Węch maszynowy

Węch maszynowy to zautomatyzowana symulacja zmysłu węchu . Nowe zastosowanie w nowoczesnej inżynierii obejmuje wykorzystanie robotów lub innych zautomatyzowanych systemów do analizy substancji chemicznych przenoszonych w powietrzu. Takie urządzenie jest często nazywane elektronicznym nosem lub e-nosem. Rozwój węchu maszynowego komplikuje fakt, że do tej pory e-nosy reagowały na ograniczoną liczbę chemikaliów, podczas gdy zapachy są wytwarzane przez unikalne zestawy (potencjalnie licznych) związków zapachowych. Technologia, choć wciąż na wczesnym etapie rozwoju, obiecuje wiele zastosowań, takich jak: kontrola jakości w przetwórstwie spożywczym , wykrywanie i diagnostyka w medycynie, wykrywanie narkotyków , materiałów wybuchowych i innych substancji niebezpiecznych lub nielegalnych , reagowanie na katastrofy i monitoring środowiska .

Jednym z proponowanych technologii węchu maszynowego są przyrządy z matrycą czujników gazu zdolne do wykrywania, identyfikowania i mierzenia związków lotnych. Jednak krytycznym elementem w rozwoju tych instrumentów jest analiza wzorców , a udane zaprojektowanie systemu analizy wzorców dla węchu maszynowego wymaga starannego rozważenia różnych kwestii związanych z przetwarzaniem danych wielowymiarowych: wstępne przetwarzanie sygnału, ekstrakcja cech , wybór cech , klasyfikacja , regresja, grupowanie i walidacja. Kolejnym wyzwaniem w obecnych badaniach nad węchem maszynowym jest potrzeba przewidywania lub oszacowania reakcji czujnika na mieszanki zapachowe. Niektóre z rozpoznawaniem wzorców w węchu maszynowym, takie jak klasyfikacja zapachów i lokalizacja zapachów, można rozwiązać za pomocą metod jądra szeregów czasowych.

Wykrycie

Istnieją trzy podstawowe techniki wykrywania z wykorzystaniem przewodzących polimerowych czujników zapachu (polipirolu), czujników gazu tlenku cyny i czujników mikrowagi z kryształem kwarcu. ^{[ Potrzebne źródło ]} Na ogół obejmują one (1) układ czujników pewnego rodzaju, (2) elektronikę do badania tych czujników i generowania sygnałów cyfrowych oraz (3) oprogramowanie do przetwarzania danych i interfejsu użytkownika.

Cały system jest sposobem na przekształcenie złożonych odpowiedzi czujników w jakościowy profil substancji lotnych (lub złożonej mieszaniny chemicznych substancji lotnych), które składają się na zapach, w postaci danych wyjściowych.

Konwencjonalne nosy elektroniczne nie są instrumentami analitycznymi w klasycznym tego słowa znaczeniu i bardzo niewielu twierdzi, że jest w stanie określić ilościowo zapach. Instrumenty te są najpierw „trenowane” z docelowym zapachem, a następnie używane do „rozpoznawania” zapachów, aby przyszłe próbki można było zidentyfikować jako „dobre” lub „złe”.

W ramach badań nad alternatywnymi metodami rozpoznawania wzorców dla układów czujników chemicznych zaproponowano rozwiązania umożliwiające rozróżnienie sztucznego i biologicznego węchu związanego z wymiarowością. To inspirowane biologią podejście polega na tworzeniu unikalnych algorytmów przetwarzania informacji.

Elektroniczne nosy są w stanie rozróżnić zapachy i substancje lotne z wielu różnych źródeł. Poniższa lista pokazuje tylko niektóre z typowych zastosowań technologii elektronicznego nosa – wiele z nich jest popartych badaniami naukowymi i opublikowanymi artykułami technicznymi.

