CC BY
82
НОВЫЕ МАТЕРИАЛЫ И ТЕХНОЛОГИИ
УДК 004.5
А.С. Варежников, В.Ю. Мусатов, В.В. Сысоев
ГАЗОАНАЛИТИЧЕСКОЕ УСТРОЙСТВО НА ОСНОВЕ НАНОВОЛОКОННЫХ МУЛЬТИСЕНСОРНЫХ ЧИПОВ И НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ
В статье представлены принципы построения газоаналитического прибора типа «электронный нос» на основе однокристальной мультисенсорной системы развитой на оксидных нановолокнах. Рассматриваются методы формирования газочувствительных сенсоров и методы обработки данных. Для решения задачи идентификации газов по данным получаемых с газоаналитического прибора предлагается применение искусственных нейронных сетей.
«Электронный нос», газоаналитическое устройство, нановолокно, датчик газа.
A.S. Varezhnikov, V.Yu. Musatov, V.V. Sysoev
GAS ANALYZERS BASED ON NANOWIRE MULTISENSOR CHIPS AND NEURAL
NETWORK ALGORITHMS
The article presents the principles of gas-analyzing instrument of "electronic nose" kind based on single-chip multisensor system employing oxide nanofibers. Techniques for fabricating gas-sensitive sensors and data processing methods are considered. To solve the problem of gas identification using the gas-analyzing instrument the artificial neural networks are utilized.
"Electronic nose", gas-analyzing device, nanowire, gas sensor.
В настоящее время для анализа состава воздуха окружающей среды широко используются аналитические методы масс-спектрометрии, ИК-спектрометрии, газовой хроматографии и др. Эти устройства имеют большие габариты и массу, высокую стоимость, и пока не являются инструментами массового потребления. Альтернативой служат приборы типа «электронный нос» (ЭН), разрабатываемые на основе набора слабоселективных сенсоров и включающие техники распознавания образов [5]. По аналогии с обонятельной системой млекопитающих и насекомых, сенсоры генерируют сигнал в присутствии газовой смеси, а алгоритмы распознавания образов анализируют распределение этих сигналов в мультисенсорной системе (рис. 1). Сравнивая отклик системы к неизвестному газу (газовой смеси) с калибровочными данными, прибор делает заключение о составе этого газа (газовой смеси).
Развитие приборов типа ЭН происходит в двух направлениях:
1) разработка элементной базы в сторону дальнейшей миниатюризации и увеличения числа (плотности) сенсоров;
2) разработка методов распознавания образов, включающая, в первую очередь, развитие нейросетевых алгоритмов, способных к самообучению [5].
Технологии производства полупроводниковых хеморезистивных элементов удобны для формирования сенсорных элементов, поскольку они легко интегрируются с хорошо развитыми групповыми методами микроэлектроники. Поэтому, последнее время именно такие элементы привлекают интерес разработчиков газоаналитических устройств [5].
При формировании полупроводниковых сенсоров большое внимание уделяется соотношению между поверхностью и объемом полупроводника. Наиболее чувствительные элементы образуются, если геометрические размеры кристаллов близки по величине длине области поверхностного заряда. Последняя определяет глубину проникновения электрического поля, образуемого в приповерхностной области вследствие адсорбции газов, как правило, на длину до 100 нм [1]. Соответственно, полупроводниковые кристаллы, имеющие размеры в нанометровом диапазоне отличаются высокой газочувствительностью.
Очевидно, что такие структуры имеют большой потенциал для разработки химических (нано)сенсоров нового поколения. В частности, наибольший интерес вызывает применение оксидных нановолокон [1], имеющие малые (в нанометровом диапазоне) поперечные
размеры и макроскопически большую длину (до нескольких миллиметров). В этих структурах длина области поверхностного заряда сопоставима или превышает радиус нановолокна, что приводит к эффективному преобразованию взаимодействия между газом и поверхностью оксида (адсорбция или каталитическое окисление) в изменение электрической проводимости. Относительно большие продольные размеры нановолокон позволяют производить уверенные манипуляции при формировании сенсорных элементов. Также как и в случае с макроскопическими аналогами (спеченными порошками, тонкими и толстыми пленками), возможно применение поверхностных и объемных примесей для оптимизации газочувствительных свойств нановолокон, в том числе для увеличения их селективности к газам [1]. Так же как и тонкие поли-кристаллические пленки, оксидные нановолокна имеют высокую газочув-ствительность, и их использование открывает новые возможности и стратегии производства сенсорных систем. В частности, возможно формирование мультисенсорных систем из однотипных датчиков, расположенных на одном кристалле (чипе) (рис. 3 а).
