近日，清華大學機械系在智能氣體傳感器研究中取得新進展，基于單氣體傳感器實現了混合物多組分智能檢測。
 

　　圖1.該研究被選為《先進智能系統》(Advanced Intelligent Systems)期刊封底文章

 

　　混合物中的多組分檢測，在現代生物醫學及化學研究中有著不可或缺的重要地位。由于傳感單元響應選擇性往往不盡如人意，不同組分在同一傳感器上產生的響應信號會不可避免地發生重疊。然而，現有手段難以直接通過單個傳感器對混合物直接進行組分區分檢測，因而不得不引入分離裝置以實現重疊信號的分離。這導致現有檢測手段仍需面對成本較高、操作流程冗長、需要專業人員操作等問題。
 

　　近年來，人工智能的發展為傳感器信號處理與特征提取提供了新思路。針對上述問題，該研究針對混合物組分在同一傳感器上的重疊響應信號，探索出了低成本、高準確率、自動化的多組分智能檢測方法。基于GRU(Gated Recurrent Unit)神經網絡機器學習方法，首次實現了直接從單個氣體傳感器的重疊信號中提取混合物中各個組分信息，無需預分離，簡單快速地完成了混合物組分檢測工作。同時借助數學模型和仿真技術為實驗研究提供理論支撐，具有較好的理論意義和應用價值。
 

圖2.現有混合物組分檢測方法(a、b)與本文方法(c)的比較
 

　　團隊以單個催化化學發光傳感器對乙烯-乙炔二元氣體的檢測為例，提出基于GRU(Gated Recurrent Unit)神經網絡的混合物多組分智能檢測方法。該方法通過循環迭代的方式，能夠提取氣體傳感器的信號時序特征。該研究中，針對18種不同濃度配比的乙烯-乙炔二元氣體混合物，可直接根據傳感器響應信號預測各組樣品的組分含量，在5折交叉驗證測試中，成功識別了這18種二元氣體樣本，準確率達99.9%以上。
 

圖3.基于GRU神經網絡的混合物多組分智能檢測方法及其驗證
 

　　針對該傳感器的響應信號重疊現象，團隊進一步提出了一種氣體雙擴散模型，能夠同時考慮被測氣體混合物分子與載流氣體分子雙向擴散，并討論了混合物響應信號的時序特性與混合物成分之間的固有關系。基于該模型的仿真結果與實際重疊響應信號具有良好的一致性，這也為該研究所提的多組分智能檢測方法提供了明確的理論依據。
 

圖4.氣體雙擴散模型及其仿真驗證
 

　　該研究所提出的混合物多組分智能檢測方法，可以大幅降低傳感單元選擇性對復雜組分檢測的影響，減小傳感材料構建的壓力，為進一步推動機器嗅覺電子鼻的普適化檢測應用拓寬了道路。該技術有望在各種自動化檢測場景中發揮重要作用，例如醫療領域中對呼吸氣揮發性疾病標志物的實時檢測、石油工業中對多種烷烴的同時監測、食品工業中對多類型產品的品質鑒定等。
 

　　相關研究成果以“無選擇性單一傳感器也能實現混合物高選擇性檢測——機器學習讓不可能變為可能”(Selective Detection of Mixtures via a Single Nonselective Sensor—Making the Unworkable Sensor Workable by Machine Learning)為題發表在《先進智能系統》期刊(Advanced Intelligent Systems)，被選為當期封底文章，并被《先進科學新聞》(Advanced Science News)公眾號作為亮點文章進行報道。
 

　　清華大學機械系胡楚雄副教授、北京師范大學化學學院那娜教授為論文共同通訊作者，清華大學機械系2019級博士生劉路正、胡楚雄副教授為論文共同第一作者。研究得到國家自然科學基金、北京市自然科學基金、摩擦學國家重點實驗室等的支持。(題圖設計：劉雨田)