MEMS薄膜半导体气敏传感器阵列识别算法模型开发

余岑

（安徽军工集团控股有限公司,安徽合肥，230001）

0 引言

随着微电子技术的发展和芯片集成度的提高，气体传感器的微型化、低功耗和高综合性能成为发展趋势。相比于传统的陶瓷衬 底基传感器，采用微机电系统（MEMS）技术的微结构气体传感器由于具有体积小、功耗低、灵敏度高、重复性好、易批量生产等优点而成为研究热点。易燃易爆气液体挥发物检测装置将乘客通道中的气体吸入到MEMS薄膜半导体气敏传感器阵列表面，通过传感器信号处理电路获得气敏传感器阵列的电导率值，输入到识别算法模型中分析比对，判断是否为特征数据库中的某类易燃液体挥发气体，如果是且浓度超过该类气体的设定报警阈值则发出报警。

1 MEMS薄膜半导体气敏传感器阵列识别算法模型开发

在MEMS薄膜半导体气敏传感器阵列识别中，大多数传感器都会随着目标气体浓度的变化产生电导率变化，呈现近似线性关系。由于MEMS传感器阵列中使用的金属氧化物和修饰材料不同，各个传感器的对同一种目标气体的响应能力是不一样的。假设传感器阵列中各传感器处气体均匀分布，通过n个时刻采样可获得气体浓度变化过程中的传感器电导率变化向量集A={A1,A2,…An}，其中为ti时刻的m个传感器电导率变化向量。

对原始数据A={A1,A2,…An}进行正规化变换进行标准化处理，对其中的变量，减去均值再除以标准差：

2 主成分分析（Principal Component Analysis，PCA）

在MEMS薄膜半导体气敏传感器阵列识别中，有机物分子与半导体薄膜材料吸附机理很难实现每种气敏传感器只对特定气体产生响应，不同材料和工艺制作的半导体薄膜的响应特性会有一定区别，使用PCA方法可以获取当前主要气体成分的响应模式，并与预先采集的特征数据库进行比对，获取主要气体成分的可能类别。

主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的n＇个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，把原先的n个特征用数目更少的n＇个特征取代，新的n＇个特征一要保证最大化样本方差，二保证相互独立的。新特征是旧特征的线性组合，提供一个新的框架来解释结果。

对于MEMS薄膜半导体气敏传感器阵列识别算法而言，通过PCA方法对标准化处理结果B={B1,B2,…Bn}进行分析，获得其中一个或少数几个贡献率较高的主成分，每一种主成分对应的特征向量与数据库中每种目标气体的特征向量进行对比，从而确定对当前测量影响较大的一种或少数几种目标气体类型。

通过PCA方法获取被测气体主成分的具体步骤如下：

步骤1.计算相关矩阵

计算B={B1,B2,…Bn}的相关矩阵：

其中rij为Bi和Bj的相关系数，

步骤2.计算主成分

计算相关矩阵Rn×n的特征值λi及特征向量，将特征值从大到小排列，计算特征值的贡献率

取累计贡献率达到85%（具体百分比可根据实践进行调整）的前几个特征值对应的特征向量为主成分。

步骤3.解释主成分

步骤4.计算主成分得分

将 {B1,B2,…Bn}代入主成分特征向量形成的主成分公式中，为ti时刻的主成分k得分，描述了主成分k随时间变化的规律，也即是主成分对应的目标气体浓度变化曲线。

3 传感器区分贡献率分析

传感器区分贡献率分析方法主要对传感器进行研究，利用该方法可以确认特定实验样品下各传感器对样品区分的贡献率大小，可以用于优化传感器阵列组合，选择区分效果更好的传感器阵列组合。

传感器区分贡献率分析方法与PCA方法相似，区别在于PCA方法用于实际检测过程中对目标气体进行成分降维，便于构建特征库和对比分析，传感器区分贡献率分析方法用于系统设计时选择传感器组合。假设传感器阵列需要对某几类气体进行区分，应当关注每个传感器的贡献率，如果某个传感器对需要辨别的气体的贡献率的方差较小，说明该传感器辨别能力弱，可考虑将该传感器替换出阵列，直至每个传感器都在某种或者某几种气体辨别时有较大贡献率差异。

使用传感器区分贡献率方法优化阵列组合的具体步骤如下：

使用传感器阵列检测特定气体时，获得的响应能力集合B={B1,B2,…Bn}，按PCA方法同样的步骤1和步骤2，获得相关矩阵Rn×n的最大特征值λmax及对应的特征向量，第i个传感器的贡献值为中第i个元素的值fi。

步骤1.计算传感器区分贡献率

对p类需要区分的气体，重复上述步骤1和步骤2，形成传感器i的贡献值向量，计算F的方差：

步骤2.优化传感器组合

在一系列备选传感器中，选取一个组合，对p类气体进行检测，获取传感器区分能力集合，对于集合中最小的数值对应的传感器，尝试用不在组合中的传感器替代它，如果能提高中的最小数值，则将其替代。

4 线性判别式分析(Linear Discriminant Analysis,LDA)方法

LDA的原理是，将带上标签的数据（点），通过投影的方法投影到维度更低的空间中，使得投影后的点形成按类别区分的情形，即相同类别的点，在投影后的空间中距离较近，不同类别的点，在投影后的空间中距离较远。

图1 LDA投影聚类示意

LDA分析的目标是将数据点投影到一条或多条直线上，y=wT a，其中a是样本向量，w为直线对应的特征向量或特征向量矩阵，y为投影后的样本点。

步骤1.数据标准化处理

使用m个传感器p类已知物质进行多次采样，对采样数据进行标准化处理，原始数据表示使用m个传感器单次采样的数值，经过标准化处理后获得其中

假设共有C类样本，每类样本的数目分别为Mi，为训练样本的总数目。

步骤2.对于每一类别，计算其m维均值向量

步骤3.构造类间散布矩阵Sb和类内散布矩阵Sw

为了更好地区分物质种类，希望类之间耦合度低，类内聚合度高，即Sb中的数值要大，Sw中的数值要小，这样分类效果才好。

步骤4.计算矩阵的特征值以及对应的特征向量

引入Fisher鉴别准则表达式：

Fisher线性鉴别分析就是选取使得Jfisher(φ)达到最大值的向量φ作为投影方向，其物理意义就是投影后的样本具有最大的类间离散度和最小的类内离散度。

将步骤3中的结果代入上述Fisher鉴别准则表达式：

步骤5.使用转换矩阵Wopt将待判定样本映射到新的特征子空间上

在获得一个新的待判定样本后，通过转换矩阵Wopt将其映射到特征子空间，然后与数据库中标记的聚类进行比较，判定该样本属于哪一类。

5 特征数据库采集

不同种类易燃液体的危险性有一定差异，例如汽油迅速燃烧蔓延，并且可能会发生爆燃现象，而同样体积的酒精燃烧蔓延相对较慢，危险性相对较低，并且酒精作为香水、花露水中的主要成分，会发生一些误报警现象。橘子皮、柚子皮中含有的芳香烃类物质，也属于易燃液体，但其含量较少，现实场景中也经常会遇到引起不必要的报警。

为区分易燃物质的危险程度，需要采集汽油、松香水、香蕉水等燃烧危险性大的特征数据，也需要采集酒精、橘子皮、柚子皮等危险性相对较低的特征数据，这些特征数据按物质种类添加标签，构建特征数据库。进行报警监测时，将采集到的数据提取特征后与特征数据库中的条目进行比对，判断是属于库中已知种类或者是库中未收录的种类。

特征数据库的采集的前提是明确需要区分的物质种类，并且已经通过本文设计的传感器区分贡献率分析优化传感器组合，采集分为如下步骤：

步骤1.单类已知物质采样

使用传感器阵列对某类已知物质进行采样，采样形式为将传感器阵列放入气敏检测密闭箱内，向气敏检测密闭箱逐步注入该类物质的挥发气体，使得箱内气体浓度逐步上升，在这个过程中，ti时刻传感器k的电导率变化其中为ti时刻传感器k的电导率。

ti时刻m个传感器组合成的电导率向量，整个采集过程中n个时刻的电导率向量集合，由于不同时刻间气体浓度变化的差异，需要对集合A中的所有元素进行标准化后进入后续处理，对于向量，标准化结果为其减去均值再除以标准差：

步骤2.计算特征变换矩阵Wopt

对多类物质的多次采样进行LDA分析，设定特征库维数j，其中j＜m，一般是1或者2，便于图形化展示和后续处理，计算得到特征变换矩阵Wopt。

将每类样本向特征空间进行变换，获得样本聚类结果，存入特征数据库中。

6 目标气体检测流程

特征数据库构建完成后，可以开始对未知气体进行检测。

步骤1.每隔一个Δt时间间隔，传感器阵列产生一个电导率变化向量，与之前n-1个时刻采集的电导率变化向量合并成为A={A1,A2,…,An}，按5.1中的PCA方法，获得其第一主成分向量，并计算第一主成分得分p。

步骤3.将t′与特征数据库中样本类进行比较，计算t′与各类均值的距离是否小于已有样本聚类的分布直径，可以判断更接近哪一类气体。如果不在任何样本类中，判定不是特征数据库中已知气体。

7 结语

MEMS薄膜半导体气敏传感器阵列识别系统，将气敏传感器阵列与气体进样结构结合起来，集成为易燃易爆气液体挥发物检测设备，实现了对各类易燃易爆气液体挥发物进行检测。采用了主成分分析方法和传感器区分贡献率方法优化传感器阵列组合技术，构建了以主成分分析方法和线性判别式方法为识别特征的数据库，结合采样数据完成了易燃易爆物品分类识别。通过本设计，大大提高了易燃易爆气液体的检测效率，更提高了准确性，可广泛应用于人流密集区域，以保证人民的生命健康。