Lokalizacja zapachu

Lokalizacja zapachu to połączenie ilościowej chemicznej analizy zapachu i algorytmów wyszukiwania ścieżek, a warunki środowiskowe odgrywają kluczową rolę w jakości lokalizacji. Badane są różne metody do różnych celów iw różnych rzeczywistych warunkach.

Motywacja

Lokalizacja zapachu to technika i proces lokalizowania lotnego źródła chemicznego w środowisku zawierającym jeden lub kilka zapachów. Jest to niezwykle ważne dla wszystkich żywych istot, zarówno dla znalezienia pożywienia, jak i uniknięcia niebezpieczeństwa. W przeciwieństwie do innych podstawowych ludzkich zmysłów , zmysł węchu jest całkowicie oparty na chemii. Jednak w porównaniu z innymi wymiarami percepcji, wykrywanie zapachu napotyka dodatkowe problemy ze względu na złożone dynamiczne równania zapachu i nieprzewidywalne zakłócenia zewnętrzne, takie jak wiatr.

Aplikacja

Technologia lokalizacji zapachu jest obiecująca w wielu zastosowaniach, w tym:

kontrola jakości w przetwórstwie spożywczym (np. skazy, psucie bakteryjne )
lokalizowanie źródła substancji niebezpiecznych (np.: materiałów wybuchowych i bojowych środków chemicznych )
odkrywanie podziemnych zasobów lub zagrożeń
wykrywanie materiałów zabronionych (np. wykrywanie narkotyków )
poszukiwanie osób, które przeżyły klęski żywiołowe
monitoring środowiska pod kątem zanieczyszczeń
wczesna diagnostyka chorób (np. w przewlekłej obturacyjnej chorobie płuc )

Opis historii i problemu

Najwcześniejszym instrumentem do wykrywania specyficznych zapachów był nos mechaniczny opracowany w 1961 roku przez Roberta Wightona Moncrieffa. Pierwszy elektroniczny nos został stworzony przez WF Wilkensa i JD Hartmana w 1964 roku. Larcome i Halsall omawiali wykorzystanie robotów do wykrywania zapachów w przemyśle jądrowym na początku lat 80., a badania nad lokalizacją zapachów rozpoczęto na początku lat 90. Lokalizacja zapachu to obecnie szybko rozwijająca się dziedzina. Opracowano różne czujniki i zaproponowano różnorodne algorytmy dla różnych środowisk i warunków.

Mechaniczną lokalizację zapachu można wykonać, wykonując trzy następujące kroki: (1) wyszukaj obecność lotnej substancji chemicznej (2) wyszukaj położenie źródła za pomocą szeregu czujników zapachu i pewnych algorytmów oraz (3) zidentyfikuj śledzoną źródło zapachu (rozpoznawanie zapachów).

Metody lokalizacji

Metody lokalizacji zapachu są często klasyfikowane według sposobów rozprzestrzeniania się zapachu w różnych warunkach środowiskowych. Tryby te można ogólnie podzielić na dwie kategorie: przepływ płynu zdominowany przez dyfuzję i przepływ płynu zdominowany przez turbulencje. Mają one różne algorytmy lokalizacji zapachów, omówione poniżej.

Przepływ płynu zdominowany przez dyfuzję

Metody śledzenia i lokalizacji przepływu płynu zdominowanego przez dyfuzję – który jest najczęściej stosowany w lokalizacji podziemnych zapachów – muszą być zaprojektowane tak, aby maszyny węchowe mogły działać w środowiskach, w których ruch płynu jest zdominowany przez lepkość. Oznacza to, że dyfuzja prowadzi do rozproszenia przepływu zapachu, a stężenie zapachu zmniejsza się od źródła jako rozkład Gaussa .

Dyfuzja oparów chemicznych przez glebę bez zewnętrznego gradientu ciśnienia jest często modelowana przez drugie prawo Ficka :

{\ Displaystyle {\ Frac {\ częściowe C} {\ częściowe t}} = D {\ Frac {\ częściowe ^ {2} C} {\ częściowe d ^ {2 }}}}

gdzie $D$ to stała dyfuzji, $d$ to odległość w kierunku dyfuzji, $C$ to stężenie chemiczne, a $t$ to czas.

