МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ МУЛЬТИСЕНСОРНОЙ СИСТЕМЫ «ЭЛЕКТРОННЫЙ НОС» ДЛЯ ПОВЫШЕНИЯ ЭКОЛОГИЧЕСКОЙ БЕЗОПАСНОСТИ АВТОМОБИЛЬНОЙ ТЕХНИКИ

Чубуков Н.Н.

Аннотация
Рассматривается перспективный путь развития средств газового анализа, заключающийся в разработке мультисенсорных систем, работа которых основана на управлении массивами избыточных данных. Описан принцип функционирования такой системы - "электронный нос", сочетающей в себе матрицу сенсоров, обладающих перекрестной чувствительностью, с аналитическим устройством, логика вывода которого построена на нечетких операторах.

Библиографическая ссылка на статью:
Чубуков Н.Н. Математическое моделирование мультисенсорной системы «электронный нос» для повышения экологической безопасности автомобильной техники // Современная техника и технологии. 2012. № 10 [Электронный ресурс]. URL: http://technology.snauka.ru/2012/10/1344 (дата обращения: 01.10.2017).

Важными показателями эффективности и конкурентоспособности современной отечественной автомобильной техники является обеспечение требований экологической безопасности (экологичности) в соответствии с [1]. Данный документ определяет перечень требований, выполнение которых позволяет исключить или снизить до допустимых значений воздействия на сотрудников предприятий, окружающую природную среду и местное население вредных и загрязняющих факторов, сопровождающих производство и применение таких объектов.

Требования по экологической безопасности в обязательном порядке входят в разделы технических заданий на опытно-конструкторские работы по разработке автомобильной техники.

Особенно обязательным является выполнение данных требований для автомобильного транспорта, так как его эксплуатация сопровождается выбросом в атмосферу загрязняющих веществ. Актуальность контроля экологичности автомобильного транспорта обусловлена его массовостью, востребованностью и широтой использования во всех сферах народного хозяйства и личной жизни граждан.

В атмосферном воздухе, воздухе пассажирских помещений и кабин присутствуют загрязняющие вещества, образующиеся при сгорании топлива в двигателях внутреннего сгорания, работающих на бензине, дизельном топливе и газе, а также при испарении топлива и смазок из систем и механизмов автотранспорта.

Превышение предельно допустимых концентраций (ПДК) данных веществ ведет к снижению работоспособности и повышению вероятности ошибок водителей автотранспортных средств и повышению аварийности на автомобильных дорогах. Также важными факторами, определяющими необходимость принятия срочных мер являются нанесение вреда здоровью пассажиров общественного транспорта и пешеходам, и загрязнение окружающей среды.

Предельно допустимые концентрации (ПДК) наиболее вредных веществ (ВВ), источниками которых согласно [2] является автомобильный транспорт, приведены в таблице 1.

Таблица 1.

Наименование вещества Химическая формула Диапазон измерений массовых концентраций вредных веществ, [мг/м3] Атмосферный воздух
Начало Конец ПДКмр

мг/м3

ПДКсс мг/м3
Гексан C6H14 30 270 60 -
Формальдегид HCOH 0,015 0,15 0,035 0,003
Азота диоксид NO2 0,1 1 0,2 0,04
Метан CH4 25 250 50 -
Азота оксид NO 0,2 2 0,4 0,06
Углерод оксид (Угарный газ) CO 2,5 25 5 3

Примечания:

мр – максимально разовая концентрация, мг/м3;

сс – среднесменная концентрация, мг/м3.

Уменьшить влияние последствий, обусловленных превышением ПДК ВВ, можно установкой на автотехнику систем мониторинга воздуха кабин и салонов автомобилей. При этом измерения должны осуществляться непрерывно в автоматическом режиме, а результаты измерений – удовлетворять требованиям точности, воспроизводимости и достоверности согласно [3].

Традиционный путь улучшения качества газового анализа основывается на повышении чувствительности сенсоров. Однако на текущий момент развитие измерений в этом направлении весомо замедлено из-за ограничений по помехоустойчивости. Эти ограничения носят методический характер, поскольку селективность неразрывно связана с чувствительностью и всегда находится с ней в обратной зависимости.

В реальных условиях вредные вещества в чистом виде измерений не встречаются, к тому же в смесях зачастую присутствуют однородные по компоненты, на которые сенсор реагирует как на целевой компонент. При этом по токсичности одна из составляющих смеси может в разы и на порядки превосходить сходные по химическому составу ингредиенты. Поэтому из-за перекрестных корреляций компонентов дальнейшее наращивание чувствительности сенсоров на практике является малоэффективным.

