弱化温湿度变化对气敏传感器影响的方法探究

刘耀杰，刘独玉

(西南民族大学 电气信息工程学院，四川 成都 610041)

0 引言

金属氧化物气敏传感器中的金属氧化物部件暴露于特定化学气体成分环境下，电导率会发生变化，金属氧化物气敏传感器通过实时测量金属氧化物部件的电导率，实现实时检测识别特定化学气体成分的功能[1-5]。然而金属氧化物部件的电导率也会受到环境温度、湿度的影响[6]，这给金属氧化物气敏传感器在复杂多变的外界环境下快速稳定地识别化学气体成分带来了一定的困难。到目前为止，金属氧化物气敏传感器已经广泛应用于人类社会，例如有毒有害气体监测、食品质量检测等[6-9]。但是当前广泛应用的气敏传感器工作环境温湿度变化情况基本上都很小，在温湿度变化剧烈的场景下，气敏传感器的工作效果并不理想。文献[10]和[11]中提出了一种金属氧化物传感器输出值与环境温度、湿度的能带模型，可以有效解释金属氧化物传感器输出值与环境温度、湿度之间的关系。

本文在该模型公式的基础上，对该公式做了一定的拆解和近似变换，提出一种拟合实时温湿度及其变化对传感器输出值产生的影响的模型函数φht，通过模型函数φht可以推算实时温湿度及其变化对传感器输出值产生影响的偏差值序列，利用计算得到的偏差值序列校正传感器输出数据，以期望去除温湿度与传感器输出值之间的相关关系，增强金属氧化物传感器系统在不同温湿度环境下的气味识别性能。

目前广泛使用的利用气敏传感器输出值进行气体识别监测的建模方法主要有两种：第一种方法利用传感器输出值与特定气体成分浓度的对应关系，直接对传感器输出值设定阈值，传感器输出值越过阈值时直接判定环境中存在该种气体(成分)，目前广泛应用于有毒有害气体监测、食品质量检测等多个领域。但是此方法存在明显的缺陷：(1)对环境的稳定性要求高，在温湿度、声光电等多种环境因素较为稳定的情况下工作良好，而在环境快速变化的工作场景下工作性能欠佳。(2)只能有针对性地识别特定气体成分，通过气体成分识别进一步推断产生气体的物体情况，需要在特定应用场景下针对特定物体才能正常工作，对于识别由多种气体成分混合成的物体气味以及通过物体气味进一步判断物体状态，例如识别多种食品及判断食品质量、腐败程度等无能为力。第二种方法利用机器学习的多种监督学习算法，基于历史样本数据集，监督学习算法通过提取样本集先验知识拟合出一个模型函数，该方法可以有效利用样本集中多维度特征对于识别目标表现的相关性信息，应用于未知表现的样本预测之中。经过大量实践证明效果良好。但是机器学习方法本身存在固有的缺陷为模型函数的可解释性较差，黑箱模型意味着一定程度上的不可控性[12]，无法准确判断模型函数内部的工作机理及稳定性，也无法准确得出模型函数的正常工作有效值范围。

空白场景下气敏传感器阵列采集到的数据变化基本只受到传感器工作环境温湿度变化的影响，排除了目标物对气敏传感器输出值的影响，故本文计划利用空白场景组数据来拟合反映温湿度与金属氧化物传感器输出值之间相关关系的模型函数φht变换参数，将已经得到拟合参数的模型函数应用于香蕉和葡萄酒组传感器阵列数据，变换后的数据作为监督训练建模与测试用样本集，得到最终分类模型和模型评价效果(分类准确率)，通过模型评价效果(分类准确率)来评判模型函数φht对于弱化环境温湿度与金属氧化物气敏传感器输出值相关性的效果。

