基于ESP32-S的小型智能氣體識別系統設計

劉弘禹，李彥寬，方曉東，陳志超

(1.深圳大學 應用技術學院，廣東 深圳 518060；2.深圳大學醫學部 生物醫學工程學院，廣東 深圳 518060；3.深圳技術大學 新材料與新能源學院，廣東 深圳 518118)

0 引言

金屬氧化物半導體氣體傳感器[1-2]具有體積小、功耗低、硅工藝兼容、成本低、響應快和靈敏度高等突出優點。然而，由于氣體分子種類的復雜性，該類傳感器在實際應用中經常會出現對多種氣體的交叉響應，而無法實現對特定氣體的選擇性識別。若能克服金屬氧化物半導體傳感器選擇性差的難題[3]，必將推動其今后在物聯網環境、醫療健康、食品行業、農業生產和安防監測等領域中新穎且貼切實際的應用。

圍繞金屬氧化物半導體傳感器選擇性差這一難題，研究人員主要提出了三種策略。其中最直接的策略是通過優化傳感器的敏感材料、結構設計和測試方法，提高其對特定氣體的靈敏度和選擇性，實現所謂的“一對一”的傳感測試功能[4]。例如，通過選擇不同的金屬氧化物半導體材料，可以實現對特定氣體的高靈敏度選擇性識別。同時，通過改變傳感器的結構和參數，如工作溫度、尺寸和形狀等，也可以提高傳感器對特定氣體的響應。此外，研究人員還開發了一系列的測試方法，如光調制、溫度調制、頻率調制和脈沖調制等，以提高傳感器的靈敏度。除了改進傳感器的材料、結構和測試方法之外，研究人員還提出了模仿動物嗅覺系統的電子鼻方法，以提高金屬氧化物半導體氣體傳感器的選擇性。電子鼻陣列采用了具有不同表面化學性質的傳感器組成，可以對多種氣體進行選擇性識別[5]。傳感器陣列的數量的增加，可以增加所提取的氣體分子的“特征”從而益于對目標氣體的特征分析。結合信號處理和機器學習算法來進行特征分析，這樣就可以實現“多對一”或“多對多”的氣體識別方法[6-7]。為了進一步提高金屬氧化物半導體氣體傳感器的選擇性，研究人員還提出了熱調制技術[8-10]。不同于傳統的恒定溫度環境測量，在一個測量周期內，通過設定調節傳感器的測試溫度，實現對單個氣體傳感器的選擇性的增強，完成其對類揮發性有機化合物(VOC，volatile organic compounds)氣體分子的“一對多”識別。這種方法可以大大提高金屬氧化物半導體傳感器的選擇性和靈敏度，實現對特定氣體分子的高效識別。

針對傳統電子鼻[11-12](傳感器陣列)器件復雜、體積大、功耗高、運算復雜和穩定性差等問題，本文將傳統電子鼻陣列技術的空間拓展方式轉換為時間拓展方式，根據傳感器氣敏特性受器件溫度的影響和控制，即傳感器工作溫度范圍變化，其對不同氣體的響應也會相應變化，有效利用氣體傳感器的溫度控制效應[13]。通過熱調制技術測試并收集單個傳感器在分別在不同溫度模式下對不同氣體的動態響應，再結合信號處理、特征提取與深度學習技術，得到用于氣體分類識別的算法模型，達到對氣體識別分類目的。基于傳感器瞬態熱調制響應的特征提取算法[14]，提取不同吸附氣體分子的內在特征，結合深度學習算法，搭建深度卷積神經網絡進一步篩選和提取特征，計算并分類提取到氣體分子特征，使單個傳感器的氣體識別能力得到大幅度的拓展。基于上述設計了一款基于ESP32-S的小型智能氣體識別系統，實現了單個金屬氧化物半導體氣體傳感器對多種VOC氣體的分類檢測。

