用于感测气体混合物中的一种或多种气体的气体感测设备的制作方法

1.实施例涉及用于感测气体混合物中的一种或多种气体的气体感测设备。另外的实施例涉及用于操作这样的气体感测设备的方法。更具体地，本公开涉及通过使用化学电阻式气体传感器来估计气体浓度。


背景技术：

2.关于化学电阻式气体传感器的文献通常仅限于用于证明传感器功能或昂贵的数据采集方法的简单模型，简单模型使用具有不切实际的实现方式[1,2]的地理分布式传感器系统。为了区分不同的气体，已提出使用选择性物理气体过滤器或附加的非化学电阻式气体传感器。然而，这样的使用对产品尺寸和成本有重大影响[3]。


技术实现要素：

[0003]
提供了气体感测设备，用于感测气体混合物中的一种或多种气体。气体感测设备包括：
[0004]
一个或多个化学电阻式气体传感器，其中气体传感器中的每个气体传感器被配置为用于生成与气体混合物中的一种或多种气体中的一种气体的浓度相对应的信号样本；
[0005]
一个或多个热源，其中一个或多个热源被控制为使得气体传感器各自根据一个或多个温度分布来被加热；
[0006]
预处理处理器，被配置用于从气体传感器中的每个气体传感器接收信号样本，并且对所接收的信号样本进行预处理，以便生成针对气体传感器中的每个气体传感器的预处理信号样本；
[0007]
特征提取处理器，被配置为用于接收预处理信号样本并且被配置为用于基于所接收的相应气体传感器的预处理信号样本的特性，从所接收的气体传感器中的每个气体传感器的预处理信号样本中提取一个或多个特征值；以及
[0008]
气体浓度处理器，用于针对气体传感器中的每个气体传感器来创建感测结果；
[0009]
其中气体浓度处理器包括分类处理器，分类处理器被配置为接收第一组特征值，第一组特征值包括针对气体传感器中的每个气体传感器的特征值，其中分类处理器被配置为用于输出针对气体中的每种气体的类别判定值，其中类别判定值中的每个类别判定值指示相应气体是否存在于气体混合物中，其中分类处理器被配置用于输出针对类别判定值中的每个类别判定值的置信度值，其中置信度值中的每个置信度值指示相应类别判定值的可靠性，其中分类处理器包括基于第一训练模型的算法处理器以及针对基于第一训练模型的算法处理器的第一训练模型，其中第一组中的特征值被馈送到基于第一训练模型的算法处理器的不同输入，并且其中类别判定值中的每个类别判定值以及置信度值中的每个置信度值在基于第一训练模型的算法处理器的不同输出上被提供；
[0010]
其中气体浓度处理器包括量化处理器，量化处理器被配置为接收第二组特征值并且针对气体中的每种气体创建估计值，第二组特征值包括针对气体传感器中的每个气体传
感器的特征值，其中估计值中的每个估计值指示相应气体的浓度的定量估计，其中量化处理器包括基于第二训练模型的算法处理器以及针对基于第二训练模型的算法处理器的第二训练模型，其中第二组中的特征值被馈送到基于第二训练模型的算法处理器的不同输入，其中针对传感器的估计值在基于第二训练模型的算法处理器的不同输出上被提供；以及
[0011]
其中气体浓度处理器被配置为使得针对气体中的每种气体的感测结果取决于针对相应气体的估计值、取决于针对相应气体的类别判定值以及取决于针对相应气体的置信度值。
[0012]
一个或多个化学电阻式气体传感器可以是石墨烯气体传感器或者还原石墨烯气体传感器，其中基体材料利用特定的化学物质(例如，使用铂(pt)或二氧化锰(mno2))被官能化，使得气体传感器中的每个气体传感器对气体灵敏，例如对二氧化氮(no2)、臭氧(o3)或一氧化碳(co)灵敏。这样，取决于气体的混合物，石墨烯片与所吸收的气体分析物之间的相互作用影响了材料的电子结构，从而导致电荷载流子浓度和电导率发生变化。
[0013]
在多气体感测的情况下，可以使用多气体传感器阵列，多气体传感器阵列包括具有不同选择性的多个化学电阻式气体传感器。由于对各种气体分子的灵敏度不同，气体传感器的电阻以不同的模式变化，从而可以使用单个传感器阵列来分析复杂的气体混合物。
[0014]
本发明的核心是具有改进的检测机制的气体感测设备，其中分类处理器的输出和量化处理器的输出被用于降低交叉灵敏性，改进对气体混合物中的每个单个目标气体的估计准确度。
[0015]
信号样本是由时间离散的信号值组成的序列，其中信号值由气体传感器中的一个气体传感器输出。
[0016]
每个气体传感器可以由一个或多个热源加热。热源可以是电动电阻式加热元件或发射光、特别是紫外光的辐射器。在操作阶段期间，一个或多个热源中的每个热源根据一个或多个温度分布来控制。温度分布中的每个温度分布在最高温度与最低温度之间调制一个或多个气体传感器的温度。
[0017]
例如，根据温度分布中的一个温度分布，一个或多个加热元件的温度可以在最高温度和最低温度之间跳动。最高温度可以被设置为例如150℃和300℃之间的值，而最低温度可以被设置为例如50℃和200℃之间的值。
[0018]
在其他实施例中，可以使用其他温度分布，诸如斜坡。
[0019]
温度调制对于所有传感器可以是相同的，或者对于至少一些传感器是不同的。
[0020]
温度调制改进了感测结果的可重复性和稳定性。
[0021]
术语处理器指代针对特定任务配置的电子设备。处理器可以包括硬件或硬件和软件的组合。不同的处理器可以共享硬件部件和/或软件部件。
[0022]
预处理处理器被配置用于抑制和/或补偿信号样本中的伪像和/或信号样本中的噪声和/或由于气体传感器故障的无效信号样本和/或信号样本中由于气体传感器的漂移而引起的错误，从而产生更可靠的经滤波的信号样本。
[0023]
信息提取处理器被配置为接收预处理信号样本并且基于所接收的相应气体传感器的预处理信号样本的特性，从所接收的每个气体传感器的预处理信号样本中提取一个或多个特征值。特征可以基于信号样本的动态特性。为此，气体传感器响应的跳动性质被利用
