CN108398533A - 电子鼻***及其在仓储中的气源鉴别及定位方法 - Google Patents
电子鼻***及其在仓储中的气源鉴别及定位方法 Download PDFInfo
- Publication number
- CN108398533A CN108398533A CN201810415579.6A CN201810415579A CN108398533A CN 108398533 A CN108398533 A CN 108398533A CN 201810415579 A CN201810415579 A CN 201810415579A CN 108398533 A CN108398533 A CN 108398533A
- Authority
- CN
- China
- Prior art keywords
- gas
- sensor array
- faims
- data
- filter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004807 localization Effects 0.000 title claims abstract description 16
- 238000000766 differential mobility spectroscopy Methods 0.000 claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000000429 assembly Methods 0.000 claims abstract description 18
- 230000000712 assembly Effects 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 150000002500 ions Chemical class 0.000 claims description 47
- 239000000306 component Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000002093 peripheral effect Effects 0.000 claims description 16
- 230000005684 electric field Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000003909 pattern recognition Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000002808 molecular sieve Substances 0.000 claims description 3
- 229920002379 silicone rubber Polymers 0.000 claims description 3
- 239000004945 silicone rubber Substances 0.000 claims description 3
- URGAHOPLAPQHLN-UHFFFAOYSA-N sodium aluminosilicate Chemical compound [Na+].[Al+3].[O-][Si]([O-])=O.[O-][Si]([O-])=O URGAHOPLAPQHLN-UHFFFAOYSA-N 0.000 claims description 3
- 239000008358 core component Substances 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 239000003610 charcoal Substances 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 137
- 238000012360 testing method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 239000000470 constituent Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- SNRUBQQJIBEYMU-UHFFFAOYSA-N dodecane Chemical compound CCCCCCCCCCCC SNRUBQQJIBEYMU-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000004094 surface-active agent Substances 0.000 description 2
- LCPVQAHEFVXVKT-UHFFFAOYSA-N 2-(2,4-difluorophenoxy)pyridin-3-amine Chemical compound NC1=CC=CN=C1OC1=CC=C(F)C=C1F LCPVQAHEFVXVKT-UHFFFAOYSA-N 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- BLRPTPMANUNPDV-UHFFFAOYSA-N Silane Chemical compound [SiH4] BLRPTPMANUNPDV-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 150000001298 alcohols Chemical class 0.000 description 1