1 器件制作與模塊設計

智能氣體識別系統的制作流程包括電路板制作、用戶界面設計、響應信號處理和深度神經網絡模型構建[15]，氣體識別系統原理圖如圖1所示，其中硬件電路按照功能模塊劃分，包括主控模塊(MCU，micro-programmed controller unit)、傳感器模塊(sensor module)、熱調制模塊(TM，thermal modulation module)、數據采集模塊(data acquisition)和數據傳輸模塊(data transmission)。硬件電路主要實現傳感器傳感層溫度調制功能、響應信號測量功能和信號傳輸功能。

圖1 智能氣體識別系統原理圖

繪制電路板(PCB，printed circuit board)電路圖并加工焊接，電路板外形設計如圖2所示，供電部分為外接5 V的電壓輸入，經低壓差線性穩壓器AMS1117穩壓獲得純凈的VCC電源。AMS1117穩壓器提供了一種高品質、低成本的解決方案，提供常規電壓(1.5～13 V)的精確穩定輸出。金屬氧化物半導體氣體傳感器采用氣敏材料為氧化錫(SnO2)的TGS2602陶瓷片式氣體傳感器，外殼使用標準的TO-5金屬封裝，搭載的加熱器僅需56 mA的電流，對低濃度的VOC氣體具有很高的靈敏度。主控采用ESP系列ESP32-S[16]從而支持WIFI/藍牙協議傳輸數據，通過控制DA轉換芯片輸出不同電壓，施加至傳感器兩端進行熱調制。采用運放構建恒流源，經電阻后，檢測電阻兩端電壓推算其阻值。ESP32-S內啟用HTTP[17]服務器，內置網頁，讀取并可視化推算出的傳感層電阻阻值，客戶端通過訪問網頁對設備進行控制和獲取數據。

圖2 電路板外形設計

單片機程序采用Arduino[18]平臺IDE，利用官方API庫編寫程序代碼，并燒錄進ESP32-S電路板。通過HTML語言編寫用戶交互界面程序，包括測試啟停控制、原始數據反饋、測試識別結果的顯示等功能，電路板內WIFI模塊將響應數據更新至本地HTTP服務器。

1.1 主控模塊設計

選用ESP32-S作為主控芯片，具有多路模數轉換接口便于對模擬信號的轉換處理，SPI總線便于控制數模轉換芯片輸出特定電壓，而集成的2.4 GHz WIFI、藍牙協議棧便于數據的遠程傳輸。主控芯片控制數模轉換芯片輸出特定電壓，該電壓經運放跟隨后增大負載阻抗，放大了驅動能力，且可同時對多路傳感器進行熱調制。在熱調制的同時，不斷對探測器兩端的電壓以一定頻率進行采樣，經轉換后換算出探測器的阻值，更新本地服務器端的數據等待客戶端讀取。

圖3 MCU主控模塊電路原理圖

1.2 電壓調制模塊設計

電壓調制先對傳感器兩端加一個初始電壓，使傳感器處于一個穩定的初始狀態。主控芯片內部存儲了多組電壓變化數據(方波、正弦波、三角波和鋸齒波)，在接受到“開始采集”控制信號后，主控依次將電壓值輸出至數模轉換芯片控制其輸出變化的電壓。如圖4是一種三角波的調制方式，常態時主控發送特定電壓數據，開始采集后，發送的電壓數據逐步增加，直至采樣結束，再次發送默認數據對傳感器加熱端進行電壓的動態調制，實現對傳感器熱調制，讓單個傳感器在隨時間變化的不同溫度下對目標氣體產生響應，對單個傳感器的氣體響應能力從時間維度上進行了拓展。而為了輸出幅度可控的電壓，采用12位精度的數模轉換芯片AD5621[19]，主控芯片與AD5621通過SPI接口通訊，控制其輸出特定電壓。為增大驅動能力，且避免多路傳感器之間相互影響，AD5621的輸出經運放做跟隨，進行阻抗變換。