Zakładając, że przepływ chemicznego zapachu rozprasza się tylko w jednym kierunku z jednolitym profilem przekroju poprzecznego, zależność stężenia zapachu w pewnej odległości i pewnym punkcie czasowym między stężeniami źródła zapachu jest modelowana jako

{\ Displaystyle {\ Frac {C} {C_ {s}}} = \ nazwa operatora {erfc} {\ Frac {d} {\ sqrt {4Dt}}}

gdzie $zapachu$ stężeniem źródła Jest to najprostsze dynamiczne równanie w modelowaniu wykrywania zapachów, ignorujące wiatr zewnętrzny lub inne zakłócenia. W ramach modelu propagacji zdominowanej przez dyfuzję opracowano różne algorytmy, po prostu śledząc gradienty stężeń substancji chemicznych w celu zlokalizowania źródła zapachu.

Algorytm E. coli

Prostą metodą śledzenia jest algorytm E. coli . W tym procesie czujnik zapachu po prostu porównuje informacje o stężeniu z różnych lokalizacji. Robot porusza się po powtarzających się liniach prostych w losowych kierunkach. Kiedy aktualne informacje o zapachu zostaną poprawione w porównaniu z poprzednim odczytem, robot będzie kontynuował podróż po bieżącej ścieżce. Jednak gdy obecny stan jest gorszy niż poprzedni, robot cofnie się, a następnie przesunie w innym losowym kierunku. Ta metoda jest prosta i wydajna, jednak długość ścieżki jest bardzo zmienna, a liczba pomyłek wzrasta wraz z bliskością źródła. ^{[ potrzebne dalsze wyjaśnienia ]}

Algorytm szesnastkowy i algorytm dwunastościanu

Inną metodą opartą na modelu dyfuzyjnym jest algorytm hex-path opracowany przez R. Andrew Russela do lokalizacji podziemnego zapachu chemicznego za pomocą zakopanej sondy sterowanej przez zrobotyzowany manipulator. Sonda porusza się na pewnej głębokości wzdłuż krawędzi ściśle upakowanej sześciokątnej siatki. Na każdym skrzyżowaniu stanu $n$ są do wyboru dwie ścieżki (lewa i prawa), a robot wybierze ścieżkę, która prowadzi do wyższego stężenia zapachu na podstawie informacji o stężeniu zapachu z dwóch poprzednich stanów połączenia $n -1$ , $n -2$ . W wersji 3D hex-path algorytm, algorytm dwunastościanu, sonda porusza się po ścieżce odpowiadającej ciasno upakowanemu dwunastościanowi , tak że w każdym punkcie stanu są trzy możliwe ścieżki do wyboru.

Przepływ płynu zdominowany przez turbulencje

Rysunek 1. Modelowanie pióropusza

W przepływie płynu zdominowanym przez turbulencje metody lokalizacji są zaprojektowane tak, aby radzić sobie z przepływem płynu w tle (wiatr lub woda) jako przerwania turbulencji. Większość algorytmów należących do tej kategorii opiera się na pióropusza (Rysunek 1).

Dynamika pióropuszy jest oparta na modelach Gaussa, które są oparte na równaniach Naviera-Stokesa . Uproszczony warunek brzegowy modelu opartego na Gaussie to:

${\ Displaystyle {\ Frac {\ częściowe C} {\ częściowe t} }=D_{x}{\frac {\częściowy ^{2}C}{\częściowy x^{2}}}+D_{y}{\frac {\częściowy ^{2}C}{\częściowy y^ {2}}}+\alpha {\frac {\częściowy C}{\częściowy x}}+\beta {\frac {\częściowy C}{\częściowy x}}}$

gdzie $Dx dyfuzji$ i $Dy są stałymi$ ; $jest$ liniową prędkością wiatru w kierunku $x$ , $.$ liniową prędkością wiatru kierunku $y$ Dodatkowo zakładając, że środowisko jest jednorodne, a źródło smugi jest stałe, równanie wykrywania zapachu w każdym czujniku robota w każdym punkcie czasu wykrywania $t - th$ wynosi

${\ Displaystyle R_ {i} = \ gamma _ {i} \ suma _ {k = 1} ^ {K} \frac {C_{k}}{\|{\rho _{k}-r_{k}}\|^{\alpha}}}+\omega _{i}}$

gdzie jest $th$ $\ - th$ próbka $} - czujnika$ , jest współczynnikiem wzmocnienia, $Displaystyle R_ {$ $displaystyle C_ {k}}$ jest $k - to$ intensywność źródła, ${$ k ${ \ Displaystyle$ \ $k}}$ jest parametrem tłumienia pióropusza, $jest$ szumem tła, który spełnia ${\ Displaystyle N (\ mu, \ sigma ^ {2}$ . W ramach modelowania pióropusza można zastosować różne algorytmy do zlokalizowania źródła zapachu.

Rysunek 2. Metoda triangulacji

Algorytm triangulacji

Prostym algorytmem, który można wykorzystać do oszacowania lokalizacji, jest metoda triangulacji (rysunek 2). Rozważmy powyższe równanie wykrywania zapachu, położenie źródła zapachu można oszacować, organizując odległości czujników po jednej stronie równania i ignorując hałas. Położenie źródła można oszacować za pomocą następujących równań:

${\ Displaystyle (x_ {1} -x_ {s}) ^ {2} + (y_ {1} -y_{s})^{2}=R_{1}/(\gamma _{1}C)}$

${\ Displaystyle (x_ {2} -x_ {s}) ^ {2} + (y_ {2} -y_{s})^{2}=R_{2}/(\gamma _{2}C)}$

${\ Displaystyle (x_ {3} -x_ {s}) ^ {2} + (y_ {3} -y_{s})^{2}=R_{3}/(\gamma _{3}C)}$

Metoda najmniejszych kwadratów (LSM)

Metoda najmniejszych kwadratów (LSM) to nieco skomplikowany algorytm lokalizacji zapachu. Wersja LSM modelu śledzenia zapachów jest dana przez:

$\ Displaystyle R_ {i}, _ {t} = \ gamma _ {i} {\ frac {C}{\|{\rho _{k}-r_{i}}\|^{2}}}+\omega _{i}=\gamma _{i}{\frac {C}{d^ {2}}}+\omega _{i}}$

gdzie jest odległością euklidesową między węzłem czujnika a źródłem pióropuszu, określoną wzorem: ${\ displaystyle d_ {i}}$

${\ Displaystyle d_ {i} = {\ sqrt {(x_ {i} -xs) ^ {2} + (y_ {i }+y_{s})^{2}}}}$

Główną różnicą między algorytmem LSM a metodą triangulacji bezpośredniej jest szum. W LSM uwzględnia się hałas, a lokalizację źródła zapachu szacuje się, minimalizując błąd kwadratowy. Nieliniowy problem najmniejszych kwadratów jest określony przez:

$1} ^ {N} ( {{\frac {C}{\sqrt {(x_{i}-{\widehat {x_{s}}})^{2}(y_{i}-{\widehat {y_{s}}})^ {2}}}}-{\overline {z_{l}}}}}}$

gdzie ${\ Displaystyle ({\ widehat {x_ {s}}}, {\ widehat {y_ {s}}})}$ jest szacowaną lokalizacją źródła i ${\ Displaystyle { \overline {z_{l}}}}$ to średnia z wielu pomiarów na czujnikach, określona wzorem:

${\ Displaystyle {\ overline {z_ {l}}} = {\ Frac {1} {M}} \ suma _ {i = 1} ^ {M} z_{i}}}$

Oszacowanie maksymalnego prawdopodobieństwa (MLE)

Inną metodą opartą na modelowaniu pióropusza jest oszacowanie największej wiarygodności (MLE). W tej metodzie lokalizacji zapachu zdefiniowano kilka macierzy w następujący sposób:

${\ Displaystyle Z = [{\ Frac {R_ {1} - \ mu _ {1}} {\ sigma _ {1}}}, {\ Frac {R_ {2} - \ mu _{2}}{\sigma _{2}}},...{\frac {R_{N}-\mu _{N}}{\sigma _{N}}}]}$

${\ Displaystyle G = diag [{\ Frac {\ gamma _ {1}} {\ sigma _ {1}}}, {\ Frac {\ gamma _ {2}} {\ sigma _ {2} }}},...{\frac {\gamma _{N}}{\sigma _{N}}}]}$

${\ Displaystyle D = [{\ Frac {1} {1} ^ {2}}}, {\ Frac {1} {d_ {2} ^ {2}}}, ... {\frac {1}{d_{N}^{2}}}]}$

${\ Displaystyle \ zeta = [\ zeta _ {1}, \ zeta _ {2}, ... \ zeta _ {N}]}$

${\ Displaystyle \ zeta _ {i} = (\ omega _ {i} - \ mu _ {i}) / \ sigma _ {i }\sim N(0,1)}$

${\ Displaystyle {\ Frac {R_ {i} - \ mu _ {i}} {\ sigma _ {i}}} \ sim N({\frac {\gamma _{i}}{\sigma _{i}}}{\frac {C}{d_{i}^{2}}},1)}$

Dzięki tym macierzom model wykrywania zapachów oparty na pióropuszach można wyrazić za pomocą następującego równania:

${\ Displaystyle Z = GDC + \ zeta}$

Następnie MLE można zastosować do modelowania i utworzyć funkcję gęstości prawdopodobieństwa

${\ Displaystyle f (Z \ teta) = 2 \ pi ^ { -(N/2)}e^{-{\frac {1}{2}}(Z-GDC)^{T}(Z-GDC)}}$

gdzie jest szacowaną pozycją źródła zapachu, a logarytmiczną funkcją prawdopodobieństwa jest ${\ displaystyle \ theta}$

${\ Displaystyle L (\ theta) \ sim {\ Frac {1} {2}} \ suma _ {i = 1} ^ {N} {\| Z_ {i} - \ gamma _ {i} {\ frac { c}{d_{i}^{2}}}\|}={\frac {1}{2}}\sum _{i=1}^{N}{({\frac {Ri-\mu _ {i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2}}}$

Oszacowanie parametru największej wiarygodności można obliczyć, minimalizując ${\ displaystyle \ theta}$

${\ Displaystyle I (\ teta) = \ suma _ {i = 1} ^ {N} {( {\frac {Ri-\mu _{i}}{\sigma _{i}}}-\gamma _{i}{\frac {c}{d_{i}^{2}}})^{2 }}}$

a dokładną lokalizację źródła zapachu można oszacować, rozwiązując:

${\ Displaystyle {\ Frac {\ częściowe {ja (\ teta)}} {\ częściowe (x)}} = 0, { \frac {\częściowe {I(\theta )}}{\częściowe (y)}}=0}$

Zobacz też

Linki zewnętrzne

Electronic Nose Technologies firmy Scensive Technologies Ltd, Wielka Brytania
TC Pearce, SS Schiffman, HT Nagle, JW Gardner (redaktorzy), Handbook of Machine Olfaction: Electronic Nose Technology, Wiley-VCH, Weinheim, 2002. W formacie PDF pod adresem: [1 ]
Sieć dotycząca archiwum sztucznego wykrywania węchów (NOSE).
Lundström, Ingemar (2000). „Wyobraź sobie zapach”. Natura . Skoczek. 406 (6797): 682–683. Bibcode : 2000Natur.406..682L . doi : 10.1038/35021156 . PMID 10963577 . S2CID 16957778 .