- 150000001299 aldehydes Chemical class 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 150000002148 esters Chemical class 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000001871 ion mobility spectroscopy Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910000077 silane Inorganic materials 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- CHQMHPLRPQMAMX-UHFFFAOYSA-L sodium persulfate Substances [Na+].[Na+].[O-]S(=O)(=O)OOS([O-])(=O)=O CHQMHPLRPQMAMX-UHFFFAOYSA-L 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
- G01N1/24—Suction devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/34—Purifying; Cleaning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Biomedical Technology (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种电子鼻***及其在仓储中的气源鉴别及定位方法,电子鼻***,包括:进气及过滤组件;FAIMS气体过滤器;气体传感器阵列;数据处理器,数据处理器与气体传感器阵列相连,以根据传感器阵列信号提取传感器阵列信息主成分,根据提取的传感器阵列信号主成分,建立神经网络,运用数据库的大量数据对其进行训练,并确定神经网络模型和参数后对仓储环境中待测样品气体进行模式判别。根据本发明的电子鼻***,增加了气体筛选过滤装置,降低来自环境中混杂气体干扰成分使***滤除干扰,可以提高仓储环境中气体检测的精度。
Description
技术领域
本发明涉及电子分析仪器领域,具体而言,特别涉及一种电子鼻***及其在仓储中的气源鉴别及定位方法。
背景技术
电子鼻***是利用气体传感器阵列的响应来识别气味的电子***。它是由选择性的电化学传感器阵列和适当的识别方法组成的仪器,能识别气味,可得到与人的感官品评相一致的结果。
随着物流业快速发展,仓储由单一储存功能发展为承担多项功能的仓储中心,如订单处理、分拣、包装、二次加工、生产制造等。仓储中心内存储的货物数量与种类都越来越多、参与作业的工作人员也越来越多。仓储内存在多种潜在污染源,直接影响货物的品质和寿命,影响仓储作业人员的身体健康。
在利用电子鼻***进行仓储环境监控时,存在传感器测量的“广谱性”以及“交叉敏感性”问题,以及仓储环境中的气体混杂测量精确度不高等问题。
发明内容
本发明旨在至少在一定程度上解决现有技术中的上述技术问题之一。有鉴于此,本发明需要提供一种电子鼻***,增加了气体筛选过滤装置,降低来自环境中混杂气体干扰成分使***滤除干扰。进一步的,发明提供了一种电子鼻***在仓储中气源定位方法,该方法用于对气体种类分析与鉴别,增加了检测准确性,并且能够对气源进行定位,消除污染和泄漏源头。
本发明的一方面提供一种电子鼻***,包括:进气及过滤组件,所述进气及过滤组件对待测仓库气体进行取样,在对取样气体预过滤后将所述取样气体存储;FAIMS气体过滤器,所述FAIMS气体过滤器与所述进气及过滤组件相连,以用于接收所述进气及过滤组件存储的所述采样气体,所述FAIMS气体过滤器通过FAIMS传感器对所述采样气体进行离子过滤;气体传感器阵列,所述气体传感器阵列与所述FAIMS气体过滤器相连,所述气体传感器阵列响应经过离子过滤的所述采样气体产生的电阻变化,通过信号采集电路及A/D转换产生相应的传感器阵列信号;数据处理器,所述数据处理器与所述气体传感器阵列相连,以根据所述传感器阵列信号提取传感器阵列信息主成分,根据提取的传感器阵列信号主成分,建立神经网络,运用数据库的大量数据对其进行训练,并确定神经网络模型和参数后对仓储环境中待测样品气体进行模式判别。
根据本发明的实施例的电子鼻***,增加了气体筛选过滤装置,降低来自环境中混杂气体干扰成分使***滤除干扰,可以提高仓储环境中气体检测的精度,同时,增加了检测准确性,并且能够对气源进行定位,消除污染和泄漏源头。
另外,根据本发明上述实施例的电子鼻***还可以具有如下附加的技术特征:
根据本发明的一个实施例,所述进气及过滤组件包括:抽气泵,所述抽气泵用于抽取所述取样气体;过滤装置,所述过滤装置的入口与所述抽气泵的出口相连;检测装置,所述检测装置的入口与所述过滤装置的出口相连,所述检测装置包括压力计、流量计和温度计,以对所述过滤装置流出的所述取样气体的压力、流速及温度进行计量;气体存储装置,所述气体存储装置与所述检测装置的出口连接;控制模块,所述控制模块分别与所述抽气泵和所述过滤装置连接。
根据本发明的一个实施例,在所述抽气泵与所述过滤装置之间设有第一阀门,在所述检测装置与所述气体存储装置之间设有第二阀门,在所述气体存储装置的出口处设有第三阀门,所述第一阀门、所述第二阀门和所述第三阀门均与所述控制模块相连。
根据本发明的一个实施例,所述过滤装置包括:依次排布的活性炭层、硅橡胶颗粒层和分子筛层。
