其不仅能识别不同香型的白酒,而且可以识别同一香型的白酒。     

基于气体传感器阵列的混合气体定量分析

优选CO和H2气体敏感的半导体气体传感器组成阵列，建立实时数据采集系统，结合BP神经网络模式识别技术，实现了混合气体组分的定量分析。讨论了不同响应时间下的阵列输出值、不同的数据预处理算法及不同的神经网络结构等主要影响因素对网络输出结果的影响。结果表明，采用RRD预处理算法对3min响应时间下的阵列输出值进行处理，再输入到有12个隐层神经元数的3层BP神经网络进行训练，预测的效果最好。该处理模式能较准确地完成CO和H2混合气体组分的定量分析。     

基于小波去噪和支持向量机的苹果品种识别法

本文提出了一种用电子鼻来区分富士、花牛、姬娜3种不同品种苹果气味的方法。首先利用多尺度小波分析对气体传感器的数据进行去噪处理,再用支持向量机建立识别模型,最后通过优化2个支持向量机模型的核函数及其参数,将重叠的苹果气味数据进行高维空间变换用SVM回归模型识别。实验结果表明,第一个支持向量机模型对花牛苹果的识别正确率达到100％,第二个支持向量机模型对姬娜和富士的识别率大于90％。     

一种基于多重自组织图的电子鼻漂移抑制方法

多重自组织图(mutiple self-organizing maps,MSOM)神经网络可以补偿电子鼻中传感器阵列产生的漂移。通过理论分析指出:该方法在同种样本连续进样的情况下,存在丧失漂移补偿能力的可能。针对这一问题,提出了一种改进的MSOM重训练方法——增量重训练法,该方法通过估计漂移变化趋势对神经网络权值进行全面调整。实验结果表明,增量重训练法通过改善重训练过程中漂移信息获取的公平性,增强了MSOM的漂移补偿能力,提高了识别准确率。     

基于LabVIEW的汽车电控发动机信号采集与分析系统

随着汽车电子技术的发展,对汽车电控发动机各电信号的检测愈发重要.利用虚拟仪器技术及LabVIEW软件开发平台,配以数据采集卡,实现对发动机上各传感器和执行器产生的电信号进行采集与分析.通过试验证明,这种方法能够实时准确地对发动机上各种电信号进行采集、分析及显示.