Your browser does not fully support modern features. Please upgrade for a smoother experience.
Please note this is an old version of this entry, which may differ significantly from the current revision.
机器嗅觉系统（例如电子鼻）通过使用模式识别方法分析从气体传感器阵列返回的数据来识别气体。金属氧化物半导体（MOX）气体传感器因其低成本、高灵敏度和快速响应时间而被广泛使用。
- gas sensor array
- fault diagnosis
- deep learning
- attention mechanism
1. 简介
随着传感器技术的发展，气体传感器阵列在机器嗅觉应用中发挥着越来越重要的作用，例如环境监测[1]，气体质量检测[2]，食品质量控制[3]和医学诊断[4]。机器嗅觉系统（例如电子鼻）通过使用模式识别方法分析从气体传感器阵列返回的数据来识别气体。金属氧化物半导体（MOX）气体传感器因其低成本、高灵敏度和快速响应时间而被广泛使用。例如，参考文献[5]提出了一种基于空心三氧化钨-氧化镍纳米花的超灵敏气体传感器，该传感器具有快速响应时间和出色的气体灵敏度。模式识别算法是电子鼻分析气体特性的重要组成部分，这种类型的算法通常用于对气体混合物进行分类。常用方法包括主成分分析 （PCA） [6]、人工神经网络 （ANN） [7] 和卷积神经网络 （CNN） [8]。这些方法是根据来自健康传感器的数据实现的。气体传感器阵列是用于获取测量气体/气味信息的机器嗅觉系统的来源，其测量质量显着决定了系统的整体性能。
然而，MOX气体传感器阵列在运行过程中不可避免地会受到外部干扰（腐蚀性气体影响、灰尘附着、温度和湿度变化）或自故障（老化、中毒和气体传感材料损坏）的影响。一旦传感器失效，应用不准确的测量将导致分类结果的准确性和可靠性下降，甚至完全错误[9]。因此，必须采用适当的故障诊断算法来监测气体传感器阵列的异常状态（故障检测），识别故障类型（故障识别），定位故障气体传感器（故障定位）。
随着现代工业自动化和集成化的进步，对相关设备的可靠性和安全性的需求越来越大。近年来，故障诊断和健康管理技术已应用于各种工业应用，例如用于滚动体轴承故障诊断的物理信息残余网络（PIResNet）[10]，齿轮表面退化的数字孪生驱动智能评估[11]，以及智能制造系统表面磨损过程中齿轮健康管理的新型振动预测方案[12].所有这些方法都可以为工业过程中工作系统的健康管理和预测性维护提供有效的解决方案。此外，专注于监测现代工业中常用传感器的故障状态的研究激增。这些研究旨在提高测量信号的可靠性。目前，传感器故障诊断主要基于数据驱动的方法[13]。这种方法可以直接发现和分析训练数据中隐藏的信息，而不是预先构建复杂的数学模型来描述故障表征原理。机器学习 （ML） 和深度学习 （DL） 是最常用的数据驱动故障诊断方法。传统的ML方法广泛用于传感器故障的早期诊断。常用方法包括 k 最近邻算法 [14]、支持向量机 [15]、PCA [16] 和 ANN [17]。然而，随着处理样本的大小和复杂性的增加，ML 方法难以确定用于特征提取的适当超参数，这是一项具有挑战性的任务，没有足够的先验知识。
随着计算机处理能力的提高，基于深度学习的故障诊断方法已成为传统ML方法的替代方案。基于深度学习的方法可以从大规模数据中自动提取分类特征，克服了传统特征提取的局限性[18,19]。因此，深度学习被广泛用于处理大量复杂的传感器数据。常见的基于深度学习的方法包括CNN、长短期记忆（LSTM）和生成对抗网络（GAN）。为了克服ML在数据预处理中的繁琐性，许多基于DL的方法将原始数据转换为适合CNN处理的二维（2D）图像格式。在[20]中，构建了基于CNN的深度诊断模型，用于机器人关节传感器和执行器的故障分类。[21]提出了一种基于无人机传感器信号时频特性的CNN故障识别方法。与传统的ML方法相比，这两种方法都提高了识别的准确性。随着CNN的发展，改进的模型已应用于传感器故障诊断。参考文献[22]描述了一种基于Inception-CNN模型的航空发动机传感器故障检测方法。