一种基于图神经网络的温度可调型混合气体识别系统的制作方法

1.本发明属于气体传感器和机器学习领域，具体涉各种实际应用条件下混合气体中所有气体的检测和识别。


背景技术：

2.现实生活中存在许多场景需要对混合气体进行精确识别，在工业环境中，一些排放气体存在有毒气体，因为这些这些气体中有些无色无味，有些含量低微，仅凭人类的嗅觉难以识别，另外，在食品检测中，通过对特定气体的识别，即可以判断食品是否放坏变质，保障食用安全，还可以判定茶叶、酒水的质量状态，有效区分其优劣水平，因此，对于此类气体的检测和识别很有必要。
3.现有气体检测仪一般是通过光谱分析确定气体中分子或原子质量比例进而有效识别气体，但此种设备造价昂贵，工业或生活实际应用中投入成本高，部分工业或生活环境中无力批量购买，特别是工业环境，不能实现全范围检测和报警，难以保障工作人员安全，还有基于传感器阵列的电子鼻系统，此种设备对传感器数量有一定要求，存在耗材多，体积大，可集成度低的问题。
4.本发明提出了一种基于图神经网络的温度可调型混合气体识别系统，结合气体传感器7分别与不同气体相互作用下的响应值的集合构建出的全局图像标签的特异性差异和图神经网络技术，解决了传感器阵列面临的集成难和体积大等相关问题，并且气体传感器相对光学检测仪具有价格优势，因此，本发明公开的一种基于图神经网络的温度可调型混合气体识别系统，结构简单、体积小、易实现、工业和生活应用投入成本低廉，特别是能够实现在工业环境中的大批量布置和全范围检测，极大程度上提高了工作人员的安全系数，降低了风险，减少了工人们家庭以及企业自身不必要的损失。
5.

技术实现要素：

6.本发明目的在于提供一种基于图神经网络的温度可调型混合气体识别系统，以实现气体识别模块4利用机器学习中的图神经网络技术，分析气体检测模块3获取的混合气体的全局图像标签，进而对混合气体中各气体种类做出识别。
7.能量调控电路1包括电源5和主控芯片6，电源5将电能传送到主控芯片6，主控芯片6调节并分配给到微型加热器2的电压值，分配正常工作时的额定电压给气体检测模块3和气体识别模块4，以保证微型加热器2、气体识别模块4和气体检测模块3按照预期正常工作，微型加热器2由能量调控电路1中的电源5提供电能，其工作电压受能量调控电路1中的主控芯片6控制，在不同的工作电压下，微型加热器2会产生不同的热量，以实现放在其上端的气体传感器7在不同环境温度下工作。
8.气体检测模块3由电源5供电，通过主控芯片6向其分配额定工作电压，核心单元是
气体传感器7、参考电阻8、模数转换单元9和数据处理系统10。
9.气体传感器7单元在不同温度下与气体的相互作用对混合气体中的气体产生响应，表现为通过气体传感器7的电流发生变化；参考电阻8与气体传感器7串联，在通入检测气体前后，参考电阻8两端电压变化，可以用来体现气体传感器7对不同气体的灵敏程度，另外还起到保护电路的作用；模数转换单元9负责将模拟信号形式的电压信号转换为数字信号形式的电压信号；数据处理系统10实时记录不同温度下反应前与反应时的电压，经过处理求出更具象化表现灵敏程度的响应参数，构建基于气体响应集合的全局图像标签，并将气体图像标签传输给气体识别模块4。
10.气体识别模块4由电源5供电，主控芯片6分配额定工作电压，利用图神经网络技术，接收到数据处理系统10传输的气体图像标签，对气体图像标签进行分析学习，识别出混合气体中的气体种类。
11.气体传感器7对每种气体的气敏特性都对应一组的基于温度梯度变化构建的的全局图像标签，在对混合气体进行检测和识别前，对气体识别模块4进行预处理工作，先利用图神经网络训练混合气体中每一种气体对应的全局图像标签的集合，训练它们之间的相关性，随后在检测过程中收集一定数量的温度梯度下气体传感器7对混合气体的响应值集合，构建全局图像标签，基于气体传感器7对各气体在随温度梯度节点下对应的存在特异性差异的响应集合，通过机器学习领域中的图神经网络技术对全局图像标签进行学习分析，进而识别出混合气体中各气体的类别。
12.本发明摒弃了以往的气体识别系统中采用的传感器阵列式的传统做法，利用不同气体的响应温度差别的特性，通过改变微型加热器2对气体传感器7提供的热量大小，改变气体传感器7的工作温度，进而获得气体在不同温度下的响应值，再通过形成全局图像标签和图神经网络技术，识别出混合气体的气体种类和浓度，基于此种方法，减少了对于气体传感器的数量需求，避免了大量传感器的立体堆积，节约了材料成本，易于集成化，很大程度少小型化了气体识别系统的体积，为实现气体识别系统的便携化提供了可能。
附图说明
13.图1为本发明中一种基于图神经网络的温度可调型混合气体识别系统的电路功能模块图。
具体实施方式
14.首先，确定某一情境下各环节可能需要检测的所有气体种类，我们以混合气体为乙醇，丙醇和ipa（吲哚丙酸为）例，气体传感器7选用voc气体传感器。
15.前期准备工作：设定检测气体时环境温度梯度为：200，275，350、425和500（单位：摄氏度），并在以下浓度对气体进行检测：25，50，100，200，400，800和1600（单位：ppm）。
16.（1）先随机选择其中一种气体，比如乙醇，并准备充足乙醇气体和干燥空气以备实验所需。
17.（2）通过控制芯片6，调节微型加热器2的工作电压，进而改变微型加热器2提供给气体传感器7的热量，使工作温度到达200℃，。
18.（3）将25ppm乙醇和干燥空气按一定时间周期交替通入气体检测模块3，其中时间
周期包括：反应时间，在此期间通入乙醇气体，而且时间长度要保证乙醇气体与气敏材料完全反应；恢复时间，在此期间通入空气，时间长度要保证在通入空气后响应变化能趋于稳定在反应时间内，气体检测模块3中的气体传感器7对通入的乙醇气体进行检测，由于气敏特性，使通过气体传感器7的电流变化，与气体传感器7串联的参考电阻8，其两端电压随着电流变化改变，模数转换单元9负责将模拟信号形式的电压信号转换为数字信号形式的电压信号。
19.（4）改变环境温度至下一温度梯度节点，重复上述操作（2）、（3），直至实现5个温度梯度节点下的全部检测工作。
20.（5）数据处理系统10实时采集电压信号，并将其处理成表征形式更直观的响应参数，获得一组基于温度梯度变化到达稳定后响应数据的集合{200℃：1.4, 275℃：1.7,350℃：1.8, 425℃：5.7， 500℃：6.7}，构建25ppm乙醇气体基于温度梯度下响应集合的一个全局图像标签。
21.（6）依次改变待检测乙醇气体的浓度，重复上述操作（2）、（3）、（4）、（5），直至实现7个浓度节点下的全部检测工作。
22.（7）将乙醇气体的全局图像标签的集合传递到气体识别模块4，气体识别模块4中利用图神经网络技术训图像集，分析学习乙醇气体与对应的全局图像标签集合之间的相关性。
23.（8）更换气体类别，对每一种气体，均执行上述操作（2）、（3）、（4）、（5）、（6）（7），直至实现3种气体的全部检测与机器学习工作。
24.混合气体检测如下所示。
25.（1）将混合气体和干燥空气也按照一定时间周期交替通入气体检测模块3，时间周期依然要满足相应的反应时间和恢复时间的条件，由主控芯片6调节提供给微型加热器2的工作电压，使微型加热器2对气体传感器7提供对应的环境温度。
26.（2）通过主控芯片6依次调节微型加热器2提供给气体传感器7的工作温度至下一温度梯度节点，重复上述操作（1）。
27.（3）模数转换单元9数字化处理的参考电阻8两端的电压值后，由数据处理系统10收集，经过处理后得到一组基于温度梯度变化的响应值的集合，构建混合气体的全局图像标签，最后由数据处理系统10将气体图像标签发送给气体识别模块4。
28.（4）气体识别模块4接收到响应数据，进行分析学习，结合之前学习的乙醇气体、丙醇气体和ipa气体（吲哚乙酸）与其气体全局图像标签集合之间的相关性，进而对此次的全局图像标签进行学习分析，识别出混合气体中的气体类别。
29.本实施例描述较为具体和详细，但并不能因此而理解为对本发明范围的限制，应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，气体传感器和检测气体做出若干变形和改进，这些都属于本发明的保护范围。