Применение метода нейронных сетей для анализа отклика однокристальной мультисенсорной системы идентификации газов

Сысоев Виктор Владимирович; Мусатов Вячеслав Юрьевич; Силаев Александр Владимирович; Залялов Тимур Римович; Мащенко Артем Андреевич

УДК 004.518 (681.518); 539.216

В.В. Сысоев, В.Ю. Мусатов, А.В. Силаев, Т.Р. Залялов, А.А. Мащенко ПРИМЕНЕНИЕ МЕТОДА НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА ОТКЛИКА ОДНОКРИСТАЛЬНОЙ МУЛЬТИСЕНСОРНОЙ СИСТЕМЫ ИДЕНТИФИКАЦИИ ГАЗОВ

Рассматривается применение метода нейронных сетей для анализа отклика однокристальной мультисенсорной системы, изготовленной сегментированием монолитной полупроводниковой пленки оксида олова. Показано, что многослойная нейронная сеть с прямой передачей сигнала и заданными функциями обучения и настройки, использующей метод обратного распространения ошибки, позволяет построить адекватную модель сигнала мультисенсорной системы к ряду тестовых газовых смесей (ацетон/воздух, этанол/воздух, пропанол/воздух, аммиак/воздух). Тестовый напуск указанных газов идентифицируется системой с вероятностью 95100% при применении предобработки сенсорных сигналов делением на медианное значение.

V.V. Sysoev, V.Yu. Musatov, A.V. Silaev, T.R. Zalyalov, A.A. Mashenko THE EMPLOYMENT OF A NEURAL NETWORK FOR ANALYSIS OF A SINGLECRYSTAL RESPONSE GAS IDENTIFICATION MULTISENSOR SYSTEM

The employment of a neural network method to treat a response of singlecrystal multisensor system based on a monolithic semiconductor film segmented by electrodes is considered in the article. It is shown that multilayered neural network with a direct data transmission under proper adjusted functions of learning and tuning with a method of error back propagation allows it to build a consistence model of the multisensor system response to few sample gas mixtures (acetone/air, ethanol/air, propanol/air, ammonia/air). With the employed model, a testing input of the gases is identified by the system with a probability of95-100% under preliminary processing of sensor signals with a division by a median value.

В последнее время возрастает интерес к разработке относительно дешевых приборов распознавания газов типа «электронный нос». Развитие таких устройств обусловлено потребностью многих отраслей промышленности, таких как парфюмерия, пищевая промышленность, химические производства и др., а также многочисленных служб, которые, как правило, нуждаются в комплексной оценке запаха, а не в распознавании вида и концентрации конкретного газа. Более того, обоняние остается последним из органов чувств, не имеющим полноценного машинного прототипа.

В приборах «электронный нос» первого поколения, которые появились на рынке в конце 90-х годов, сенсоры разных типов объединяются в комплекс и их совокупный сигнал

обрабатывается известными методами распознавания образов. Задача распознавания газа сводится к анализу распределения сигналов сенсоров в системе. Но вследствие применения сенсоров различного типа эти приборы имеют ряд существенных недостатков: достаточно высокая стоимость, сложные схемы сопряжения сигналов разного типа от различных типов сенсоров, применяемых в системе, достаточно большие габариты и масса.

Эти недостатки сдерживают в настоящее время развитие массового рынка рассматриваемых приборов, что требует поиска альтернативных методов построения мультисенсорных систем. Таким направлением является разработка системы на основе однотипных сенсоров, сформированных на одном кристалле. В этом случае сенсоры имеют единый тип сигнала, а вариация свойств и выходных характеристик достигается через вариацию внутренних параметров и/или условий работы. Одним из наиболее важных преимуществ этого подхода является то, что стоимость системы, составленной из однотипных сенсоров, не должна существенно превысить стоимость отдельного сенсора. Соответственно, открываются пути к развитию приборов низкой стоимости для массового потребления, в том числе и для индивидуальных применений.

В данной работе рассмотрена однокристальная мультисенсорная система типа «электронный нос» KAMINA (разработка Исследовательского Центра Карлсруэ, Германия) [1], оборудованная чипом с полупроводниковой металлоокисной тонкой пленкой SnO2:Cu, нанесенной методом ВЧ-магнетронного распыления. Подробно состав пленки и ее электрофизические и газочувствительные свойства рассмотрены в [2]. Для формирования мультисенсорной системы пленка сегментируется компланарными платиновыми электродами с зазором до 100 мкм. Топология электродов представлена на рис. 1. Указанная металлизация позволяет получить до 38 сенсорных сегментов, из которых в данной работе использовались 35 сегментов.

