1 引 言
金属氧化物气体传感器的选择性通常较差，具体来说，基于SnO2的CO传感器对H2，CH4等多种还原性或易燃性气体的交叉响应非常明显。针对这个问题，目前常用的方法是对传感器进行温度调制。在这种工作方式下，传感器对不同的气体呈现不同的响应特性，利用模式识别技术对响应信号进行处理就有可能对被测气体的类别和浓度给出判定。Haifeng Ge等人对单个气体传感器进行温度调制，利用支持向量机算法实现了对H2，CO及其混合气体的定性识别，但是没有给出定量分析的结果；太惠玲等人利用4个SnO2气体传感器构成的阵列实现了对CO和H2混合气体的定量分析。
支持向量机是近年来模式识别领域新的研究热点，它解决了在人工神经网络方法中无法避免的局部极值问题，具有很好的泛化能力，此外，它在学习速度方面的性能也优于神经网络。
本文利用周期加热电压对单个SnO2气体传感器进行温度调制，结合支持向量机算法，对CO／H2混合气体进行定量分析，估算CO／H2混合气体或空气中CO的浓度。
2 实 验
传感器型号为MQ307A，其敏感部分是一个微型小球，内嵌加热丝和金属电极。传感器的输出信号经数据采集卡采样后，发送到计算机(PC)进行处理。由于气体传感器的性能易受环境温、湿度的影响，整个测试过程在温度为25℃、相对湿度为30％的环境中完成。
3 结果与讨论
3.1 加热电压波形对传感器响应的影响
图1(a)，(b)，(c)分别是传感器在正弦波、占空比为40％的方波以及三角波调制下对5×10-4单一CO和5×10-4单一H2的响应曲线，其中加热电压周期都为30 s，幅值为1 V。对这三种响应信号进行主成分分析(PCA)，结果如图2所示。可见，在正弦波或三角波电压的调制加热下，传感器对CO和H2的响应曲线更易于区分。
图3给出了传感器分别在正弦电压和三角波电压的调制下，对不同浓度CO的响应灵敏度。此处，灵敏度的定义为式中：VP为传感器在被测气体中的响应峰值；VP(CO，10-4)为传感器在10-4 CO中的响应峰值。
可以看出，利用正弦加热电压获得的灵敏度高于利用三角波电压得到的结果。O．R．Gutierrez等人也曾指出，在定量分析中，缓慢变化的正弦波有助于分辨一个周期中可能出现的多个与灵敏度相关的峰值。因此，选用正弦波作为传感器的调制电压。
3.2 加热电压周期对传感器响应的影响
图4(a)给出了正弦加热电压周期分别为20，40，60，80，100 s时，传感器对2×10-4单一CO和6×10-4单一CO的响应曲线。由图4(b)可以看到，响应峰值随加热电压周期的增大而增大，因此，增大加热电压周期有利于提高传感器的检测下限。图4(c)显示了传感器分别对6×10-4CO和8×10-4 CO的响应灵敏度随加热电压周期变化的趋势，由图可见，传感器灵敏度与加热电压周期为非线性关系。
从检测下限、灵敏度以及响应速度等多个方面综合考虑，最终确定正弦加热电压的周期为30 s。
3.3 CO／H2混合气体定量分析
图5给出了传感器在不同浓度Co／H2混合气体中的响应曲线，其中CO的浓度范围为2×10-4～1×10-3。可以看到，在响应时间约为24 s处(设为tf)，在同一浓度的H2背景下，传感器对不同浓度CO的响应曲线集中于某一个值附近，而且此响应值随H2浓度的增大而增大。由于这一良好的特性，将传感器灵敏度S和tf时刻的响应值作为特征向量，用于训练SVM模型。
训练过程如下：
对于被测气体为CO／H2混合气体的情况。首先，将混合气体中H2的实际浓度作为期望值，将传感器在tf时刻的响应值作为一维输入向量，训练模型SVM1，利用SVM1估计混合气体中H2的浓度CH2。其次，将混合气体中CO的实际浓度作为期望值，将SVM1估计的H2浓度CH2传感器灵敏度S组成二维输入向量[CH2S]，训练模型SVM2，利用SVM2估计CO／H2混合气体中CO的浓度。
对于被测气体为单一CO的情况，将CO的实际浓度作为期望值，传感器灵敏度作为一维输入向量，训练模型SVM3，利用SVM3估计空气中CO的浓度。
图6是利用SVM模型估计CO／H2混合气体和洁净空气中CO浓度的过程。基于35个训练样本，对25个独立的测试样本进行了定量分析，结果如图7所示。
由图7(a)可见，SVM对混合气体中CO浓度的估计值与实际值接近，平均估计误差为10.45％，其中最小估计误差为0.31％，最大估计误差为23.53％，最大误差发生在2×10-4 CO／2.5×10-3H2的测试样本中。图7(b)是对空气中CO浓度的估计，平均估计误差为6.03％，其中最小估计误差1.88％，最大估计误差为8.18％。
4 结 论
对单个SnO2传感器进行温度调制，考察加热电压对传感器性能的影响。在正弦电压调制下，传感器对CO和Hz的响应曲线易于区分，且正弦电压有利于对CO作定量分析。获取传感器在不同浓度的CO／H2混合气体中的动态响应，利用SVM算法估计混合气体中CO的浓度，平均估计误差为10.45％。本文提出的方法能够有效地提高CO传感器抗H2干扰的能力。
|