并且与气体传感器的动态演变相关的特性被提取。
[0024]
气体浓度处理器被配置为针对气体传感器中的每个气体传感器来创建感测结果。感测结果可以是字母数字术语，例如从“高”到“低”的等级上的字母数字术语。具体地，空气质量指数系统的术语(例如，[4]中描述的欧洲空气质量指数的术语)可以被用于输出感测结果。在其他实施例中，感测结果可以是物理量，诸如“4％体积”。
[0025]
基于训练模型的算法处理器是能够进行机器学习的处理器。机器学习在预操作训练阶段中完成，在预操作训练阶段中，训练模型通过将基于训练模型的算法级的实际输出值与基于训练模型的算法级的期望输出值进行比较来开发，以获得基于训练模型的算法级的限定输入。训练模型具有预定义结构，其中预定义结构的参数化在训练阶段期间完成。训练模型包括训练阶段结束之后所习得的内容。在用于产生处理结果的操作阶段中，来自训练阶段的一个或多个训练模型被用于处理它们的输入数据。
[0026]
在训练阶段中，多个训练模型可以被建立并且然后被存储在气体感测设备中。训练模型可能在结构和/或参数上有所不同。在操作阶段期间，最合适的训练模型可以根据特定用例来选择。
[0027]
气体浓度处理器包括分类处理器，分类处理器被配置为接收第一组特征值，第一组特征值包括针对气体传感器中的每个气体传感器的特征值。分类处理器被配置为用于输出针对气体中的每种气体的类别判定值，其中类别判定值中的每个类别判定值指示相应气体是否存在于气体混合物中。分类处理器还被配置为用于输出类别判定值中的每个类别判定值的置信度值，其中置信度值中的每个置信度值指示相应类别判定值的可靠性。此外，分类处理器包括基于第一训练模型的算法处理器以及针对基于第一训练模型的算法处理器的第一训练模型，其中第一组中的特征值被馈送到基于第一训练模型的算法处理器的不同输入，并且其中每个类别判定值和每个置信度值被提供在基于第一训练模型的算法处理器的不同输出上。
[0028]
分类处理器的第一训练模型被训练为分类算法，并且同时被训练为置信度值计算算法。分类处理器的第一训练模型计算气体中的每种气体的类别判定值和类别判定值中的每个类别判定值的置信度值。
[0029]
气体浓度处理器包括量化处理器，量化处理器被配置为接收第二组特征值并且针对气体中的每种气体创建估计值，第二组特征值包括针对气体传感器中的每个气体传感器的特征值，其中估计值中的每个估计值指示相应气体的浓度的量化估计，其中量化处理器包括基于第二训练模型的算法处理器以及针对基于第二训练模型的算法处理器的第二训练模型，其中第二组中的特征值被馈送到基于第二训练模型的算法处理器的不同输入，并且其中针对气体的估计值在基于第二训练模型的算法处理器的不同输出上被提供；
[0030]
与第一组特征值相比，第二组特征值可以包括相同的特征值或不同的特征值。
[0031]
分类处理器的第二训练模型被训练为回归算法并且针对气体传感器中的每个气体传感器来计算估计值。
[0032]
气体浓度处理器被配置为使得每种气体的感测结果取决于针对相应气体的估计值、取决于针对相应气体的类别判定值以及取决于针对相应气体的置信度值。
[0033]
在本发明的公开内容中，气体检测过程被划分为两个机制，两个机制处理来自相同传感器的数据。两个机制的输出然后被用来产生最终且更准确的感测结果。具体地，分类
器被应用于数据来计算某种气体是否存在，并且回归器被用于从相同数据中量化感兴趣气体的浓度。这两个机制的结果允许消除关于特定气体的交叉灵敏性和虚假警报，并且同时改进气体预测的准确性。
[0034]
气体感测设备可以反映现实世界的场景，其中例如存在导致传感器响应交叉灵敏性的气体混合物。具体地，所提出的气体感测设备能够以合理的准确度区分不同的气体，特别是区分使用化学电阻式传感器难以区分的no2和o3。
[0035]
根据本公开的气体感测设备解决了化学电阻式气体传感器的内在不稳定性。它使用强大的算法和检测机制，可以在很宽的操作范围内可靠地应对校准不准确、漂移和其他类似影响。此外，气体感应装置只需很短的时间即可达到稳定的响应水平。
[0036]
所提出的气体感测设备为多气体吸附传感器提供了端到端的解决方案，该解决方案用途广泛，广泛适用于多种应用和用例(室外、室内、健康检查等)并且可以被嵌入到智能便携式设备中。具体地，算法被用来处理连续的传感器读数，利用传感器响应中的瞬态信息并且表现出低复杂性和有限的存储器要求。
[0037]
具体地，气体感测设备可以被用于空气质量监测。
[0038]
根据本公开的实施例，一个或多个气体传感器在恢复阶段和感测阶段交替操作；
[0039]
其中一个或多个热源被控制为使得气体传感器各自在恢复阶段期间根据一个或多个温度分布中的一个或多个第一温度分布来加热，并且在感测阶段期间根据一个或多个温度分布中的一个或多个第二温度分布来加热，其中对于气体传感器中的每个气体传感器，相应第一温度分布的最高温度高于相应第二温度分布的最高温度。
[0040]
一个或多个热源中的每个热源可以在恢复阶段期间根据一个或多个温度分布以及在感测阶段期间根据第二温度分布来控制，其中第一温度分布的最高温度高于第二温度分布的最高温度。
[0041]
例如，一个或多个加热元件的温度可以在气体传感器的恢复阶段期间的第一温度与气体传感器的感测阶段期间的第二温度之间跳动，其中第一温度高于第二温度。第一温度可以例如被设置为150℃和300℃之间的值，而第二温度可以被设置为例如50℃和200℃之间的值。
[0042]
温度调制对于所有传感器可以是相同的，或者对于至少一些传感器是不同的。
[0043]