Рис. 1. Схема функционирования газоаналитического устройства типа ЭН
Рис. 2. Мультисенсорный чип на основе металооксидных нановолокон
В этом случае датчики мультисенсорной системы имеют единый тип сигнала, а вариация свойств и выходных характеристик достигается через вариацию внутренних параметров и/или условий работы. Одним из важных преимуществ таких мультисенсорных систем является то, что их стоимость практически не превышает стоимости отдельного датчика. При этом использование современных микро- и нанотехнологий позволяет разрабатывать эти устройства на одном кристалле с малыми размерами, массой и низким энергопотреблением [1].
Для разработки сенсорных устройств оксидные нановолокна могут быть использованы как в индивидуальном исполнении, так и в виде двумерных матриц и трехмерных пучков [1] (рис. 3 б). Последние могут быть как нанесены механическим переносом на подложку, так и получены во время роста.
а б в
Рис. 3. Иллюстрация применения квазиодномерных оксидных нановолокон в сенсорных устройствах: а - индивидуальные нановолокна; б - двухмерные матрицы; в - трехмерные пучки (оригинальная разработка). Верхние изображения - фотографии со сканирующего электронного микроскопа
нановолокон БпО2 (оригинальные данные)
К настоящему времени процессы формирования и обработки оксидных нановолокон, имеющих вариации внутренних или внешних параметров, недостаточно изучены, и их применение для разработки мультисенсорных систем распознавания газов мало исследовано, что определяет некоторые цели проводимой научно-исследовательской работы нашей группы.
Отклик всех сенсоров, составляющих мультисенсорную систему, является функцией f(G,C), где G - вид газа, C - его концентрация, и также зависит от условий работы. В практических условиях, как правило, невозможно аналитически определить f(G,C). Поэтому эта задача, по аналогии с работой биологической обонятельной системы решается в четыре последовательных стадии: предварительная обработка данных, выделение отличительных признаков, классификация и принятие решения. На стадии предварительной обработки устраняется дрейф сенсоров [2], производится сжатие сенсорных данных с учетом переходных процессов и минимизируются относительные ошибки. При этом применяются традиционные приемы обработки сигналов, используемые, например, в хроматографии: учет дрейфа нулевой линии, нормализация сенсорных откликов для полной линейки сенсоров и др. Выделение отличи-
77
тельных признаков преследует две цели: снижение размерности пространства измерений и извлечение информации, необходимой для распознавания обонятельного образа. Например, если линейка сенсоров содержит N элементов, то и пространство измерений характеризуется N компонентами. Если N достаточно велико, обработка такого многомерного сигнала представляет достаточную сложность как при формировании достаточной базы данных, так и при дальнейшей статистической обработке результатов.
В силу того, что сенсоры одного типа характеризуются слабой селективностью, в большинстве практических случаев их большое количество в системе является заведомо избыточным. Поэтому возникает необходимость снижения размерности пространства измерений за счет выделения наиболее информативных сенсорных элементов. Эти операции осуществляются с использованием метода главных компонент (МГК) или линейнодискриминантного анализа (ЛДА). МГК-метод обеспечивает нахождение направления максимальной дискриминации картин сенсорных откликов и наиболее часто используется в линейном приближении. Однако для решения классификационных задач данный метод не является оптимальным.
Так как чувствительные элементы “электронного носа”, имеют нелинейные характеристики, то для получения корректной количественной информации требуются методы, способные обрабатывать данные, не учитывающие априорные функциональные зависимости между входными сигналами и выходными параметрами, т.е. методы нелинейные и непараметрические. Одним из перспективных методов предобработки данных считается применение самоорганизующихся карт Кохонена [4].
В процессе обучения этим методом нейроны объединяются таким образом, чтобы обеспечить самоорганизующееся обучение системы в соответствии с нейробиологическими принципами. И на заключительном этапе классификации, после того как получены пространства нейронных ответов, осуществляется собственно идентификация запаха. Одним из методов для решения этой задачи является применение искусственных нейронных сетей (ИНС).
