张常华 李仕昆 张泽栋 曾研

【关键词】气体传感器;人工神经网络;神经元

本文基于神经网络对多种传感器监测的数据进行融合迭代处理，来解决气体传感器的测量误差，得到相对准确的气体浓度值。在神经网络对采集气体进行处理后，周围环境的气体浓度值能够在便捷装置上更新显示。

便携多气体监测设备的系统总体框架如图1所示，设备由电源、移动终端、传感器监测模块、蓝牙模块和STM32F405RGT为主控芯片的单片机组成。设计为了满足设备能够随身携带的特点和本着环保的原则，同时让其具备安全性能良好的优点，采取了可充电式电池作为电源，通过电源模块给整个设备供给所需的电力。由于该设计用到的模块比较多，传感器和单片机的接口无法满足模块允许所需要的电压，因此在电池供电后，设计降压稳压电路（如图2所示），输出传感器等设备运行所需要的电压。在电源模块中利用5-3.3V的降压电路，给STM32F405RGT6为主控芯片的电路板供电，在电路中留出引脚给现有的传感器（温湿度压强综合的传感器、氧气传感器、二氧化碳一氧化碳TVOC传感器、苯甲醛传感器）、蜂鸣器进行连接。以及给出一个I/O口于蓝牙模块，连接电路与蓝牙模块，使单片机能够将经神经网络处理后的相对准确的气体浓度值通过蓝牙模块传输给对应设计的手机APP上。

该设备能够将气体传感器数据与周围环境参数经过神经网络处理，处理后得到相对准确的气体浓度值数据，单片机再通过蓝牙模块将气体浓度值发送给移动终端，并在终端显示气体浓度。如果浓度达到危害到人体健康的阈值，设备将会通过蜂鸣器进行提示，危害程度越大，蜂鸣器所造成的声音越尖锐，并在终端上对设备持有人提示危害程度。

监测采用多种高灵敏度的气体传感器监测周围的环境，通过传感器多次采集的数据与神经网络的处理得到气体相对准确的浓度。当气体浓度过高或过低偏离正常人体健康所需的正常值，设备将会报警，并且对相关人员的移动终端及时推送危害程度。

移动终端APP在被打开后，显示出需要监测的环境参数，然后检测蓝牙模块与单片机连接是否正常。若连接正常，APP向单片机发送获取各类环境参数的命令，让传感器对各种环境参数进行采集，经过单片机采集处理后的数据通过蓝牙将数据返回至移动终端显出来。如图3所示

温湿度压强传感器和多种气体传感器通过神经网络处理采集后的数据，再由蓝牙模块将数据传输至终端APP，并将处理后相对准确的数据在软件界面进行显示，图4为该设备在检测时的显示状况。从图中可以能够看出测量后的各种环境参数。

在识别混合气体的成分中，最常用的方法是先将各种气体分离，然后分别装入不同的传感器进行检测，但随着人工智能发展，不再需要人工进行气体分离，而是采用之前所得到的数据进行分析。模拟人工神经网络的方法，在传统的方法中是循环伏安测量法：利用箔电极具有透气性，气体能透过箔电极与电极之间的电解质发生电离反应[1]，不同气体在反应的时候产生的伏安曲线不同，再通过多种不同的传感器，可以识别出多种复杂的气体，利用不同气体所表现的特征伏安曲线的不同，识别出与之相对应的气体。

而人工神经网络是一个非线性的并行处理系统， 采用分布式存储结构，信息 分布在神经元之间的连接强度（即权重） 上，不同于传统的程序，其不是有顺序地进行，而是通过对原有的样本进行学习，然后不断改变不同神经元之间的权重，在模拟中学习。而智能传感器就是采用的人工神经网络的方式， 如三层前馈网络，即：输入层、隐含层（中间层）和输出层。各层之间实现全连接。[2]（如下图所示）

神经元与神经元之间的连接强度称为权重， 求和则得到该节点的净输入。在不同的输入信号作用下对其进行相对应功能函数的计算，产生输出信号（如图6）。在智能微传感器的人工神经网络中，我们设置了多种气体作为特征标识，每种气体通过循环伏安法测得到三条特性曲线， 其中二条曲线的数据用于训练， 另一个用于修正训练期间产生的错误，将测得的伏安特性曲线作为输入端，最终进行气体的辨识。

网络进行气体的识别过程主要分为五个步骤：（1）确定气体传感器阵列的维度;（2）对气体进行采样;（3）构造 BP 神经网络;（4）对神经网络进行训练; （5）检验 BP 神经网络辨识结果的正确率[3]。

人工神經网络和传感器阵列技术相结合的方法对混合气体检测这一方面的研究效果拔群， 通过大量的实践证明，该方法对未知气体的识别可以高达100%，除此之外在定量识别方面，最小误差可控制在4.49%以内，可以满足我们日常生活的需求。

基于STM32单片机的多气体浓度监测设备，硬件采用了多模块进行设计，软件代码以神经网络处理和机器学习为主，使系统具有高精度，抗干扰能力强的特点，能够准确得到空气中主流气体浓度是否超标的信息，适用于各种室内场所，同时有着蜂鸣器模块在浓度超标时会进行报警。多个模块都已经属于成熟的技术，多模块组合的结构也能使得设备的具有低功耗的特点。