Применение нейронных сетей в задаче количественного анализа состава воздушной среды

Цель исследования: разработка методики генерации обучающих данных с целью обеспечения возможности использования метода искусственных нейронных сетей (ИНС) в газоаналитических системах. Рассматривается проблема повышения точности раздельного определения концентраций газов в многокомпонентных смесях в условиях колебания параметров окружающей среды. Повысить точность определения концентраций целевых газов предлагается за счет применения метода ИНС для совместной обработки сигналов датчиков.

Методы. Генерация обучающих данных для нейронной сети осуществлялась с помощью численного эксперимента и методов математического моделирования. Для оценки точности обучения было использовано среднеквадратическое отклонение (СКО) и рассчитывалась относительная погрешность. Обучение и исследование ИНС проводилось в среде MATLAB (приложение Neural Networks Toolbox). При разработке математических моделей датчиков газа опирались на теорию электрических цепей, электронную теорию хемосорбции и адсорбционную теорию гетерогенного катализа.

Результаты. Описана методика генерации обучающих наборов данных с использованием математических моделей газочувстительных датчиков. Предложенная методика обучения апробирована на конкретной задаче, в частности, разработано решающее устройство на основе ИНС для четырёхкомпонентного газоанализатора. Проведена оценка эффективности применения нейронных сетей для отстройки от взаимной перекрестной чувствительности датчиков.

Заключение. Предложена методика генерации обучающих данных с помощью имитационных моделей, позволяющая автоматизировать процесс обучения, исследования, выбора архитектуры и структуры ИНС и их тестирования. Проведена апробация метода. На основании анализа полученных погрешностей, сформулированы выводы об эффективности применения нейронных сетей для уменьшения погрешностей, вызванных перекрестной чувствительностью, при различных соотношениях концентраций основного и мешающего газов.

1. Metal Oxide Semi-Conductor Gas Sensors in Environmental Monitoring / F. George., L. M. Cavanagh, A. Afonja, R. Binions // Sensors. 2010. Р. 5469-5502

2. Measure of carbon dioxide using a gas sensor of a semiconductor type based on tin dioxide (SnO2) / H. Abderrahim, M. Berrebia, A. Hamou, H. Kherief, Y. Zanoun, K. Zenata // J. Mater. Environ. Sci. 2011. 2 (2). Р. 94-103

3. Белышева Т.В., Боговцева Л.П., Гутман Э.Е. Применение металлооксидных полупроводниковых гетеросистем для газового анализа // International Scientific Journal: for Alternative Energyand Ecology. 2004. №2. С.67-66.

4. Дрейзин В. Э., Брежнева Е. О., Бондарь О. Г. Устройство обработки сигналов многокомпонентного газо- анализатора // Приборы и Системы. Управление, контроль, диагностика. 2011. № 12. С. 43-48 .

5. Брежнева Е.О., Бондарь О.Г. Газоанализатор монооксида углерода и водорода // Известия Юго-Западного государственного университета. 2012. № 2-3. С. 67-70.

6. Томакова Р.А., Филист С.А., Яа З.До. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4-2 (43). С. 44-50.

7. Дашковский А.А., Примиский В.Ф. Математическое моделирование многокомпонентных газоаналитических измерений и анализ погрешностей // ВосточноЕвропейский журнал передовых технологий. 2005. № 6/2 (18). С. 108-111.

8. Дрейзин В. Э., Брежнева Е. О. Моделирование газочувствительных датчиков // Информационно-измерительные диагностические и управляющие системы. Диагностика-2011: материалы 2-ой Международной науч.-техн. конф. Курск, 2011. С. 53-59.

9. Bondar O. G., Brezhneva E. O., Pozdnyakov V. V. Methods and Algorithms for Control of a Thermocatalytic Hydrogen Sensor // Measurement Techniques. August, 2018. Vol.61. N 5. P.514-519.

10. Electro-thermal modeling of a microbridge gas sensor / R. P. Manginell, J. H. Smith, A. J. Ricco, R. C. Hughes, D. J. Moreno // Sandia National Laboratories, Albuguergue, NM87185-1080. 1997. Р. 360-371

11. Дрейзин В. Э., Брежнева Е.О., Бондарь О. Г. Моделирование каталитического датчика водорода // Известия Юго-Западного государственного университета. 2011. № 5(38). Ч. 1. С. 69-76.

12. Драздейл Д. Введение в динамику пожаров. М.: Стройиздат, 1990. 424 с.

13. Щеглов П.П., Шароварников А.Ф. Токсичные продукты термического разложения и горения полимерных материалов при пожаре. М.: ВИПТШ МВД России, 1992. 80 с.

14. Кошмаров Ю. А. Прогнозирование опасных факторов пожара в помещении. М.: Академия ГПС МВД России, 2000. 118 с.

15. Дрейзин В. Э., Брежнева Е. О. Сравнительный анализ характеристик промышленных газочувствительных датчиков // Датчики и системы. 2011. № 3. С. 68-78.16. Сазонов С.Ю., Титенко Е.А., Ханис Н.А. Подход к прогнозированию возникновения пожароопасной ситуации в дата-центре на основе нейронных сетей // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение, 2015. № 4 (17). С. 8-14.

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

17. Foresee F.D., Hagan M.T. Gaus-Newton approximation to Bayesian regularization. // Proceedings of the 1997 International Joint Conference on Neural Networks. 1997. Р. 1930-1935.

18. Дрейзин В.Э., Гримов А.А. Измерительный блок для нейтронного спектрометра реального времени с вычислительным восстановлением энергетических спектров с помощью нейронных сетей // Известия Юго-Западного государственного университета. 2012. № 2-3. С. 223-228.

19. Применение глубоких нейронных сетей в задаче получения карты глубины из двумерного изображения / Д.И. Михальченко, А.Г. Ивин, О.Ю. Сивченко, Е.А. Аксаментов // Известия Юго-Западного государственного университета. 2019; 23(3): 113-134. https://doi.org/10.21869/2223-1560-2019-23-3-113-134.