Для определения эффективных алгоритмов распознавания газов необходимо провести комплексное тестирование нейронных сетей. Основными критериями оценки является скорость обучения, количество распознанных образов и обобщающая способность нейронной сети - способность правильно классифицировать данные, не входящие в обучающую выборку. На качество распознавания газов, влияют тип нейронной сети, её внутренние параметры (такие как количество скрытых слоёв, функции активации и т.д.), а также методы предобработки данных. Очень хорошие результаты распознавания удается получить при объединении самоорганизующегося слоя Кохонена и персептронной сети, что позволяет совместить способности сети Кохонена к экстракции наиболее значимых признаков и возможности аппроксимации, которые свойственны многослойному персептрону [2].
Подобную структуру можно считать гибридной нейронной сетью (рис. 4). Она представляет собой каскадное подключение слоя Кохонена и персептронной сети.
Самоорганизующийся слой улавливает значимые признаки процесса (локализует их на основе входных данных) [2], затем обработанные данные, поступая на вход персеп-тронного слоя, образуют для него входной вектор. Вследствие хорошей локализации признаков процесса первым слоем сети в большинстве
Рис. 4. Гибридная нейронная сеть
приложений бывает достаточным применение персептрона, содержащего только один слой нейронов (зачастую линейных). Как показано в наших предварительных работах, такое решение многократно увеличивает скорость обучения данной сети, и, что не менее важно, увеличивает качество распознавания.
В заключение отметим, что полученные результаты показывают, что на основе исследованных мультисенсрных чипов возможно создание прототипов высокоэффективных малогабаритных газоаналитических приборов, работающих в реальном масштабе времени.
Авторы благодарят за сотрудничество И. Киселева и других сотрудников группы д-ра М. Зоммера (Технологический Центр Карлсруэ, Германия) и группу проф. А. Колмакова (университет Южного Иллинойса в Карбондэйл, США).
ЛИТЕРАТУРА
1. Kolmakov A. Chemical sensing and catalysis by one-dimensional metal-oxide nanostructures / A. Kolmakov, M. Moskovits // Annual Review of Materials Research. 2004. V.34. P. 151-180.
2. Варежников А.С. Применение гибридной нейросети для распознавания газов в сенсорной системе типа «электронный нос» / А.С. Варежников, В.Ю. Мусатов, В.В. Сысоев // Математические методы в техники и технологиях - ММТТ-20: сб. труд.. Т.7. Ярославль : изд-во Ярославского гос. техн. ун-та, 2007. С. 33-35.
3. Мусатов В.Ю. О возможности применения нейропроцессора для обработки отклика однокристальной мультисенсорной микросистемы идентификации газов / В.Ю. Мусатов,
В.В. Сысоев, А. А. Мащенко, А.С. Варежников, А.А. Хризостомов // Мехатроника. Автоматизация. Управление. 2008. №1. С. 17-22.
4. Варежников А.С. Особенности применения самооорганизующихся нейронных сетей для анализа отклика однокристальной мультисенсорной системы идентификации газов /
A.С. Варежников, В.Ю. Мусатов, В.В. Сысоев // Вестник Сарат. гос. техн ун-та. 2009. № 4 (43). Вып.2. С.158-161.
5. Варежников А.С. Обработка отклика однокристальной мультисенсорной системы из оксидных нановолокон с помощью нейросетей / А.С. Варежников, В.Ю. Мусатов,
B.В. Сысоев, Е. Стрелков, А. Колмаков // Математические методы в техники и технологиях -ММТТ-23: сб. труд. XXIII Междунар. науч. конф.: Т.6. Саратов: Сарат. гос. техн. ун-т, 2010.
Вячеслав Юрьевич Мусатов -
кандидат технических наук, доцент кафедры «Системы искусственного интеллекта» Саратовского государственного технического университета им. Гагарина Ю.А.
Сысоев Виктор Владимирович -
доктор технических наук, профессор кафедры «Общая физика» Саратовского государственного технического университета им. Гагарина Ю.А.
Варежников Алексей Сергеевич -
аспирант кафедры «Общей Физики» Саратовского государственного технического университета им. Гагарина Ю.А.
Статья поступила в редакцию 21.08.11, принята к опубликованию 16.11.11