为了改进感测结果的可重复性和稳定性，每个气体传感器的至少一些信号样本可以表示恢复阶段中的至少一个和感测阶段中的至少一个。
[0044]
根据本公开的实施例，预处理处理器被配置为针对从气体传感器接收的信号样本执行基线校准算法。基线操纵是将气体传感器中的一个气体传感器的信号样本变换为相对于传感器对参考分析物的响应的相对电阻变化，其中这样的传感器响应被称为基线。合成空气是非常常见的基线，因为它在现实世界场景中很容易应用和现实。基线的目的是通过消除由长期气体暴露和传感器老化引起的一些漂移，潜在地创建更稳定和可重复的感测结果。如等式(1)所示，将传感器响应减去其基线r0消除了加法漂移，而除法消除了乘法漂移。结合使用这两种运算产生了相对电阻变化δr/r0：
[0045]
δr/r0＝(r
–
r0)/r0ꢀꢀ
(1)
[0046]
根据本公开的实施例，预处理处理器被配置为针对从气体传感器接收的信号样本执行滤波算法。滤波算法可以例如被实现为高通滤波器或噪声滤波器。这样的特征进一步
改进了感测结果的准确性。
[0047]
根据本公开的实施例，特征提取处理器被配置为从所接收的预处理信号样本中提取经归一化的传感器灵敏度δr/r0，作为气体传感器中的每个气体传感器的特征值中的一个特征值。经归一化的传感器灵敏度δr/r0可以根据等式(1)来计算。
[0048]
使用经归一化的传感器灵敏度δr/r0作为特征值改进了感测结果的准确性。
[0049]
根据本公开的实施例，特征提取处理器被配置为用于从所接收的预处理信号样本中提取预处理信号样本中的一个预处理信号样本的斜率r’(t)，作为气体传感器中的每个气体传感器的特征值中的一个特征值。斜率r’(t)或导数可以根据等式(2)来计算：
[0050]
r’(t)＝δr(t)/δt
ꢀꢀ
(2)
[0051]
使用斜率r’(t)作为特征值可以改进感测结果的准确性。
[0052]
根据本公开的实施例，特征提取处理器被配置为从所接收的每个气体传感器的预处理信号样本中提取相应气体传感器的第一预处理信号样本和相应气体传感器的第二预处理信号样本之间的时间相关性作为针对相应气体传感器的特征值中的一个特征值。
[0053]
根据本公开的实施例，特征提取处理器被配置为用于从所接收的每个气体传感器的预处理信号样本中提取相应气体传感器的预处理信号样本中的一个预处理信号样本与气体传感器中的另一气体传感器的预处理信号样本中的一个预处理信号样本之间的空间相关性作为相应气体传感器的特征值中的一个特征值。
[0054]
考虑到气体传感器的动态行为、传感器响应中几种瞬态的可用性以及具有不同功能的特性阵列结构，引入利用这些时间和空间性质的度量是有意义的。这可以通过引入该类型的归一化传感器响应的时间自相关函数(及其导数)来实现。
[0055][0056]
其中x和y指示不同时刻的归一化响应(或者备选地，它们的导数)，并且n是用于计算自相关性的窗口尺寸。具体地：
[0057][0058]
类似地，不同气体传感器之间的相关性也应利用该类型的空间相关矩阵：
[0059][0060]
根据本公开的实施例，基于第一训练模型的算法处理器被实现为第一人工神经网络。
[0061]
根据本公开的实施例，基于第二训练模型的算法处理器被实现为第二人工神经网络。
[0062]
人工神经网络是参数化统计模型，其中许多逻辑回归被非线性地组合。这样的系统通过考虑示例来“学习”执行任务，通常无需使用任何任务特定的规则进行编程。神经网络基于被称为人工神经元的连接节点集合。每个连接可以将信号从一个人工神经元传输到另一人工神经元。接收信号的人工神经元可以对其进行处理，并且然后向与其相连的附加人工神经元发送信号。模型预先定义了节点的结构或神经网络的超参数，并且连接的参数通过训练神经网络来找到。结构和对应的参数构成了相应神经网络的训练模型。
[0063]
根据本公开的实施例，对于每种气体，针对相应气体的感测结果是针对相应气体的估计值，其中针对相应气体的类别判定值和针对相应气体的置信度值被馈送到基于第二训练模型的算法处理器的输入中的一个输入，以便使得针对每种气体的估计值取决于针对相应气体的类别判定值和针对相应气体的置信度值。
[0064]
在这样的实施例中，第一组特征值可以被馈送到分类处理器的基于第一训练模型的算法处理器的不同输入，并且针对气体中的每种气体的类别判定值和针对气体中的每种气体的置信度值可以在分类处理器的基于第一训练模型的算法处理器的不同输出处输出。针对气体中的每种气体的第二组特征值和类别判定值以及针对气体中的每种气体的置信度值被馈送到气体浓度处理器的基于第二训练模型的算法处理器的不同输入，并且针对每种气体的估计值可以在气体浓度处理器的基于第二训练模型的算法处理器的不同输出处输出。
[0065]
根据本公开的实施例，气体浓度处理器包括后处理处理器，后处理处理器被配置用于基于一个或多个预定义规则，根据针对相应传感器的估计值、根据针对相应传感器的类别判定值以及根据针对相应传感器的置信度值来估计传感器中的每个传感器的感测结果。
[0066]
在这样的实施例中，第一组特征值可以被馈送到分类处理器的基于第一训练模型的算法处理器的不同输入，并且针对气体中的每种气体的类别片段值以及针对气体中的每种气体的置信度值可以在分类处理器的基于第一训练模型的算法处理器的不同输出处输出。第二组特征值可以被馈送到气体浓度处理器的基于第二训练模型的算法处理器的不同输入，并且针对气体中的每种气体的估计值可以在气体浓度处理器的基于第二训练模型的算法处理器的不同输出处输出。针对气体中的每种气体的估计值、针对气体中的每种气体的类别判定值以及针对气体中的每种气体的置信度值可以被转发到后处理处理器，后处理处理器根据针对相应气体的估计值、根据针对相应气体的类别判定值以及根据针对相应气体的置信度值来输出针对每种气体的感测结果。
