手持式电子鼻的设计与实现

手持式电子鼻的设计与实现

一、电子鼻的功能电子鼻（electronicnose）是动物感知系统研究成果、传感器技术与电子和计算机技术相结合的产物，主要由选择性传感器矩阵和识别系统组成。在1994年,英国Warwick大学的Gardner和Southampton大学的Bartlett使用了“电子鼻”这一术语并给出了定义:“电子鼻是一种由具有部分选择性的化学传感器阵列和适当的模式识别系统组成的,通过传感器的部分专一性和系统的模式识别功能,来检测简单或复杂气味的电子仪器”。电子鼻得到的信息代表所测样品中全部挥发物的总体分布,而不是常规仪器的分析测得的某种或某几种具体组成的含量。这些信息作为样品的特征“指纹”,可用于鉴别产品的真伪、原料质量是否合格、生产工艺流程运行是否正常。因此,它可以广泛用于工业生产的各个部门,如烟草业、化妆品、食品工业、石油化工、粮食贮存与加工、酒类和饮料、环保监测、临床诊断。此外,电子鼻还用于商检、微生物的鉴别、药物的分类与判别、宇航等部门,以及检查(旅客)行李中的爆炸物品、枪支弹药、毒品与其它违禁物品等等。随着传感器技术、微电子及MEMS等技术的进步和应用的需求,电子鼻的体积越做越小、成本也大幅度降低,从“台式”到“便携式”,到现在“手持式”电子鼻的出现,价格也已经从最初的十多万美元但现在的不到一万美元,美国的研究人员甚至提出并实现了“电子鼻芯片(Noseonachip)”的构想,可以预料以后适合一般用户的实用化微型电子鼻将会大量的进入市场。二、气体识别技术在其他食品中的应用在过去的三、四十年中,许多研究人员一直活跃在电子鼻技术这一领域。在1964年,Wilkens和Hatman提出对嗅觉过程的电子模拟,这是有关电子鼻的最早报道,是利用气味在电极上的氧化-还原反应研制的第一个“电子鼻”[3.4]。1965年报道了Buck等人利用气味调制电导和Dravieks等人利用气味调制接触电位研制的“电子鼻”。而电子鼻作为一种智能测试仪器对气味的分类和识别则是直到80年代才真正出现,1982年,英国Warwick大学的Persaud和Dodd提出了电子鼻的概念[6.7],其电子鼻系统包括气敏传感器阵列和模式识别系统两部分,而前者由三个半导体气敏传感器组成。这一简单的系统可以分辨桉树脑、玫瑰油、丁香芽油等21种复杂的挥发性化学物质的气味,自此电子鼻研究得到快速发展。国外对电子鼻的研究异常活跃,主要应用是酒类、茶叶、鱼和肉等食品挥发气味的识别和分类,目的是对之进行质量分级和新鲜度判别;另外电子鼻的其他应用还有环保监测、临床诊断、香水香型的判别等等。具体应用研究如KyuchungLee等用金属氧化物气体传感器阵列,用主成分分析法和神经网络模式识别分析法,识别了12种气体样品(浓度为0.1～100ppm的CH3SH,(CH3)3N,C2H50H和CO气体)和6种气味样品(胡萝卜、洋葱、女士香水、男士香水、25%的韩国Soju溶液和40%威士忌溶液),对12种气体识别率为100%,而对6种样品识别率达93%。C.DiNatale等用质量气体传感器阵列组成的电子鼻对番茄浆和牛奶进行新鲜度判别。HidehitoNanto用石英振荡传感器阵列,用主成分分析和神经网络分析方法,对三种酒(红酒、白酒和玫瑰酒)进行分类,神经网络的识别率达到100%。MartinHolmberg等解决气体传感器阵列中传感器零点漂移现象,从而识别那些传统识别技术所识别不了的气体,如牛奶变质产生的气味。而比较而言,国内的电子鼻研究工作则起步较晚,且大多是采用国外的电子鼻系统进行后续开发,如黄骏雄和蒋弘江等于2000年采用英国AromaScan公司生产的LabStation电子鼻仪器对几种国产香烟的质量鉴别进行了初步的研究。