Принципиально новый – мультисенсорный подход к решению этой задачи стал возможен с появлением микропроцессорной обработки и использованием избыточной информации от множества сенсоров с целью извлечения полезного сигнала расчетными методами и представления его в требуемой форме.

В настоящее время методология измерений несколько отстает от развития технических средств, и на преодоление этого отставания применительно к решению актуальной для экологической безопасности автотранспорта задачи распознавания смесей направлена настоящая статья.

Оригинальным в предлагаемом подходе является постулирование положения о том, что селективность отдельных сенсоров к измеряемым компонентам перестает иметь решающее значение, а большую значимость приобретает мешающее ранее свойство их перекрестной чувствительности.

Реализация технической системы для распознавания смесей, основанной на этом положении значительно усложняет обработку данных, полученных от первичных преобразователей за счет применения при вычислениях логических операторов, изменяющих конфигурацию алгоритма в зависимости от распределения информативных сигналов на сенсорах.

Однако использование логических операторов в сочетании с методологией статистической теории проверки гипотез [4] и традиционным регрессионным анализом, программно реализованных на базе современной микропроцессорной техники, позволило обеспечить достаточную рациональность вычислений за счет снижения размерности измерительного эксперимента при калибровке путем селективного отбора наиболее информативных сенсорных каналов.

Таким образом, были созданы предпосылки для перехода к созданию интеллектуальных аналитических систем, известных как – «электронный нос» [5,6].

Принцип работы системы «электронный нос» основан на том, что каждый сенсор в матрице характеризуется различными парциальными чувствительностями по отношению к пространству анализируемых запахов, и имеет характерное распределение откликов на спектр тестируемых запахов.

Ансамбль откликов мультисенсорной матрицы является достаточно сложным, однако представимым образно, например, в виде многоугольника на лепестковой диаграмме, который является своеобразной «картой запаха».

Применение математического аппарата нечетких множеств делает возможным сравнение «карты запаха» с некоторыми опорными областями на диаграмме, полученными при многомерной калибровке ранее.

Таким образом, при условии достаточной воспроизводимости «карты запаха», может осуществляться идентификация состава смеси и концентраций компонентов путем «наложения» изображений и определения степени их совпадения.

Разрабатываемая система контроля воздуха должна решать следующие задачи:

  • распознавание состава воздушной смеси в кабинах и салонах автотранспорта;
  • оценка концентраций компонентов смеси;
  • выдача сигнала превышения ПДК ВВ.

В процессе эксперимента блок неселективных сенсоров был подвергнут многомерной калибровке по приведенным в таблице 1 шести компонентам. При этом были выявлены перекрестные корреляции этих компонентов, представленные на рисунке 1.

 

 

 

Рисунок 1 – Лепестковые диаграммы распределения электрических сигналов на сенсорах

Результаты эксперимента интерпретировались следующим образом:

  • датчики формальдегида и диоксида азота перестают реагировать на целевые компоненты смеси при наличии любого из 4-х оставшихся компонентов;
  • зоны малых концентраций на датчике азота диоксида перекрываются по 4-м компонентам, и превышают верхнюю точку диапазона азота диоксида;
  • все датчики кроме азота оксида и углерода оксида проявляют чувствительность не на «свои» компоненты – датчик гексана максимально чувствителен к метану, формальдегида – к углерода оксиду и т.п.

В процессе совместных измерений входов и выходов датчиков:

ij, Uij}, i,j = 1,N                            (1)

были построены перекрестные функции преобразования измерительных каналов:

Uij= f(Cij); i,j = 1…6,                            (2), где

Uij
- напряжение на i-м сенсоре по j – му компоненту;

Cij - концентрация j – го компонента, рассчитываемая по напряжению на i-м сенсоре, найденная по формуле:

Cij = f -1 (Uij); i,j = 1…6.                            (3)

Далее, по результатам анализа приведенных лепестковых диаграмм, были выделены N характерных признаков наличия компонентов смеси, и синтезированы условные операторы:

если <в наличии> {признак k} и {признак l},

то <присутствует> {компонент m}, k,l = 1…N; m = 1…6.         (4)

Признаками наличия или отсутствия ВВ в смеси являются, прежде всего, попадание напряжений на сенсорах в диапазон напряжений на шкале определенного сенсора, занимаемый соответствующим компонентом, с учетом зон перекрытия этого диапазона при наличии других составляющих смеси.

Построение опорных областей лепестковых диаграмм выполняется в процессе многомерной калибровки, методика которой при данном подходе ввиду многоальтернативности возможных оптимальных решений видоизменяется до уровня алгоритма обучения интеллектуального датчика.

Таким образом, процедура калибровки мультисенсорной системы и измерение состава смеси и концентраций компонентов могут быть приведены к условиям стандартной задачи распознавания образов. Ее решение для приведенных в таблице 1 вредных веществ предполагает составление «карт запахов» – областей в 6-тимерном пространстве, характеризующихся набором из 6 точек на лепестковой диаграмме сенсорных сигналов, пересчитываемых по (3) в концентрации компонентов в смеси.

Определение концентраций ВВ в смеси находится путем решения обратной задачи (3), которая относится к классу некорректных по Тихонову [7]. Традиционно применяемый в этих целях регрессионный анализ может существенно усилить фактор некорректности с усложнением функции преобразования (1), которое необходимо для учета нелинейности функции преобразования и повышения воспроизводимости и точности измерений.

Поэтому для структурно-параметрической идентификации градуировочных функций наилучшими часто являются регуляризованные алгоритмы [8], учитывающие при расчетах статистические свойства исходных данных.

По тем же причинам операторы (4) могут быть реализованы с применением математического аппарата нечеткой логики [9]. При этом используются лингвистические переменные типа: «Возможно наличие формальдегида», «Присутствует гексан 90 мг/м3», «Вероятна малая концентрация смеси азота диоксида и метана в соотношении: 0,25 мг/мNOи 64 мг/мNH4», и т.п.

Структура алгоритма интеллектуального датчика предполагает параллельный расчет концентраций каждого из 6 компонентов по 6 сенсорам (всего 36 каналов обработки), однако, только блок логических операторов определяет по перекрестным корреляциям степень доверия показаниям определенного сенсора по конкретному компоненту. Последовательность проверки гипотез о наличии или отсутствии ВВ определяется исходя из начальных условий по соображениям максимальной вероятности наличия- отсутствия конкретного ВВ с постепенным сужением сектора неопределенности.

Апробация изложенного подхода на шестикомпонентных контрольных смесях, составленных на основании комбинаций веществ из таблицы 1, показала удовлетворительное составление карт запахов с точным определением состава смеси.

Представление результатов измерений концентраций компонентов может быть выполнено как в цифровом, так и в графическом форматах с оценкой относительной погрешности.

Результат измерения представляется как в виде числовой оценки концентраций компонентов и в виде лепестковых диаграмм распределений относительных концентраций, приведенных к 1 ПДК.

В случае превышения ПДК компонента может вырабатываться предупреждающий сигнал: Ci ≥ ПДК C→ <Сигнал «Превышение ПДК i-го компонента»>.

Практическая значимость проведённого исследования заключается в обеспечении возможности использования изложенного научно-методического подхода для повышения экологической безопасности движения на автомобильных дорогах.


Библиографический список
  1. ГОСТ Р ИСО 14001-2007 «Системы экологического менеджмента. Требования и руководство по применению».
  2. ГОСТ Р 51206-2004 «Содержание загрязняющих веществ в воздухе пассажирского помещения и кабины».
  3. ГОСТ Р ИСО 5725-1-2002 – ГОСТ Р ИСО 5725-6-2002 под общим заголовком «Точность (правильность и прецизионность) методов и результатов измерений».
  4. Леман Э. Проверка статистических гипотез. – М.: Наука, 1964. – 498 с.
  5. Долгополов Н.В., Яблоков М.Ю. “Электронный нос” – новое направление индустрии безопасности. – Мир и безопасность. 2007, № 4, с. 54–59.
  6. Ганшин В.М., Чебышев А.В., Фесенко А.В. От обонятельных моделей к “Электронному носу”. Новые возможности параллельной аналитики. – Специальная техника, 1999, № 1–2.
  7. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. – М.: Наука, 1979.
  8. Тихонов А.Н., Гончарский А.В., Степанов В.В., Ягола А.Г. Регуляризующие алгоритмы и априорная информация. – М.: Наука, 1983.
  9. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. – М.: Физматлит, 2002.


Все статьи автора «Чубуков Николай»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)

Оставить комментарий

Вы должны авторизоваться, чтобы оставить комментарий.

Если Вы еще не зарегистрированы на сайте, то Вам необходимо зарегистрироваться: