气体浓度检测方法、系统、计算机设备及存储介质与流程

本申请涉及气敏传感技术领域，特别是涉及一种气体浓度检测方法、系统、计算机设备及存储介质。

背景技术：

气敏传感器可以用于检测空气中特定一种或者多种气体的浓度，这样人们可以根据环境中某一种或者多种气体的浓度判断环境中的空气质量。

现有技术中，检测气体浓度的方法是：对气敏传感器进行上电加热，当温度达到气敏传感器上涂覆的气敏材料的最佳工作温度后，采集气敏传感器输出的电压数据，根据气敏传感器输出的电压数据确定被测气体的浓度。

然而，上述检测方法中，气敏传感器的温度从常温加热到气敏材料的最佳工作温度的过程耗时较长，且功耗较大。

技术实现要素：

基于此，有必要针对现有的检测方法存在的耗时长、功耗大的问题，提供一种气体浓度检测方法、系统、计算机设备及存储介质。

一种气体浓度检测方法，应用于气敏传感器中，气敏传感器包括加热电极和气敏材料，加热电极用于对气敏材料进行加热，该方法包括：

利用脉冲电压驱动加热电极对气敏材料加热，获取在脉冲电压的脉冲宽度中气敏传感器输出的电压数据，得到电压数组；

将电压数组输入至目标气敏数据分析模型中，得到目标气敏数据分析模型输出的气敏传感器的阻抗；

根据气敏传感器的阻抗确定待检测气体的浓度。

在本申请的一个实施例中，将电压数组输入至目标气敏数据分析模型中之前，该方法还包括：

获取训练样本集合，训练样本集合包括由不同的电压数组和与电压数组对应的气敏传感器的阻抗组成的若干组样本；

根据训练样本集合，训练初始神经网络模型，得到目标气敏数据分析模型。

在本申请的一个实施例中，将电压数组输入至目标气敏数据分析模型中之前，包括：

获取气敏传感器的规格；

根据气敏传感器的规格从目标气敏数据分析模型组中确定目标气敏数据分析模型，气敏分析模型组中包括多种气敏数据分析模型。

在本申请的一个实施例中，将电压数组输入至目标气敏数据分析模型中之前，该方法还包括：

对电压数组进行归一化预处理。

在本申请的一个实施例中，气敏传感器还包括测试电极，测试电极与加热电极相连，气敏材料涂覆在测试电极的表面，气敏材料为金属氧化物。

在本申请的一个实施例中，加热电极为采用微纳加工工艺制备的微加热电极。

在本申请的一个实施例中，脉冲电压的脉冲宽度大于0.1s，小于等于20s。

一种气体浓度检测系统，应用于气敏传感器中，气敏传感器包括加热电极和气敏材料，加热电极用于对气敏材料进行加热，该系统包括：

获取模块，用于利用脉冲电压驱动加热电极对气敏材料加热，获取在脉冲电压的脉冲宽度中气敏传感器输出的电压数据，得到电压数组；

分析模块，用于将电压数组输入至目标气敏数据分析模型中，得到目标气敏数据分析模型输出的气敏传感器的阻抗；

检测模块，用于根据气敏传感器的阻抗确定待检测气体的浓度。

一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该计算机程序被该处理器执行时实现以下步骤：

利用脉冲电压驱动加热电极对气敏材料加热，获取在脉冲电压的脉冲宽度中气敏传感器输出的电压数据，得到电压数组；

将电压数组输入至目标气敏数据分析模型中，得到目标气敏数据分析模型输出的气敏传感器的阻抗；

根据气敏传感器的阻抗确定待检测气体的浓度。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

利用脉冲电压驱动加热电极对气敏材料加热，获取在脉冲电压的脉冲宽度中气敏传感器输出的电压数据，得到电压数组；

将电压数组输入至目标气敏数据分析模型中，得到目标气敏数据分析模型输出的气敏传感器的阻抗；

根据气敏传感器的阻抗确定待检测气体的浓度。

本申请实施例提供的技术方案带来的有益效果至少包括：

上述气体浓度检测方法、系统、计算机设备及存储介质，可以提高速度减少功耗。该气体浓度检测方法，应用于气敏传感器中，气敏传感器包括加热电极和气敏材料，加热电极用于对气敏材料进行加热。具体的，利用脉冲电压驱动加热电极对气敏材料加热，采集在脉冲电压的脉冲宽度中气敏传感器输出的电压数据，得到电压数组。将电压数组输入至目标气敏数据分析模型中，得到目标气敏数据分析模型输出的气敏传感器的阻抗。根据气敏传感器的阻抗确定待检测气体的浓度。本实施例中，通过采集在脉冲电压的脉冲持续期内气敏传感器输出的电压数据，然后对电压数据通过目标气敏数据分析模型进行处理，得到气敏传感器的阻抗，进而确定待检测气体的浓度。其中，在施加脉冲电压时，就可以采集数据。而不需要等到热敏材料达到最佳工作温度后再采集数据。因此，相比于传统直流电压加热方式的气敏传感器缩短了气敏材料从常温升高至最佳工作温度这个过程所耗费的时间，功耗低，响应速度快。并且本实施例中，通过目标气敏数据分析模型对采集到的电压数据进行深度学习提高了气体浓度的检测准确率，相比于一般的脉冲电压加热方式的气敏传感器准确率更高。

附图说明

图1为本申请实施例提供的气体浓度检测方法的实施环境的示意图；

图2为本申请实施例提供的一种气体浓度检测方法的流程图；

图3为本申请实施例提供的脉冲电压的示意图；

图4为本申请实施例提供的气敏传感器输出的电压信号的示意图；

图5为本申请实施例提供的采样得到的电压数组的示意图；

图6为本申请实施例提供的初始神经网络模型的框架图；

图7为本申请实施例提供的训练过程中的对比示意图；

图8为本申请实施例提供的对气敏数据分析模型的验证过程示意图；

图9为本申请实施例提供的另一种气体浓度检测方法的流程图；

图10为本申请实施例提供的一种气体浓度检测系统的模块图；

图11为本申请实施例提供的一种计算机设备的模块图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

气敏传感技术可以用于检测空气中特定一种或者多种气体的浓度，这样人们可以根据环境中某一种或者多种气体的浓度判断环境中的空气质量。因此，气敏传感技术在人们日常生活、工业生产以及科研活动等应用领域具有重要作用。例如可以检测威胁人们生活健康的甲醛，苯系物和其他一些挥发性有机物等。在工业生产以及科研活动等领域可以用于检测环境中有毒气体浓度，从而预判是否存在有毒气体泄漏的情况发生。

现有技术中，利用气敏传感技术检测待测气体浓度的方法是：对气敏传感器进行上电加热，当温度达到气敏传感器上涂覆的气敏材料的最佳工作温度后，采集气敏传感器输出的电压数据，根据气敏传感器输出的电压数据确定被测气体的浓度。

虽然加热电极可以提高气敏材料的工作性能，但是气敏材料从常温加热到最佳工作温度的过程中，需要花费较长的时间，并且，加热过程中的功耗较大。并且，当气敏材料的温度到达最佳工作温度后，仍需要保持气敏材料一直处于该最佳工作温度，才可以采集到准确的数据，也就是说，在整个数据采集过程中，加热电极也需要保持在持续加热状态，因此功耗更大。

目前一些研究机构提出使用机器学习的方式分析气敏传感信号，如“利用前馈神经网络进行气体定性分析”(仪器仪表学报，2000，467:471-473)将信号处理后的结果用于定性识别气氛中是否存在某种特定气体，然而该工作仅仅是早期关于气敏检测的定性分析，无法定量分析检测气体的浓度；来自“improvinggasidentificationaccuracyofatemperature-modulatedgassensorusinganensembleofclassifiers(中文译文：利用集成分类器提高温度调制型气体传感器的气体识别精度)”(sensorsandactuatorsb:chemical,2013,187:241-246.)(中文译文：传感器和执行器b:化学，2013,187:241-246)这篇文献的工作主要通过调节加热脉冲幅值调节气敏传感器衬底温度，将气敏传感器衬底温度加热至最佳工作温度，将气敏传感器在最佳工作温度下的输出的电压数据输入支持向量机(svm)算法中进行气敏分析，虽然该方案采用了脉冲电压进行加热，但是其过程是利用脉冲电压将气敏传感器从常温加热到最佳工作温度，然后对气敏传感器输出的电压数据进行处理，从而定性分析待测气体的种类。一方面该方法中的加热过程依然需要花费较长时间。另一方面，该方法不能实现对待测气体的浓度进行定量测量。

本申请提出一种气体浓度检测方法，可以提高速度减少功耗。该方法中，通过采集在脉冲电压的脉冲持续期内气敏传感器输出的电压数据，然后对电压数据通过目标气敏数据分析模型进行处理，得到气敏传感器的阻抗，进而确定待检测气体的浓度。由此可知，本实施例中，在脉冲电压的一个脉冲持续期的时长内采集气敏传感器输出的电压数据，不需要等到热敏材料达到最佳工作温度后再采集数据。因此，缩短了气敏材料从常温升高至最佳工作温度这个过程所耗费的时长。相应的，也降低了对气敏材料加热过程中的功耗。

下面，将对本申请实施例提供的气体浓度检测方法所涉及到的实施环境进行简要说明。

请参考图1，该实施环境可以包括气敏传感器和计算机设备(图中未示出)，气敏传感器包括测试电极102和加热电极101，在工作情况下，加热电极101的两端存在脉冲电压，利用脉冲电压驱动加热电极101，使得加热电极101进行加热。测试电极102是用于承载气敏材料的电极。

可选的，测试电极102为插指形状，测试电极102在非工作状态下处于断路状态。测试电极102上涂覆气敏材料后，且气敏材料处于常温状态时，测试电极102的阻抗非常高。当气敏材料的温度升高，并且气敏材料感应到待检测气体的情况下，测试电极102两端的阻抗会迅速降低。

本实施例中，气敏传感器还包括负载电阻(图中未示出)，负载电阻与测试电极102串联后，与直流电源连接。在非工作状态，测试电极102处于断路状态，该串联电路断开。而在工作状态，测试电极102导通，该串联电路导通，可以测量负载电阻在该串联电路中所分得的电压数据，该负载电阻所分得的电压数据即为需要采集的电压数据。

气敏传感器还包括信号采集设备，信号采集设备用于采集负载电阻的电压信号采集设备与计算机设备相连，用于接收计算机设备发送的采集指令，信号采集设备接收到采集指令后，对气敏传感器输出的电压信号进行数据采集。具体的，由于随着气敏材料的温度升高，测试电极的阻抗迅速降低，串联电路中的总电阻发生变化，因此，负载电阻所分得的电压数据也处于连续变化状态。本实施例中，信号采集设备可以对该处于连续变化状态的电压数据进行数据采集，得到多个离散的电压数据组成的电压数组。

计算机设备中预先存储有目标气敏数据分析模型，计算机设备可以获取信号采集设备采集到的电压数组，并将电压数组中的电压数据按照时序顺序输入至目标气敏数据分析模型，目标气敏数据分析模型可以输出对应于输入的电压数组的气敏传感器的阻抗，并根据气敏传感器的阻抗确定待检测气体的浓度。

请参考图2，其示出了本申请实施例提供的一种气体浓度检测方法的流程图，该气体浓度检测方法可以应用于图1所示实施环境中的气敏传感器中，该气敏传感器包括加热电极和气敏材料，加热电极用于对气敏材料进行加热，如图2所示，该气体浓度检测方法可以包括以下步骤：