研究发现,电子鼻不仅可以区分不同的烟草,还能区别不同等级的香烟及判别其产品的真伪。秦树基和黄林于2000年开发了一个能识别酒类的电子嗅觉系统。该系统能成功地识别酒精、烈性酒、葡萄酒和啤酒,其识别率可达95%。邹小波和赵杰文于2002年研制了一套能够实时、准确地检测饮料散发气味的电子鼻系统,并应用该系统对可乐、橙汁、雪碧等几种常见的饮料进行了快速、实时的区分。结果表明,其识别率高达95%。国外在1994年就出现商品化的电子鼻仪器,销售电子鼻产品的公司主要有AromascanPlc(英国)、AlphaMOSSA(法国)、NeotronicsScientificLtd(英国)、LennartzElectronicGmbH(德国)和CyranoSciencesInc(美国)等十几家公司,如英国Aromascan公司的“数字气味分析系统”,法国Alpha-MOSSA公司的FOX2000系统、德国研制的PEN2型电子鼻和英国NeotronicsScientificLtd公司的NOSE系统都已经作为产品进入市场。并在英国的威士忌酒及烟草的检测、日本清酒的质量评定、意大利橄榄油的质量等级判别、食品的新鲜度等方面得到了大量的应用。如图1(a)、(b)分别是德国研制的PEN2型电子鼻、法国Alpha-MOS的桌面型FOX电子鼻,如PEN2型电子鼻是一种用来检测气体和蒸汽的小巧、快捷、高效的监测系统,它经过训练后可以很快辨别单一化合物或混合气体。通过不同的模式识别可以应用在:过程控制、食品生产中添加剂的用量、工业清洗过程的控制、发酵过程控制、自然气体中人造气体的量、食品工业中包装物的生产控制、质量控制、食品的新鲜度、包装物的外散气体、饮料的香气等。但这些商品化的电子鼻主要应用在食品和饮料行业、空气监测等领域,其应用领域还不够广泛、没有得到普及使用,主要原因在于它的尺寸和价格。如图中的PEN2型电子鼻、桌面型FOX电子鼻,体积较大不方便携带,而且这些电子鼻市场报价在10万美元元以上,这些都阻碍了电子鼻的应用普及。近些年随着传感器技术、微制造技术的发展,微结构气敏传感器也随之问世,并通过采用微电子及微机械加工(MEMS)技术研制出微型金属氧化物气敏元件及其阵列,使得传感器成本降低,而且这种集成化传感器阵列体积小、功耗低使得电子鼻系统也向微型化发展、智能化发展。如图1(c)是美国研制的Cyranose230型电子鼻,由32个传感器组成的单元,能嗅出稻米的种类和产地,其价格大幅度降低,售价在8000美元左右,当然其功能也单一化,但我们可以根据具体需要在计算机上训练其相应的功能,正是这种具有低价格、低功耗、便于携带、通用性好、能够现场进行即时的检测等特点的手持式电子鼻,在一般的用户中有大量的潜在需求,有很好的发展前景。因此,在保持灵敏度的前提下,实现满足特定需要功能、体积小、成本低的手持式电子鼻,是电子鼻技术能广泛应用的关键。而国内的电子鼻技术到目前为止还主要处在实验室阶段,在商品化电子鼻方面还是空白。目前,国内市场上销售的这类仪器主要是代理国外的产品。因此,如何使电子鼻商品化,使电子鼻成本低、体积小、携带方便也应重视。下面我们重点介绍如何实现手持式的电子鼻。三、仿生动物嗅泡系统的构建目前成熟的电子鼻主要是由三大部分组成:传感器阵列、信号预处理电路、计算机模式识别系统。电子鼻的工作原理与动物的嗅觉相似,如图2所示,动物的鼻子之所以能完成这么复杂的功能,是因为鼻腔内有大约10亿多个嗅觉气泡。当有气味物质的分子吸附上时,会使细胞膜电位发生变化,产生不同的响应。这些复杂的响应信号先通过嗅泡这种特殊细胞预先处理,然后由神经系统传递到大脑嗅觉中枢,再经过复杂的思维识别,从而确定气体的种类和浓度。电子鼻系统是仿生动物嗅觉系统的,其中传感器阵列宛如人的嗅觉细胞,调理电路如同嗅泡,模式识别系统是整个电子鼻的核心相当于大脑嗅觉中枢。某种气味呈现在一种活性材料的传感器面前,传感器将化学输入转换成电信号,由多个传感器对一种气味的响应便构成了传感器阵列对该气味的响应谱。显然,气味中的各种化学成分均会与敏感材料发生作用,所以这种响应谱作为该气味的广谱响应谱。为实现气味的定量或定性分析,必须将传感器的信号进行适当的预处理(滤波去干扰、特征提取、信号放大等)后采用合适的模式识别分析方法对其进行处理。理论上,每种气味都会有它的特征响应谱,根据其特征响应谱可区分不同的气味,利用传感器阵列对多种气体的交叉敏感性进行测量,通过适当的分析方法,实现混合气体的定性、定量分析。四、用户模式转换成数字信号法手持式电子鼻也是基于电子鼻的三大组成部分采用大规模集成电路,借鉴智能仪器的设计经验来实现。图3是手持式电子鼻的硬件结构组成[18.19]。工作步骤可概括为:被测气体与传感器阵列响应、传感器阵列拾取被测参量的信息并转换成电信号(将传感器对被测气体的响应转变为容易测量的电信号:电压或电流),经滤波去除干扰后经放大器放大到A/D转换的范围进行A/D转换(将模拟信号转变为模式识别所需要的数字信号),然后送入单片机中等待处理;单片机根据事先写进的程序进行相应的数据运算和处理(如非线性校正、传感器归一化等);然后进入模式识别判断,获得所测气体的组分信息和浓度信息;最后在液晶显示器LCD上显示模式识别的结果及其浓度。同时还可根据运算结果和控制要求,输出相应的控制信号(如报警装置触发、继电器触点等外设)。1、气敏传感器阵列传感器是决定系统精度的关键元件。传感器的选择主要依据所测气体、工作环境、体积大小、功耗、测量精度、灵敏度、稳定性、响应速度等。传感器阵列是电子鼻系统的基础,是由具有广谱响应特性、较大的交叉灵敏度以及对不同气体具有不同灵敏度的气敏元件组成。相当于初级嗅觉神经元,可以对被测气体(包括干扰气体)作出响应。通常,气敏传感器阵列可以采用数个单独的气敏传感器组合而成;但由于手持式电子鼻对功耗的严格要求,可以采用集成工艺制作的专用气敏传感器阵列,这种传感器阵列体积小、功耗低、便于信号的集中采集与处理。且单个气敏传感器与传感器阵列在特性上有质的区别,单个气敏传感器对气味/气体的响应可用强度来表示,而气敏传感器阵列接受的不是单一的信号,而是多维的信号矢量。这正是电子鼻能对多种气味和气体进行辨识的关键。目前关于低功耗气敏传感技术研究,一方面采用微电子及微机械加工(MEMS)技术研制微型金属氧化物气敏元件及其阵列;另一方面则探索工作温度低的新型气敏材料,如导电聚合物等。当然金属氧化物半导体型气敏元件是目前电子鼻中应用最多的,它具有较高的灵敏度.制作简单,价格便宜,响应速度快,但选择性差,元件参数分散,必须加热,易中毒等。若研制出常温下就能工作的金属氧化物半导体传感器,则省却了加热电路使得功耗进一步降低,而且可以用在一些易燃易爆的气体的检测,消除了安全的隐患。2、传感器信号采集电路b在手持式电子鼻中,信号采集与调理电路本质上是一种接口电路,设计时要考虑输出信号本身的精度和动态范围的同时,也要考虑ADC的输入范围和量化精度以及后续处理的进一步要求。如图4是通常采用的几种典型的单路传感器信号采集电路,电压Vout为传感器输出的电压值送入单片机作为响应信号。设计时通过具体的要求来选择合适的信号采集电路。采用传感器阵列时可将图中的电路并联即可。3、soc/区域显示模块单片机是手持式电子鼻的核心,它控制传感器信号的采集、信号的A/D转换、模式识别以及结果的显示、电子鼻的系统参数调整等各个过程。