圖4 一種電壓動態調制方式

如圖5所示，處理器通過其GPIO15、GPIO18、GPIO23引腳分別與數模轉換子單元的SYNC、SCLK、SDIN引腳電連接，數模轉換子單元的VOUT引腳與運算放大電路的+INA、+INB、+INC和+IND引腳電連接。如此連接的處理器、數模轉換子單元和運算放大電路使得智能氣體識別裝置的結構更加合理和緊湊，提高整體集成度，順應氣體傳感器MEMS技術的發展，增加氣體檢測裝置的集成度同時漸小其功耗和體積。

圖5 熱調制模塊電路原理圖

1.3 傳感器模塊設計

氣體傳感器選用TGS系列金屬氧化物半導體傳感器，雖然智能氣體識別裝置優選單個氣體傳感器進行測試識別，且單個氣體傳感器相對輕便。但是也包含設置若干氣體傳感器同時測試的設計[20]，即傳感器陣列技術。而如今機器嗅覺領域普遍流行的電子鼻技術中，傳感器陣列是其中關鍵一環。利用不同氣敏器件對復雜成分氣體都有響應(交叉敏感)但又互不相同的特點，從空間拓展的方向增加氣敏傳感器增加氣體識別系統的魯棒性和準確性。為了進一步提高系統識別準確率，電路板設計時預留了4個傳感器的底座。多傳感器相連具體可以如圖6所示通過分時復用電路或通路切換電路實現若干個氣體傳感器的連接，以進行多維度采樣，通過合理增加數據量，提高智能氣體識別裝置進行氣體識別時的準確度和效率。

圖6 多傳感器連接電路原理圖

2 軟件的思路與設計

軟件設計實現信號處理、特征提取、深度神經網絡訓練與識別功能。軟件上搭建信號處理和卷積神經網絡(CNN，convolutional neural network)[21-23]對氣體傳感器響應數據進行分析處理和識別。信號處理方面，采用逐步排除冗余信息的三步信號預處理方法，先通過在相同溫度變化剖面下，計算Rgas/Rair的值得出原始電信號對應的傳感器靈敏度響應信號，這可以有效消除熱調制信號中的冗余特征信息，例如由于傳感材料本身的溫度響應特性產生的氣敏材料電阻溫度系數(TCR，temperature coefficient of resistance)相關的冗余特征。隨后，為了去除氣體濃度相關特征信息，數據采用歸一化處理。最后采用離散小波變換(DWT，discrete wavelet transform)去除其它噪聲影響。卷積神經網絡的搭建方面，使用Python-Tensorflow構建卷積神經網絡，利用卷積神經網絡在數據降維、特征提取、特征增強、提高識別分類魯棒性等性能上的優勢，建模并解決氣體分子識別問題。采用卷積神經網絡的優點在于對網絡特征值進行計算而不是對原始值進行計算，先進行特征提取，再進行運算。卷積神經網絡主要由卷積層、池化層和全連接層構成，卷積層利用卷積核進行計算以得到特征值，這些特征值將構成一個特征圖，池化層則對該特征圖進行進一步的優化，全連接層與傳統的反向傳播神經網絡(BPNN，backpropagation neural network)原理大致一樣，它用于輸出一個結果函數。

將氣體傳感器在待識別氣氛中的熱調制響應信號，通過電路板WIFI模塊傳推送到上位機的WEB端。數據采集、信號處理和神經網絡的訓練方面，上位機通過Python的requests和BeautifulSoup模塊訪問自搭建的服務器爬取[24]響應數據，并保存到本地文件，待數據處理程序處理。經信號處理特征提取后制成特定格式的數據集，喂給所搭建的卷積神經網絡。網絡模型參數(權值與閾值)經過反向傳播迭代訓練后，在實際驗證，測試，使用階段前向傳播分析計算檢測氣體種類，達成對氣體種類識別的目的。

