1、收稿日期:2022-10-29基金项目:国家自然科学基金(52172069);江苏重点研发项目(BE2019094)通信作者:刘桂武,教授,博士,主要从事金属/陶瓷的润湿及应用气体传感器方面的研究。E-mail:gwliu76 电子元件与材料Electronic Components and Materials第 42 卷Vol.42第 5 期No.55 月May2023 年2023基于传感器阵列结合 GA-BP 算法对 VOC 的识别研究曾海栋,刘桂武,王明松,柏 凌,乔冠军(江苏大学 材料科学与工程学院,江苏 镇江 212013)摘 要:为提高空气中挥发性有机物(VOC)检测可靠性,提出了
2、一种基于气敏传感器阵列结合遗传算法(GA)优化反向传播(BP)神经网络算法的 VOC 检测模型。选用多个气体传感器组建阵列对 VOC 混合气体样本进行响应测试,使用主成分分析(PCA)对响应数据进行数据降维及初步分类探索,使用构建的 GA-BP 神经网络算法模型在 PCA 探索性分析的基础上进行定性及定量识别,并与 BP 神经网络识别结果进行对比。结果表明:遗传算法优化后的 BP 神经网络多元分类和回归模型性能优良且稳定,气体分类识别准确率达 96%,浓度回归预测均方根误差为 1.810-2,平均相对误差为 5.2%,平均训练耗时分别降至 1.5 s 和 1.12 s,效果显著优于 BP 神经
3、网络算法模型。这些研究结果进一步拓展了 GA-BP 算法结合气敏传感器在挥发性有机物检测识别中的应用前景。关键词:挥发性有机物;传感器阵列;遗传算法;气体识别中图分类号:TN212.2文献标识码:ADOI:10.14106/ki.1001-2028.2023.1650引用格式:曾海栋,刘桂武,王明松,等.基于传感器阵列结合 GA-BP 算法对 VOC 的识别研究 J.电子元件与材料,2023,42(5):526-533.Reference format:ZENG Haidong,LIU Guiwu,WANG Mingsong,et al.VOC recognition model based
4、on sensor arrayand GA-BP algorithm J.Electronic Components and Materials,2023,42(5):526-533.VOC recognition model based on sensor array and GA-BP algorithmZENG Haidong,LIU Guiwu,WANG Mingsong,BAI ling,QIAO Guanjun(School of Materials Science and Engineering,Jiangsu University,Zhenjiang 212013,Jiangs
5、u Province,China)Abstract:In order to improve the detection reliability of volatile organic compounds(VOC)in the air,a VOC detectionmodel based on gas sensor array combined with genetic algorithm(GA)optimized back propagation(BP)neural networkalgorithm was proposed.Multiple gas sensors were used to
6、form an array to test the response of VOC mixed gas samples.Principal component analysis(PCA)was used to reduce the dimension of the response data and explore the preliminaryclassification.The GA-BP neural network algorithm model was constructed,and the qualitative and quantitative identificationwer
7、e carried out on the basis of PCA exploratory analysis,and it was compared with BP neural network recognition results.The results show that the performance of BP neural network multivariate classification and regression model optimized bygenetic algorithm is excellent and stable.The accuracy of the
8、gas classification and recognition is 96%,the root mean squareerror of the concentration regression prediction is 1.810-2,the average relative error is 5.2%,and the average training timeis reduced to 1.5 s and 1.12 s,respectively.And this is significantly better than that of BP neural network algori
9、thm model.The results further expand the application prospect of GA-BP algorithm combined with gas sensor in the detection andidentification of volatile organic compounds.Keywords:volatile organic compounds;sensor array;genetic algorithm;gas identification曾海栋,等:基于传感器阵列结合 GA-BP 算法对 VOC 的识别研究 目前,市场上广泛
10、推出的新型建筑材料及家具大多都经过化学处理,这些均会挥发出甲醛、丙酮等有毒的挥发性有机物(VOC),人们若长期处于这种环境中生活和工作会严重危害身体健康1。因此对 VOC 进行有效和精确的检测具有十分重要的意义。近年来,基于气体传感器阵列与机器学习技术的电子鼻系统2-3广泛应用于 VOC 检测领域,相比于单一气敏传感器4-5和气体分析仪6等大型分析仪器,其操作简便,获取的信息更充分,识别效果更显著。机器学习7旨在分析一些复杂数据,并做出判断,目前在气体识别领域普遍使用的机器学习算法为反向传播(BP)神经网络算法8-9、主成分分析(PCA)10、优化算法11-12等。Lv 等13采用 8 个二氧
11、化锡气体传感器构成阵列,利用 BP 神经网络算法和 PCA 技术的多层神经网络对二元混合气体进行分类和量化,但是算法模型在处理更复杂的气体环境(3 种及以上)时精度较低。Han 等14基于纳米结构传感器阵列与模式识别技术,采用 PCA 技术对数据进行聚类和特征提取,再用人工神经网络(ANN)系统作为模式分类器,成功提高了模式识别正确率。谭光韬等15针对混气检测中准确率较低的问题,利用核主成分分析(KPCA)结合梯度提升决策树(GBDT)算法检测混合气体类别及浓度,测试结果平均相对误差小于 4.1%。唐潇等16采用 PCA 结合支持向量机(SVM)算法模型优化 WO3气敏传感器薄膜,实现对 VO
12、C 定性识别与精确分类,相较于普通 SVM 算法模型,分类准确率有很大提高,同时训练耗时减少 40%。上述模式识别算法在对混气识别研究时往往依靠大量初始参数反复进行误差反向传播计算,模型运行稳定,但存在易陷入权值阈值、提取过多无效特征值造成数据混乱和重复运算等问题,导致算法模型精度低、训练时间长,且大部分研究多是针对二元混气,只涉及定性分析和定量分析中的一种。鉴于此,本文基于8 个金属氧化物半导体(MOS)基气体传感器阵列,对甲醛(PA)、丙酮(AC)和乙醇(ETOH)三种典型VOC 气体构成的三元混气样本进行测试,构建了一种精度高且训练时间短的新型算法:遗传算法(GA)优化BP 神经网络算法
13、,通过引入优化参数来识别最优个体,进而优化 BP 神经网络训练全过程,通过对气体响应数据的研究分析,进行气体分类和浓度预测。1 实验部分1.1 构建气敏传感器阵列为降低交叉敏感性,提高气体测试系统整体性能,构建气敏传感器阵列时要求每个传感器对测试目标气体都有响应但响应程度不同,即每种 VOC 需要至少一个传感器对它敏感,以此更全面地反映出混合气氛的组成成分。本文依据上述标准选用了4 种自制的电阻型 MOS基薄膜型测试元件、4 种电压型商用传感器模块(MQ2、MQ3、MQ135、TGS2000)构建成传感器阵列。4 种 MOS 基薄膜型测试元件制备方法为:氧化锌(ZnO)测试元件:称取 10.9
14、75 g 二水合乙酸锌Zn(CH3COO)22H2O加入到 100 mL 无水乙醇中磁力搅拌 10 min,使用移液枪量取 3 mL 乙醇胺C2H7NO滴入溶液中搅拌 2 h,完全溶解后常温静置24 h 获得 ZnO 溶胶凝胶,再使用提拉镀膜机将以一定速率在 Al2O3基板电极片叉指电极部分提拉一层 ZnO籽晶层放入马弗炉中 400 加热 2 h。氧化锌 纳米棒阵列(ZnO NRs)测试 元 件:将1.1912 g 六水合硝酸锌Zn(NO3)26H2O和 0.5611g 六次甲基四胺C6H12N4依次加入到 100 mL 去离子水中搅拌 2 h 得到生长溶液,将长有 ZnO 籽晶层的电极片放入
15、溶液中,再置于 120 烘箱中水热反应 100min,再放入马弗炉中 450 加热 2 h。二氧化锡(SnO2)测试元件:称取 3.684 g 二氯化锡SnCl22H2O加入到 80 mL 无水乙醇中,搅拌至完全溶解后静置 24 h,再使用提拉镀膜机以一定速率在 Al2O3基板电极片叉指电极部分提拉一层 SnO2籽晶层,之后放入马弗炉中 400 加热 2 h。三氧化钨(WO3)测试元件:将 0.269 g 二水合钨酸钠Na2WO4 2H2O加入到 30 mL 去离子水中,搅拌30 min,随后滴入 6 mL 3 mol/L 浓度的盐酸使溶液 PH值为 2 左右,加入 0.2 g 草酸铵搅拌2
16、h,将叉指电极倾斜放入溶液中 60 水浴 40 min 后取出,用去离子水和乙醇清洗完后放入马弗炉中 400 加热 2 h。自制测试元件和商用传感器模块如图 1 所示。1.2 测试系统与气体测试静态四通道气体传感器测试系统由五部分组成:气源、传感器阵列、静态蒸发测试台、四通道测试仪和数据采集软件,测试流程结构图如图 2 所示。自制 MOS 基薄膜型测试元件装入铝合金测试腔中,商用传感器呈方形结构固定在测试腔旁。使用甲醛、乙醇和丙酮三种典型 VOC 气体作为气源,计算好不同浓度所需要的液体体积后,通过微量注射器吸取后迅速注入在测试台中的加热板上使其挥发,开启风扇使蒸发气体扩散均匀,使用数据采集系统分别记录电阻及电压数值。混气测试实验过程中温度和湿度保725电子元件与材料持恒定。图 1(a)测试元件和(b)传感器模块Fig.1(a)Test components and(b)sensor modules图 2 测试系统结构示意图Fig.2 Structure diagram of test system1.3 气体测试样本及特征提取气体测试样本由 105 组不同浓度 VOC 气体混合组成,
