基于LabVIEW平台的智能电子鼻系统*

宋海声，苏小芸，赵晓林

(西北师范大学物理与电子工程学院甘肃省原子分子物理与功能材料重点实验室，甘肃兰州730070)

0 引言

由于有害气体引起的各种事故屡见不鲜，所以，检测化学品作业场所或设备内部气中的可燃或有毒气体和蒸气含量对人们的生活工作具有重要意义。基于LabVIEW的智能电子鼻系统，能够有效地检测各种有害气体(CH4，CO等)。

气体传感器的种类很多，各类气敏传感器性能差异较大，各自的主要检测对象也不一样，构成的测试系统也不同，然而，几乎所有的都不能用于多种气体检测。用传感器阵列构成电子鼻的前端检测多种气体，气体与传感器的活性材料反应，传感器把化学输入转换为电信号;通过数据采集电路采集到电信号，采用BP神经网络模式识别对这些电信号进行处理，分析和识别所测的气体［1］，这是一种基于测量和分析化学传感器中信号微小变化的新方法。

1 系统结构

图1是传感器阵列气体检测的实验室装置示意图。测量室由不锈钢的密闭的容器构成，测量室需要尽量保证每只传感器或传感器上每个阵列所接触的气体成分完全相同(包括组成物质和体积分数)、测量室体积尽可能的小，保证测量室温度不会有很大波动。为了保证气体流速恒定，选用JY－LUGB气体流量计，可以精确地控制气体的流速与流量。这样一方面可以保证测试的重复性，另一方面也可以保证多路气体混合后的体积分数精度。由于系统使用的传感器都是半导体器件，在使用的过程中需要对其进行加热，因此，在测量室中传感器到达一定数量后就会形成热量，在测量室设计时也要考虑到这一点。

图2是多种气体检测的自动化系统的结构框图。信号采样采用分压法，其原理为:将传感器与一只电阻器(匹配电阻器)进行串联，即匹配电阻器和传感器同时分配电源电压信号。当传感器吸附气体时，其电阻值会发生变化，而匹配电阻器是一个稳定的电阻器，它不会发生变化，根据欧姆定律可以知道，2只电阻器所分配的电压会发生变化，这个电压的变化在一定程度上就可以反映传感器电阻的变化。由于传感器在测量室内，测试传感器的电压不是很方便，所以，转而测试匹配电阻器的电压。通过换算可以得到传感器的电阻信号。在这个系统中，匹配电阻器的选择很重要，一般来说，当金属型氧化物传感器未与待测气体接触，其活性材料未吸附气体分子时，电阻值约为2～20 MΩ;当传感器接触到气体并发生吸附时，其电阻值将会下降。下降后的阻值一般为200kΩ～2MΩ。匹配电阻器的阻值应该与传感器的阻值相适应，以保证测试电路输出的响应信号保持在可测试范围的中间部分，从而便于用户的观察［2］，还要能够使用户方便地更换匹配电阻器，这样才能保证传感器电阻与匹配电阻器阻值配合恰当［3］。通过测试电路采集的电压信号需要通过数据采集卡进行采集，选用研华公司的PCI—1710HG采集卡和A68D接线子板，并将电压信号转换为计算机可以识别的数字信号。为了减少电源的波动加入滤波器电路。

图3是单只传感器的测量电路，气体传感器的电压是(V c－VRL)，其中，V c为测量电压，VRL为负载电阻器的电压，VH为气体传感器的加热电压。通过调节VH来控制传感器的工作温度。

等式(1)用来计算气体传感器的敏感度

其中，R0为在空气中测得的电阻，Rg为在气体中测得的电阻［4～7］。

图1 电子鼻装置结构示意图Fig 1 Structure schematic drawing of electronic nose device

图2 基于PCI—1710板卡的系统框图Fig 2 Block diagram of system based on PCI—1710 card

图3 单只传感器测试电路Fig 3 Test circuit of single sensor

2 软件开发

软件部分采用基于LabVIEW的开发平台。主要考虑到:一方面，编程简单、易于掌握，界面简洁易操作;另一方面，LabVIEW针对数据采集、仪器控制、信号分析与处理等方面，提供了专用节点(函数)，使用方便，在数据分析方面上，更改数据比Matlab更加方便。