[0067]
示例性规则可以是，在量化处理器估计特定气体的特定浓度并且分类处理器以高置信度估计气体混合物中不存在特定气体的情况下，特定气体的感测结果被设置为“零”或“未知”。
[0068]
根据本公开的实施例，后处理处理器被配置为使用针对相应传感器的估计值、针对相应传感器的类别判定值以及针对相应传感器的置信度值来重新校准传感器中的每个传感器。具体地，传感器漂移可以被补偿。这可以在分类处理器以高置信度估计气体混合物中不存在一种特定气体的情况下完成。
[0069]
根据本公开的实施例，气体浓度处理器包括特征归一化处理器，特征归一化处理器被配置为接收第二组特征值、针对气体中的每种气体的类别判定值和针对气体中的每种气体的置信度值，其中特征归一化处理器被配置用于使用针对每种气体的类别判定值和针对每种气体的置信度值来计算第二组特征值的归一化形式，其中特征归一化处理器被配置用于将归一化形式的第二组特征值传输到量化处理器。
[0070]
在这样的实施例中，来自分类处理器的预测可以发起传感器基线的新计算并且因此发起来自预处理处理器的特征的重新归一化。该重新归一化可以通过向量化处理器提供漂移补偿特征值来改进气体浓度估计。
[0071]
根据本公开的实施例，基于第二训练模型的算法处理器包括针对气体中的每种气体的卷积处理器，其中基于第二训练模型的算法处理器包括稠密层处理器，其中第二组特征值中的至少一部分被馈送到卷积处理器中的每个卷积处理器，其中卷积处理器中的每个卷积处理器被配置为针对每种气体来创建初步估计值，其中初步估计值中的每个初步估计值指示对相应气体浓度的量化初步估计，其中针对气体中的每种气体的初步估计值、针对气体中的每种气体的类别判定值和针对气体中的每种气体的置信度值被输入到稠密层处理器，其中稠密层处理器基于初步估计值、基于类别判定值并且基于置信度值来创建针对气体中的每种气体的估计值。
[0072]
该方法的优点是每个单独的卷积处理器可以首先单独学习与相应气体最相关的特征值，并且与类别相关的信息随后作为输入被并入稠密层处理器。因此，稠密层处理器然后仍然可以利用气体之间的交叉相关性以及来自分类处理器的信息。该方法可以改进感测结果。
[0073]
在这样的实施例中，针对气体中的每种气体的估计值可以被用作针对每种气体的感测结果。
[0074]
在本公开的另一方面中，公开了用于操作气体感测设备的方法，方法用于感测气体混合物中的一种或多种气体，气体感测设备包括一个或多个化学电阻式气体传感器。方法包括以下步骤：
[0075]
使用气体传感器中的每个气体传感器来生成与气体混合物中的一种或多种气体中的一种气体的浓度相对应的信号样本；
[0076]
根据一个或多个温度分布，使用一个或多个热源来对气体传感器中的每个气体传感器加热；
[0077]
使用预处理处理器来从气体传感器中的每个气体传感器的接收信号样本并且对所接收的信号样本进行预处理。以便生成针对气体传感中的每个气体传感器的预处理信号样本；
[0078]
使用特征提取处理器来接收预处理信号样本，并且基于所接收的相应气体传感器的预处理信号样本的特性，从所接收的气体传感器中的每个气体传感器的预处理信号样本中提取一个或多个特征值；
[0079]
使用气体浓度处理器的分类处理器来接收的第一组特征值，第一组特征值包括气体传感器中的每个气体传感器的特征值，其中分类处理器被配置为用于输出针对气体传感器中的每个气体的类别判定值，其中类别判定值中的每个类别判定值指示相应气体是否存在于气体混合物中，其中分类处理器被配置为输出针对类别判定值中的每个类别判定值的置信度值，其中置信度值中的每个置信度值指示相应类别判定值的可靠性，其中分类处理器包括基于第一训练模型的算法处理器以及针对基于第一训练模型的算法处理器的第一训练模型，其中第一组中的特征值被馈送到基于第一训练模型的算法处理器的不同输入，并且其中类别判定值中的每个类别判定值和置信度值中的每个置信度值在基于第一训练模型的算法处理器的不同输出上被提供；
[0080]
使用气体浓度处理器的量化处理器来接收第二组特征值并且针对气体中的每种气体来创建估计值，第二组特征值包括每个气体传感器的特征值，其中估计值中的每个估计值指示相应气体的浓度的量化估计，其中量化处理器包括基于第二训练模型的算法处理
器以及针对基于第二训练模型的算法处理器的第二训练模型，其中第二组中的特征值被馈送到基于第二训练模型的算法处理器的不同输入，并且其中针对气体的估计值在基于第二训练模型的算法处理器的不同输出上被提供；以及
[0081]
使用气体浓度处理器，使得针对气体中的每种气体的感测结果取决于针对相应气体的估计值、取决于针对相应气体的类别判定值以及取决于针对相应气体的置信度值。
附图说明
[0082]
随后参考附图来讨论本发明的优选实施例，其中：
[0083]
图1示出了根据现有技术的气体感测设备的示例性实施例的示意图，气体感测设备包括四个化学电阻式气体传感器；
[0084]
图2示出了根据现有技术的气体感测设备的示例性实施例的预测性能；
[0085]
图3示出了根据本公开的气体感测设备的第一示例性实施例的示意图，气体感测设备包括四个化学电阻式气体传感器；
[0086]
图4示出了根据本公开的气体感测设备的第一实施例的预测性能；
[0087]
图5示出了根据本公开的气体感测设备的第二示例性实施例的示意图，气体感测设备包括四个化学电阻式气体传感器；
[0088]
图6示出了根据本公开的气体感测设备的第二实施例的预测性能；
[0089]
图7示出了根据本公开的气体感测设备的第三示例性实施例的示意图，气体感测设备包括四个化学电阻式气体传感器；
[0090]
图8示出了根据本公开的气体感测设备的第四示例性实施例的示意图，气体感测设备包括四个化学电阻式气体传感器；
