Помощничек
Главная | Обратная связь


Археология
Архитектура
Астрономия
Аудит
Биология
Ботаника
Бухгалтерский учёт
Войное дело
Генетика
География
Геология
Дизайн
Искусство
История
Кино
Кулинария
Культура
Литература
Математика
Медицина
Металлургия
Мифология
Музыка
Психология
Религия
Спорт
Строительство
Техника
Транспорт
Туризм
Усадьба
Физика
Фотография
Химия
Экология
Электричество
Электроника
Энергетика

Измерения при помощи нескольких датчиков



Обработка результатов серии измерений, полученных при помощи одного датчи­ка или нескольких независимых детекторов позволяет уменьшить статистичес­кую ошибку и улучшить как избирательность, так и чувствительность химичес­ких датчиков [37] или химических аналитических систем. Поскольку ошибка из­мерений определяется суммой систематических и случайных погрешностей, ее можно уменьшить за счет статистической обработки серии измерений, снижаю­щей или устраняющей случайную составляющую погрешности [36]. Проведение дополнительных измерений позволяет уменьшить величину стандартного откло­нения в 1/(n)1/2 раз, где п — количество замеров. Дополнительные измерения могут проводиться одним и тем же датчиком или несколькими датчиками одного типа [38]. Следует отметить, что этот метод позволяет снижать только случайные по­грешности, не оказывая никакого влияния на систематические.


Проведение измерений одних и тех же параметров, но при использовании разных датчиков обеспечивает расширение зоны исследований и уменьшение областей, где аналитическую идентификацию проводить либо очень сложно, либо невозможно.

Очевидно, что использование дополнительных датчиков и увеличение числа измерений приводит к усложнению обработки сигналов. Поэтому всегда прихо­дится выбирать компромисс между количеством проводимых измерений и каче­ством идентификации химического состава образца, полученной на основании этих измерений. Поскольку улучшение точности не пропорционально количе­ству измерений, при увеличении числа измерений наступает такой момент, после которого точность меняется незначительно. Это и есть критерий выбора опти­мального количества измерений.

Датчики обоняния

Принципы измерений и обработки данных, описанные в этом разделе, являются примером бионического подхода к построению измерительных систем. Основная идея этого подхода заключается в использовании большого количества детекторов разного типа и обработке полученных данных методами, аналогичными тем, кото­рые применяются мозгом живых существ при идентификации тех или иных свойств объектов. Хотя и сейчас принципы работы мозга еще до конца не раскрыты, уже появились некоторые идеи, которые могут быть применены для практической реа­лизации «интеллектуальных» измерительных систем. Процесс обработки и анали­за сигналов, поступающих от разных датчиков, всегда основан на процедуре рас­познавания образов. Принцип работы датчиков обоняния, часто называемых элек­тронными носами, состоящих из множества современных детекторов, основан на «интеллектуальных» стратегиях распознавания образов и методах хемометрии.

При построении первых датчиков обоняния разработчики старались воспро­извести органы чувств человека. Такие датчики состояли из детекторов разного типа, каждый из которых представлял клетки тканей носовых пазух. Принцип определения запаха заключался в детектировании отдельных химических соеди­нений и идентификации запаха по полученным результатам. Датчики обоняния применяются в криминалистике, в парфюмерной и косметической промышлен-ностях, на пищевых производствах, в системах мониторинга окружающей среды и т.д. Все детекторы обоняния можно разделить на четыре группы: инструмен­тальные анализаторы, полупроводниковые газовые датчики, потенциальные дат­чики мембранного типа [39] и микровесы на основе кварцевого кристалла. Пос­ледний тип детекторов (рис. 17.18), состоящий из кварцевого кристалла, на по­верхность которого нанесена чувствительная мембрана, близок к гравиметричес­ким датчикам, описанным ранее в этой главе. Их принцип действия заключается в измерении сдвига частоты кристалла, вызванного проникновением через мемб­рану молекул определенных пахучих веществ. Измерение производится при по­мощи соответствующих электронных схем, выходной сигнал которых пропорци­онален концентрации исследуемого вещества. По своим характеристикам и чув­ствительности такие датчики близки к человеческому носу, поскольку параметры применяемой в детекторе мембраны и чувствительных тканей носовых пазух лю­дей мало отличаются друг от друга.