步骤201，计算机设备利用脉冲电压驱动加热电极对气敏材料加热，获取在脉冲电压的脉冲宽度中气敏传感器输出的电压数据，得到电压数组。

在对待测气体的浓度进行检测时，计算机设备可以向气敏传感器发送加热指令，加热电极接收到加热指令后，通过脉冲电路给加热电极施加脉冲电压对气敏传感器进行加热。本实施例中，如图3所示，脉冲电压一般包括上升沿、下降沿以及上升沿和下降沿之间的处于高电平状态的脉冲宽度。其中，上升沿表示脉冲电压的起始时间点，下降沿表示脉冲电压的结束时间点，脉冲宽度表示脉冲持续时长。图3中的在脉冲宽度中的上升的曲线为气敏传感器输出的电压信号。本实施例中，脉冲持续时长与采集气敏传感器输出的电压数据的采样时长相等。

本实施例中，气敏传感器输出的电压信号为连续的模拟信号，如图4所示，其示出了在脉冲加热过程中，气敏传感器输出的电压信号的示意图，横轴表示时间，每单位时间为0.01s。纵轴表示电压。计算机设备还可以向信号采集设备发送采集指令，信号采集设备接收到采集指令后，可以按照预先设定好的采样频率对图3中示出的脉冲持续时长内的气敏传感器输出的电压信号进行采样，得到气敏传感器输出的电压数据。可选的，对电压信号进行离散采样后可以得到电压数组，电压数组中包括多个离散的电压数据，如图5所示，可以采样的时间序列和采样得到的电压数据序列映射到的坐标系中，该坐标系中，x轴是将1s的采样时间划分为100份，每份代表的时长为0.01s，y轴是将电压信号归一化后划分到100格中，采样得到的电压数据可以在y轴找到对应的数值。

本实施例中，对一个脉冲电压的脉冲宽度对应的脉冲持续时长内的电压信号按照预设采样频率采样后，得到的多个离散的电压数据组成一个电压数组。

本实施例中，信号采集设备可以将采集到的电压数组自动上传给计算机设备，这样计算机设备就可以获取电压数组。

步骤202，将电压数组输入至目标气敏数据分析模型中，得到目标气敏数据分析模型输出的气敏传感器的阻抗。

可选的，该电压数组中的电压数据具有时序上的先后顺序。将电压数组输入至目标气敏数据分析模型中时，是按照电压数组中的电压数据的时序输入的。

可选的，目标气敏数据分析模型可以是神经网络模型、支持向量机模型、极限学习模型等。

本实施例中，由于电压数组是在脉冲电压的脉冲持续期内采集到的电压数据，而在脉冲持续期内，一方面加热电极加热时长较短，因此，气敏材料可能并不能达到最佳工作温度。而当气敏材料未达到最佳工作温度时，说明气敏传感器输出的电压数据仍处于变化状态。本实施例中仅对脉冲持续期内的电压信号进行采样，说明采样的对象不完整，因此，采用现有技术中的方案，直接根据电压数据求取取气敏传感器的阻抗的话，得到的气敏传感器的阻抗是不准确的。基于此，本实施例提出通过软件算法，将采集到的电压数组中的电压数据映射到气敏传感器的阻抗，并在此过程中对采集到的电压数组的精度不足的问题进行补偿，从而确保采用本技术方案检测出的气体浓度是准确的。

可选的，在将电压数组输入至目标气敏数据分析模型中之前，本实施例还可以包括获取该目标气敏数据分析模型的步骤：

一种可选的实现方式是，训练目标气敏数据分析模型，包括以下步骤：

步骤a1，获取训练样本集合。

其中，训练样本集合包括由不同的电压数组和与电压数组对应的气敏传感器的阻抗组成的若干组样本。

本实施例中，获取训练样本集的过程可以是：

在气体浓度稳定的气敏检测设备中放置两个气敏传感器，例如气敏传感器a和气敏传感器b，其中，气敏传感器a为本实施例中提出的利用脉冲电压加热的气敏传感器。气敏传感器b为标准气敏传感器，用气敏传感器b测量出的气敏传感器的阻抗作为标准的气敏传感器的阻抗，以便于对气敏传感器a检测到的电压数组对应的阻抗进行训练校正。