本文采用了监督学习中最基础的逻辑回归方法作为拟合训练样本集的机器学习算法，该算法来自于线性回归应用于分类任务的变种，算法结构简单，脱胎于线性回归算法，算法计算过程和原理清晰，训练得出的模型数据结构简单，因而模型的可解释性相对较好，是现有各种监督学习分类算法中最能反映训练样本集质量好坏的算法之一。

1 数据集简介

为充分研究温度、湿度、气敏传感器阵列与分类目标识别效果之间的关系，本文分析了一份具有大量气敏传感器阵列和温湿度信息的数据集[13]，该数据来源于网上开源数据集，该份数据集在收集过程中设计了一个金属氧化气敏传感器阵列，包括8个金属氧化物气敏传感器(R1-R8)和1个温湿度传感器，金属氧化物气敏传感器阵列器件参数说明详见表1。样本采集过程中每组样本连续采集时间从7 min至2 h不等，平均时间42 min；采样频率为1 Hz，采集环境为室内环境；每次采集过程中温湿度都有变化，不存在刻意控制，共计采集100组数据共计919 438条记录，标记识别目标物体包括三种：香蕉、葡萄酒和空白场景，其中香蕉标记共计33组、葡萄酒标记共计36组、空白场景共计31组。

表1 气敏传感器阵列器件说明

2 温度、湿度与传感器的实时响应模型

温湿度会改变金属氧化物气敏传感器金属氧化物暴露在环境中部分的电化学性质[10-11]，根据该种传感器的工作原理，会干扰传感器在检测针对性气体成分过程中的准确性，图1记录了一段连续时间段下空白场景中采集的传感器阵列中R1、R3、R5、R7四个气敏传感器的输出数值与温湿度传感器输出数值，横轴标示时间(s)，纵轴分别为各个传感器的输出数值。从图中可以看出温湿度传感器输出值与气敏传感器各个子传感器输出值之间具有明显的相关性。

图1 部分气敏传感器与温湿度传感器连续时间内输出值

文献[10]和[11]中提出了一种适用于多种半导体传感器的能带理论模型，该模型理论证明半导体传感器的电化学性质受环境温度和湿度的影响，并且该理论模型给出了环境温湿度对于半导体传感器电化学性质(电导率)影响程度的准确模型公式：

(1)

式中RI表示传感器在环境改变之前的输出值，RF表示传感器当前的输出值，KB为玻尔兹曼常数，T代表当前采样时刻温度值，ΔΦ代表传感器功函数在环境变化前后的差值，ΔX代表传感器电子亲和性在环境变化前后的差值。注意该公式成立的条件中隐含传感器工作环境温度不变，而本文需要同时拟合温度和湿度的变化，在拟合过程中，必然带来误差。对本文涉及的实验过程做两点假设：(1)传感器本身的化学性质在实验数据采集期间不发生变化；(2)在当前采样频率(1 Hz)下，传感器的温湿度不发生突变，只发生连续的渐变。

考虑到ΔΦ与ΔX只与环境湿度变化量有关，记h为当前采样频率下湿度相对前一采样时刻变化量，记φ(h)=ΔΦ-ΔΧ，记ΔR=RF-RI，产生ΔR的时间间隔足够小，在本文使用数据集采样频率下，ΔR即为各个传感器采集数据序列的差分序列，差分间隔为1 s。变换式(1)为：

(2)

(3)

(4)

在传感器的温湿度变化量近似为0的情况下，根据本文中提到的实验假设(2)，在本文使用数据集的采样频率下，式(4)中φ(0)近似等于0。

(5)

(6)

(7)

(8)

式(8)即为本文中使用的传感器温湿度实时响应模型的模型函数φht。ΔR序列、h序列可以通过各个气敏传感器采样数据和湿度传感器采样数据差分得到，RI、T为各个气敏传感器和温度传感器在各个采样时刻得到的采样值序列。实验样本在采集过程中采集了一部分空白场景标识样本数据，该部分数据中气敏传感器输出值变化基本上只受到环境温湿度变化的影响，排除了识别目标物对气敏传感器输出值的影响，本文使用实验样本集中空白标识样本数据拟合α、β参数，得到最终模型函数φht，并应用于全量分类数据的数据预处理过程中。