根据本发明的一个实施例,FAIMS气体过滤器包括:FAIMS漂移管;离子源,所述离子源设在所述FAIMS漂移管的离化区,所述取样气体与所述离子源产生的反应离子相互作用形成产物离子;
***电路模块,所述***电路模块作用在所述产物离子上,所述***电路模块用于产生补偿电场和非对称电场,以实现对所述产物离子的不同种类离子分离。
根据本发明的一个实施例,所述***电路模块包括与FAIMS漂移管匹配的非对称波形发生电路、补偿电压发生电路、离子电流放大电路以及辅助电极电路。
根据本发明的一个实施例,所述***电路模块进一步包括与所述离子电流放大电路连接的数据处理显示单元。
根据本发明的一个实施例,所述气体传感器阵列包括:质量流量控制器,所述质量流量控制器用于对所述取样气体的流量进行控制。
根据本发明的另一方面提供了一种电子鼻***在仓储中的气源鉴别及定位方法,包括:以下步骤:气体采样,对待测仓库气体进行取样、预过滤并进行储存;气体过滤,采样后的气体通过FAIMS气体过滤器进行离子过滤;气体检测,将过滤后的气体通入电子鼻,提取有用的传感器信息;特征提取,归一化,对提取的特征进行降维,提取传感器阵列信息主成分;模式识别,根据提取的传感器阵列信号主成分,建立神经网络,运用数据库的大量数据对其进行训练,确定神经网络模型、参数;对仓储环境中待测样品气体进行模式判别。
根据本发明的实施例的电子鼻***在仓储中的气源鉴别及定位方法,降低来自环境中混杂气体干扰成分使***滤除干扰,可以提高仓储环境中气体检测的精度,同时,增加了检测准确性,并且能够对气源进行定位,消除污染和泄漏源头。
根据本发明的一个实施例,在进行模式识别时,按照以下步骤进行:由电子鼻采集到的数据存储在传感器阵列数据库中,从该数据库中提取出若干样本的传感器数据,将其作为待分析数据;将其转换成一个行为样本,列为传感器读数的M行N列样本矩阵;计算出样本矩阵的协方差矩阵和均值;求出协方差矩阵的特征值及其对应的特征向量;将特征向量按对应特征值的从大到小排序,取前K个特征值对应的特征向量;将其作为传感器阵列信号主成分,从数据库提取传感器阵列信号数据,建立BP-神经网络,导入样品数据对神经网络模型及参数进行优化,最后进行检验。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是根据本发明的实施例的电子鼻***的结构示意图。
图2是根据本发明的实施例的电子鼻***工作流程示意图。
图3是根据本发明的实施例的电子鼻***的进气及过滤组件的结构示意图。
图4是根据本发明的实施例的电子鼻***的FAIMS气体过滤器的结构框图。
图5是根据本发明的实施例的电子鼻***的气体传感器阵列的结构框图。
图6是根据本发明的实施例的电子鼻***在仓储中的气源鉴别及定位方法流程图。
图7是根据本发明的实施例的电子鼻***在仓储中的气源鉴别及定位方法中模式识别构建流程图。
图8是根据本发明的实施例的电子鼻***在仓储中的气源鉴别及定位方法中主成分分析流程图。
图9是根据本发明的实施例的电子鼻***在仓储中的气源鉴别及定位方法的BP神经网络构建流程图。
图10是根据本发明的实施例的电子鼻***在仓储中布置的位置示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
如图1所示,根据本发明的实施例的电子鼻***100,包括:进气及过滤组件10、FAIMS气体过滤器20、气体传感器阵列30和数据处理器40。
具体而言,进气及过滤组件10可以对待测仓库气体进行取样,在对取样气体预过滤后将取样气体存储,例如可以使用钢瓶存储取样气体。
FAIMS气体过滤器20与进气及过滤组件10相连,以用于接收进气及过滤组件10存储的采样气体,FAIMS气体过滤器20通过FAIMS传感器对采样气体进行离子过滤。
气体传感器阵列30与FAIMS气体过滤器20相连,气体传感器阵列30响应经过离子过滤的采样气体产生的电阻变化,通过信号采集电路及A/D转换产生相应的传感器阵列信号。
数据处理器40与气体传感器阵列30相连,以根据传感器阵列信号提取传感器阵列信息主成分,根据提取的传感器阵列信号主成分,建立神经网络,运用数据库的大量数据对其进行训练,并确定神经网络模型和参数后对仓储环境中待测样品气体进行模式判别。
根据本发明的实施例的电子鼻***100,增加了气体筛选过滤装置,降低来自环境中混杂气体干扰成分使***滤除干扰,可以提高仓储环境中气体检测的精度,同时,增加了检测准确性,并且能够对气源进行定位,消除污染和泄漏源头。
参见图2,可以理解的是,根据本发明的实施例,电子鼻***100工作过程可以大体如下:
1.气体采样,对待测仓库气体进行取样、预过滤并进行储存。
2.气体过滤,采样后的气体通过FAIMS传感器进行离子过滤。
3.气体检测,将过滤后的气体通入电子鼻,提取有用的传感器信息。
4.特征提取,归一化。对提取的特征进行降维,提取传感器阵列信息主成分。
5.模式识别,根据提取的传感器阵列信号主成分,建立神经网络,运用数据库的大量数据对其进行训练,确定神经网络模型、参数。
6.对仓储环境中待测样品气体进行模式判别,判断果品品质。
如图3所示,根据本发明的实施例的电子鼻***100,进气及过滤组件10包括:
抽气泵11、过滤装置12、检测装置13、气体存储装置14和控制模块15。
具体地,抽气泵11用于抽取取样气体。过滤装置12的入口与抽气泵11的出口相连。检测装置13的入口与过滤装置12的出口相连,检测装置13可以包括压力计、流量计和温度计,以对过滤装置12流出的取样气体的压力、流速及温度进行计量。进一步地,气体存储装置14可以与检测装置13的出口连接。控制模块15分别与抽气泵11和过滤装置12连接,以实现对抽气泵11和过滤装置12的控制。
可以理解的是,为了便于控制,在抽气泵11与过滤装置12之间设有第一阀门16,在检测装置13与气体存储装置14之间设有第二阀门17,在气体存储装置14的出口处设有第三阀门18,第一阀门16、第二阀门17和第三阀门18均与控制模块15相连。
需要说明的是,进气及过滤组件10用于仓储环境中的气体收集,其主要包括抽气泵11、过滤装置12、检测装置13、气体存储装置14和控制模块15,其中抽气泵11用于仓储环境中的气体抽取。过滤装置12为过滤器,包括依次排布的活性炭层、硅橡胶颗粒层和分子筛层,用于预过滤气体中的杂质。检测装置13包括压力计、流量计及温度计,用于计量抽气泵排出气体的压力、流速及温度。气体存储装置14可以为钢瓶,用于最终收集到的样品气体储存。
其中,抽气泵11与过滤装置12之间设有第一阀门16,检测装置13与储存装置之间设有第二阀门17,气体存储装置14设有进气口和出气口,出气口处设有第三阀门18,控制模块15可以用于控制抽气泵的开关,功率,以及第一阀门16、第二阀门17和第三阀门18的开关。
下面将进气及过滤组件10采样步骤简单介绍如下:
采样前,采样的导管内壁要除去润滑剂、油脂、固体渣粒和其他污染物。同时还要除去管道内的残留气体和痕量湿气,防止表面发生化学反应,产生吸附和被残留气体污染。
(1)表面的处理可用化学方法(酸洗、碱洗、钝化或用其他类似的化学表面活性剂处理)或机械方法(如超声波方法)进行净化。对金属导管进行抛光处理,对玻璃导管用硅烷化试剂处理等都可以减少其吸附性。
(2)清洗导管的清洗方法随气体存在的量、压力而定。一般用10倍以上体积的气体清洗。
减压器、阀和导管都有一定的死体积,使用简单清洗操作并不是很有效,因为残留气体和痕量湿气在死体积中停留并缓慢扩散进入被输送的气体中,采用反复增减压的清洗操作效果会更好。
(3)试漏导管清洗后应对***进行试漏。分段试漏是行之有效的好方法。试漏方法一般如下。
①将***加压或减压,然后关闭出口,观察压力计(或流量计)的变化。当压力计在0.5h内下降不超过0.1MPa时或者流量计浮于下降为零时即为不漏气。
②将***加压,用表面活性剂(如十二烷摹硫酸钠水溶液)涂抹所有连接点,产生气泡者即为漏气点。
采样点选择,本实验收集气体为果品仓库中的气体,收集点选在怀疑区域。
3.采样,打开第一阀门16、第二阀门17和第三阀门18,启动抽气泵11便开始气体样品采集,当压力计显示值达到6MPa时停止采集气体,关闭抽气泵11,并依次关闭第三阀门18、第二阀门17、第一阀门阀门。断开钢瓶与过滤装置12的连接,关紧进出气口阀门,完成气体收集。
如图4所示,根据本发明的一个实施例,电子鼻***100的FAIMS气体过滤器20包括:
FAIMS漂移管21、离子源22和***电路板模块23。
具体而言,离子源22可以设在FAIMS漂移管21的离化区,取样气体与离子源22产生的反应离子相互作用形成产物离子。***电路模块23作用在产物离子上,***电路模块23可以用于产生补偿电场和非对称电场,以实现对所述产物离子的不同种类离子分离。
需要说明的是,高场非对称波形离子迁移率谱(High Field Asymmetric IonMobility Spectrometry,FAIMS)是一种工作在大气压环境下,利用气相离子在高电场中的非线性运动来进行痕量物质探测与分离的技术。
FAIMS气体过滤模块***包括离子源、漂移管以及***电路三部分,其中:
漂移管是FAIMS的核心部件,离子将在漂移管中分离和检测。
离子源是FAIMS重要部分,离子源将待测气体电离成离子并注入漂移管。离子源的性能对响应灵敏度以及分辨率都有很大的影响,并且离化源具有一定选择性。
***电路包括FAIMS工作所需的高频高压非对称电场及补偿电场产生电路。
FAIMS工作过程如下:
经过第一级过滤***过滤后的气体进入FAIMS漂移管。
样品气在经过离化区时,与离子源产生的反应离子相互作用形成产物离子,然后进入有非对称电场和补偿电场的过滤区,在补偿电场与非对称电场的共同作用下实现不同种类离子分离。
分离后的样品离子到达检测区,在偏转电压的作用下离子被检测电极中和后变成中性气体,然后通入传感器阵列。
通过调整非对称电场和补偿电场的参数,能够设定带宽选择分子量在20-200范围有选择性的通过气体通过,使得进入传感器阵列气体种类减少,降低***分析难度。
进一步地,根据本发明的一个实施例,***电路模块包括与FAIMS漂移管匹配的非对称波形发生电路、补偿电压发生电路、离子电流放大电路以及辅助电极电路。优选地,***电路模块23可以进一步包括与所述离子电流放大电路连接的数据处理显示单元。
优选地,根据本发明的一个实施例,气体传感器阵列30可以包括:质量流量控制器,质量流量控制器用于对所述取样气体的流量进行控制。
如图5所示,根据本发明的一个实施例,样品气体为经过FAIMS过滤器过滤后的气体,经过FAIMS过滤后,样品气体成分复杂性降低,有利于对其进行定性、定量分析。
经过FAIMS过滤后的样品气体导入气体传感器阵列中,传感器响应气体产生电阻变化,通过信号采集电路及A/D转换产生时间域的响应信号(传感器阵列信号)。该信号进行预处理后,在进行模式识别前,在电子鼻***中对传感器信号进行适当的预处理。
流量控制模块为质量流量控制器(MFC),通过MFC控制气体流量,从而控制进入测试腔的被测气体浓度,定制被测气体。
传感器阵列,采用分立气体传感器阵列,用于对样品气体成分进行检测。
以水果存储为例,由于水果存储过程中主要气体成分有酯类、醇类、醛类、乙烯、以及因腐败产生的硫化氢、烷烃、氨类等气体。该传感器阵列所选用传感器见下表:
信号调理电路模块,信号调理电路将传感器的响应信号进行初步调理,然后送入数据采集卡进行模数转换,在计算机中实现显示和存储。
数据采集卡选用NI公司的NI USB-6366数据采集卡,具有2MS/s通道下8路同步模拟输入,16位分辨率,其作用是将模拟量转换为数字量,并将数据送入计算机进行存储。
传感器阵列信号预处理,每个传感器与被测气体发生反应时会产生一个与时间相关的响应曲线,由于数据量的关系,为了简化后续模式识别过程,常用的做法是取传感器的稳态响应进行分析和处理。信号预处理的目的有滤波、基线处理、漂移补偿、信息压缩及归一化等。常用处理方法有分数比值法,小波变换技术在基线漂移抑制领域有很好的效果、分式差动法、相对差分法可以补偿传感器的温度效应。
工作过程描述,气体进样:首先,向测试腔注入纯净空气2min,排除腔内残存气体对实验的干扰,创造洁净的实验环境。然后向测试腔内通入经过FAIMS过滤后的样品气体,通过MFC对通入气体的浓度进行控制。信号采集:***开始运行时,调用NI USB-6366数据采集卡的动态链接并通过数据采集卡子程序开始数据采集。温度调制及信号调理,通过温度调制***,控制合适的温度以使传感器对不同气体的响应区别明显。通过信号调理电路对信号进行放大,去燥,被测信号经过A/D转换为电压值。采集结束及数据存储,当程序设定的采集时间结束或外部用户单机面板上的“停止”按钮时退出程序,采集结束。采集结束,数据存储在指定文件中。
参见图6,根据本发明的实施例的电子鼻***在仓储中的气源鉴别及定位方法,包括:以下步骤:
气体采样,对待测仓库气体进行取样、预过滤并进行储存。
气体过滤,采样后的气体通过FAIMS气体过滤器进行离子过滤。
气体检测,将过滤后的气体通入电子鼻,提取有用的传感器信息。
特征提取,归一化,对提取的特征进行降维,提取传感器阵列信息主成分。
模式识别,根据提取的传感器阵列信号主成分,建立神经网络,运用数据库的大量数据对其进行训练,确定神经网络模型、参数。
对仓储环境中待测样品气体进行模式判别。
根据本发明的实施例的电子鼻***在仓储中的气源鉴别及定位方法,降低来自环境中混杂气体干扰成分使***滤除干扰,可以提高仓储环境中气体检测的精度,同时,增加了检测准确性,并且能够对气源进行定位,消除污染和泄漏源头。
进一步地,根据本发明的一实施例,电子鼻***在仓储中的气源鉴别及定位方法,在进行模式识别时,按照以下步骤进行:
由电子鼻采集到的数据存储在传感器阵列数据库中,从该数据库中提取出若干样本的传感器数据,将其作为待分析数据。
将其转换成一个行为样本,列为传感器读数的M行N列样本矩阵。
计算出样本矩阵的协方差矩阵和均值。
求出协方差矩阵的特征值及其对应的特征向量。
将特征向量按对应特征值的从大到小排序,取前K个特征值对应的特征向量。
参见图7-10,根据本发明的实施例的电子鼻***在仓储中的气源鉴别及定位方法,在进行模式识别算法时,按照以下步骤进行:PCA提取传感器阵列信号主成分,通常在模式识别前,将提取的过多特征参数进行降维,降低分析的复杂度,主成分分析(PCA)是一种常用的数据压缩和特征提取的多变量统计分析技术,能够有效去除数据间的线性相关性,但忽略了数据间的非线性相关特征,因此采用NLPCA,先对观测数据作非线性变换,引入高阶统计量,然后做主成分分析。
算法流程如下:
1.由电子鼻采集到的数据存储在传感器阵列数据库中,从该数据库中提取出若干样本的传感器数据,将其作为待分析数据
2.将其转换成一个行为样本,列为传感器读数的M行N列样本矩阵
3.计算出样本矩阵的协方差矩阵和均值
4.求出协方差矩阵的特征值及其对应的特征向量
5.将特征向量按对应特征值的从大到小排序,取前K个特征值对应的特征向量
成分分析部分得出的特征向量即为模式识别模块的输入,这些主要成分作为神经网路的输入,通过大量样本数据对神经网络进行训练,最终建立神经网络对样品气体进行模式识别
在进行BP神经网络模式识别时,其所使用的神经网络算法为BP(BackPropagation)神经网络,即误差反传误差反向传播。算法的学习过程由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自前一级模糊隶属度函数的输出信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果Ym。根据处理结果Ym输出优化信息,采取不同的干预措施与手段。
BP神经网络的构建方法如下:将传感器阵列的经过PCA处理过的特征向量Xn作为人工神经网络的输入向量;所述Xn作为所述BP神经网络的输入层的各神经元的输入数据,且中间层的各神经元为单隐层或多隐层结构,所述中间层的最后一个隐层传递到输出层各神经元的信息以进行一次学习的正向传播处理过程,且所述输出层输出信息处理结果为Ym。用输出信息处理结果优化中间层参数。
具体而言,样品气体成分复杂,因此检测其中多种气体成分及浓度对仓储环境进行判别。选取样品气体传感器阵列数据对电子鼻***进行模式识别校验,推断出处于未知混合气体条件下仓储环境气体成分与浓度。
下面简单描述气源定位算法,下面详细描述本发明的实施例,将本发明装置布置于仓库的若干位置,对仓库中的气体成分进行实时的监测。本检测装置首先需要一个辅助气源来确定一个参考位置,建立三维空间坐标系,以便对目标气源进行定位,同时也可以对仓库中的各个装置进行同步矫正。通过辅助气源完成监测***的初始化,辅助气源为已知气体成分,根据各个装置检测到的气体浓度的大小判断装置距离辅助气源的位置,然后以辅助气源为原点建立一个三维的空间坐标系。进一步对需要检测目标气体进行监测,确定目标气源的位置。