 

молекулы пахучих веществ

чувствительная мембрана

выходной сигнал

кварцевый кристалл

колеба­тельный контур

термостат

резонансная частота

электроды

концентрация

(А)

(Б)

Рис. 17.18.Детектор обоняния на основе микровесов (А) и его передаточная функция (Б), полученная при детектировании амилацетата.

 


Обонятельные рецепторы человека покрыты фосфолипидной двухслойной мембраной. Считается, что при поглощении мембраной молекул пахучих веществ, в мозг человека через соответствующие нервные каналы поступают импульсы. Рассматриваемый детектор обоняния попытались реализовать по той же методо­логии. Кварцевый кристалл имеет диаметр 14 мм. Мембрана изготовлена на ос­нове раствора органического растворителя (тетрагидрофурана), PVC, пластифи­катора (диоктилфенил фосфоната) и синтетических липидов (диоктил фосфата, децилового спирта и других липидов) [40], при этом молекулы синтетических ли­пидов произвольно ориентированы внутри полимерной матрицы. Толщина мем­браны составляет 200 мкм. Состав мембраны подбирается таким, чтобы доброт­ность резонатора не опускалась ниже 5 • 104.

На рис. 17.18Б показана экспериментальная передаточная характеристика детектора, из которой видно, что минимальный уровень детектируемой концент­рации для такого датчика составляет 1 ррm, что приблизительно равно порогу чув­ствительности человеческого носа, а его линейность сохраняется до 3000 ррm. Детектор обоняния на основе микровесов является довольно быстродействую­щим устройством, его время отклика составляет менее 1 с.

 

Основными характеристиками датчиков обоняния являются количество раз­личаемых компонентов при номинальном нижнем уровне концентраций и их чув­ствительность к определенным веществам. Поскольку на работу большинства хи­мических датчиков оказывает влияние влажность и температура, они часто ис­пользуются не по одиночке, а в составе группы из нескольких детекторов [41]. На рис. 17.19 по­казано изменение проводимости датчика обоня­ния, состоящего из девяти серийно выпускаемых газовых детекторов на основе диоксида олова, каждый из которых легирован специальными примесями, для повышения чувствительности к определенному типу исследуемых газов.

Рис. 17.19.Выходной сигнал дат­чика обоняния на основе 9-ти метал-оксидных детекторов

Например, разработаны датчики, состоящие из четырех отдельных детекторов, настроенных на идентификацию четырех химических соеди­нений: клея, растворителя чернил, очистителя


 

стекол и спирта, для мониторинга воздуха в офисных помещениях. Было эксперимен­тально показано, что точность идентифи­кации этих соединений такими датчиками достигает 98%.

Рис. 17.20. Показания трех детекто­ров, входящих в состав датчика огня

Другим примером применения датчи­ков обоняния являются устройства для об­наружения пожаров, в которых применено меньшее количество, но более сложных электрохимических детекторов [37]. Три выходных сигнала отдельных детекторов (рис. 17.20) формируют комплексный сиг­нал, характеризующий состав воздуха в охраняемом помещении.

Датчики на основе электрохимических детекторов применяются для мони­торинга воздуха помещений, в которых находятся легко воспламеняемые или го­рючие материалы, такие как дерево, картон, чистящие средства, пластмасса, про­дукты питания, сухая штукатурка и т.д. с целью обеспечения их пожаробезопас­ности или при проведении ряда работ, например, сварки и др. В этом случае про­водится сравнение текущих показаний детекторов с эталонными замерами, полу­ченными в стационарных условиях. При сильном несовпадении этих данных вы­дается сигнал тревоги. В настоящее время разработаны датчики огня, реализо­ванные на этом принципе, способные идентифицировать 14 различных типов по­жаров с точностью 70... 100%.