[0091]
图9示出了根据本公开的气体感测设备的第四实施例的预测性能；
[0092]
图10示出了根据本公开的示例性石墨烯多气体传感器阵列；以及
[0093]
图11图示了示例性归一化传感器响应和加热器温度随时间的变化。
具体实施方式
[0094]
相同或等效的元素或具有相同或等效功能的元素在以下描述中由相同或等效的附图标记来表示。
[0095]
在以下描述中，阐述了多个细节来提供对本公开的实施例的更彻底的解释。然而，对于本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下实践本公开的实施例。在其他情况下，众所周知的结构和设备以框图形式示出而不是详细示出，以避免混淆本公开的实施例。附加地，除非另有特别说明，否则下文描述的不同实施例的特征可以彼此组合。
[0096]
图1示出了根据现有技术的气体感测设备1的示例性实施例的示意图，气体感测设备1包括四个化学电阻式气体传感器。气体感测设备1包括：一个或多个化学电阻式气体传感器2，其中气体传感器2中的每个气体传感器被配置为生成与气体混合物中的一种或多种气体中的一种气体的浓度相对应的信号样本sig，其中一个或多个热源3被控制为使得气体传感器2中的每个气体传感器根据一个或多个温度分布来加热；预处理处理器4，被配置为从气体传感器2中的每个气体传感器接收信号样本sig并且对所接收的信号样本sig进行预
处理，以为气体传感器2中的每个气体传感器生成预处理信号样本pss；特征提取处理器5，被配置为接收预处理信号样本pss并且基于所接收的相应气体传感器2的预处理信号样本pss的特性，从所接收的气体传感器2中的每个气体传感器的预处理信号样本pss中提取一个或多个特征值fv；以及气体浓度处理器6，用于为气体传感器2中的每个气体传感器创建感测结果sr。气体浓度处理器6被配置为回归器6。
[0097]
图2示出了根据现有技术的气体感测设备1的示例性实施例的预测性能。图1中示出的常规方法的缺点在图2中图示，其中回归器6针对目标气体(在该示例中为no2和o3)的浓度估计sr(较浅的曲线)根据它们的正确标签cr(较暗的曲线)来绘制。此处可以看出，当仅存在一种气体时会发生由错误检测第二气体反映的严重交叉灵敏性。在该示例中，这在no2预测中尤为明显，no2携带有来自o3模式的若干“虚假警报”或“干扰”。
[0098]
图3示出了根据本公开的气体感测设备1的第一示例性实施例的示意图，气体感测设备1包括四个化学电阻式气体传感器2。
[0099]
气体感测设备1被配置为感测气体混合物中的一种或多种气体。气体感测设备1包括：
[0100]
一个或多个化学电阻式气体传感器2，其中气体传感器2中的每个气体传感器被配置用于生成与气体混合物中的一种或多种气体中的一种气体的浓度相对应的信号样本sig；
[0101]
一个或多个热源3，其中一个或多个热源3被控制为使得气体传感器2各自根据一个或多个温度分布ftp被加热；
[0102]
预处理处理器4，被配置为从气体传感器2中的每个气体传感器接收信号样本sig并且对所接收的信号样本sig进行预处理，以便生成针对气体传感器2中的每个气体传感器的预处理信号样本pss；
[0103]
特征提取处理器5，被配置为用于接收预处理信号样本pss并且被配置为用于基于所接收的相应气体传感器2的预处理信号样本pss的特性，从所接收的气体传感器2中的每个气体传感器的预处理信号样本pss中提取一个或多个特征值fv；以及
[0104]
气体浓度处理器6，用于针对气体传感器2中的每个气体传感器创建感测结果sr；
[0105]
其中气体浓度处理器6包括分类处理器7，分类处理器7被配置用于接收第一组特征值fv，第一组特征值fv包括针对气体传感器中的每个气体传感器2的特征值fv，其中分类处理器7被配置用于输出气体中的每种气体的类别判定值cdv，其中类别判定值cdv中的每个类别判定值cdv指示相应气体是否存在于气体混合物中，其中分类处理器7被配置为用于输出针对类别判定值cdv中的每个类别判定值cdv的置信度值cv，其中置信度值cv中的每个置信度值cv指示相应类别判定值cdv的可靠性，其中分类处理器7包括基于第一训练模型的算法处理器8以及针对基于第一训练模型的算法处理器8的第一训练模型9，其中第一组中的特征值fv被馈送到基于第一训练模型的算法处理器8的不同输入10，并且其中类别判定值cdv中的每个类别判定值cdv和置信度值cv中的每个置信度值cv在基于第一训练模型的算法处理器8的不同输出11上被提供；
[0106]
其中气体浓度处理器6包括量化处理器12，量化处理器12被配置为接收第二组特征值fv并且针对每种气体创建估计值ev，第二组特征值fv包括针对气体传感器2中的每个气体传感器2的特征值fv，其中估计值ev中的每个估计值ev指示相应气体的浓度的量化估
计，其中量化处理器12包括基于第二训练模型的算法处理器13以及针对基于第二训练模型的算法处理器13的第二训练模型14，其中第二组中的特征值fv被馈送到基于第二训练模型的算法处理器13的不同输入15，其中针对气体的估计值ev在基于第二训练模型的算法处理器13的不同输出16上被提供；并且
[0107]
其中气体浓度处理器6被配置为使得针对气体中的每种气体的感测结果sr取决于针对相应气体的估计值ev、取决于针对相应气体的类别判定值cdv以及取决于针对相应气体的置信度值cv相关。
[0108]
图3所示的气体感测设备1包括m个传感器2，其中m个传感器2中的每个传感器产生信号样本sig，使得同时产生m个信号样本sig。m可以是任何正整数，例如四。预处理处理器4接收m个信号样本sig并且针对m个信号样本sig中的每个信号样本产生预处理信号样本pss，使得同时产生m个预处理信号样本pss。特征提取处理器5接收m个预处理信号样本pss并且针对m个预处理信号样本pss中的每个预处理信号样本产生一个或多个特征值fv，使得同时产生n个特征值fv。n是整数，通常等于或大于m。
[0109]
包括n1个特征值fv的第一组特征值fv被馈送到分类处理器7。分类处理器7针对l种待检测气体中的每种待检测气体产生类别判定值cdv和置信度值cv，使得同时产生l个类别判定值cdv和l个置信度值cv。l个类别判定值cdv和l个置信度值cv与包括n2个特征值fv的第二组特征值fv一起被馈送到量化处理器12。量化处理器12根据l个类别判定值cdv、l个置信度值cv和第二组特征值fvl来产生估计值ev，其中估计值ev中的每个估计值指示l个待检测气体中的一种气体的浓度的量化估计。l可以是小于、等于或大于m的整数。
[0110]
在图3的示例中，每个估计值ev表示待感测气体中的一种气体的感测结果sr。感测结果sr可以被显示在显示器17上。
[0111]
在一些实施例中，气体感测设备包括：预处理处理器4，其中伪像、噪声、故障传感器和漂移被抑制或补偿；特征提取处理器5，其中预处理传感器响应pss被变换并“编码”为特征值fv，特征值fv具有适当降低的维度并且同时具有信息量最大的内容，其中可能的特征值fv是归一化的灵敏度、导数或斜率、传感器之间的时间和空间相关性；以及量化处理器12，其中气体浓度的连续估计借助于回归算法来提供，回归算法被优选地实现为前馈神经网络(ffnn)、递归神经网络(rrn)或卷积神经网络(cnn)。
[0112]
为了在存在气体混合物的情况下改进感测设备1的性能，建议将原始数据sig、pss和/或从它们提取的特征值fv馈送到分类处理器7，分类处理器7判定例如气体混合物中是否存在o3或no2。根据准确性和硬件要求(例如，功率、存储器、尺寸、材料成本)之间的权衡，分类处理器7可以是前馈网络或简单的卷积神经网络。分类处理器7还为不同类别提供置信水平(预测概率，{pa})。
[0113]
分类处理器7的信息cdv和cv以及量化处理器12的信息ev被组合来改进最终预测sr。该组合可以是在量化处理器12的输出处(即，在后处理中)发生的“硬组合(hard combination)”，或者是在量化处理器12的输入处或者量化处理器12内发生的“软组合(soft combination)”。
[0114]
需要注意，分类处理器7可以直接处理原始数据sig和pss；也被发送到量化处理器12的相同特征值fv或特征值fv的一部分；和/或未被发送到量化处理器12的特征值fv。
[0115]
最后，可以设计图3中的机制的增强，其中(非递归)分类处理器7从量化处理器12
接收预测浓度值ev形式的反馈。基于阈值，气体的预测浓度ev影响分类处理器7对下一输入的预测。
[0116]
根据本公开的实施例，一个或多个气体传感器2在恢复阶段rp与感测阶段sp中交替操作；
[0117]
其中一个或多个热源3被控制为使得气体传感器2各自在恢复阶段rp期间根据一个或多个温度分布ftp、stp中的一个或多个第一温度分布ftp来加热，并且在感测阶段sp期间根据一个或多个温度分布ftp中的一个或多个第二温度分布stp来加热，其中对于气体传感器2中的每个气体传感器，相应第一温度分布ftp的最高温度高于相应第二温度分布stp的最高温度。
[0118]
根据本公开的实施例，预处理处理器4被配置为针对从气体传感器2接收的信号样本sig执行基线校准算法。
[0119]
根据本公开的实施例，预处理处理器4被配置为针对从气体传感器2接收的信号样本sig执行滤波算法。
[0120]
根据本公开的实施例，特征提取处理器5被配置为用于从接收的预处理信号样本pss中提取归一化的传感器灵敏度，作为针对气体传感器中的每个气体传感器2的特征值fv中的一个特征值。
[0121]
根据本公开的实施例，特征提取处理器5被配置为用于从所接收的预处理信号样本pss中提取预处理信号样本pss中的一个预处理信号样本的斜率，作为针对气体传感器2中的每个气体传感器的特征值fv中的一个特征值。
[0122]
根据本公开的实施例，特征提取处理器5被配置为用于从所接收的针对气体传感器中的每个气体传感器2的预处理信号样本pss中提取相应气体传感器2的第一预处理信号样本pss与相应气体传感器2的第二预处理信号样本pss之间的时间相关，作为针对相应气体传感器2的特征值fv中的一个特征值。
[0123]
根据本公开的实施例，特征提取处理器5被配置为从所接收的针对气体传感器中的每个气体传感器2的预处理信号样本pss中提取相应气体传感器2的预处理信号样本pss中的一个预处理信号样本与另一气体传感器2的预处理信号样本pss中的一个预处理信号样本之间的空间相关性，作为针对相应气体传感器2的特征值fv中的一个特征值。
[0124]
根据本公开的实施例，基于第一训练模型的算法处理器6被实现为第一人工神经网络。
[0125]
根据本公开的实施例，基于第二训练模型的算法处理器13被实现为第二人工神经网络。
[0126]
根据本公开的实施例，对于气体中的每种气体，针对相应气体的感测结果sr是针对相应气体的估计值ev，其中针对相应气体的类别判定值cdv和针对相应气体的置信度值cv被馈送到基于第二训练模型的算法处理器13的输入15中的一个输入，以使得针对每种气体的估计值ev取决于针对相应气体的类别判定值cdv以及取决于针对相应气体的置信度值cv。
[0127]
在另一方面，本公开涉及用于操作气体感测设备1来感测气体混合物中的一种或多种气体的方法，其中气体感测设备1包括一个或多个化学电阻式气体传感器2，其中方法包括以下步骤：
[0128]
