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