模型函数φht应用于数据预处理过程时，先使用公式(8)求出待处理传感器输出值序列对应ΔR序列，记RI为待处理传感器输出值，记R′为经过模型函数φht处理后的传感器输出值，则在第n个采样时刻：

(9)

整个R′序列即为经过弱化温湿度变化对气敏传感器影响这一数据预处理过程完成后的输出值序列。

3 完整实验设计流程

(1)本文中使用的数据集的数据来源于传感器直接输出的模数值，受限于传感器阵列元器件性能及数据采集环境中的各种电磁干扰因素，原始数据中存在一定的噪音，本文中使用时间序列分析中常用的MA模型(滑动平均模型)对全量采样数据进行第一次数据预处理，MA模型中采用5阶平滑，经过处理，原始数据噪音得到改善，见图2。

图2 局部和部分时段R2传感器经过AR模型处理前后输出值

(2)使用数据集中辨识目标为空白场景的数据拟合模型函数φht中的两个未知参数α、β，φht中的温度值T采用当前时间点对应温度传感器输出值。

(3)使用实验数据集中识别目标标签为葡萄酒和香蕉的数据作为建模和测试的样本数据集，将模型函数φht应用于该数据集上以达到去除温湿度与传感器阵列输出值相关性的目的。处理过程中，计算每组样本各个传感器除温度传感器外的差分值，差分单位为基础采样间隔(1 s)。使用差分计算后的数据进入模型函数φht，分别得出各个采样时间点传感器阵列中每个金属氧化物气敏传感器输出值受温湿度变化产生的偏差值序列，图3是R1传感器在一段时间内的传感器模数值差分序列与使用模型函数φht产生的偏差值序列。理论上传感器模数值差分序列中同时包含系统噪声和环境温湿度变化带来的误差，偏差值序列只包含环境温湿度变化带来的误差，但在实验环境下，由于模型函数φht使用的温湿度传感器测量值与传感器实际工作环境温湿度之间存在误差，模型函数简化过程中也引入了少量误差，这些误差的存在引起偏差值序列在一段时间点上的变化与温湿度变化不一致。

图3 R1传感器在一段时间内的偏差值与温湿度值

(4)使用各个传感器对应的偏差值序列对原始数据进行校正，将偏差值序列按照时间顺序进行累积求和，产生的计算结果作为纠偏量，序列按照时刻对应关系加在原有数据上，至此使用模型函数φht进行数据校正的工作就完成了。

(5)把经过校正的数据集按照70%、30%的比例划分为训练集和测试集，使用逻辑回归算法进行模型训练和测试，模型训练过程中采用十折交叉验证。

(6)使用只经过第一次数据预处理的数据集作为对照组，按照步骤5进行相同的数据建模流程，得出对照组实验结果。

4 实验结果及分析

本文实验中涉及原始数据清洗后的两步数据预处理程序，分别为应用自回归模型(MA模型)进行时间序列平滑处理和应用模型函数φht进行环境温湿度变化影响校正。表2是一组连续采集的原始数据在经过模型函数φht进行数据预处理后，传感器阵列各个传感器输出值序列与温湿度传感器输出值序列的相关系数。可以看出经过模型函数φht数据校正后，各个传感器与环境温湿度的相关系数都有所下降。

表2 8传感器经过数据处理前后温湿度与 输出值相关系数表

本文实验中共设计了五组数据样本集用于逻辑回归算法建模实验对照，分别为：只经过自回归模型进行时间序列平滑处理的数据集(DSFilter)、未经过任何数据预处理的原始数据集(DSOrigin)、先经过自回归模型进行时间序列平滑处理后经过模型函数φht进行环境温湿度变化影响校正的数据集(DSFilter_HT)、只经过模型函数φht进行环境温湿度变化影响校正的数据集(DSHT_Origin)、先经过模型函数φht进行进行环境温湿度变化影响校正后经过自回归模型进行时间序列平滑处理的数据集(DSHT_Filter)。

模型训练过程中训练集、测试集划分比例为70%、30%，训练集中使用十折交叉核验。模型算法为逻辑回归算法，算法参数正则化强度(C)设置为1、最大迭代次数(max_iter)设置为100，正则化项(penalty)设置为L2(岭回归)。

模型采用的评价指标分别为：十折交叉核验准确率、测试集准确率、概率标准差、AUC值(受试者工作特征曲线(ROC曲线)线下面积)，全部实验结果见表3。经过实验结果对比，发现：经过模型函数φht进行环境温湿度变化影响校正数据集的模型表现相对未经过经过此数据预处理步骤的数据集有较明显提高。

表3 逻辑回归算法下两组实验结果对比表

通过实验结果对比分析发现：经过自回归模型进行时间序列平滑处理的数据集相对未经过此数据预处理的数据集，没有明显的模型评价提升。模型评价最高的数据集是经过两种数据预处理步骤的数据集，其中数据预处理步骤的先后顺序对于模型评价效果基本无影响。基于上述实验结果对比分析得出本文提出的模型函数φht，对于弱化环境温湿度变化对金属氧化物气敏传感器阵列影响，提升目标物体气味识别率和提升传感器整列输出数据质量方面有较明显的作用。

文献[14]使用了和本文相同的开源数据集，也在本文中利用的能带模型公式的基础上进行了适应性公式变换，利用变换后公式对气敏传感器采样数据与温湿度采样数据的相关性信息进行特征提取，将提取的特征作为补充特征加入到原有传感器阵列特征集中，数据建模过程中利用了支持向量机(SVM)算法，最终获得了82.6%的十折交叉核验准确率和80.9%的测试集准确率，相比之下本文提出的弱化温湿度变化对气敏传感器影响的方法在相同的模型评价指标上具有更好的效果。

5 结论

金属氧化物气敏传感器阵列在进行实时目标物气味识别时，表现出了良好的反应灵敏度和有效区分度，但也存在固有的缺点和局限性，传感器阵列在工作中会受到各种系统噪声和工作环境变化的影响，其中以环境温度、湿度变化影响显著。

本文尝试利用金属氧化物器件的能带模型公式，经过进一步公式推导变形，找到一个可以反映环境温湿度变化对金属氧化物气敏传感器输出值变化的模型函数，进一步利用先验知识(空白数据集)拟合气敏传感器阵列中各个传感器器件对应的模型函数参数，形成完整的模型函数。

在本文中通过进行实验设计，将模型函数应用于数据预处理阶段，期望通过这一方式校正环境温湿度变化对传感器输出值的干扰。最后使用机器学习中的逻辑回归算法进行监督模型训练，通过模型表现的好坏来评价数据质量。经过实验对比分析，发现经过模型函数预处理后的数据集训练出的模型在分类识别准确率及其他各个评价指标维度上都有所提高，说明本文中提出的模型函数对弱化环境温湿度变化对传感器输出值的干扰，提升传感器阵列识别目标气味的准确率是有效的。

本文中提出的利用模型函数拟合参数应用于数据预处理的方法，只是降低了环境温湿度变化对于传感器输出值的影响，并没有彻底消除环境温湿度变化与传感器输出值之间的相关性，考虑有一个影响因素在本文实验中尚未涉及：温度传感器测量值为环境温度，并不是气敏传感器金属氧化物工作部件的温度，工作部件的温度除了受到环境温度的影响，也受到器件自身工作能耗影响，而且工作部件的温度对于环境温度变化有一定的反应时间，也就是说工作部件的温度在受环境温度变化而变化时，会产生一定的延迟效应，具体的延迟时间(阶数)受到环境导热率、自身器件导热率等多种因素的影响，该影响因素的具体作用方式有待进一步研究。