使用气体传感器2中的每个气体传感器2来生成与气体混合物中的一种或多种气体中的一种气体的浓度相对应的信号样本sig；
[0129]
使用一个或多个热源3来根据一个或多个温度分布ftp、stp对气体传感器2中的每个气体传感器2进行加热；
[0130]
使用预处理处理器4来从气体传感器2中的每个气体传感器2接收信号样本sig并且对所接收的信号样本sig进行预处理，以便生成针对气体传感器2中的每个气体传感器2的预处理信号样本pss；
[0131]
使用特征提取处理器5来接收预处理信号样本pss，并且基于所接收的相应气体传感器2的预处理信号样本pss的特性，从所接收的气体传感器2中的每个气体传感器2的预处理信号样本pss中提取一个或多个特征值fv；
[0132]
使用气体浓度处理器6的分类处理器7来接收第一组特征值fv，第一组特征值fv包括气体传感器2中的每个气体传感器2的特征值fv，其中分类处理器7被配置为用于输出针对气体中的每种气体的类别判定值cdv，其中所述类别判定值cdv中的每个类别判定值cdv指示相应气体是否存在于气体混合物中，其中分类处理器7被配置为输出针对类别判定值cdv中的每个类别判定值cdv的置信度值cv，其中置信度值cv中的每个置信度值cv指示相应类别判定值cdv的可靠性，其中分类处理器7包括基于第一训练模型的算法处理器8以及针对基于第一训练模型的算法处理器8的第一训练模型9，其中第一组中的特征值fv被馈送到基于第一训练模型的算法处理器8的不同输入10，并且其中类别判定值cdv中的每个类别判定值cdv和置信度值cv中的每个置信度值cv在基于第一训练模型的算法处理器8的不同输出11上被提供；
[0133]
使用气体浓度处理器6的量化处理器12来接收第二组特征值fv并且针对气体中的每种气体来创建估计值ev，第二组特征值fv包括气体传感器2中的每个气体传感器2的特征值fv，其中估计值ev中的每个估计值ev指示相应气体的浓度的量化估计，其中量化处理器12包括基于第二训练模型的算法处理器13以及针对基于第二训练模型的算法处理器13的第二训练模型14，其中第二组中的特征值fv被馈送到基于第二训练模型的算法处理器13的不同输入15，其中针对气体的估计值ev在基于第二训练模型的算法处理器13的不同输出16上被提供；以及
[0134]
使用气体浓度处理器6，使得针对气体中的每种气体的感测结果sr与取决于针对相应气体的估计值ev、取决于针对相应气体的类别判定值cdv以及取决于针对相应气体的置信度值cv。
[0135]
图4示出了根据本公开的气体感测设备1的第一实施例的预测性能，其中量化处理器13针对目标气体(在该示例中为no2和o3)的感测结果sr(较亮曲线)针对其正确的标签cr(较暗的曲线)来绘制。可以看出，与图2所示的常规方法相比，预测性能显著改进。具体地，交叉灵敏性被降低并且预测更准确。
[0136]
图5示出了根据本公开的气体感测设备1的第二示例性实施例的示意图，气体感测设备1包括四个化学电阻式气体传感器。第二实施例基于第一实施例，以下只讨论不同之处。
[0137]
根据本公开的实施例，气体浓度处理器6包括后处理处理器18，后处理处理器18被配置用于基于一个或多个预定义规则，根据针对相应传感器2的估计值ev、根据针对相应传
感器2的类别判定值cdv以及根据针对相应传感器2的置信度值cv来估计针对每个传感器2的感测结果sr。
[0138]
在第二实施例中，包括n1个特征值fv的第一组特征值fv被馈送到分类处理器7。分类处理器7针对待检测的l种气体中的每种产生类别判定值cdv和置信度值cv，使得同时产生l个类别判定值cdv和l个置信度值cv。包括n2个特征值fv的第二组特征值fv被馈送到量化处理器12。量化处理器12根据第二组特征值fvl来产生l个估计值ev，其中每个估计值ev指示l个待检测气体中的一种气体的浓度的量化估计。l个类别判定值cdv和l个置信度值cv与l个估计值ev一起被馈送到后处理处理器18。后处理处理器18使用预定义的规则，根据l个类别判定值cdv、根据l个置信度值cv并且根据l个估计值ev来产生l个感测结果l。
[0139]
例如，以下规则可以被应用：
[0140]
丢弃不可靠的气体预测：如果所有目标类别(例如，no2/o3/)的最大概率低于某个阈值，则量化处理器12处的对应估计输出被忽略(并且不被发送到显示器17)。
[0141]
使用分类处理器7的判定否决量化处理器12：如果分类处理器7仅标识了一种气体，例如o3或no2，则将量化处理器12对其他(多个)气体(在该示例中分别为no2或o3)的预测设置为零。如果分类器仅标识出低于阈值的no2和o3的类别概率，则将o3和no2设置为零。
[0142]
上述规则已建立，因为分类处理器7通常可以被认为比具有类似数量参数的量化处理器12更可靠，但也需要以ppb级精度来量化气体浓度。
[0143]
很明显，根据气体感测设备1的预期输出以及根据更精细分类的可用性，特别是在包含更多气体的气体混合物的情况下，可以导出更多规则。
[0144]
根据本公开的实施例，后处理处理器18被配置用于使用针对相应传感器2的估计值ev、针对相应传感器2的类别判定值cdv和针对相应传感器2的置信度值cv来重新校准传感器2中的每个传感器2。
[0145]
图6示出了根据本公开的气体感测设备的第二实施例的预测性能，其中量化处理器13针对目标气体(在该示例中为no2和o3)的感测结果sr(较亮曲线)针对其正确的标签cr(较暗的曲线)来绘制。可以看出，与图2所示的常规方法相比，预测性能被显著改进。具体地，交叉灵敏性被降低，并且预测更准确。
[0146]