计算机设备分别向气敏传感器a和气敏传感器b发出加热指令，气敏传感器a中，在脉冲电压的脉冲持续期内采集电压数据。其中，可以对气敏传感器a加载多次脉冲电压，获取每一次的脉冲电压的脉冲持续期内的电压数组。需要说明的是，相邻两次脉冲电压之间具有间隔时长，该间隔时长的长度可以是不固定的，但每次加载脉冲电压时，气敏传感器a的气敏材料需要处于常温状态。

可选的，在气体浓度不变的情况下，每一次加载脉冲电压，可以获得一个电压数组。

进一步的，可以通过阀门等控制设备缓慢降低气体浓度，将气体浓度降低至预设浓度后，在预设浓度下，多次加载脉冲电压，并获得多个电压数组。以此类推，缓慢降低气体浓度，并获取到多个电压数组。

另一方面，气敏传感器b，通过直流加热电阻加热，当气敏传感器b的气敏材料达到最佳工作温度时，采集气敏传感器b输出的电压数据，并根据该电压数据计算得到气敏传感器b的阻抗。

在缓慢降低气体浓度时，在每个预设浓度下，获取气敏传感器b的阻抗。

在每个预设浓度下，气敏传感器b的阻抗作为气敏传感器a在该预设浓度下检测到的电压数组对应的准确的气敏传感器的阻抗。

本实施例中，通过不同的电压数组以及各电压数组对应的气敏传感器的阻抗组成若干组样本。

步骤a2，根据训练样本集合，训练初始神经网络模型，得到目标气敏数据分析模型。

如图6所示，其示出了初始神经网络模型的框架图。本实施例中，初始神经网络模型是一个标准的全链接层网络结构，第一层和最后一层分别为训练数据输入层或训练结果输出层，而中间的隐藏层的数量为3-5层，每层有100-1000个神经元。

进一步的，本实施例中，在采集到足够多的数据后，随机挑选部分数据组合得到测试样本集合，测试样本集合包括由不同的电压数组和与电压数组对应的气敏传感器的阻抗组成的若干组样本。测试样本集合中的样本不参与训练过程。当采用训练样本集训练好模型后，采用测试样本集合对训练好的模型进行预测。从而判断预测数据与实际数据之间的差距。

其中，图7示出了在训练过程中训练样本集合与测试样本集合的损失函数在逐渐降低，其中，1表示训练样本集对应的损失曲线，2表示测试样本集对应的损失曲线，这意味着训练模型在训练过程中逐渐的靠近正确的模型，最终稳定在正确模型范围内。图8示出了预测数据和实际数据之间的差距，其中，3表示实际数据对应的曲线，实际数据检测出来的准确的气体浓度，4表示预测数据对应的曲线，预测数据为气体数据分析模型输出的气体浓度。其中，横坐标代表预测数据的个数，即表示要预测的是第几个数据；纵坐标代表的是气体浓度浓度。当预测数据和实际数据之间的差距小于差距阈值时，则认为模型已经训练完成，即得到目标气敏数据分析模型。

需要说明的是，本实施例中，在获取训练样本集时所采用的气敏传感器的生产规格决定了气敏传感数据分析模型的应用对象。即与获取训练样本集时所采用的气敏传感器的生产规格相同的气敏传感器，才可以采用该目标气敏数据分析模型对电压数组进行预测。

另一种可选的实现方式中，可以针对不同规格的气敏传感器，采用上述步骤a1和步骤a2所公开的内容针对不同规格的气敏传感器，训练得到不同的气敏数据分析模型。

将该多个不同的气敏数据分析模型以气敏数据分析模型组的形式存储在计算机设备中。气敏数据分析模型组中还存储有每一种气敏数据分析模型对应的气敏传感器的规格。

可以获取正在进行气体浓度检测的气敏传感器的规格。

然后在气敏数据分析模型组中查找该气敏传感器的规格所对应的气敏数据分析模型，将该气敏传感器的规格所对应的气敏数据分析模型确定为目标气敏数据分析模型。

步骤203，根据气敏传感器的阻抗确定待检测气体的浓度。

气敏传感器的阻抗即气敏传感器中的检测电机的阻抗。

通过获取负载电阻两端的电压数据，计算负载电阻的电流，从而计算出与负载电阻串联的检测电极的阻抗。检测电极的阻抗与待检测气体的浓度成比例关系。

因此，可以通过气敏传感器的阻抗以及检测电极的阻抗与待检测气体的浓度之间的比例关系计算出待检测气体的浓度。

本实施例中的气体浓度检测方法，通过采集在脉冲电压的脉冲持续期内气敏传感器输出的电压数据，然后对电压数据通过目标气敏数据分析模型进行处理，得到气敏传感器的阻抗，进而确定待检测气体的浓度。由此可知，本实施例中，在脉冲电压的一个脉冲持续期的时长内采集气敏传感器输出的电压数据，不需要等到热敏材料达到最佳工作温度后再采集数据。因此，缩短了气敏材料从常温升高至最佳工作温度这个过程所耗费的时长。相应的，也降低了对气敏材料加热过程中的功耗。

在一种可选的实现方式中，如图9所示，其示出了一种气体浓度检测方法，该方法包括以下步骤：

步骤901，利用脉冲电压驱动加热电极对气敏材料加热，获取在脉冲电压的脉冲宽度中气敏传感器输出的电压数据，得到电压数组。

本实施例中，可以参考步骤201公开的内容，在此不做赘述。

步骤902，对电压数组进行归一化预处理。

对电压数组中按照时序排列的电压数据进行归一化预处理的过程可以包括以下内容：

根据电压数组中的电压数据拟合出一条电压曲线。

根据电压数组建立一个二维坐标系，x轴为时间，y轴为电压数据。在该坐标系中拟合出一条电压曲线。

计算电压数组中的各电压数据到该电压曲线的垂直距离。

在该二维坐标系中，对于每个电压数据所对应的点，在电压曲线上查找到一个切点，该电压数据到对应切点之间的距离为最短距离，计算出该电压数据对应的最短距离。

对于每个电压数据所对应的最短距离，判断该最短距离是否小于距离阈值，当小于距离阈值时，保留该电压数据。当最短距离大于等于距离阈值时，舍弃该电压数据。

这样可以保证所有的电压数据均处于该电压曲线附近一定范围内，从而保证电压数组中的电压数据的线性规律。

步骤903，将电压数组输入至目标气敏数据分析模型中，得到目标气敏数据分析模型输出的气敏传感器的阻抗。

可以参考步骤202公开的内容，在此不做赘述。

步骤904，根据气敏传感器的阻抗确定待检测气体的浓度。

可以参考步骤203公开的内容，在此不做赘述。

本实施例，通过对电压数组中的电压数据进行归一化处理，使得电压数组中的电压数据的特征更加清晰，从而有利于其在目标气敏数据分析模型中进行数据分析和映射，从而提高检测出来的气体浓度的准确度。

在本申请的一个实施例中，气敏传感器还包括测试电极，测试电极与加热电极相连，气敏材料涂覆在测试电极的表面，气敏材料为金属氧化物。

以金属氧化物为气敏材料的气敏传感器具有成本低廉，制作简单，灵敏度高，寿命长和对湿度敏感度低等优势。

可选的，本实施例中，加热电极为采用微纳加工工艺制备的微加热电极。

采用微纳加工工艺制备的微加热电极，具有加热速度快，效率高的特点。并且通过控制微加热电极的幅值可以快速地提高气敏材料的温度。

本实施例中，基于微纳加工工艺制备的微加热电极，可以控制加热电极的脉冲电压的脉冲宽度低于20s。进一步的，脉冲电压的脉冲宽度最低可达到0.1s。也就是说，本实施例中，脉冲电压在脉冲持续时长在[0.1s,20s]的范围内时，就可以使得涂覆有气敏材料的测试电极的阻抗产生较大的变化，从而可以采集电压数据。目前，根据已公开的现有文献或者专利，采用直流加热电阻加热的气敏传感器的响应时长均比较长，暂未出现响应时长在[0.1s,20s]的范围内技术。

本实施例中，最快仅需要0.1s的脉冲持续时长即可完成数据采集分析，所产生的功耗也仅是在该0.1s的脉冲持续时长内产生的功耗。相比于现有技术中直流加热的气敏传感器，降低了至少30-50倍功耗。因此，本气体浓度检测方法具有超低功耗，快速响应的特点。

请参考图10，其示出了本申请实施例提供的一种气体浓度检测系统的框图，该气体浓度检测系统可以配置在实施环境中的计算机设备中。该气体浓度检测系统应用于气敏传感器中，气敏传感器包括加热电极和气敏材料，加热电极用于对气敏材料进行加热，如图10所示，该气体浓度检测系统可以包括获取模块1001、分析模块1002和检测模块1003。

获取模块1001，用于利用脉冲电压驱动加热电极对气敏材料加热，获取在脉冲电压的脉冲宽度中气敏传感器输出的电压数据，得到电压数组；

分析模块1002，用于将电压数组输入至目标气敏数据分析模型中，得到目标气敏数据分析模型输出的气敏传感器的阻抗；

检测模块1003，用于根据气敏传感器的阻抗确定待检测气体的浓度。

在本申请的一个实施例中，分析模块1002还用于获取训练样本集合，训练样本集合包括由不同的电压数组和与电压数组对应的气敏传感器的阻抗组成的若干组样本；根据训练样本集合，训练初始神经网络模型，得到目标气敏数据分析模型。

在本申请的一个实施例中，分析模块1002还用于获取气敏传感器的规格；根据气敏传感器的规格从气敏数据分析模型组中确定目标气敏数据分析模型，气敏分析模型组中包括多种气敏数据分析模型。

在本申请的一个实施例中，分析模块1002还用于对电压数组进行归一化预处理。

在本申请的一个实施例中，气敏传感器还包括测试电极，测试电极与加热电极相连，气敏材料涂覆在测试电极的表面，气敏材料为金属氧化物。

在本申请的一个实施例中，加热电极为采用微纳加工工艺制备的微加热电极。

在本申请的一个实施例中，脉冲电压的脉冲宽度大于0.1s，小于等于20s。

关于气体浓度检测系统的具体限定可以参见上文中对于气体浓度检测方法的限定，在此不再赘述。上述气体浓度检测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在本申请的一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该数据库可以用于存储目标气敏数据分析模型，该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种气体浓度检测方法。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在本申请的一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

利用脉冲电压驱动加热电极对气敏材料加热，获取在脉冲电压的脉冲宽度中气敏传感器输出的电压数据，得到电压数组；将电压数组输入至目标气敏数据分析模型中，得到目标气敏数据分析模型输出的气敏传感器的阻抗；根据气敏传感器的阻抗确定待检测气体的浓度。

在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练样本集合，训练样本集合包括由不同的电压数组和与电压数组对应的气敏传感器的阻抗组成的若干组样本；根据训练样本集合，训练初始神经网络模型，得到目标气敏数据分析模型。

在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：获取气敏传感器的规格；根据气敏传感器的规格从气敏数据分析模型组中确定目标气敏数据分析模型，气敏分析模型组中包括多种气敏数据分析模型。

在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：对电压数组进行归一化预处理。

本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在本申请的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

利用脉冲电压驱动加热电极对气敏材料加热，获取在脉冲电压的脉冲宽度中气敏传感器输出的电压数据，得到电压数组；将电压数组输入至目标气敏数据分析模型中，得到目标气敏数据分析模型输出的气敏传感器的阻抗；根据气敏传感器的阻抗确定待检测气体的浓度。

在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：获取训练样本集合，训练样本集合包括由不同的电压数组和与电压数组对应的气敏传感器的阻抗组成的若干组样本；根据训练样本集合，训练初始神经网络模型，得到目标气敏数据分析模型。

在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：获取气敏传感器的规格；根据气敏传感器的规格从气敏数据分析模型组中确定目标气敏数据分析模型，气敏分析模型组中包括多种气敏数据分析模型。

在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：对电压数组进行归一化预处理。

本申请实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。