监测装置工作的具体步骤包括:对设备上电进行参数初始化,然后开始进行气体采样。首先,调节FAIMS离化区电压对已知辅助气源进行检测,所有装置通过通讯时钟进行同步采样,采集的数据通过数据采集卡上传至上位机进行数据处理,首先进行PCA降维处理,让后将降维后的数据输入BP神经网络进行处理,将神经网络处理的输出结果与辅助气源的实际位置进行比较,直到输出结果在误差范围内。然后在空间建立三维坐标系,调节FAIMS离化区电压对仓储气体进行实时检测,如果检测到有目标气体成分浓度变化,则按照前述步骤进行处理,最后确定气源位置。
将其作为传感器阵列信号主成分,从数据库提取传感器阵列信号数据,建立BP-神经网络,导入样品数据对神经网络模型及参数进行优化,最后进行检验。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种电子鼻***,其特征在于,包括:
进气及过滤组件,所述进气及过滤组件对待测仓库气体进行取样,在对取样气体预过滤后将所述取样气体存储;
FAIMS气体过滤器,所述FAIMS气体过滤器与所述进气及过滤组件相连,以用于接收所述进气及过滤组件存储的所述采样气体,所述FAIMS气体过滤器通过FAIMS传感器对所述采样气体进行离子过滤;
气体传感器阵列,所述气体传感器阵列与所述FAIMS气体过滤器相连,所述气体传感器阵列响应经过离子过滤的所述采样气体产生的电阻变化,通过信号采集电路及A/D转换产生相应的传感器阵列信号;
数据处理器,所述数据处理器与所述气体传感器阵列相连,以根据所述传感器阵列信号提取传感器阵列信息主成分,根据提取的传感器阵列信号主成分,建立神经网络,运用数据库的大量数据对其进行训练,并确定神经网络模型和参数后对仓储环境中待测样品气体进行模式判别。
2.根据权利要求1所述的电子鼻***,其特征在于,所述进气及过滤组件包括:
抽气泵,所述抽气泵用于抽取所述取样气体;
过滤装置,所述过滤装置的入口与所述抽气泵的出口相连;
检测装置,所述检测装置的入口与所述过滤装置的出口相连,所述检测装置包括压力计、流量计和温度计,以对所述过滤装置流出的所述取样气体的压力、流速及温度进行计量;
气体存储装置,所述气体存储装置与所述检测装置的出口连接;
控制模块,所述控制模块分别与所述抽气泵和所述过滤装置连接。
3.根据权利要求2所述的电子鼻***,其特征在于,在所述抽气泵与所述过滤装置之间设有第一阀门,在所述检测装置与所述气体存储装置之间设有第二阀门,在所述气体存储装置的出口处设有第三阀门,所述第一阀门、所述第二阀门和所述第三阀门均与所述控制模块相连。
4.根据权利要求2所述的电子鼻***,其特征在于,所述过滤装置包括:依次排布的活性炭层、硅橡胶颗粒层和分子筛层。
5.根据权利要求1所述的电子鼻***,其特征在于,FAIMS气体过滤器包括:
FAIMS漂移管,漂移管是FAIMS的核心部件,用于实现离子将在漂移管中分离;
离子源,所述离子源设在所述FAIMS漂移管的离化区,所述取样气体与所述离子源产生的反应离子相互作用形成产物离子;
***电路模块,所述***电路模块作用在所述产物离子上,所述***电路模块用于产生补偿电场和非对称电场,以实现对所述产物离子的不同种类离子分离。
6.根据权利要求5所述的电子鼻***,其特征在于,所述***电路模块包括与FAIMS漂移管匹配的非对称波形发生电路、补偿电压发生电路、离子电流放大电路以及辅助电极电路。
7.根据权利要求6所述的电子鼻***,其特征在于,所述***电路模块进一步包括与所述离子电流放大电路连接的数据处理显示单元。
8.根据权利要求6所述的电子鼻***,其特征在于,所述气体传感器阵列包括:质量流量控制器,所述质量流量控制器用于对所述取样气体的流量进行控制。
9.一种电子鼻***在仓储中的气源鉴别及定位方法,其特征在于,包括:以下步骤:
气体采样,对待测仓库气体进行取样、预过滤并进行储存;
气体过滤,采样后的气体通过FAIMS气体过滤器进行离子过滤;
气体检测,将过滤后的气体通入电子鼻,提取有用的传感器信息;
特征提取,归一化,对提取的特征进行降维,提取传感器阵列信息主成分;
模式识别,根据提取的传感器阵列信号主成分,建立神经网络,运用数据库的大量数据对其进行训练,确定神经网络模型、参数;
对仓储环境中待测样品气体进行模式判别。
10.根据权利要求9所述的电子鼻***在仓储中的气源鉴别及定位方法,其特征在于,在进行模式识别时,按照以下步骤进行:
由电子鼻采集到的数据存储在传感器阵列数据库中,从该数据库中提取出若干样本的传感器数据,将其作为待分析数据;
将其转换成一个行为样本,列为传感器读数的M行N列样本矩阵;
计算出样本矩阵的协方差矩阵和均值;
求出协方差矩阵的特征值及其对应的特征向量;
将特征向量按对应特征值的从大到小排序,取前K个特征值对应的特征向量;
将其作为传感器阵列信号主成分,从数据库提取传感器阵列信号数据,建立BP-神经网络,导入样品数据对神经网络模型及参数进行优化,最后进行检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810415579.6A CN108398533A (zh) | 2018-05-03 | 2018-05-03 | 电子鼻***及其在仓储中的气源鉴别及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810415579.6A CN108398533A (zh) | 2018-05-03 | 2018-05-03 | 电子鼻***及其在仓储中的气源鉴别及定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108398533A true CN108398533A (zh) | 2018-08-14 |
Family
