引用本文

相洪涛, 张文文, 肖文鑫, 王磊, 王远西. 仿生嗅觉感知系统气体识别和浓度估计模型. 自动化学报, 2024, 50(4): 812−827 doi: 10.16383/j.aas.c220689

Xiang Hong-Tao, Zhang Wen-Wen, Xiao Wen-Xin, Wang Lei, Wang Yuan-Xi. Gas recognition and concentration estimation model for bionic olfactory perception system. Acta Automatica Sinica, 2024, 50(4): 812−827 doi: 10.16383/j.aas.c220689

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c220689

关键词

气体识别，浓度估计，仿生嗅觉感知系统，注意力机制 

摘要

常用气体检测模型需要使用气体传感器阵列响应信号的稳态值对气体进行种类识别和浓度估计, 而在实际环境 中, 气体一般处于动态变化的状态, 气体传感器阵列响应信号难以达到稳态值或长时间维持稳定状态. 针对上述问题, 提出 一种由动态小波残差卷积神经网络(Dynamic wavelet residual convolutional neural network, DWRCNN)子模型和权重 信号自注意力(Weighted signal self-attention, WSSA)子模型组成的气体检测模型. 该模型可以直接使用气体传感器阵列 的原始动态响应信号对动态变化的气体进行成分识别, 并进一步对每种成分气体的浓度在线估计. 通过搭建的仿生嗅觉感 知系统对模型的性能进行评估, 实验结果表明, 与常用气体识别模型相比, DWRCNN能获得接近 100%气体识别准确率, 且在线训练时间短, 收敛速度快; 与常用气体浓度估计模型相比, WSSA浓度估计模型能够大幅提高气体浓度估计精度, 并 能同时对不同气体都保持较高气体浓度估计精度, 解决了动态环境中仿生嗅觉感知系统需要针对不同气体选择不同最优气 体浓度估计模型问题.

文章导读

仿生嗅觉感知系统也被称为电子鼻, 是一种模拟生物嗅觉感知系统的气体/气味分析系统[1-2]. 电子鼻主要由一系列气体传感器阵列和模式识别系统组成, 可以对气体/气味进行定性分析和定量估计[3-5]. 电子鼻在医疗诊断[6-7]、食品质量检测[8-9]、环境监测[10-11]和公共安全[12-13] 等许多应用领域中, 都发挥着重要作用. 影响电子鼻检测结果的主要因素有2个: 1)气体传感器阵列器件本身对目标气体的敏感性和选择性, 以及传感器阵列输出信号作为输入的气体识别; 2)浓度估计模型.

为了提高电子鼻对气体或气味识别的准确率, 国内外学者对搭建的气体传感器阵列器件本身进行研究. Liao等[14]使用基于聚噻吩的薄膜晶体管作为气体传感器, 可以根据蒸汽分子的大小和分子排列来识别不同种类的气体. Hu等[15]使用石墨烯等离子检测气体分子的旋转振动模式, 从而对它们进行无标签识别, 能够实时、快速识别出不同气体, 这种新方法在医疗保健和公共安全等领域发挥着关键作用, 但该研究工作不涉及气体的定量估计. Qian等[16]将传统的电子鼻技术与挥发性有机化合物预浓缩技术相结合, 设计一种基于共形传感腔的多传感器电子鼻, 能够有效提高电子鼻对VOCs气体的识别能力. Hu等[17]设计一种基于薄膜体声波谐振器传感器阵列的新型小型气相色谱检测器, 该微机电系统化学传感器具有传感性能高、尺寸小型化、功耗低等特点. 孟凡利等[18]提出一种温度调制的动态测试方法, 来提高金属氧化物传感器的选择性, 该方法能够有效改善二氧化锡传感器动态响应信号的品质.

为了提高电子鼻的性能, 学者们对气体检测模型进行了大量的研究. Xiong等[19]提出一种基于卷积尖峰神经网络的气味识别模型, 该模型结合了残差卷积神经网络的特征提取能力和尖峰神经网络的计算效率, 能够有效识别出食品中的腐败气味. Wang等[20]提出一种基于卷积神经网络和多层感知机的气体识别模型, 该模型能够达到95%的气体分类准确率. 实际工业现场获取大量异常气味数据的代价昂贵且不易收集, 一般气体检测模型对异常气味的检测会失去效果, 文献[21]介绍了基于自我表达模型和基于极端学习机的自我表达模型两种异常气味检测模型. He等[22]提出一种基于字典学习的方法来提高电子鼻的气体识别能力, 与常用气体识别模型对比, 该模型的复杂度显著降低, 且在气体识别任务中获得了较高识别准确率. Sun等[23]证明了Wilks统计量、马氏距离、线性判别分析和遗传算法可以在减少气体传感器阵列中传感器数量的同时, 获得较高气体识别准确率. Liu等[24]提出一种用于气味识别的小尺度卷积神经网络模型, 该模型无需进行数据预处理和特征降维, 对6种中国白酒的分类准确率可以达到96%. 然而, 这些模型都难以达到100%的气体识别准确率. 为了解决电子鼻中的传感器漂移问题, Zhang等[25]提出基于知识自适应的机器学习模型, 该模型的气体识别准确率达到了98%, 但这项研究工作只涉及气体定性识别, 并未进一步提出定量估计模型.