与普通CNN相比，该模型可以在不同尺度上提取更多的传感器信息，以提高故障状态检测的诊断精度。LSTM 也是处理传感器数据的有效方法，因为它能够直接从序列数据中提取一维 （1D） 时间依赖关系。参考文献[23]使用LSTM模型在一维时间维度上识别电池储能系统中的电压传感器故障。在[1]中，提出了一种基于一维CNN和LSTM的霍尔传感器故障识别和恢复方法。该方法从时间角度进一步提取特征，并表现出较高的诊断准确性。GAN通常用于通过其对抗结构生成类似于真实样本的样本，该对抗结构通常由生成器和鉴别器组成[1]。此外，由于其特征提取功能，GAN还被用于各种故障诊断任务。[24]提出了一种基于一维残差GANomaly网络的故障检测模型，有效提高了训练效率和诊断精度。参考文献[25]开发了一种基于Bi-LSTM、GAN和自动编码器（AE）的故障识别方法。该方法利用GAN和AE的重构特征，以优异的性能识别传感器故障。
基于DL的气体传感器故障诊断方法也提出了几种。Sun等人[28]使用改进的CNN和随机森林对气体传感器的故障类型进行分类。在[29]中，作者使用迁移学习与LeNet-5相结合进行气体传感器故障识别。[30]提出了一种结合CNN和深度卷积GAN来解决故障类型分类中数据集不平衡的方法。这些方法在对包含有限数量的气体传感器传感器的传感器阵列中的故障类型进行分类时，采用基本的CNN结构进行特征提取。
2. 重新定位
作为传统CNN的更新版本，ResNet旨在避免随着神经网络深度的增加而出现梯度消失和爆炸[44]。ResNet 通常使用多个残差块构建，映射函数设计如下：其中 x 是残差块输入，F（x） 是残差映射，H（x）是残差块输出。常量映射x连接残差块输入和输出，这有助于损失函数的反向传播和模型参数的优化[45]。
由于ResNet的结构和优势，该网络可以轻松地将各种复杂数据拟合在二维上，并且对于故障诊断过程中的特征提取非常有效。在[46]中，作者使用ResNet从2D中提取原始字母分解的小波系数的特征，以识别风力涡轮机齿轮箱故障。参考文献[47]使用马尔可夫传递场将原始信号转换为图像，随后应用ResNet提取二维特征，以实现滚动轴承健康状况的分类。
3. 碳边境调节机制
CBAM是一个轻量级的注意力模块[48]。它由通道注意力模块（CAM）和空间注意力模块（SAM）组成。其结构如图 1 所示。在网络的中间特征图中，CBAM可以沿着信道和空间维度依次推断注意力图，以获得细化的特征[49]。
图1.碳边境调节机制的基本结构。
在CAM中，中间特征映射F作为输入，由基于通道的全局最大池化和全局平均池化（GAP）进行池化。然后将所得向量分别发送到全连接（线性）层进行信息共享，并拼接在一起以获得信道注意力图。随后，将sigmoid函数激活的通道注意力乘以F，得到通道细化特征图F′。在SAM中，F′根据空间按全局最大值和平均值进行池化，并且生成的2D向量是连接的。然后通过卷积和激活组合向量来生成空间注意力图。最后，将空间注意力乘以F′，得到CBAM的输出特征图F”。此过程由以下等式表示：
由于注意力机制，CBAM可以为不同的特征图分配权重，帮助模型聚焦在特征突出的位置上，抑制对结果贡献不大的区域，提高了特征提取模型的识别效果。参考文献[50]采用了CNN和CBAM来提高滚动轴承故障类型分类的准确性。在[51]中，作者使用CBAM和ResNet进行往复式压缩机的故障检测，以增强模型对关键特征的表示。
4. 双LSTM
LSTM是递归神经网络（RNN）的衍生物。它通过考虑顺序数据的顺序来学习特征，从而通过捕获长距离依赖性来克服RNN中的梯度爆炸和梯度消失的问题[52,53]。LSTM 由三个门单元（遗忘门、输入门和输出门）和一个存储单元（单元状态）组成，如图 2 所示。单元状态跨所有 LSTM 单元运行，以长距离传输信息。输入门和忘记门决定是保留还是丢弃有关单元状态的信息，输出门根据单元状态和输入向量 Xi 生成输出向量 Y i。这种架构使其能够在长期过程中有效地维护重要功能[27]。
图2.LSTM的基本结构。
This entry is adapted from the peer-reviewed paper 10.3390/s23187836
This entry is offline, you can click here to edit this entry!