ID=63101268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810415579.6A Pending CN108398533A (zh) | 2018-05-03 | 2018-05-03 | 电子鼻***及其在仓储中的气源鉴别及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108398533A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782363A (zh) * | 2020-12-29 | 2021-05-11 | 深圳市利拓光电有限公司 | 一种用于气体检测的电子鼻*** |
CN113238003A (zh) * | 2021-05-07 | 2021-08-10 | 山东工商学院 | 一种电子鼻***基础数据集获取及验证平台 |
CN113267535A (zh) * | 2021-07-21 | 2021-08-17 | 深圳盛方科技有限公司 | 一种智能气体识别方法及其装置 |
CN116643003A (zh) * | 2023-04-25 | 2023-08-25 | 山东龙辰生物技术有限公司 | 一种便于检测电子鼻的高效气体异常报警装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100127163A1 (en) * | 2008-11-21 | 2010-05-27 | Schlumberger Technology Corporation | Ion mobility measurements for formation fluid characterization |
US20110098974A1 (en) * | 2008-02-29 | 2011-04-28 | Shou-Hua Zhang | Adaptive differential ratio-metric detector |
CN103650102A (zh) * | 2011-07-29 | 2014-03-19 | 夏普株式会社 | 离子迁移谱分析仪、包括其的气体分析***和确定化学品种的方法 |
CN103728348A (zh) * | 2013-12-02 | 2014-04-16 | 江苏大学 | 一种室内空气质量电子鼻 |
CN203965423U (zh) * | 2014-06-12 | 2014-11-26 | 常熟理工学院 | 一种基于机器嗅觉的肉类新鲜度检测装置 |
CN104374727A (zh) * | 2014-12-09 | 2015-02-25 | 北京物资学院 | 一种地表水中微量砷(v)的检测方法 |
CN104569062A (zh) * | 2015-01-30 | 2015-04-29 | 东北电力大学 | 基于分子筛过滤的电子鼻气室 |
CN205643257U (zh) * | 2016-03-10 | 2016-10-12 | 北京爱康远创医疗科技有限公司 | 一种呼出气体分析检测仪 |
CN208171949U (zh) * | 2018-05-03 | 2018-11-30 | 北京物资学院 | 电子鼻*** |
-
2018
- 2018-05-03 CN CN201810415579.6A patent/CN108398533A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110098974A1 (en) * | 2008-02-29 | 2011-04-28 | Shou-Hua Zhang | Adaptive differential ratio-metric detector |
US20100127163A1 (en) * | 2008-11-21 | 2010-05-27 | Schlumberger Technology Corporation | Ion mobility measurements for formation fluid characterization |
CN103650102A (zh) * | 2011-07-29 | 2014-03-19 | 夏普株式会社 | 离子迁移谱分析仪、包括其的气体分析***和确定化学品种的方法 |
CN103728348A (zh) * | 2013-12-02 | 2014-04-16 | 江苏大学 | 一种室内空气质量电子鼻 |
CN203965423U (zh) * | 2014-06-12 | 2014-11-26 | 常熟理工学院 | 一种基于机器嗅觉的肉类新鲜度检测装置 |
CN104374727A (zh) * | 2014-12-09 | 2015-02-25 | 北京物资学院 | 一种地表水中微量砷(v)的检测方法 |
CN104569062A (zh) * | 2015-01-30 | 2015-04-29 | 东北电力大学 | 基于分子筛过滤的电子鼻气室 |
CN205643257U (zh) * | 2016-03-10 | 2016-10-12 | 北京爱康远创医疗科技有限公司 | 一种呼出气体分析检测仪 |
CN208171949U (zh) * | 2018-05-03 | 2018-11-30 | 北京物资学院 | 电子鼻*** |
Non-Patent Citations (5)
Title |
---|
