确定目标气体的浓度的校准测量值的气体感测设备和方法与流程

1.本公开的示例涉及用于感测目标气体的浓度的感测设备。其他示例涉及用于确定目标气体的浓度的已校准测量值的方法。特别地，本公开的一些示例涉及化学电阻气体感测设备和用于校准化学电阻气体感测设备的测量信号的方法。一些示例可以涉及化学电阻多气体感测设备。本公开的一些示例涉及用于基于石墨烯的气体传感器漂移补偿的反馈回路架构。


背景技术：

2.气体传感器用于感测气体传感器的环境中的气体传感器的一种或多种目标气体的浓度。气体传感器通常测量取决于目标气体的浓度的信号，并且根据测量信号估计浓度的值。由于测量信号的条件、和/或气体传感器的状态可能随时间变化，因此测量信号与目标气体的真实浓度之间的关系可能会相应变化。这种传感器漂移使得难以估计真实浓度。气体感测设备的示例是化学电阻气体感测设备，化学电阻气体感测设备的原理是，目标气体的分子吸附在感测设备的传感表面处，从而修改电阻率，测量电阻率以获取测量信号。特别地，可以包括例如多个化学电阻传感器的多气体传感器阵列是用于测量气体和评估空气质量的高效并且节省成本的方式。由传感器材料与空气之间的化学过程产生的不同信号被测量，并且然后使用算法被转换成气体浓度，这些算法通常利用人工智能来区分气体。该技术过程的一个主要问题是观察到来自传感器的信号值通常不是绝对的，例如由于上述传感器漂移。这使得算法难以估计实际气体浓度，因为没有稳定的基线可以将当前信号值与其进行比较。
3.因此，需要一种用于校准气体感测设备的测量信息的概念，该概念提供可靠的漂移补偿。


技术实现要素：

4.本公开的示例依赖于使用诸如神经网络等机器学习模型来确定目标气体的浓度的已校准测量值的思想。该思想包括基于所确定的已校准测量值中的一个或多个来确定反馈特征，并且在后续已校准测量值的确定时使用反馈特征。因此，反馈特征可以表示测量信息的时间评估(可以基于其来确定已校准测量值)，并且因此可以指示感测设备的漂移。
5.本公开的示例提供了一种用于感测目标气体的浓度的感测设备。感测设备包括被配置用于提供关于浓度的测量的测量信息的测量模块。感测设备还包括信号校准模块。信号校准模块被配置用于使用机器学习模型基于测量信息确定浓度的已校准测量值。信号校准模块还被配置用于使用已校准测量值确定反馈特征。信号校准模块被配置用于使用机器学习模型用于基于关于浓度的后续测量的后续测量信息并且基于反馈特征确定后续已校准测量值。
6.本公开的其他示例提供了一种用于确定目标气体的浓度的已校准测量值的方法。该方法包括获取与目标气体的浓度无关的测量信息的步骤。该方法还包括使用机器学习模
型(诸如神经网络)基于测量信息确定浓度的已校准测量值的步骤。该方法包括使用已校准测量值确定反馈特征的步骤。该方法还包括使用机器学习模型基于测量信息和反馈特征确定后续已校准测量值的步骤。
附图说明
7.下面结合附图对本公开的示例和有利实现进行更详细的描述，在附图中：
8.图1示出了感测模块的示例；
9.图2示出了感测设备的示例；
10.图3示出了反馈特征的演变的示例的图；
11.图4示出了反馈回路的示例的框图；
12.图5a、图5b示出了校准单元的示例；
13.图6a、图6b示出了信号校准模块的示例；
14.图7示出了说明已校准测量值的确定的示例的准确性的图；
15.图8示出了已校准测量值的确定的示例的测试集得分；以及
16.图9示出了用于确定校准测量值的方法的示例的流程图。
具体实施方式
17.在下文中，将详细讨论示例，然而，应当理解，示例提供了可以在多种感测应用中体现的很多适用概念。所讨论的具体示例仅说明实现和使用本概念的具体方式，并不限制示例的范围。在以下描述中，阐述了多个细节以提供对本公开的示例的更彻底的解释。然而，对于本领域技术人员来说很清楚的是，可以在没有这些具体细节的情况下实践其他示例。在其他情况下，众所周知的结构和设备以框图的形式而不是详细地示出，以避免模糊本文中描述的示例。此外，本文中描述的不同示例的特征可以彼此组合，除非另有特别说明。
18.在以下示例的描述中，相同或相似的元素或具有相同功能的元素被赋予相同的附图标记或以相同的名称标识，并且对元素的重复描述被赋予相同的附图标记或被标识为通常省略相同的名称。因此，为具有相同或相似附图标记或以相同名称标识的元素而提供的描述可相互交换或可以在不同示例中彼此应用。
19.图1示出了根据本公开的示例的感测模块22。感测模块22包括多个感测单元24，每个感测单元24对多种目标气体中的目标气体敏感。例如，每个感测单元24可以对不同的目标气体敏感。替代地，感测单元24中的一个或多个可以对同一目标气体敏感，以提供冗余测量信号。每个感测单元24包括感测表面区域25，该感测表面区域25包括对相应感测单元24的目标气体敏感的感测材料。每个感测单元24被配置用于提供测量信号，该测量信号取决于感测模块22的环境中的相应感测单元24的目标气体的浓度的。应当注意，感测单元24中的个体感测单元可以对多种目标气体敏感，其中感测单元24的灵敏度可以针对不同目标气体而不同。在一些示例中，感测模块22可以包括单个感测单元24，而在其他示例中可以包括多个感测单元24。
20.在感测模块22暴露于气体、目标气体或另一气体期间，气体分子可能会在一个或多个感测单元25的感测表面区域25处吸附，从而由影响感测单元提供的测量信号。由于与吸附相比，气体分子从感测表面区域的解吸可能较慢，因此大量气体分子可能在感测表面
区域25处积聚，导致感测单元24的灵敏度降低。感测模块22可以可选地包括加热器26，例如，用于所有感测单元24的一个加热器，或用于感测单元24的个体加热器。通过加热感测表面区域25，气体分子从感测表面区域25的解吸可以加速。
21.根据示例，感测单元24是碳基的，即，感测表面区域25的感测材料，感测单元24可以包括碳材料，诸如石墨烯或石墨。
22.图1的感测模块的一个示例是基于石墨烯的多气体传感器阵列，该阵列由四个基于石墨烯的感测单元24组成，其中基底材料(即，相应感测单元的感测材料，其暴露于要在其中测量目标气体的浓度的环境)用不同的化学物质(例如，pd、pt和mno2)进行功能化，以获取不同的选择性。石墨烯片与所吸附的气体分析物之间的相互作用会影响材料的电子结构，导致电荷载流子浓度和电导发生变化。同时，由于对各种气体分子的敏感度不同，传感器的电阻也以不同的模式变化，使得用一个传感器阵列分析复杂的气体混合物成为可能。阵列中的每个传感器都有一个加热元件，其温度在恢复阶段温度与感测阶段温度之间进行脉冲式调节。
23.一般来说，对于基于吸附的感测设备，诸如感测单元24，在测量过程中，气体分子从传感器表面解吸所需要的时间往往比吸附时间长得多。这可能导致信号的向下漂移行为，这表示传感器基线会随着时间而变化，并且使得以合理的准确性预测目标气体的浓度变得更加困难。通过考虑传感器表面的先前气体暴露，算法可以帮助消除这样的伪影和改变基线，并且相应地补偿由这种暴露导致的短期漂移。
24.本公开的示例的目的是通过循环利用先前的(浓度值)的预测并且将它们集成到回归过程(基于感测模块22的测量值对浓度值的预测)来抑制传感器的输出信号中的这种短期漂移。为了实现这一点，已经为神经网络或更一般地为机器学习模型设计和发明了所谓的反馈回路架构，其可以用于确定浓度值。
25.感测模块22的示例(例如，基于石墨烯的多气体传感器阵列)可以用在下面描述的感测设备10中。
26.图2示出了根据本公开的示例的感测设备10。感测设备10被配置用于感测感测设备10的环境中的目标气体的浓度。例如，目标气体可以是no2、o3、nh3中的一种。一般而言，目标气体可以是指气相的任何物质，因此目标气体的浓度也可以是指感测设备10的环境中水蒸气的相对湿度。感测设备10包括测量模块20。测量模块20提供关于浓度的测量的测量信息21。感测设备10还包括信号校准模块30，例如，信号校准模块30由信号处理器实现。信号校准模块30包括校准单元32，校准单元32使用机器学习模型34基于测量信息21确定浓度的已校准测量值31。信号校准模块30还包括反馈模块40，反馈模块40使用已校准测量值31确定反馈特征41。校准单元32使用机器学习模型34用于基于关于浓度的后续测量的后续测量信息21'并且基于反馈特征41确定后续已校准测量值31'。
27.例如，测量可以是指在测量的时刻对测量信号的评估。例如，测量模块20可以获取一个或多个测量信号。测量模块20可以在测量时刻对一个或多个测量信号进行采样或评估，从而获取关于测量的测量信息21。例如，测量信息21可以包括一个或多个测量信号在测量信息21所指的测量时刻的信号电平、导数、二阶导数和能量矢量中的一个或多个。因此，测量模块20可以通过在后续时刻评估一个或多个测量信号来提供关于后续测量的后续测量信息21'。
28.例如，已校准测量值31是测量信息21所指的测量时刻的目标气体的实际浓度的估计(也称为预测)。
29.校准单元32使用使用已校准测量值31确定的反馈特征41来确定后续已校准测量值31'。在使用反馈特征41时，校准单元32可以在确定已校准测量值31'时使用关于先前校准测量值、已校准测量值31的信息。因此，反馈特征41可以表示已校准测量值31在浓度的测量序列上的时间演变。反馈特征41可以使得校准单元32能够考虑测量模块20在确定测量信息时的漂移，例如感测单元24中的一个的感测表面区域25的饱和。换言之，反馈特征41可以使得校准单元32能够补偿已校准测量值与目标气体的浓度的真实值之间的漂移。由于反馈特征41基于由感测设备10确定的至少一个已校准测量值31，所公开的概念可以实现独立于通过空中提供给感测设备10的参考信息的漂移补偿。因此，例如，该概念可以用于未永久连接到实例(诸如服务器)的感测设备，从而向感测设备10提供参考信息。此外，由于反馈特征41基于已校准测量值31，它可以同时考虑传感器的外部环境影响和内部行为，这两者都可能导致传感器漂移。因此，所公开的算法特别灵活，即，例如，该算法可以考虑各种漂移行为，这些漂移行为可以根据感测设备10部署在其中的环境而变化。因此，感测设备可以部署在不同的地理区域中，例如，使用相同的校准过程。
30.使用反馈特征41来确定后续已校准测量值31'还具有如下优点，即，与其中测量信息21本身将被缓冲以用于确定随后已校准测量值31'的方法相比，反馈特征41可能需要更少的存储器。如上所述，测量信息21、21'可以包括表示一个或多个测量信号的特征的多个值。因此，存储反馈特征41以用于确定后续已校准测量值31'可以节省存储器。
31.在示例中，测量模块20包括一个或多个化学电阻感测单元，例如，如关于图1描述的感测单元24中的一个或多个，每个感测单元提供测量信号。感测单元可以是碳基或石墨烯基的。例如，测量模块20可以包括感测模块22。基于先前已校准测量值31来确定用于确定已校准测量值31'的反馈特征41可以例如对于短期漂移补偿特别有益。短期漂移可以是随时间变化的漂移，例如可逆的漂移。例如，关于图1描述的基于吸附的感测单元(化学电阻感测单元)的浓度相关灵敏度损失的情况可以是短期漂移的示例，因为漂移可以随着分子的解吸而减小。在其中测量模块20包括图1的感测模块22的示例中，特别是在其中感测模块22包括基于碳的化学电阻感测单元24的示例中，反馈特征可以例如表示这种类型的石墨烯传感器的短期信号漂移。在这种情况下，反馈特征41可以反映一个或多个感测表面区域25在气体吸附之后的占用。换言之，通过向其赋予与这种类型的(基于石墨烯的)感测设备的内部短期信号漂移相关的一个或多个特征，如由反馈特征41实现的反馈回路架构的使用可以增强化学电阻气体感测设备(例如，基于石墨烯的气体感测设备，例如，多气体传感器)的可靠性。这是通过利用对气体浓度的一个或多个先前预测并且反馈反馈特征41来实现的，该反馈特征41可以反映传感器在气体吸附之后的占用。
32.本公开的感测设备10的示例可以是室外空气质量传感器或其他多气体传感器。例如，信号校准模块30可以作为用于多气体传感器的api封装的一部分来提供。
33.根据示例，反馈模块40被配置用于基于已校准测量值31并且基于一个或多个先前确定的已校准测量值来确定用于后续已校准测量值31'的确定的反馈特征41。
34.先前确定的已校准测量值可以用于基于关于相对于测量信息21的测量的先前测量的先前测量信息来确定。换言之，用于后续已校准测量值31'的确定的反馈特征41基于在
后续已校准测量值31'之前确定的多个已校准测量值，即，基于关于浓度的多个先前测量的测量信息(即，在要确定的后续已校准测量值31'与其相关的测量之前)。
35.基于多个先前确定的已校准测量值，反馈特征41可以准确地表示已校准测量值的时间演变，从而允许机器学习模块34进行准确的漂移补偿。
36.根据示例，反馈模块40被配置用于通过使用已校准测量值31更新先前确定的反馈特征来确定用于后续已校准测量值31'的确定的反馈特征41。先前确定的反馈特征基于先前已校准测量值来确定。
37.例如，更新先前反馈特征可以包括将先前反馈与已校准测量值31组合。先前反馈特征可以是用于确定已校准测量值31的反馈特征。因此，更新先前反馈特征允许确定反馈特征41，以便它表示已校准测量值在测量序列上的演变，从而提供关于已校准测量值在多个测量上的时间演变的信息。更新反馈特征41可以进一步允许实现需要特别低的存储器量的反馈特征。
38.例如，测量信息21和后续测量信息21'来自浓度的测量序列。在这些示例中，已校准测量值31和后续测量值31'是已校准测量值序列的一部分，并且校准单元32被配置用于基于由测量序列中的相应测量产生的测量信息来确定已校准测量值。根据这些示例，校准单元32被配置用于通过使用已校准测量值中的先前已校准测量值递归地更新反馈特征41来确定用于已校准测量值中的一个(当前)已校准测量值的确定的反馈特征41。例如，校准单元32被配置用于基于测量序列中的一个或多个测量的测量信息来确定测量值序列的每个已校准测量值。
39.换言之，反馈特征41可以是自重新分配循环架构的实现。反馈回路可以将传感器的先前输出链接到连续更新的反馈特征41，并且这样将漂移相关信息提供到算法中。注意，已校准测量值31和后续测量值31'可以是指校准测量值序列中的任何两个后续已校准测量值。例如，对于序列中的第一测量，反馈特征41可以使用初始化值(例如，默认值)来被初始化。
40.根据示例，反馈模块40被配置用于基于已校准测量值和一个或多个先前确定的已校准测量值的加权和来确定反馈特征41。
41.在加权和的基础上确定反馈特征41允许根据已校准测量值31的对应测量与一个或多个先前确定的已校准测量值和反馈特征41将被用于对其进行校准的后续测量之间的时间间隔长度来对已校准测量值31和一个或多个先前确定的已校准测量值对反馈特征41的相应贡献进行加权。此外，加权和的权重的选择允许使反馈特征41的确定适应潜在地引起漂移效应的过程，该漂移效应将由反馈特征41补偿。
42.根据示例，测量模块20包括对目标气体敏感的至少一个化学电阻感测单元24，例如，测量模型20可以包括图1的感测模块22。根据这些示例，加权和的权重可以适应在感测单元25的表面区域25处吸附的目标气体分子的解吸速率。
43.由于感测单元24的灵敏度可以取决于在感测单元24的感测表面区域25处吸附的气体分子的数目，因此在测量之前的时刻目标气体的浓度可以影响在测量期间测量的测量信号。因此，使加权和的权重适应解吸速率可以允许确定反馈特征41，使得反馈特征41表示在反馈特征41将被用于对其进行校准的测量的时刻感测表面区域25的吸附位点的占用。
44.仅需要少量计算操作的反馈特征41的确定40的实现的示例将是由下式描述的在
线计算：
45.l
t
＝d
·
l
t-1
十c
t
ꢀꢀꢀꢀ
(等式1)
46.这里，l描述了时间t的回路特征(反馈特征41)，d表示衰减因子，衰减因子表示先前吸附的分子的解吸，而c
t
描述了时间t的浓度估计。在示例中，衰减因子可以基于指数衰减来确定。术语“在线计算”可以可选地指代一种计算，其中反馈特征的值被递归地替换为根据先前值而确定的值。
47.图3示出了循环特征41对于不同衰减因子随时间的归一化发展(曲线81：快速衰减，曲线82：中等衰减，曲线83：与实验浓度曲线的地面实况80(即，实际浓度)相比的缓慢衰减。衰减因子可以描述特征工程过程中的主要参数，并且应当以尽可能与解吸速率一致的方式进行估计。例如，这可以基于系统级模型通过指定实验或通过模拟来进行。
48.通过为反馈回路中的特征计算选择可行的参数，该方法可以提高网络的浓度预测准确性，并且使其对高浓度气体的暴露更加稳健，从而使其更加稳定。此外，本文中描述的机制相当简单，并且不需要大量附加的计算资源。
49.如果浓度的测量是以恒定的采样率进行的，则根据等式1确定反馈特征41可能是特别有益的，因此测量之间的时间间隔是恒定的。因此，可以在衰减率d中考虑测量之间的时间间隔，从而提供低实现工作量和低数目的计算操作。
50.参考图4描述了确定反馈特征41的实现的其他示例。
51.图4示出了根据示例的可以由图2的反馈模块40实现的反馈回路过程的流程图。在步骤52中，提取或收集由用于反馈特征41的确定的一个或多个已校准测量值。例如，如果使用已校准测量值31，则可以在步骤52从校准单元32中检索该值。在使用若干先前已校准测量值的示例中，用于存储先前值的缓冲器可以在步骤52中更新，已校准测量值31也可以称为气体预测或浓度预测，因此，步骤52可以称为气体预测提取。在步骤50(特征计算)中，基于已校准测量值31和可选地进一步基于先前已校准测量值来确定反馈特征41。在步骤54中，将反馈特征41作为输入特征提供给机器学习模型34。换言之，被机器学习模型34用作输入特征的反馈特征在步骤54中更新，例如，被替换为在步骤50中确定的反馈特征41。
52.对于图4所示的反馈回路架构的实现，不同的设计选择可以提供计算要求的适应性和复杂性，这对于低成本和低功耗系统尤其重要。
53.根据气体预测提取的步骤52的一个示例，预测(即，在线特征计算算法的已校准测量值)相对于一个或多个新预测更新一个或多个先前值。这个示例可以称为在线特征实现。通过使用下式进行特征计算，可以实现在线特征场景：
[0054][0055]
其中等式1中的浓度被替换为浓度估计在线特征预测的优点是，通过同时使用更少的存储器而更容易计算。
[0056]
根据气体预测提取的步骤52的替代示例，在指定时间帧上的先前预测的阵列被缓冲，并且在这个时间帧上计算反馈特征41，即，基于缓冲数组的已校准测量值。该实现可以称为预测缓冲实现。在感测材料的复杂物理特性的情况下，预测缓冲实现可能是有益的，因为它可以提供更复杂的特征，该特征可以更好地复制传感器解吸行为。对于缓冲选项，指数加权方法是可行的，如下式所述：
[0057][0058]
这里，i描述了第i时间步的特征，因此描述了先前时间步与时间迭代t的时间差。是指时间点t的浓度估计。λ是解释指数衰减的参数。因此，考虑到当时吸附的大多数分子可能已经解吸，而在过去测量的浓度的影响相当小，而先前浓度对该特征有很大的影响。
[0059]
图5a示出了校准单元32的示例，因为它可以可选地在关于图2至图4描述的感测设备10中实现。根据图5a的示例，机器学习模型34接收测量信息21作为输入特征33。进一步地，机器学习模型34基于输入特征生成机器学习模型34的至少一个输出特征，并且校准单元32获取已校准测量值31作为机器学习模型34的输出特征。
[0060]
换言之，机器学习模型34可以基于多个输入特征33生成至少一个输出特征，其中输入特征33表示或基于测量信息21，并且输出特征是已校准测量值31。
[0061]
如关于图2所解释的，输入特征33可以表示由测量模块20测量的不同类型的测量数据。
[0062]
根据示例，机器学习模型34被配置用于使用反馈特征41作为用于后续已校准测量值31'的确定的输入特征。
[0063]
使用反馈特征41作为机器学习模型34的输入特征具有以下优点：反馈特征41对已校准测量值31的确定的贡献可以与机器学习模型34的模型一起训练。
[0064]
图5b示出了校准单元32的示例，校准单元32是图5a所示的示例的替代实现。根据图5b的示例，校准单元32被配置用于根据反馈特征41来调节后续测量信息21'以获取用于后续已校准测量值31'的确定的输入特征33。
[0065]
因此，图5b的示例与图5a的示例的不同之处在于，反馈特征41不是作为输入特征提供给机器学习模型34，而是用于适配后续测量信息21'。换言之，可以使用反馈特征41重新校准后续测量信息21'。与图5a的实现相比，图5b的实现具有以下优点：机器学习模型34可以独立于反馈循环来实现，因为反馈特征不是机器学习模型的输入特征。因此，图5b的示例可以允许简单的实现。
[0066]
参考关于图2至图4描述的感测设备10，特别是参考图5a和5b的校准单元32的实现，机器学习模型34可以是神经网络。例如，神经网络可以是递归神经网络(rnn)、前馈神经网络(ffnn)或卷积神经网络(cnn)中的一种。
[0067]
例如，神经网络可以具有多个层，包括输入层和输出层，输入层被配置用于接收输入特征33，并且输出层被配置用于提供至少一个输出特征31。
[0068]
作为递归神经网络的机器学习模型34的实现与依赖于基于吸附的感测原理的测量模块20的示例(诸如感测模块22)结合可能是特别有益的，因为递归神经网络可以在确定当前已校准测量值时考虑先前测量信息。因此，递归神经网络可以解释如下事实：根据基于吸附的感测原理，电流测量信息可以取决于目标气体的先前浓度水平。作为递归神经网络的机器学习模型34的实现与反馈特征41的实现结合特别有益，因为递归神经网络的递归特征在确定已校准测量值31'时的贡献、以及反馈特征41在确定已校准测量值31'时的贡献可
以遵循不同的时间常数。例如，递归神经网络的循环特征可能具有相当短的时间常数，使得递归神经网络的循环特征可以提供来自当前测量信息21'的测量之前的较短时间间隔的先前测量信息的贡献，其中反馈特征41可以提供来自当前测量信息21'的测量之前的较长时间间隔的测量信息的贡献。
[0069]
图6a示出了信号校准模块30的示例，根据该示例，机器学习模型34被实现为神经网络。根据图6a的示例，神经网络34接收测量信息21作为输入特征33并且进一步接收反馈特征41作为附加输入特征。因此，图6a的实现可以符合图5a的校准单元32。根据图6a，神经网络34可以基于输入特征33和反馈特征41确定一组中间特征36。此外，神经网络可以基于中间特征36确定输出特征，即，一个或多个已校准测量值31。注意，尽管图6a仅示出了输入与输出之间的一个中间步骤，但神经网络可以具有任意数目的隐藏层。反馈模块40基于至少一个已校准测量值31来确定反馈特征41，如关于图2至图4所述，例如，基于加权和，例如，如关于图4的特征计算步骤50所述。
[0070]
图6b示出了信号校准模块30的另一示例，信号校准模块30是与图6a所示的实现相比的替代实现。图6b的实现可以符合图5b的校准单元32。根据图6b的示例，机器学习模块34被实现为神经网络，如关于图6a所述，然而，根据图6b的示例，反馈特征41可以用于重新校准或适配输入特征33，而不是将反馈特征41作为输入特征提供给神经网络34。输入特征33的适配或重新校准可以在将输入特征33提供给神经网络34之前执行，或者可以实现为神经网络34的附加层。
[0071]
换言之，关于图6a描述的方法的替代方案是使用反馈特征41用于输入层中的输入向量标准化。输入向量可以是指输入特征33的实体。输入向量的标准化可以通过引入使用反馈特征41作为输入的归一化层来实现，归一化层被配置用于对输入特征33进行重新归一化以直接补偿漂移相关基线偏移。换言之，根据图6b的实现，可以在神经网络模型34的输入层之前执行重新校准步骤。如关于图6a所述，反馈模块可以如关于图2至图4所述来实现，例如，基于加权和，例如，如关于图4的特征计算步骤50所述。
[0072]
根据示例，如关于图2至图6所述的感测设备10的测量模型20包括多个化学电阻感测单元24，例如，如关于图1所述。化学电阻单元24中的每个被配置用于提供相应的测量信号。根据这些示例，测量信息21、21'基于由感测单元24提供的测量信号。
[0073]
具有多个感测单元24(例如，对不同气体敏感)可以使校准测量值31的确定在存在气体混合物和/或湿度的情况下特别稳健。
[0074]
如关于图1所述，多个化学电阻感测单元24可以对多种目标气体敏感。因此，在测量模块20基于相应感测单元24的多个测量信号来提供测量信息21的示例中，机器学习模型34可以基于测量信息21确定用于目标气体的浓度的相应已校准测量值31。换言之，机器学习模型34可以针对测量模块20的每种目标气体确定用于目标气体的浓度的已校准测量值31。因此，根据这些示例，测量的测量信息21可以包括关于在测量信息21的测量时的测量信号的信息。因此，如关于图5和图6所述的输入特征33可以包括表示感测单元24的多个测量信号的输入特征。
[0075]
根据示例，其中感测设备对多种目标气体敏感，并且机器学习模型34确定目标气体的相应已校准测量值31，反馈模块40可以针对每种目标气体基于为目标气体而确定的已校准测量值31来确定反馈特征41。因此，校准单元32可以使用反馈特征41确定目标气体的
后续已校准测量值31'。
[0076]
换言之，反馈模块40可以针对每种目标气体确定一个反馈特征41。因此，参考图2、图4、图5a和图6a，机器学习模型34可以针对每个测量(例如，后续测量信息21'的测量)基于对应的测量信息(例如，后续测量信息21')并且基于多个反馈特征41来确定多个已校准测量值31'。因此，机器学习模型24可以接收多个反馈特征41作为输入特征。因此，机器学习模块34可以基于测量信息21'的输入特征33和反馈特征41确定多种目标气体的相应已校准测量值31'。
[0077]
目标气体的个体反馈特征41的确定允许使相应反馈特征41的确定适应相应目标气体的感测中的不同动态特性，例如，适应不同目标气体的不同解吸速率。换言之，为由传感器测量的每种目标气体确定一个反馈特征41提供了考虑不同解吸速率的高度灵活性。
[0078]
根据针对多种目标气体情况的替代示例，反馈模块40基于为多种目标气体而确定的已校准测量值31来确定反馈特征41。
[0079]
即，例如，反馈模块40可以基于为多种目标气体而确定的已校准测量值31确定一个反馈特征41。例如，反馈模块40可以使用加权和来组合已校准测量值，并且可选地组合先前反馈特征。替代地，反馈模块40可以使用另外的机器学习模型或神经网络来确定反馈特征41。为多种目标气体确定多个已校准测量值的共同反馈特征41具有实现简单以及计算和缓冲工作较小的优点。例如，在其中反馈特征41表示感测单元24的漂移相关侧面占用的示例中，使用一个反馈特征结合若干预测(即，若干已校准测量值31)的贡献可能是实现工作与益处之间的合理特征。特别地，在这种情况下，使用神经网络来执行反馈特征的确定可能是有益的。
[0080]
注意，上述两个示例的组合也是可能的。即，反馈模块40可以确定反馈特征的数目，该数目不一定对应于目标气体或已校准测量值的数目。例如，可以组合具有相似动态的目标气体的已校准测量值。因此，可以实现低存储器需求与对目标气体的动态特性的高适应性之间的有益折衷。
[0081]
图7示出了根据本公开的示例的已校准测量值31的确定的示例的准确性。图7的图91示出了no2的真实浓度曲线95与由感测设备10的示例确定的预测值95'(即，已校准测量值序列95')之间的比较。图92示出了o3的真实浓度曲线96与o3浓度的预测96'之间的比较。图93示出了感测单元24的归一化响应971、972、973、974，其可以是测量信号的示例，基于这些测量信号可以获取测量信息21、21'。图94示出了图93的归一化响应的归一化导数981、982、983、984。归一化导数也可以被提供作为测量信息21、21'的一部分。
[0082]
在图7的示例中，为了证明后向特征的有效性，已经采用地面实况信号来确定反馈特征41。因此，输入浓度值已经用于使用指数加权缓冲方法的反馈回路特征计算，如下式所述：
[0083][0084]
两种测量气体中的每一种都有一个回路特征，以对气体类型进行不同的解释。所得到的网络在包含两种气体类型并且在浓度范围内变化的浓度测试曲线上进行训练和测试。示出测试数据集的具体气体预测的结果在图7中示出。可以看出，当只有o3存在时，除了
对no2预测的一些小高估之外，算法预测与浓度值的真实情况非常吻合。对于臭氧预测，这种影响只能在测试简档的一部分中略微导出。r2得分示出了预测浓度值与估计浓度值之间的高度相关性。
[0085]
图8示出了图7中两种气体类型的最佳90％预测的得分。相对误差相对较低，并且大多数数据点在25％的相对误差或余量内。
[0086]
图9示出了用于确定目标气体的浓度的已校准测量值31的方法100的流程图。方法100包括根据目标气体的浓度获取测量信息的步骤101。例如，步骤101可以由测量模型20执行。方法100还包括使用机器学习模型34基于测量信息确定浓度的已校准测量值31的步骤102。方法100还包括使用已校准测量值31确定反馈特征41的步骤103。例如，步骤103可以由反馈模块40执行。例如，步骤103可以对应于图4的步骤50。方法100包括使用102'机器学习模型34基于测量信息和反馈特征41确定后续已校准测量值31'的步骤102'。
[0087]
例如，步骤102'可以对应于步骤102，步骤102和102'表示用于后续测量的相应已校准测量值31和31'的确定。
[0088]
例如，步骤101包括获取关于目标气体的浓度的测量的测量信息21，并且步骤102包括使用机器学习模型34基于测量信息21确定已校准测量值31。根据该示例，步骤102'包括使用机器学习模型34用于基于关于目标气体的浓度的后续测量的测量信息21'并且基于反馈特征41确定后续已校准测量值31'。
[0089]
根据示例，步骤102包括使用机器学习模型34基于机器学习模型34的多个输入特征来生成机器学习模型34的至少一个输出特征。根据这些示例，该方法包括将测量信息21作为输入特征33提供给机器学习模型34，并且获取已校准测量值31作为机器学习模型34的输出特征。
[0090]
根据示例，步骤102包括使用反馈特征41作为用于后续已校准测量值31'的确定的机器学习模型34的输入特征。
[0091]
根据示例，该方法包括独立于反馈特征41适配关于后续测量的该测量信息21'，以便获取用于后续已校准测量值31'的确定的输入特征33。
[0092]
根据示例，步骤103包括基于已校准测量值31并且基于一个或多个先前确定的已校准测量值来确定用于后续已校准测量值31'的确定的反馈特征41。
[0093]
根据示例，步骤103包括通过使用已校准测量值31更新先前确定的反馈特征来确定用于后续已校准测量值31的确定的反馈特征41，其中先前确定的反馈特征是基于先前已校准测量值来确定的。
[0094]
根据示例，步骤103包括基于已校准测量值和一个或多个先前确定的已校准测量值的加权和来确定反馈特征41。
[0095]
根据示例，步骤101包括使用对目标气体敏感的至少一个化学电阻感测单元来确定测量信息。根据这些示例，加权和的权重适应在感测单元的表面区域处吸附的目标气体的分子的解吸速率。
[0096]
根据示例，机器学习模型34是递归神经网络、或前馈神经网络、或卷积神经网络。
[0097]
根据示例，步骤101包括从浓度的测量序列中获取测量信息和后续测量信息。根据这些示例，已校准测量值31和后续测量值31'是已校准测量值序列的一部分，并且步骤102包括基于由测量序列中的相应测量产生的测量信息来确定已校准测量值。根据这些示例，
步骤103包括通过使用已校准测量值31中的先前已校准测量值递归地更新反馈特征41来确定用于已校准测量值中的一个已校准测量值的确定的反馈特征41。
[0098]
根据示例，步骤101包括基于由多个化学电阻感测单元24提供的相应测量信号来获取测量信息21、21'。
[0099]
根据示例，目标气体是感测设备的多种目标气体的一部分，并且步骤102包括使用机器学习模型34基于测量信息21确定目标气体的浓度的相应已校准测量值31。根据这些示例，步骤103包括针对目标气体中的每种目标气体，基于为目标气体而确定的已校准测量值31来确定反馈特征41。此外，步骤102包括使用反馈特征41确定目标气体的后续已校准测量值31'。
[0100]
根据示例，目标气体是感测设备的多种目标气体的一部分。根据这些示例，步骤102包括使用机器学习模型34基于测量信息21确定目标气体的浓度的相应已校准测量值31。根据这些示例，步骤103包括基于已校准测量值确定反馈特征41，并且确定后续已校准测量值。此外，根据这些示例，步骤102包括在确定后续已校准测量值31'时使用反馈特征41。
[0101]
根据示例，计算机程序用于在计算机或信号处理器上执行时实现方法100。
[0102]
在下文中，描述了本公开的其他示例。
[0103]
根据示例，一种用于感测目标气体的浓度的感测设备10包括：被配置用于提供关于浓度的测量的测量信息21的测量模块20；以及信号校准模块30，信号校准模块30被配置用于使用机器学习模型34基于测量信息21确定浓度的已校准测量值31，还被配置用于使用已校准测量值31确定反馈特征41，并且还被配置用于使用机器学习模型34用于基于关于浓度的后续测量的后续测量信息21'并且基于反馈特征41确定后续已校准测量值31'。
[0104]
根据示例，机器学习模型34被配置用于基于机器学习模型34的多个输入特征来生成机器学习模型34的至少一个输出特征；并且信号校准模块30被配置用于将测量信息21作为输入特征33提供给机器学习模型34，并且被配置用于获取已校准测量值31作为机器学习模型34的输出特征。
[0105]
根据示例，机器学习模型34被配置用于使用反馈特征41作为用于后续已校准测量值31'的确定的输入特征。
[0106]
根据示例，信号校准模块30被配置用于根据反馈特征41适配后续测量信息21'以获取用于后续已校准测量值31'的确定的输入特征33。
[0107]
根据示例，信号校准模块30被配置用于基于已校准测量值31并且基于一个或多个先前确定的已校准测量值来确定用于后续已校准测量值31'的确定的反馈特征41。
[0108]
根据示例，信号校准模块30被配置用于通过使用已校准测量值31更新先前确定的反馈特征来确定用于后续已校准测量值31'的确定的反馈特征41，其中先前确定的反馈特征是基于先前已校准测量值来确定的。
[0109]
根据示例，信号校准模块30被配置用于基于已校准测量值31和一个或多个先前确定的已校准测量值的加权和来确定反馈特征41。
[0110]
根据示例，测量模块20包括对目标气体敏感的至少一个化学电阻感测单元24，并且其中加权和的权重适应在感测单元24的表面区域25处吸附的目标气体的分子的解吸速率。
[0111]
根据示例，机器学习模型34是递归神经网络、前馈神经网络或卷积神经网络。
[0112]
根据示例，测量信息21和后续测量信息21'是由浓度的测量序列产生的。此外，已校准测量值31和后续测量值31'是已校准测量值序列的一部分，并且信号校准模块30被配置用于基于由测量序列中的相应测量产生的测量信息来确定已校准测量值。此外，信号校准模块30被配置用于通过使用已校准测量值中的先前已校准测量值递归地更新反馈特征41来确定用于已校准测量值中的一个已校准测量值的确定的反馈特征41。
[0113]
根据示例，测量模块20包括多个化学电阻感测单元24，每个化学电阻感测单元24被配置用于提供相应测量信号，并且其中测量信息21基于由感测单元提供的测量信号。
[0114]
根据示例，目标气体是感测设备的多种目标气体的一部分，并且信号校准模块30被配置用于
[0115]
使用机器学习模型34基于测量信息21确定目标气体的浓度的相应已校准测量值，
[0116]
针对目标气体中的每种目标气体，基于为目标气体而确定的已校准测量值31来确定反馈特征41，以及
[0117]
使用反馈特征41确定目标气体的后续已校准测量值31'。
[0118]
目标气体是感测设备的多种目标气体的一部分，并且信号校准模块30被配置用于
[0119]
使用机器学习模型34基于测量信息21确定目标气体的浓度的相应已校准测量值31，
[0120]
基于已校准测量值31确定反馈特征41，以及
[0121]
使用反馈特征41确定目标气体的后续已校准测量值31'。
[0122]
尽管一些方面已经被描述为装置上下文中的特征，但显然这种描述也可以被视为对方法的对应特征的描述。尽管某些方面已经被描述为方法的上下文中的特征，但显然这种描述也可以被视为对与装置的功能相关的对应特征的描述。
[0123]
一些或所有的方法步骤可以通过(或使用)硬件装置来执行，例如微处理器、可编程计算机或电子电路。在一些示例中，一个或多个最重要的方法步骤可以由这样的装置执行。
[0124]
取决于某些实现要求，本公开的示例可以以硬件或软件或至少部分以硬件或至少部分以软件来实现。该实现可以使用存储有电子可读控制信号的数字存储介质来执行，例如软盘、dvd、蓝光、cd、rom、prom、eprom、eeprom或闪存，该介质与可编程计算机系统协作(或能够与其协作)以执行相应方法。因此，数字存储介质可以是计算机可读的。
[0125]
根据本公开的一些示例包括具有电子可读控制信号的数据载体，该载体能够与可编程计算机系统协作，从而执行本文中描述的方法中的一个。
[0126]
通常，本公开的示例可以实现为具有程序代码的计算机程序产品，当计算机程序产品在计算机上运行时，该程序代码可操作用于执行方法中的一个。程序代码可以例如存储在机器可读载体上。
[0127]
其他示例包括存储在机器可读载体上的用于执行本文中描述的方法中的一个的计算机程序。
[0128]
换言之，因此，所公开的方法的示例是一种具有程序代码的计算机程序，当计算机程序在计算机上运行时，该程序代码用于执行本文中描述的方法中的一个。
[0129]
因此，所公开的方法的另一示例是一种数据载体(或数字存储介质或计算机可读
介质)，该载体包括记录在其上的用于执行本文中描述的方法中的一个的计算机程序。数据载体、数字存储介质或记录介质通常是有形的和/或非暂态的。
[0130]
因此，所公开的方法的另一示例是一种表示用于执行本文所述方法中的一个的计算机程序的数据流或信号序列。数据流或信号序列可以例如被配置为经由数据通信连接(例如，经由互联网)来传输。
[0131]
另一示例包括一种处理部件，例如计算机或可编程逻辑设备，该处理部件被配置为或适于执行本文中描述的方法中的一个。
[0132]
另一示例包括一种其上安装有用于执行本文中描述的方法中的一个的计算机程序的计算机。
[0133]
根据本公开的另一示例包括一种被配置为将用于执行本文中描述的方法中的一个的计算机程序(例如，电子地或光学地)传送到接收器的装置或系统。例如，接收器可以是计算机、移动设备、存储器设备等。例如，该装置或系统可以包括用于将计算机程序传送到接收器的文件服务器。
[0134]
在一些示例中，可编程逻辑器件(例如，现场可编程门阵列)可以用于执行本文中描述的方法的一些或所有功能。在一些示例中，现场可编程门阵列可以与微处理器协作以执行本文中描述的方法中的一个。通常，这些方法优选地由任何硬件装置来执行。
[0135]
本文中描述的装置可以使用硬件装置来实现，也可以使用计算机来实现，或者使用硬件装置和计算机的组合来实现。
[0136]
本文中描述的方法可以使用硬件装置或者使用计算机或者使用硬件装置和计算机的组合来执行。
[0137]
在前面的“具体实施方式”中，可以看出，为了简化本公开的目的，在示例中将各种特征组合在一起。本公开的方法不应当被解释为反映所要求保护的示例需要比每个权利要求中明确列举的更多特征的意图。相反，如以下权利要求所反映的，主题可能不在于单个公开示例的所有特征。因此，以下权利要求在此并入“具体实施方式”中，其中每个权利要求可以作为单独的示例独立存在。虽然每个权利要求都可以作为单独的示例独立存在，但应当注意，尽管从属权利要求在权利要求中可以涉及与一个或多个其他权利要求的特定组合，但其他示例也可以包括从属权利要求与每个其他从属权利要求的主题的组合或每个特征与其他从属或独立权利要求的组合。在本文中提出了这样的组合，除非声明不打算使用特定组合。此外，旨在将权利要求的特征包括在任何其他独立权利要求中，即使该权利要求不直接依赖于独立权利要求。
[0138]
上述示例仅用于说明本公开的原理。应当理解，本文中描述的布置和细节的修改和变化对于本领域其他技术人员来说将是很清楚的。因此，意图仅受未决专利权利要求的范围限制，而不受通过本文中示例的描述和解释而呈现的具体细节限制。