整个系统软件的流程图如图4所示，系统软件主要分为以下模块:测量控制模块，数据采集模块和模式识别模块。测量控制模块提供了可视化的实验控制平台。数据采集模块主要是采集经信号调理电路调理后的各只传感器的输出响应，模式识别模块利用BP神经网络得出各气体体积分数值，最后得出结论并将结果显示在屏幕上。

图4 系统软件流程图Fig 4 Flow chart of system software

模式识别方法是影响电子鼻性能的重要因素。目前，常用的模式识别方法有统计模式识别方法(包括主成分分析、判别函数分析、聚类分析等)和人工神经网络(包括BP网络、Kohonen 网络等)的方法［8，9］。

人工神经网络由于强大的适应能力和自学习能力以及良好的容错性，获得了广泛的应用，而BP神经网络由于在众多实际问题上的成功运用和算法上的简单性，使其在电子鼻模式识别领域占据主流地位。运用遗传算法改进后的BP网络，提高了对混合气体检测的速度和精度。

遗传算法具有全局搜索性，但它的局部搜索能力较弱，遗传算法虽然能很快确定全局最优解存在的区域，却不能很快的搜索到最优解，所以，当遗传算法搜索到全局最优解的大致范围后，再充分发挥BP算法的局部搜索能力。两部分有机结合起来，可以更好地加快运算效率，增加神经网络的学习能力。图5为遗传算法优化BP神经网络流程图。

图5 遗传算法优化BP神经网络流程图Fig 5 Flow chart of BP neural network optimized by genetic algorithm

表1和表2分别为改进前的BP网络和改进后的BP网络三组模式识别的结果。经过50次的连续测试，改进前的平均误差为8.01× 10－6(CO)，75.43× 10－6(CH4)，7.94×10－6(H2S)，而改进后的平均误差为3.12×10－6(CO)，17.59(CH4)，2.93×10－6(H2S)。结果证明了改进算法在实际识别上的有效性，提高了检测的准确性。

表1 改进前BP网络模式识别结果Tab 1 BP network pattern recognition results before the improvement

表2 改进后的BP网络模式识别结果Tab 2 Improved BP network pattern recognition results

3 精度与稳定性测试

图6为匹配电阻100kΩ，经过24h测试电路的漂移图。

图6 测试电路漂移图Fig 6 Drift figure of the test circuit

从图6中可以看出:电路的漂移为几十至几百欧，小于测试电阻器阻值的1%。因此，对于此检测系统，在长期的测试情况下，电路是非常稳定的。

4 结论

本设计以LabVIEW为平台，利用传感器阵列，结合改进后的BP神经网络进行模式识别，实现电子鼻智能化，并且利用匹配电阻进行精度稳定度测试，结果证明了该系统的可靠性。该系统不仅可用于实验教学和研究，也可用来检测矿井中可燃气体含量;能够实现气体传感器的长期稳定性的测试，从而实现了高效智能化检测。

［1］杨建华，侯 宏，王 磊，等.基于集成气体传感器阵列的电子鼻系统［J］.传感器技术，2003，22(8):21－24.

［2］徐毓龙，徐玉成.电子鼻的研究和开发现状［J］.传感器世界，1999(8):1－5.

［3］Dyer D C，Gardner JW.High－precision intelligent interface for a hybridelectronic nose［J］.Sensors and Actuators A，1997，62:724－728.

［4］Cardinali G C.A smart sensor system for carbon monoxide detection［J］.Analog Integrated Circuits and Signal Processing，1997，14:275－296.

［5］Ederth J，Smulko J M，Kish L B，et al.Comparison of classical and fluctuation－enhanced gas sensing with PdxWO3nanoparticle films［J］.Sensors and Actuators B，2006，113:310－315.

［6］Min B K，Choi S D.Undoped and 0.1wt%Ca－doped Pt－catalyzed SnO2sensors for CH4detection［J］.Sensors and Actuators B，2005，108:119－124.

［7］Bahrami B，Khodadadi A，Kazemeini M，et al.Enhanced COsensitivity and selectivity of gold nanoparticles doped SnO2sensor in presence of propane and methane［J］.Sensors and Actuators B，2008，133:352－356.

［8］Yoland G M，Concepcion C O，Jose P P，et al.Electronic nose based on metal oxide semiconductor sensors and pattern recognition techniques:Characterization of vegetable oils［J］.Analytica Chimica Acta，2001，449:69－80.

［9］Parekh R，Yang J，Honavar V.Constructive neural－network learning algorithms for pattern classification［J］.IEEE Trans on Neural Networks，2000，11:436－450.