 
простои химический детектор 1
простой химический детектор 2
простои химический детектор 3
простой химический детектор 4
простой химический детектор 5
выбор запаха
уровень достоверности
составной детектор 1
детектор температуры
детектор влажности
детектор давления
Рис. 17.21.Модель составного датчика обоняния (для уп­рощения на рисунке показана только часть внутренних связей; в полной модели все датчики должны быть со­единены со всеми категориями)

Объединение хими­ческих детекторов разных типов (от двух до десяти) позволяет значительно расширить диапазон де­тектирования за счет пе­рекрытия их индивидуаль­ных диапазонов, что по­зволяет значительно по­высить качество детекти­рования даже при исполь­зовании простых датчи­ков, обладающих не очень высокой избирательнос­тью. На рис. 17.21 показа­на модель датчика обоня­ния, состоящего из про­стых и сложных химичес­ких детекторов, а также вспомогательных детекто­ров: температуры, влаж­ности и атмосферного


приходят взвешенные выходные сигналы других нейронов; блока суммирования / сравнения, объединяющего входные сигналы; блока, соответствующего переда­точной функции, преобразующего информацию, проходящую через нейрон; вы­ходного каскада, подключенного ко входам других нейронов и нескольких линий ОС, позволяющих регулировать вес входных сигналов для получения необходи­мой выходной реакции. В некоторых архитектурах нейронных сетей требуется подключение каскадов задержки для осуществления функций самоорганизации.

Обобщенная архитектура сети (рис. 17.22Б) состоит из входного слоя х, на­прямую связанного с сигналами датчика; скрытого слоя у, в котором на основа­нии преобразования информации делается предварительный выбор; и выходного слоя z, в котором на базе промежуточного выбора производится систематизация или анализ входной информации. В данной модели нейроны представлены в виде узлов, а межнейронные связи существуют только между соседними слоями.

Датчики обоняния обычно проводят только классификацию состава пахуче­го вещества, а анализ отдельных компонентов осуществляется при помощи ней­ронных сетей. Классификаторы вероятностных нейронных сетей (ВНС) являют­ся самыми популярными компьютерными сетями, используемыми для обработ­ки данных датчиков обоняния. Эти классификаторы функционально близки к статистическим классификаторам Байеса и методам поиска ближайшего соседа (KNN), и даже превосходят их по некоторым характеристикам [47]. ВНС исполь­зуют радиальную базисную функцию и архитектуру со скрытым слоем. Для пост­роения ВНС на основании накопленных знаний необходимо разработать обуча­ющую модель, в которой каждому набору входных сигналов ставится в соответ­ствие выходная категория, при этом для каждого образца строится свой собствен­ный нейрон. Весовые соотношения между входными сигналами и нейронами со­храняются во входных сигналах. Выход каждого нейрона соединяется с соответ­ствующей категорией выходного слоя. Повторяющиеся пары входных-выходных соотношений создают дополнительные копии нейронов, что повышает вероят­ность выбора именно этой категории; отсюда и появилось название вероятност­ной нейронной сети.

Во время работы ВНС вектор входных значений исследуемого образца срав­нивается со входным набором каждого нейрона. При этом проводится вычисле­ние декартового расстояния между этими векторами (с учетом весовых коэф­фициентов) (рис. 17.23А). Вычисленное значение преобразуется передаточной функцией каждого нейрона (радиальной базисной функцией Гаусса — кривой, симметричной относительно вертикальной оси, у которой выходной сигнал ра­вен 1 при нулевом входном сигнале). В результате чего при небольшом рассог­ласовании входных векторов, на выходе этого блока формируется высокий вы­ходной сигнал, а при большой разнице этих сигналов выходной сигнал будет низким (рис. 17.23Б). На основании сравнения этих сигналов выбирается тот нейрон, чьи весовые коэффициенты больше соответствуют входному вектору исследуемого образца. При этом образец причисляется к категории выбранного нейрона (рис. 17.23В). Выбор обучающей модели ВНС осуществляется на осно­вании компромисса между универсальностью, быстродействием и требуемой памятью системы.


 

значение выходного сигнала

маленькая разница => высокий выходной сигнал

эталонный образец А

эталонный образец В

сигнал датчика 1

радиальная базисная функция

исследуемый образец

большая разница => низкий выходной сигнал

сигнал датчика 2

разность векторов

(Б)

(А)

эталонный образец А

Out1

Inl

класс А

большая разница => низкий выходной сигнал

Out 2

In 2

эталонный образец В

класс В

маленькая разница => высокий выходной сигнал

(Г)

Рис.17.23. А —сравнение векторов Б —радиальная базисная функция, В —слой BHC

 


 




Поиск по сайту:

©2015-2020 studopedya.ru Все права принадлежат авторам размещенных материалов.