目前, 多数气体识别模型的信号预处理步骤复杂, 依赖于人工选择输入特征[26], 并且仅使用气体传感器阵列响应信号的稳态值作为输入特征, 而现实环境中气体一般是动态变化的、无规律的, 多数情况下气体传感器阵列的响应信号难以达到稳态值或保持稳态. 针对上述问题, 本文提出动态小波残差卷积神经网络(Dynamic wavelet residual convolutional neural network, DWRCNN)子模型和权重信号自注意力(Weighted signal self-attention, WSSA)子模型组成的气体检测模型DWRCNN-WSSA (Dynamic wavelet residual con-volutional neural network-weighted signal self-attention), 该模型由动态小波残差卷积神经网络气体识别子模型和权重信号自注意力(Self-attention, SA)气体浓度估计子模型组成. DWRCNN气体识别子模型直接将传感器阵列的动态响应信号转换成64 × 64像素的小波系数图像作为神经网络的输入进行气体种类识别; WSSA气体浓度估计子模型直接使用传感器阵列的动态响应信号估计各成分气体的浓度值. 该模型的气体检测流程如图1 所示, 对于未知种类的气体, 首先, 通过DWRCNN气体识别子模型对气体成分进行识别; 然后, 通过WSSA气体浓度估计子模型, 对已识别出的各成分气体进行浓度估计.

图 1  DWRCNN-WSSA模型气体检测流程

本文主要贡献如下:

1)传统的气体检测模型需要对传感器阵列动态响应信号做复杂的信号预处理步骤, 以及人工自主提取稳态信号特征作为模型的输入, 忽略大量能提高气体识别准确率和浓度估计精度的动态特征. 本文提出的DWRCNN-WSSA气体检测模型直接使用气体传感器阵列原始的动态响应信号进行气体检测, 简化了信号预处理过程, 充分利用了气体传感器阵列响应信号中丰富的动态特征信息.

2)本文提出的WSSA气体浓度估计子模型能根据气体传感器对不同气体的敏感性存在差异, 自动赋予不同传感器信号不同权重, 提高了模型的鲁棒性和浓度估计精度; 该模型使用自注意力机制作为特征提取器, 能够并行化处理数据, 加快模型的训练速度, 并从根本上解决了常用模型使用循环神经网络(Recurrent neural network, RNN)及其各种变体形式的神经网络作为特征提取器处理长时序序列存在的远距离信息丢失的问题, 提高了模型的浓度估计精度.

3)本文提出的DWRCNN-WSSA气体检测模型既能对气体进行定性识别, 又能进一步对已识别出的成分气体进行定量估计. 其中, DWRCNN气体识别子模型仅需更少训练时间就能达到接近100%的气体识别准确率; 同时, WSSA气体浓度估计子模型能够对单一气体和混合气体都保持较高浓度精度, 解决了动态环境中传统仿生嗅觉感知系统需要针对不同气体选择不同最优气体浓度估计模型问题. 2个模型都仅需要少量的标签数据即可在线使用, 降低了收集标签数据的成本.

图 2  实验装置和平台

图 3  当CO浓度为140 ppm时, CO传感器阵列的动态响应信号曲线

本文提出一种由DWRCNN气体识别子模型和WSSA气体浓度估计子模型组成的气体检测模型. 与传统的气体检测模型不同, 该模型无需对气体传感器阵列动态响应信号进行处理, 直接使用原始动态响应信号进行气体识别和气体浓度估计. 该模型使用少量的标签数据训练, 就可以获得接近100%的气体识别准确率和较高气体浓度估计精度.

在气体识别任务中, DWRCNN气体识别模型能将传感器阵列的动态响应信号直接转换成64×64像素的小波系数图像, 进行气体识别. 该模型仅训练200轮左右, 就能够达到100%的气体识别准确率并保持稳定; 在气体浓度估计实验中, 首先, WSSA气体浓度估计模型通过权重分配模块自动赋予不同传感器获取的动态响应信号不同权重; 然后, 使用自注意力机制提取权重信号特征; 最后, 通过全连接模块解码气体浓度值. 该模型对单一气体和混合气体都能达到较高浓度估计精度. 实验验证了本文提出的权重分配模块同样适用于其他基于深度学习的气体浓度估计模型, 能够提高气体浓度估计精度, 并且模型的抗外界因素干扰能力较强, 长期稳定性较高.

作者简介

相洪涛

山西大学自动化与软件学院硕士研究生. 主要研究方向为信号处理, 深度学习. E-mail: xianghongtao0921@163.com

张文文

南洋理工大学电气与电子工程学院博士后研究员. 2021年获得同济大学博士学位. 主要研究方向为智能信息处理与模式识别算法, 仿生传感器检测技术与测量系统, 信号处理和深度学习. 本文通信作者. E-mail: wenwen.zhang@ntu.edu.sg

肖文鑫

北京大学计算机学院博士研究生. 主要研究方向为软件工程, 机器学习. E-mail: wenxin.xiao@stu.pku.edu.cn

王磊

同济大学电子与信息工程学院教授. 主要研究方向为传感器检测技术与测量系统. E-mail: leiwang@tongji.edu.cn

王远西

同济大学电子与信息工程学院博士研究生. 主要研究方向为传感器检测技术与测量系统. E-mail: 2010146@tongji.edu.cn