2.1 系統測試與信號處理

先將智能氣體識別系統硬件電路板置于空氣環境中，于加熱端電壓為2.5～3.8 V下，加熱溫度150～250 ℃，以20 Hz的頻率采集傳感器響應電阻信號Rair(t)，其中t為采樣的時間。測試過程中，通過電壓調制調節傳感層溫度，采樣時長為5 s。再將智能氣體識別系統硬件電路板置于不同濃度的已知氣氛中，于相同的調制電壓、調制溫度范圍、采樣頻率和采樣時長下，重復多次采集，得到該種氣體在不同濃度下的熱調制響應信號集{Rgas(cc，u，t)}，式中的cc為氣體濃度、u為第u次的測試。

信號處理階段，先對響應信號集{Rgas(cc，u，t)}進行靈敏度預處理，即G(cc，u，t)=Rair(t)/Rgas(cc，u，t)，得到氣體傳感器在該濃度下第u次測量氣體時的靈敏度信號，Rair(t)為參照氣體在對應熱調制過程中t時刻的響應信號。類似于圖像處理中，去除圖像亮度帶給圖像分類檢測的干擾[22]，同樣的氣體的濃度特征也是與氣體本身響應特征無關的，為了去除氣體濃度相關的特征，需要對不同濃度下氣體的靈敏度信號進行濃度歸一化處理。但氣體濃度未知，通過分析靈敏信號，歸一化處理可用Y(cc，u，t)=(G(cc，u，t)-G(cc，u，t)min)/(G(cc，u，t)max-G(cc，u，t)min)，式中的G(cc，u，t)max和G(cc，u，t)min為該濃度下第u次測量氣體時靈敏度的最大和最小值。

對歸一化處理結果進行離散小波變換，以利用Daubechies小波變換[25]來濾掉噪聲信號，去除細節系數，利用低頻近似系數[26]來作為后續深度神經網絡模型的訓練數據。之后，將智能氣體識別系統硬件電路板分別置于不同種類的已知氣氛中，以上述相同的調制電壓、調制溫度范圍、采樣頻率和采樣時長下，重復以上步驟，得到對應不同種類氣體標簽的深度神經網絡模型訓練數據。

2.2 深度神經網絡模型構建

采用Python-Tensorflow在上位機中搭建卷積神經網絡模型。網絡結構如圖7所示為I-5×5-2×2-200-200-P，輸入層I有10×10共100個節點，為信號處理后對應不同種類氣體標簽的訓練數據，每一類氣體單組數據由100個響應數據組成，每一次熱調制處理時間周期內，隨溫度變化得到的100個數據組成一個序列。網絡輸出層設計為有P個節點，對應代表所需識別的P種氣體。卷積神經網絡的卷積層卷積核設置為尺寸5×5，通道為1總共6個，池化層選擇使用尺寸為2×2的最大池化，中間隱藏層的全連接層神經元個數均為200個，即一個200*200的FC層和一個200*P的FC層。

圖7 卷積神經網絡結構圖

卷積神經網絡模型在兩層FC層皆使用激活函數，激活函數采用Relu函數。最后的網絡輸出通過Softmax函數將輸出向量的每個值都映射到0～1，滿足預測結果哦為概率形式且有利于網絡的快速收斂，損失函數采用交叉熵(Cross entropy，CE)度量網絡預測結果與氣體標簽向量(采用one-hot編碼)的相似度。網絡權重和偏置參數用標準正態分布的隨機數進行初始化保證梯度正常更新。網絡模型迭代訓練過程，使用反向傳播算法鏈式求導計算網絡各參數梯度[27-28]，采取隨機梯度下降算法(SGD，stochastic gradient descent)往減小損失函數計算值的方向更新網絡參數。

3 實驗結果與分析

3.1 實驗步驟和方法

實驗通過硬件電路板測試單個SnO2傳感器(TGS2602)在不同溫度和氣體氛圍組合下的熱調制動態響應信號，結合特征提取的信號處理方法與卷積神經網絡深度學習技術，實現對乙醇、丙酮和異丙醇氣體的分類識別。實驗所選擇的調制傳感器溫度范圍為150～250 ℃，對應調制電壓范圍2.5～3.8 V，以20 Hz的頻率采集熱調制下的傳感器特性變化曲線，通過電路板內WIFI模塊信號傳輸功能傳遞信號。

圖8 靜態氣敏測試平臺

圖9 系統測試界面

圖10 智能氣體分子檢測識別系統響應信號預處理

首先，在靜態氣敏測試平臺(圖8)中放入設計并制成的智能氣體識別系統電路主板，用針筒注射器抽取乙醇、丙酮和異丙醇液瓶上層飽和蒸汽，并向測試平臺中分別通入不同容量的乙醇、丙酮和異丙醇氣體。在如圖9所示電腦瀏覽器用戶界面打開系統測試程序，將氣體傳感器在測試氣氛中的熱調制響應信號，通過電路板WIFI模塊傳推送到上位機端。通過Python的requests和BeautifulSoup模塊爬取上位機WEB端氣體傳感器熱調制響應數據，并保存到本地文件。傳感器熱調制響應信號經信號處理后喂入Python-Tensorflow搭建的I-5×5-2×2-200-200-P結構卷積神經網絡。識別測試前給神經網絡喂入經過數據處理，標定好氣體種類標簽的響應信號進行訓練，通過反向傳播算法，調整神經網絡參數(權值與偏置)。待卷積神經網絡模型訓練完之后，使用訓練后參數(權值與偏置等)前向傳播對輸入的測試數據分析計算，得出檢測氣體種類，對乙醇、丙酮和異丙醇氣體進行識別測試。

在相對濕度為50%～60%的空氣環境背景下，分別將乙醇、丙酮和異丙醇蒸汽注入玻璃罩中。傳感器的溫度調制響應信號同時通過WIFI模塊發送到PC上。響應信號通過信號預處理方法，即原始信號(原始電阻信號)、靈敏度響應信號(去除TCR信號)和歸一化信號(去除濃度相關信號)，提取對應需識別氣體的氣體氣氛下智能氣體識別系統中SnO2傳感器(TGS2602)的內在特征。經過信號處理后，將離散小波變換后信號送入卷積神經網絡模型，利用訓練后的參數前向傳播來識別氣體種類。

3.2 氣體識別測試結果分析

神經網絡共訓練了105組乙醇、丙酮和異丙醇氣體的數據集，氣體的濃度范圍為30～90 ppm。測試識別乙醇、丙酮和異丙醇在30～90 ppm濃度水平下的共42種測試氣氛，將各類14個測試氣氛響應信號預處理后分別送入訓練后的卷積神經網絡模型進行識別測試。

氧化錫(SnO2)傳感器的熱調制響應信號預處理如圖10所示，在乙醇、丙酮和異丙醇氣氛下傳感器的原始電阻響應信號形態相似，但經轉變為相同的熱調制波形下的靈敏度響應信號和歸一化處理后，3種氣氛下的響應信號形態表現出較大差異。最終，通過單個SnO2傳感器識別乙醇、丙酮和異丙醇氣體的混淆矩陣(圖11)可知，該智能氣體識別系統的識別準確率達到100%。

圖11 識別混淆矩陣圖

4 結束語

本文介紹了一種基于單個金屬氧化物半導體氣體傳感器的小型智能氣體識別系統。該系統可以用于檢測和識別多種VOC氣體，包括乙醇、丙酮和異丙醇等。系統的主要組成部分包括硬件電路、用戶界面、響應信號處理和深度神經網絡模型4個模塊。硬件電路設計實現了溫度調制功能、傳感器響應信號測量功能和信號傳輸功能。軟件設計實現信號處理、特征提取、深度神經網絡訓練與識別功能。用戶界面包括開關功能、響應數據與測試識別結果顯示功能。通過測試單個傳感器在不同溫度模式下對不同氣體的動態響應，再結合信號處理特征提取與深度學習技術，實現對不同種類VOC氣體的分類識別。系統具有體積小、成本低、響應快、準確性高等優點，可以廣泛應用于物聯網環境、醫療健康、食品行業、農業生產和安防監測等領域。