基于电子鼻技术的混合气体识别研究

刘伟玲 吴龙焦 张思祥 闫子琪

摘  要： 为了评估恶臭对人类和环境的影响，需要有效鉴别出恶臭成分，设计并研发了以传感器阵列为核心的在线检测恶臭成分的电子鼻系统。针对传感器响应曲线几何特征提取方式的不足，提出分段拟合曲线的方式进行特征值提取。采用主成分分析（PCA）和线性判别分析（LDA）两种降维方式对原始数据降维，并结合支持向量机（SVM）和BP神经网络进行分类识别。结果表明，SVM和BP神经网络结合LDA都能100%识别出三种恶臭物质，SVM结合PCA识别率为92%，BP神经网络结合PCA识别率为94%。

关键词： 电子鼻系统; 气体识别; 特征值提取; 特征降维; 气体分类; 在线检测

中图分类号： TN98?34; TP212.9                 文献标识码： A                       文章编号： 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

隨着我国现代工业的迅猛发展，经济增长的同时也带来了巨大的环境污染问题。恶臭作为一种环境污染，已经成为当今世界七大公害之一[1]。恶臭物质对人体消化系统、呼吸系统和神经系统都会造成不同程度的损害，严重危害人类身心健康。恶臭物质成分不同，对人类造成的影响也不同。有效鉴别恶臭成分是治理恶臭和评价恶臭对人类影响的一个重要环节。因此，研究一款能够智能鉴别恶臭成分的检测系统具有重要意义。

电子鼻是模仿生物鼻的一种人工嗅觉系统，它能够快速、准确获取气味特征，并根据这些特征准确鉴别不同气味的成分。与常规仪器分析法相比，电子鼻采样时间和分析时间短，对复合恶臭物质能实现有效鉴别。目前，电子鼻广泛应用于食品[2]、农产品[3]、环境监测[4]、安全[5]等领域。

1  电子鼻系统与数据获取

1.1  电子鼻系统

电子鼻系统检测装置示意图如图1所示，电子鼻系统主要由气体传感器阵列、数据采集电路、数据处理软件组成。传感器阵列由2个金属氧化传感器（日本费加罗公司：TGS2600，TGS2602）和2个光离子气体传感器（英国阿尔法公司：PID?A1，PID?AH）构成。数据采集电路的核心是MSC1210Y5，将传感器采集到的电压信号转换为24 bit 数字信号，通过RS 485总线传送给上位机（PC），经LabVIEW进行数据显示和存储，通过Matlab进行模式识别。

1.2  数据获取

在开始测试前，先对传感器阵列通电进行预热，同时通入清洁空气清洗传感器阵列。实验包括三个过程：基线过程，先通入50 s清洁空气清洗气室，使传感器基线达到稳定状态;采样过程，通入采样气体50 s，获取传感器的响应值并记录，采样频率为10 Hz;清洗过程，最后通入清洁空气清洗气室100 s，使传感器恢复到初始状态，等候下一次测量。实验数据的获取是通过循环这三个过程得到。

本文针对三种恶臭气体：甲硫醚（C2H6S）、乙酸乙酯（C2H2O8）以及这两种气体的混合气体进行分析。甲硫醚和乙酸乙酯各取8种浓度，混气取9种浓度。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）。将甲硫醚和乙酸乙酯分别按照5 ppm，10 ppm，20 ppm的比例进行两两混合得到9种混合气体。

2  特征值提取

目前，大部分研究是直接对传感器响应原始曲线的几何形状进行特征提取，如梁子跃提取曲线的面积、稳态值、均值、恢复时间、某时刻的响应值作为特征值[6]，徐克明提取曲线的平均微分值、稳定值、面积值作为特征参数[7]。该方法的优点是简单、直观，但是该方法的缺点是易受外界环境干扰，若采样过程中发生震动、温度变化时，提取的几何特征则不能精确反映样本信息。

基于上述缺点，本文提出了分段拟合曲线的方式进行特征提取，将拟合参数作为特征值。

传感器响应曲线分为两个阶段：反应阶段和恢复阶段。如图2所示，Ⅰ为反应阶段，Ⅱ为恢复阶段。

反应阶段Ⅰ可简化为图3所示曲线，反应阶段等效为矩形虚线所示的阶跃。

式中，A表示传感器的反应量。

传感器响应为一阶线性模型，传递函数为：

式中，[τ]表示传感器的时间常数，不同类型的传感器[τ]不同，同一类型传感器对不同类型气体响应的[τ]也不同。

对式（1）进行Laplace变换：

s域表达式为：

对式（4）进行Laplace逆变换：

通过式（5）建立传感器信号的响应模型，提取反应量A和反应速率1/[τ]两个特征值。

对于恢复阶段Ⅱ，先对A/D数字量取相反数，使之变为同反应阶段一样的上升趋势模型，再通过式（5）提取反应量和速率作为特征值。因此，对于一个传感器响应曲线，共提取4个特征值。

3  特征降维

本文共提取4个特征值，若同时将它们作为模式识别的输入，则会造成“数据冗余”和“维数灾难”问题[8]，使得数据量过于庞大而难以处理。解决“数据冗余”和“维数灾难”的一个重要途径是将高维特征空间中的数据投影到低维空间中，通过降维对原始数据进行有效的信息提取和压缩。

本文采用PCA和LDA两种方式进行数据降维，并将降维后的数据作为模式识别的输入。图4为三种气体降维后的PCA和LDA分布图。

一般认为主成分累计方差贡献率达到85%以上时即可认为保留了大部分原始信息[9]。由图4可知，PCA分布图中，3种气体线性不可分，而LDA能够很明显地区分三种气体。说明采用LDA的识别效果优于PCA。

4  基于SVM和BP神经网络实现气体分类

本系统采用SVM和BP神经网络结合不同降维方式对三种气体进行分类识别，并通过识别率（正确分类的样本个数与所有样本总个数的比值）判定优劣，识别率越高表明分类效果越好，反之，分类效果越差。相同成分不同浓度的气体进行20次平行试验，从中随机抽取16个样本数据作为训练数据，剩下的4个样本作为测试数据用于后期样本预测数据，因此训练数据共有400个，测试数据共有100个。

4.1  支持向量机实现气体分类

支持向量机是基于统计学习方法，寻找一个最优超平面作为高维空间中的决策函数，实现不同类别的样本区分，同时满足分类间隔最大[10]。影响SVM模型的主要参数是惩罚参数[c]和核函数参数[g]，确定好核函数后，通过交叉验证法和网格搜索法对惩罚参数进行寻优。常用的核函数有线性核函数、多项式核函数、Sigmoid内核、径向基函数（RBF）。RBF是全局收敛的学习算法，具有学习速度快的优点，是使用最多的核函数，因此本文采用RBF作为核函数。SVM识别流程图如图5所示，表1为基于不同降维方式的SVM分类结果。

表1表明，基于LDA的SVM模式识别方法具有最高的识别精度，能够100%地识别出气体类别，说明LDA+SVM分类器分类效果最优。

4.2  BP神经网络实现气体分类

BP神經网络关键是确定各层神经元个数和传递函数。输入层神经元的个数是根据分析数据种类确定，输入层神经元个数为2或16;输出层神经元的个数是根据识别气体的类别个数来确定，在本系统中气体类别数为3，那么输出层神经元个数为3;隐含层神经元的个数可通过改变隐含层神经元个数，观察BP神经网络性能确定。选择Logsig作为隐含层神经元的传递函数，Sigmoid作为输出层传递函数。图6为BP神经网络分类识别流程图。

BP神经网络期望输出是0或1，输出为0表示不含该气体，输出为1表示含有该气体。然而由于分类前的数据经过归一化处理，实际输出数据并不是整数0或1，而是[0，1]之间的某个数。本文规定：将实际输出值大于0.8以上的数判定为1，小于0.1以下的判定为0。BP神经网络输出3种不同类别的气体，用[y1，y2，y3]表示，期望输出为：

需识别出甲硫醚，则需同时满足下列条件：

表2为基于不同降维方式的BP神经网络识别结果。

由表2可知，直接用原始数据作为BP的输入和LDA降维后的数据作为BP的输入，识别率都能达到100%，PCA降维后的数据作为BP的输入识别率为94%。表3为LDA结合BP神经网络识别结果。

由表3可知，SVM和BP神经网络结合LDA识别效果优于SVM和BP神经网络结合PCA，虽然直接将原始数据作为BP的输入也能达到100%，但是采用LDA降维后的数据作为输入可以减小数据量，降低计算难度，同时保证分类正确。

5  结  论

本文基于分段拟合曲线的方法对传感器响应曲线进行特征提取，利用SVM和BP神经网络结合PCA/LDA检测混合气体。实验结果表明，本系统能够准确区分三种气体，SVM和BP神经网络结合LDA识别率可高达100%。以后，可以对该系统进一步优化设计，建立更加全面的数据库，实现对不同恶臭气体的类别检测。

参考文献

[1] 姬亚芹，陈丽，宫庆超，等.恶臭排放规律及其采样和分析方法[J].中国环境监测，2013（3）：137?143.

[2] 张谦益，包李林，熊巍林，等.电子鼻在两种类型浓香菜籽油识别中的应用[J].中国油脂，2018，43（10）：144?146.

[3] 黄星奕，孙兆燕，田潇瑜，等.基于电子鼻技术的马铃薯真菌性腐烂病早期检测[J].食品工业科技，2018，39（24）：97?101.

[4] 张嘉琪，冀大选，李杰一，等.基于LabVIEW平台的电子鼻系统设计[J].传感器与微系统，2015，34（5）：92?94.

[5] 赵野.基于电子鼻的早期电气火灾探测技术研究[D].武汉：华中科技大学，2014.

[6] 梁子跃，杨昊，黄灿灿，等.电子鼻的混合气体分类研究[J].中国计量大学学报，2017，28（3）：388?393.

[7] 徐克明，王俊，邓凡霏，等.用于山核桃陈化时间检测的电子鼻传感器阵列优化[J].农业工程报，2017，33（3）：281?287.

[8] 韦彩虹.基于电子鼻系统的混合气体的定性分析和定量估计[D].杭州：浙江大学，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] 邹小波，赵杰文.支持向量机在电子鼻区分不同品種苹果中的应用[J].农业工程学报，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.