HUA LI等: "Separation of Ions from Volatile Organic Compounds Using High-Field Asymmetric Waveform Ion Mobility Spectrometry-Mass Spectrometer", CHINESE JOURNAL OF CHEMICAL PHYSICS, vol. 23, no. 2, pages 125 - 132 * |
RAMESH P. ARASARADNAM等: "A novel tool for noninvasive diagnosis and tracking of patients with inflammatory bowel disease", vol. 19, no. 5, pages 999 - 1003 * |
王涛龙: "集成式MEMS-FAIMS芯片设计与工艺技术研究", no. 8, pages 9 - 70 * |
赵东杰等: "基于 PTFE 基材的FAIMS传感器设计", 传感技术学报, vol. 30, no. 11, pages 1636 - 1642 * |
邹慧琴等: "基于RBF-RF级联分类器电子鼻对中药的快速鉴别", vol. 15, no. 9, pages 1876 - 1881 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782363A (zh) * | 2020-12-29 | 2021-05-11 | 深圳市利拓光电有限公司 | 一种用于气体检测的电子鼻*** |
CN113238003A (zh) * | 2021-05-07 | 2021-08-10 | 山东工商学院 | 一种电子鼻***基础数据集获取及验证平台 |
CN113267535A (zh) * | 2021-07-21 | 2021-08-17 | 深圳盛方科技有限公司 | 一种智能气体识别方法及其装置 |
CN116643003A (zh) * | 2023-04-25 | 2023-08-25 | 山东龙辰生物技术有限公司 | 一种便于检测电子鼻的高效气体异常报警装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108398533A (zh) | 电子鼻***及其在仓储中的气源鉴别及定位方法 | |
Zhang et al. | A miniaturized electronic nose with artificial neural network for anti-interference detection of mixed indoor hazardous gases | |
CN208171949U (zh) | 电子鼻*** | |
CN1194227C (zh) | 基于气体传感器阵列技术的食品气味快速无损检测方法及装置 | |
Hou et al. | A portable embedded toxic gas detection device based on a cross-responsive sensor array | |
CN103454335B (zh) | 一种多通道集成嗅觉模拟仪器和生物发酵过程在线分析方法 | |
CN103134850A (zh) | 一种基于特征香气的茶叶品质快速检测装置及检测方法 | |
CN101788517A (zh) | 基于仿生嗅觉的辛味中药材气味指纹图谱构建***及方法 | |
CN205898730U (zh) | 一种多通道多型号传感器性能测试*** | |
CN101339160A (zh) | 等离子体源正负离子协同检测离子迁移谱仪 | |
EP1226427A1 (en) | Method for analysing a papermaking process and an electrochemical sensor for analysing liquid | |
CN201955325U (zh) | 手持式快速探测农药残留物的装置 | |
CN109633094A (zh) | 一种臭气浓度在线监测方法 | |
CN109406719A (zh) | 一种载气进样的气味检测*** | |
CN109142494A (zh) | 一种针对电阻型电化学传感器最佳工作电压选取方法 | |
CN105866190A (zh) | 一种用于食品检测的电子鼻装置及检测方法 | |
CN109030611A (zh) | 一种基于离子迁移谱的快速、无损的绿茶香气指纹分析及香型判别的方法 | |
CN100412543C (zh) | 基于场致电离效应的气体检测装置及检测方法 | |
Zhu et al. | Development and application of a miniature mass spectrometer with continuous sub-atmospheric pressure interface and integrated ionization source | |
CN201867391U (zh) | 现场定性定量快速检测农药残留物的装置 | |
CN105929016A (zh) | 一种烟叶质控样品硒含量的定值方法 | |
CN103884767A (zh) | 一种提高离子迁移谱仪识别检测性能的方法 | |
CN110470798B (zh) | 一种便携式电子鼻富集装置温度补偿方法 | |
Wang et al. | Development an electronic nose to recognize pesticides in groundwater | |
CN210866123U (zh) | 一种三通道并联可切换的质谱进样装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |