Двухмодульный нейросетевой способ обработки информации в газоаналитических системах

Цель работы. Снижение дополнительных погрешностей измерения концентраций газов в газоаналитических системах (ГС), вызванных чувствительностью полупроводниковых сенсоров к нецелевым компонентам газовых смесей, температуре и влажности окружающей среды. Разработать и апробировать двухмодульный нейросетевой способ обработки информации в ГС, позволяющий автоматизировать процессы генерации обучающих данных и поиска оптимальной структуры искусственных нейронных сетей (ИНС), снизить погрешности воспроизведения характеристик сенсоров, за счет замены их математических моделей нейросетевыми.
Методы: теория искусственных нейронных сетей, численные методы, методы имитационного моделирования. Для оценки эффективности предложенного решения рассчитывались относительная погрешность (d), среднеквадратическое отклонение (СКО), осуществлялось сравнение с аналогами.
Результаты. Исследован двухмодульный нейросетевой способ обработки информации в ГС. Методом численного моделирования проведены экспериментальные исследования по выбору оптимальных структур ИНС, объема и состава обучающих данных. В ходе экспериментальных исследований рассчитаны погрешности генерации обучающих данных с помощью ИНС (менее 5%) и определения концентраций детектируемых газов в условиях колебания параметров воздушной среды и состава газовой смеси (менее 4%).
Заключение. Предложен двухмодульный нейросетевой способ обработки информации, отличающийся применением двух последовательных модулей многослойных нейронных сетей для генерации обучающих данных и обработки информации, поступающей от сенсорного блока ГС. Применение вспомогательного модуля позволяет сжать исходные данные, унифицировать и автоматизировать процесс их генерации, а также повысить точность воспроизведения многопараметрических функций преобразования сенсоров, в сравнении с альтернативными способами. Представлены результаты экспериментальных исследований эффективности применения способа обработки информации для снижения дополнительных погрешностей количественного определения состава воздушной среды в условиях колебания параметров.

1. Ayodele B.V., Khan M.R., Nooruddin S.S. et al. Modelling and optimization of syngas production by methane dry reforming over samarium oxide supported cobalt catalyst: response surface methodology and artificial neural networks approach // Clean Techn Environ Policy. 2017. Vol. 19. P. 1181–1193.

2. Газовые сенсоры для измерений концентрации вредных веществ: особенности применения / В. М. Тележко, М. В. Тютчев, М. В. Аверьянова, А. Д. Паранин, Е. В. Хойна // Измерительная техника. 2021. №10. С. 65–71.

3. Tin dioxide nanoparticles with high sensitivity and selectivity for gas sensors at subppm level of hydrogen gas detection / XT. Yin, WD. Zhou, J. Li et al. // J Mater Sci: Mater Electron. 2019. Vol. 30. P. 14687–14694.

4. Light enhanced room temperature resistive NO2 sensor based on a gold-loaded organic–inorganic hybrid perovskite incorporating tin dioxide / Y. Chen, X. Zhang, Z. Liu et al. // Microchim Acta. 2019. Vol. 47.

5. Cerium-doped SnO2 nanomaterials with enhanced gas-sensitive properties for adsorption semiconductor sensors intended to detect low H2 concentrations / G. Fedorenko, L. Oleksenko, N. Maksymovych et al. // J Mater Sci. 2020. Vol. 55. P. 16612–16624.

6. Oleksenko L.P., Maksymovych N.P. Sensors for CO Based on Semiconductor Nanomaterials Pd/SnO2 // Theor Exp Chem. 2019. Vol. 55. P. 201–206.

7. Bondar O. G., Brezhneva E. O., Pozdnyakov V. V. Methods and Algorithms for Control of a Thermocatalytic Hydrogen Sensor // Measurement Techniques, 2018. Vol. 61. № 5. P. 514-519.

8. Анисимов О.В. Исследование отклика тонкопленочного сенсора на основе оксида олова в импульсном режиме для различных газов // Известия вузов. Физика. 2006. №3. С. 186-187.

9. Khaldi S., Dibi Z. Neural Network Technique for Electronic Nose Based on High Sensitivity Sensors Array // Sens Imaging. 2019. Vol. 15.

10. Анищенко Ю.В., Гусельников М.Э. Контроль аварийных выбросов в атмосферу // Известия Самарского научного центра Российской академии наук. Специальный выпуск «Безопасность. Технологии. Управление». 2009. С.9-14.

11. Гусельников М.Э., Кротова Ю.В. Разработка полупроводникового газоанализатора // Безопасность жизнедеятельности. 2008. №1. C. 50-52.

12. Кавалеров Б.В., Бахирев И.В., Килин Г.А. Использование нейронных сетей для управления газотурбинными установками малой и средней мощности // Российская электротехника. 2019. №90. С. 737–740.

13. Cao X., Suganthan P.N. Video shot motion characterization based on hierarchical overlapped growing neural gas networks // Multimedia Systems. 2003. Vol. 9. P. 378–385.

14. Three-day forecasting of greenhouse gas CH4 in the atmosphere of the Arctic Belyy Island using discrete wavelet transform and artificial neural networks / A. Rakhmatova, A. Sergeev, A. Shichkin et al. // Neural Comput & Applic. 2021. Vol. 33. P. 10311–10322.

15. Cretu AM., Chagnon-Forget M., Payeur P. Selectively densified 3D object modeling based on regions of interest detection using neural gas networks // Soft Comput. 2017. Vol. 21. P. 5443–5455.

16. Марковников Н. М., Кипяткова И. С. Аналитический обзор интегральных систем распознавания речи // Тр. СПИИРАН. 2018. № 58. С. 77–110.

17. Воевода А.А., Романников Д.О. Синтез нейронной сети для решения логико-арифметических задач // Тр. СПИИРАН. 2018. № 58. С. 77–110.

18. Winkler D.A. Neural networks as robust tools in drug lead discovery and development //Mol Biotechnol. 2004. Vol. 27. P. 139–167.

19. Wang X., Cao W. Non-iterative approaches in training feed-forward neural networks and their applications // Soft Comput. 2018. Vol. 22. P. 3473–3476.

20. Wójcik P.I., Kurdziel M. Training neural networks on high-dimensional data using random projection // Pattern Anal Applic. 2019. Vol. 22. P. 1221–1231.

21. Брежнева Е.О. Многофакторное моделирование функции преобразования металлооксидных датчиков СО // Датчики и Системы. 2012. №4. С.64-69.

22. Swingler K. Applying neural networks: A practical guide. London: Academic Press, 1996. 345 р.

23. Drägerwerk AG & Co. KGaA: официальный сайт. URL: https://www.draeger.com/ru_ru/Safety/Portable-Gas-Detectors (дата обращения: 20.12.2021)