图7示出了根据本公开的气体感测设备1的第三示例性实施例的示意图，气体感测设备1包括四个化学电阻式气体传感器。第三实施例基于第一实施例，以下仅讨论不同之处。
[0147]
根据本公开的实施例，气体浓度处理器6包括特征归一化处理器19，特征归一化处理器19被配置为接收第二组特征值fv、针对气体中的每种气体的类别判定值cdv和针对气体中的每种气体的置信度值cv，其中特征归一化处理器19被配置为用于使用针对气体中的每种气体的类别判定值cdv以及针对气体中的每种气体的置信度值cv来计算第二组特征值fv的归一化形式，其中特征归一化处理器19被配置用于将归一化形式的第二组特征值fv传输到量化处理器12。
[0148]
包括n1个特征值fv的第一组特征值fv被馈送到分类处理器7。分类处理器7针对l种待检测气体中的每种气体产生类别判定值cdv和置信度值cv，使得同时产生l个类别判定值cdv和l个置信度值cv。包括n2个特征值fv的第二组特征值fv被转发到特征归一化处理器19，特征归一化处理器19将第二组特征值fv的特征值fv归一化。
[0149]
l个类别判定值cdv和l个置信度值cv与第二组的n个归一化特征值fv被一起馈送到量化处理器12。量化处理器12根据l个类别判定值cdv、改进l个置信度值并且根据第二组的归一化特征值fv来产生l个估计值ev，其中每个估计值ev指示l个待检测气体之一的浓度的量化估计。
[0150]
为了补偿传感器漂移，图3所示的实施例可以被扩展到图7所示的实施例，使得某些分类器预测cv、cdv发起传感器基线的新计算，并且因此发起来自特征提取处理器5的特征值fv的重新归一化。该重新归一化可以通过向量化处理器12提供漂移补偿特征值fv来改进气体浓度估计sr。
[0151]
图8示出了根据本公开的气体感测设备1的第四示例性实施例的示意图，气体感测设备1包括四个化学电阻式气体传感器。第四实施例基于第一实施例，以下仅讨论不同之处。
[0152]
根据本公开的实施例，基于第二训练模型的算法处理器13包括针对气体中的每种气体的卷积处理器20，其中基于第二训练模型的算法处理器13包括稠密层处理器21，其中第二组特征值fv的至少一部分被馈送到卷积处理器20中的每个卷积处理器20，其中卷积处理器20中的每个卷积处理器20被配置为针对气体中的每种气体来创建初步估计值pev，其中初步估计值pev中的每个初步估计值pev指示相应气体浓度的量化初步估计，其中针对气体中的每种气体的初步估计值pev、针对气体中的每种气体的类别判定值cdv以及针对气体中的每种气体的置信度值cv被输入到稠密层处理器21，其中稠密层处理器21基于初步估计值pev、基于类别判定值cdv并且基于置信度值cv来针对每种气体创建估计值ev。
[0153]
包括n1个特征值fv的第一组特征值fv被馈送到分类处理器7。分类处理器7针对l种待检测气体中的每种气体产生类别判定值cdv和置信度值cv，使得同时产生l个类别判定值cdv和l个置信度值cv。
[0154]
包括n2个特征值fv的第二组特征值fv被转发到l2个卷积处理器20中的每个卷积处理器，卷积处理器20针对l种气体中的每种气体产生初步估计值pev。
[0155]
l个类别判定值cdv和l个置信度值cv与初步估计值pev一起被馈送到量化处理器12。量化处理器12根据l个类别判定值cdv、根据l个置信度值cv并且根据初步估计值pev来产生l个估计值ev，其中每个估计值ev指示l种待检测气体中的一种气体的浓度的量化估计。
[0156]
第四方法也基于分类处理器7在量化处理器12的回归机制中的输出cv、cdv的“软组合”。此处，分类处理器7的输出cv、cdv作为辅助输入被并入回归器流的中间。更具体地，l个并行并且单独的卷积处理器首先被用于不同的气体。这些并行流的输出然后在稠密层处理器21之前与分类处理器7的输出cv、cdv“融合”。
[0157]
方法的优点在于每个单独的卷积处理器20可以首先单独学习针对相应目标气体的最相关特征值，并且类别相关信息cv、cdv随后被并入作为稠密层处理器21的输入。因此，稠密层处理器21然后仍然可以利用气体之间的交叉相关性以及来自分类处理器7的信息cv、cdv。该方法也是具有最佳性能的方法，并且由于使用卷积块，也是具有最高复杂度和存储器要求的块。
[0158]
图9示出了根据本公开的气体感测设备的第四实施例的预测性能，其中量化处理器13针对目标气体(在该示例中为no2和o3)的感测结果sr(较亮曲线)针对其正确的标签cr
feature extraction for temperature-modulated gas sensors”,journal of sensors卷2009,文章号716316.
[0168]
[2]alexey lipatov,alexey varezhnikov,peter wilson,victor sysoev,andrei kolmakov and alexander sinitskii,“highly selective gas sensor arrays based on thermally reduced graphene oxide“,nanoscale,2013,5,5426
–
5434.
[0169]
[3]“the challenges with electrochemical no2 sensors in outdoor air monitoring“,https://www.aeroqual.com/challenges-electrochemical-no2-sensors-outdo or-air-monitoring.
[0170]
[4]european air quality index,https://airindex.eea.europa.eu/