а) б)

Рис. 1. Фронтальная (а) и тыловая (б) стороны подложки мультисенсорного чипа типа КАМ1ЫА

Для модификации свойств сенсорных сегментов подложка подвергалась неоднородному нагреву с градиентом около 7°^мм при средней рабочей температуре, приблизительно равной 330°С, в соответствии с методикой, изложенной в [3]. Контроль однородности нагрева поверхности пленок выполнялся с помощью ИК-камеры типа Thermo Tracer TH3100MR (NEC Sanei Instrum. Ltd, Япония). Измерение сопротивления сенсорных сегментов проводилось между каждой парой электродов со скоростью опроса около 30 мс на сегмент. Обработ-

ка полученных сигналов осуществлялась соответствующими электронными схемами и через интерфейс Я^232 передавалась в персональный компьютер.

В качестве тестовых газов использовались смеси воздуха с парами этанола, пропанола, ацетона и аммиака. Напуск газов осуществлялся в проточном режиме циклически в последовательности: воздух - газовая смесь 1 - воздух - газовая смесь 2 - воздух - газовая смесь 3 - воздух - газовая смесь 4 - воздух. При этом порядок подачи смесей варьировался с целью приближения условий работы чипа к практическим применениям прибора «электронный нос». Время напуска газов составляло около 1 минуты, что было достаточно для получения стационарного отклика не ниже 0,90 от максимального значения.

Отклик системы к воздействию газов записывался в течение 10 дней при различных условиях атмосферного воздуха. В качестве калибровочных были использованы все данные за исключением результатов одного дня, которые служили для проведения тестирования построенных моделей. По этим тестовым данным определялась эффективность идентификации газов применением методов распознавания образов. Следует отметить, что для математической обработки были использованы только стационарные величины откликов сенсоров. Сигналы, полученные во время смены атмосферы, были удалены из математической обработки. Более того, чтобы минимизировать влияние дрейфа сопротивления сенсорных сегментов, проводилась их предварительная обработка. Для этого были использованы методы деления и вычитания медианного значения по набору сенсоров и логарифмирование.

Обработка экспериментальных данных - распределения сенсорных сигналов по системе - проводилась с помощью нейронных сетей. В качестве модели нейронной сети была использована многослойная сеть, успешное применение которой для обработки мультисенсорных систем распознавания газов было продемонстрировано в ряде работ, из которых можно отметить [48]. Известны различные варианты реализации подобных сетей. Например, в [5, 6] применена сеть с обратной передачей и задержкой сигнала, которая показала лучшие результаты распознавания по сравнению с многослойным персептроном и методом дискриминантнофункционального анализа [6]. Хорошие показатели распознавания газов обеспечивают сети, использующие метод обратного распространения ошибки [7, 8]. Вариант такой сети с прямой передачей сигнала при заданных функциях обучения и настройки применен и в настоящей работе.

Моделирование сети производилось с помощью пакета программного обеспечения МайаЬ 6.5. В ходе эксперимента исследовалось несколько конфигураций сетей (см. таблицу) с одинаковыми функциями активации (1-й слой - 1о§б1§, 2-й слой - 1о§б1§, 3-й слой - ригеНп). Из результатов, представленных в таблице, видно, что для данной мультисенсорной системы лучшие результаты показывает конфигурация сети, содержащая три слоя со следующим распределением нейронов по слоям: 35 на первом, 16 на скрытом и 5 на выходном слое (рис. 2).

На рис. 3 представлен процесс обучения выбранной нейронной сети сенсорными сигналами, прошедшими различную предварительную обработку. Как видно из рисунка, при предварительной обработке сенсорных сигналов делением на медианное значение, сеть обучается наилучшим образом в данной серии - менее чем за 11 эпох ошибка достигает значений порядка 10-4.

Рис. 4 визуализирует результаты анализа с помощью выбранной нейронной сети отклика мультисенсорной системы при применении предварительной обработки данных в виде деления на медианное значение. На нижних графиках показаны эталонные данные для каждой газовой смеси, на верхних графиках - соответствующие результаты распознавания с помощью нейронной сети. По оси абсцисс отложено время напуска газовой смеси, которое отмечено на оси ординат соответствующей вероятностью.

Результаты моделирования нейронных сетей

Название пеН пе12 пе13 пе14 пе15 пе16 пе17

Распределение по слоям 1 2 3 35, 12, 5 35, 20, 5 35, 16, 5 ю 31 35, 18, 5 35, 11, 5 13 ,,

Погрешность обучения 0,01 0,01 0,001 0,0001 0,001 0,001 0,001

Функция обучения Ігаіпіт Ігаіпіт Ігаіпіт Ігаіпіт ^атедЬ 1га1педЬ Ігаіпіт

Количество эпох 5 5 11 19 3250 (цель не достигнута) 2334 (цель не достигнута) 12

Распознавание, % Воздух 92,7 96,7 99 99,5 95,9 95,1 86,1

Ацетон 77,1 86,6 98,1 90,6 83,9 71,7 99,7

Этанол 98,4 99,9 95,3 99,9 99,9 99,9 100

Аммиак 97,8 98,1 99,9 98,4 94,9 99,9 98,9

Пропанол 83,9 89 95,4 91,9 86,3 79,3 99,8

Все полученные результаты анализа отклика системы при применении различных предварительных обработок сенсорных сигналов сведены на рис. 5. По вертикальной оси этого рисунка отложено количество правильно идентифицированных напусков газовых смесей (в процентах). По оси абсцисс представлены тестовые газовые смеси, а также «чистый» воздух. В столбцах представлен анализ распознавания данных, предварительно обработанных различным образом: первый столбец - логарифмирование, второй столбец - вычитание медианного значения, третий столбец - без обработки, четвертый столбец - деление на медианное значение.

Рис. 3. Результат процесса обучения нейронной сети с предварительными обработками сенсорных сигналов: а - деление на медиану; б - без предварительной обработки; в - логарифмическая; г - вычитание медианы. По оси абсцисс отложено количество эпох обучения, по оси ординат - ошибка обучения

Как видно из полученных результатов, наилучшим образом система распознает воздух - практически 100% воздействий этой атмосферы идентифицируются корректно независимо от предварительной обработки сенсорных сигналов. В то же время процент корректно распознанных напусков тестовых газовых смесей существенно варьируется и зависит от предобработки сигналов. В частности, деление на медиану позволяет получить практически 100%-ную идентификацию смесей ацетон/воздух, аммиак/воздух, пропанол/воздух и 95%-ную идентификацию смеси этанол/воздух. С другой стороны, логарифмическая предобработка сенсорных сигналов в некоторых случаях (для этанола) существенно - до 65% - понижает качество распознавания и делает его ниже, чем в случае анализа сигналов, не прошедших предварительную обработку.

Для сравнения был проведен анализ полученных данных с помощью линейнодискриминантного анализа (ЛДА) [9], успешно применяемого при анализе сигнала прибора КАМША (например, [3, 10]). Результаты ЛДА-анализа представлены на диаграмме рис. 6 и показывают процентное соотношение правильно распознанных видов газовых смесей при различных предварительных обработках сенсорных сигналов. На этом рисунке первый столбец соответствует логарифмической предобработке данных, второй - делению на медиану, третий - вычитанию медианы, четвертый - без обработки данных. Можно отметить, что, как видно из рисунка, при анализе исследованной выборки сенсорных сигналов, этот метод по-

казывает также высокий процент корректно распознанных воздействий тестовых газовых смесей. Однако практически все газы, кроме этанола, идентифицируются хуже, чем в случае применения нейронной сети. Но в отличие от применения метода нейронной сети, ЛДА показывает лучшие результаты при предварительном логарифмировании сенсорных сигналов. Видимо, это связано с линеаризацией вида сигналов, которую вносит предварительное логарифмирование. Напротив, линеаризация данных для нейронной сети, настроенной на решение нелинейных задач, лишь ухудшает ее работу [11].

