关键词：
电子鼻
气体传感器
可燃气体识别
模式识别
卷积神经网络
物联网
摘要：
可燃气体对人体健康和安全的重大威胁,尤其是厨房内潜在的可燃性气体,引起了人们的广泛关注。为了对社区内潜在的可燃气体危险源做到快速、精准的在线监测与预警,本文研制了一种社区可燃气体危险源检测系统,利用气体传感器阵列结合识别算法的电子鼻技术在厨房内潜在的可燃性气体进行检测,其功能结构主要由三个部分组成:气体传感器阵列、远距离无线传输模块以及配套的物联网平台和模式识别算法。其中气体传感器阵列由6个半导体金属氧化物（Metal-Oxide Semiconductor,MOS）型传感器构成,对目标气体进行检测。采用低功耗的窄带物联网（Narrow Band Internet of Things,NB-Io T）模块实现远距离无线传输,将传感器节点采集到的数据传输到物联网平台。由物联网平台实现各个节点的实时动态管理,并将节点数据存储到数据库用于数据的统一融合分析。通过构建社区燃气全天候监测与预警平台,实现社区燃气泄漏等危险情况的快速响应、识别与报警。常见的可燃气体检测主要是对某一种或者几种特定的可燃气体进行单独检测识别,但实际的生活中往往是在其他干扰气体存在的情况下进行检测和预警,这对可燃气体的分类检测带来很大挑战。如何通过研究新的算法模型去提高电子鼻系统的识别准确率和抗干扰能力,是实现现场可燃气体检测的关键。本文在优化设计了可燃气体现场检测电子鼻系统的基础上,提出了一种基于格拉姆角场算法的深度卷积神经网络（Deep Convolutional Neural Network,DCNN）进行可燃气体分级检测的算法,利用了残差网络（Residual Network,Res Net）在构建深层次网络的同时提高网络准确率的特性。将典型的可燃气体CO、CH4作为目标检测气体,H2和CH2O作为干扰气体来模拟实际场合可燃气体检测时的干扰环境。通过模拟实际场合不同的可燃气体及干扰气体的检测和识别。实验结果表明,针对可燃气体CO和CH4的浓度等级分级检测,本文提出的方法在干扰气体存在下的检测准确率分别可以达到94.04%和93.43%。通过与其他识别算法进行了比较分析,结果表明,基于格拉姆角场的深度残差卷积神经网络模型具有较高的抗干扰能力和检测准确性,为社区气体危险源探测提供了一种有效的检测手段。本论文的主要创新性工作内容如下:1.优化现有电子鼻检测系统,提高了电子鼻气体传感器阵列的响应灵敏度和增加了一定的抗干扰能力。本文改进和优化设计了电子鼻检测系统,构建了一个稳定的检测环境,减少外界环境干扰,确保气体浓度检测准确,设计了一个可以密封于电路板上的小型化气室,通过3D打印制造,尽可能地填充了传感器底部的无效空间,控制气流的流向。使用Solidworks软件的Flow Xpress对流体进行仿真设计,结果表明,优化设计后的电子鼻气室可以引导气流按指定路线通过气室,增加了气体与传感器敏感材料的接触面积和时间,提高了电子鼻传感器阵列的响应灵敏度和一定的抗干扰能力。2.提出了一种格拉姆角场结合卷积神经网络的气体分类识别算法,提高了混合气体危险源的识别准确度。本文设计了一种将格拉姆角场与深度残差卷积神经网络相结合的气体分类识别算法,提高混合气体危险源的种类识别准确度。该算法通过对气体样本的每行数据都进行格拉姆角场（Graham Angle Field,GAF）变换,使得上位机接收到的二维传感器原始响应数据升维到可以输入到DCNN中去的三维数据形式。利用了DCNN特征提取能力强、模型收敛快和识别准确率高等优势。为了利用深层次网络结构的深度卷积网络对模型进行训练,本文在借鉴了Res Net网络结构的基础上,提出了一种将GAF变换算法和深度残差卷积神经网络相结合的网络结构GAF+GAF＿Res Net。该算法在干扰气体存在下的情况下,对CO和CH4的浓度等级分级检测准确率分别达到94.04%和93.43%,具备抗干扰性和检测准确性。3.提出了一种基于远距离无线传输的社区气体危险源物联网监控平台设计方法,实现了对于远程传感器节点的实时监控管理。本文提出了一种基于远距离无线传输的社区气体危险源物联网监控平台设计方法。通过在电子鼻检测系统上加入一个物联网模块ME3616,该模块在支持NB-Io T通信标准和包括TCP/UDP、MQTT和Co AP在内的多种网络协议的同时,还可以通过其集成的全球导航卫星系统（Global Navigation Satellite System,GNSS）来完成传感器节点精确快速的定位,完成传感器节点设备与One NET物联网（Internet of Things,Io T）平台之间的通信,由物联网平台实现各个节点的设备连接、数据可视化监控和数据存储等功能,从而使得传感器设备采集得到的数据能够被实时地传输和保存到云端,从而为后续的社区气体危险源研