一般单片机的存储空间最大为64KB,若存储空间不够,还需要扩展存储空间。近年来由于半导体技术和工艺的快速发展,又出现把FLASH存储器和各种功能部件(包括ADC、I2C、PWM、看门狗电路、可编程逻辑器件等)集成在一起的片上系统SOC(SystemOnChip)单片机,如μPSD32XX系列单片机、CygnalC8051F020单片机等,采用这种单片机使得硬件设计难度大大降低,采用的外围器件芯片减少,从而减小了PCB板面积和硬件空间体积,同时大大提高了系统的可靠性,使成本大幅度降低。良好的显示、友好的操作界面是系统所必需的。液晶显示器LCD以其微功耗、小体积、重量轻等优点,在仪器、仪表和低功耗系统中得到广泛应用。在系统中可以采用目前比较成熟的液晶显示模块,如香港精电公司的MGLS-12032点阵图形式液晶模块,来作为显示屏幕,显示操作提示和处理结果,使结果即能字符显示又能以形象的曲线显示。为了满足手持式便于携带需要用干电池或充电池供电,还需要设计电源管理模块,使电池电压转换为能供系统使用的电压并对电源进行监控,如采用Maxin的MAX625、MAX783等电压芯片;转换后的电压供单片机、液晶、键盘、传感器等模块工作。此外,还可以根据更具体的应用来增加电子鼻系统的功能,如要与计算机通信需要设计串行口、要设置报警需要增加运放和报警器等。在系统开发时采用目前应用比较多的芯片,有可以借鉴的开发经验,能使系统的硬件设计难度降低。五、基于神经网络的定量分析电子鼻必须有软、硬件的良好配合的功能实现。软件设计采用模块化设计,将程序分成几个主要的功能模块,由主程序和各个模块子程序组成。子程序模块主要包括系统初始化子程序(硬件系统的初始化,如单片机、模数转换、液晶显示模块的初始化等)和功能子程序模块(像信号的预处理、模式识别等都编程为功能子程序模块固化在单片机中),其中功能子程序模块更重要,它是电子鼻能实现的关键。把显示界面设置成多层选择菜单模式,通过键盘输入进行菜单的选择方式进行各种操作。其中模式识别算法是软件的核心,在电子鼻的应用中有着重要的地位。目前电子鼻中常用的模式识别算法中:定性识别可以采用最近邻法(NN)、判别函数法(DA)、主元分析法(PCA)、人工神经网络(ANN)、概率神经网络(PNN)、学习向量量化(LVQ)、自组织映射(SOM)等;而定量分析能采用的方法不多,除传统的多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘法(PLS)等一些线性回归方法外,目前定量分析效果最好的还是人工神经网络(ANN)。人工神经网络由于能处理非线性数据,容许传感器漂移和噪声,具有很强的自学习能力和对环境的自适应能力;网络一旦被训练好后具有快速操作性能等优点,在手持式电子鼻中有很好的应用前景。而且采用神经网络来对气体进行定量检测可以不需要建立精确的气体反应方程式,具有很好的识别效果。目前在实际应用中,80%～90%的神经网络的模型是采用反向传播网络(BackPropagationNetwork,简称BP网络)或它的变化形式。如图5是一种BP网络模型,由输入层、隐含层以及输出层组成。其中X为BP神经网络的输入变量,输入层的神经元个数传感器阵列的个数决定;Y为模糊神经网络的输出变量,由期望的输出个数决定;隐含层的选择非常重要,决定着训练得速度和是否陷入局部极小值,是影响系统性能的可能因素,隐含层数过多会导致网络学习时间过长,隐含层数太少,网络所形成的非线性关系的复杂性有限,不能保证逼近精度,因此应该优化选择BP网络结构和参数,确定隐含层的个数。在网络训练过程中,通过不断