1

0.8 - -

0.6 ■ -

0.4 -

0.2 ■ -

С--------------Ь---------------1-------------1-------------1-------------«-1-----------

0 100 200 300 400 500 600

1 ----------ГИ-------------1— ----------Т------ П----------------т-----------

0.8 - -

0.6 ■ -

0.4 -

0.2 - -

д|-----------Ы--------------Ь_1_1-------1------------ -----------1------------

0 100 200 300 400 500 600

1-------------п——1——г----------------п——1-------

0.0 ■ -

0.6 ■ -

0.4 -

0.2 ■ -

0-------->-1—----1---—Ь^-----------------1------

0 100 200 300 400 500 600

а)

б)

в)

г)

д)

Рис. 4. Результаты анализа отклика с помощью нейронной сети на воздействие тестовых смесей: а - воздух; б - ацетон; в - этанол; г - аммиак; д - пропанол

Таким образом, в работе проведено исследование отклика мультисенсорной системы типа «электронный нос» КАМША в пяти различных атмосферах (ацетон/воздух, аммиак/воздух, этанол/воздух, пропанол/воздух, «чистый» воздух). Для обработки сенсорных сигналов был ус-

пешно применен метод анализа, основанный на многослойной нейронной сети, с помощью которого достигнута идентификация газа, превышающая 95% при соответствующем подборе процедуры предобработки сенсорных сигналов. Метод нейронных сетей показывает перспективы более уверенной идентификации газа по сравнению со статистическим методом ЛДА. Однако следует отметить, что применение метода нейронных сетей существенно зависит от выбора предварительной обработки сенсорных сигналов по сравнению с применением метода ЛДА.

Рис. 5. Анализ сигнала мультисенсорной системы с помощью нейронной сети при различных предварительных обработках сенсорных сигналов

1234 1234 1 234 1234 1 234

100 90 80 70 60 50 40 30 20 10 0

ВОЗДУХ АЦЕТОН ЭТАНОЛ ПРОПАНОЛ АММИАК

Рис. 6. Анализ сигнала мультисенсорной системы с помощью ЛДА

ЛИТЕРАТУРА

1. Goschnick J. An electronic nose for intelligent consumer products based on a gas analytical gradient microarray / J. Goschnick // Microelectronic Engineering. 2001. Vol. 57-58. Р. 693-704.

2. Сысоев В.В. Текстурированные пленки оксида олова для микросистем распознавания газов / В.В. Сысоев, Н.И. Кучеренко, В.В. Кисин / Письма в журнал технической физики. 2004. Т. 30. Вып. 18. С. 14-20.

3. The temperature gradient effect on gas discrimination power of metal-oxide thin-film sensor microarray / V.V. Sysoev, I. Kiselev, M. Frietsch, J. Goschnick // Sensors. 2004. Vol. 4. Р. 37-46.

4. Шапошник А.В. Селективное определение газов полупроводниковыми сенсорами: автореф. дис. ... докт. хим. наук / А.В. Шапошник. Воронеж, 2005. 42 с.

5. Gardner J.W. Application of artificial neural networks to an electronic olfactory system / J.W. Gardner, E.L. Hines, M. Wilkinson // Measurement Science and Technology. 1990. Vol. 1. Р. 446-451.

6. Zhang H. Improving pattern recognition of electronic nose data with time-delay neural networks / H. Zhang, M.O. Balaban, J.C. Principe // Sensors and Actuators B. 2003. Vol. 96. Р. 385-389.

7. Luo D. Application of ANN with extracted parameters from an electronic nose in cigarette brand identification / D. Luo, H.G. Hosseini, J.R. Stewart // Sensors and Actuators B. 2004. Vol. 99. С. 253-257.

8. Portable electronic nose system with gas sensor array and artificial neural network / H.-K. Hong, C.H. Kwon, S.-R. Kim et al. // Sensors and Actuators B. 2000. Vol. 66. Р. 49-52.

9. Каримов Р.Н. Обработка экспериментальной информации. Ч.3: Многомерный анализ: учеб. пособие / Р.Н. Каримов. Саратов: СГТУ, 2000. 108 с.

10. Sub-surface probe module equipped with the Karlsruhe Micronose KAMINA using a hierarchical LDA for the recognition of volatile soil pollutants / C. Arnold, D. Haeringer, I. Kiselev, J. Goschnick // Sensors and Actuators B. 2006. Vol. 116. Р. 90-94.

11. Галушкин А.И. Теория нейронных сетей / А.И. Галушкин. М.: ИПРЖР, 2000.

416 с.

Сысоев Виктор Владимирович -

докторант, доцент кафедры «Общая физика»