人工嗅觉系统设计初步

　　随着各种气体的应用，多种有毒有害气体产物大量生成，对人类健康安全构成威胁。各种气体检测技术应运而生，如煤气液化气报警、烟雾（火警）报警。特别是自1964年Wilkens和Hatman提出电子鼻的概念以来，气体传感技术正向更高的层次———电子鼻方向发展，即具有一定气体、气味分辨能力的智能系统［1，2］。因而研究能模拟动物嗅觉系统的人工嗅觉也就自然成为该领域研究的热点，该文是笔者在设计人工嗅觉系统方面所做的一点初步工作。
　　电子鼻技术目前已广泛应用于生活和生产活动中，如鱼肉新鲜度测定和白酒、烟草等级评定，毒品、炸药探测等专门任务［3］，并取得可喜成果，但是通用型人工嗅觉的实现难度很大。难点在于：①在医学领域，嗅觉与视觉、听觉相比，研究得最不充分。②嗅觉系统结构模型相当复杂，尚有许多待探索的结构和机理。③嗅觉神经系统电、化学信号传递和信息处理过程复杂，可能属于非线性、非稳态和混沌过程。［4］ 
2　嗅觉系统基本原理
　　目前所知的嗅觉过程大致如下［5］（见图2—1）：在人的鼻道上端存在一个黄豆大的区域———嗅区，气味分子与嗅区最外层的粘膜上的纤毛接触时，发生物理吸附，并向粘膜中扩散，同时发生化学作用。被粘膜覆盖的嗅细胞受到刺激后产生感受电位，经嗅神经纤维沿细胞轴突到达第一神经元（嗅小球），再从嗅小球的输出端汇入第二神经元（僧帽细胞）。在组成嗅束后，把经一、二级神经元处理后的信号传递到大脑皮层有关区域，经大脑的分析处理，产生嗅觉判断。 


　　单个初级嗅觉神经元对各种气体是交叉敏感的，虽然嗅细胞数量众多，但种类只有14种左右。人类灵敏的嗅觉正是靠数量庞大、相互交叉敏感的细胞阵列以及多级神经网络的信号整合才得以实现的。仅从嗅小球到大脑皮层，嗅觉系统的灵敏度就提高了3个数量级［5］。因此设计人工嗅觉系统时，大规模、多种类传感器组成的阵列和模拟人类神经系统功能的神经网络是必需考虑的。 
3　传感器阵列
　　目前使用量最大的是利用体电阻效应的金属氧化物传感器，主要是利用粉末冶金方法，在SnO2粉末中参杂Pt和Pd等提高灵敏度和选择性。工作温度多在450～550℃，用于可燃气体现场时需作防爆处理，此外功耗也较大。笔者采用真空磁控溅射成膜技术，用平面集成工艺制作集成化的SnO2基纳米薄膜传感器，利用纳米尺度薄膜电性能与常规体电导效应的差异，探索将传感器工作温度降到多数可燃气体着火点以下的途径。另外还通过多种参杂方法提高对不同气体的选择性，试验表明适当参杂后工作温度可下降100℃左右，目前还在继续寻找能使工作温度进一步降低的参杂物质和工艺。图3—1为薄膜传感器示意图。



　　制作纳米薄膜SnO2基气体传感器，首先要寻找合适的镀膜基片，常用的陶瓷基片粗糙度远大于纳米。因此采用抛光耐热玻璃镀膜制作，见图3—1。在玻璃基片正面真空溅射敏感膜SnO2和合金电极，并给每段敏感膜分别采用一定工艺参杂微量Cu2O、ZnO、Al2O3、MgO、ZrO和TiO2等杂质，以提高选择性。玻璃基片背面镀Ni80Cr20加热电阻合金薄膜，以及镍铬—康铜薄膜热电偶。试验表明采用K9玻璃镀膜优越性明显。可在50 mm长的玻璃片上平面集成数十个传感器，为结构小型化创造了条件。稳定的表面状态导致稳定的传感器性能。抛光的玻璃表面几乎不需预处理即可镀出合格镀层，且结合远比普通陶瓷表面涂层牢靠。基底上形成的非晶态纳米涂层厚薄均匀，这与SiO2基底和SnO2之间点阵错配度较大，难以形成晶体生长有关。有别于烧结型SnO2基传感器，非晶态条件下导电机理与晶态差异较大，界面化学特性迥异。体电导受晶界势垒控制和烧结颗粒间颈部控制以及表面电阻控制，而非晶态薄膜主要为表面效应，受涂层—基片费米能级和载流子隧道效应影响［6］。烧结型SnO2基传感器表面上吸附各种气体分子后，心部电阻改变不大。由于烧结型材料比表面较小，吸附造成的相对电导变化远小于薄膜型传感器，薄膜型传感器可获得较高的灵敏度，450℃工作温度下灵敏度S从5～10提高到25左右。
灵敏度定义为：
还原性气体S＝（Ra－Rg）／Rg＝ΔR／Rg
氧化性气体S＝（Rg－Ra）／Ra＝ΔR／Ra
　　式中Rg和Ra分别为工作温度下在被测气氛和空气中的电阻值。 
4　人工嗅觉系统基本结构
人工嗅觉系统框图见图4—1。



4．1　信号调理与采集电路
　　传感器阵列采用分压式取样电路＋加热元件输出电路＋单端16路模拟量采集卡（PCL812－PG），板上带2路模拟量输出，控制加热电压和吸气泵。阵列规模为16只传感器。
4．2　模式识别方法与识别结果讨论
　　人类的嗅觉过程是一个复杂的理化过程，模拟嗅觉首先应关注理化方面的变化。鼻腔能把温度和湿度调节到理想状态来保证获得灵敏的响应，目前国内外生产的气体传感器均无测温结构，该系统用溅射法形成薄膜热电偶，可将传感器温度精确调节，模拟生物嗅觉系统。
　　人类感知一种气味时初期的信息很重要，时间一长反而被气味所“麻痹”。说明暂态信息对于嗅觉过程至关重要。气体分子量大小不同、偶极矩不同，在动态吸附过程中的动力学特征不同。反映这些特征的参数可作为一种“气味谱”。与光谱仅取决于物质种类不同，“气味谱”随试验条件而改变，但在一定条件下，经过模式识别系统的学习，仍可作为识别参数。根据化学反应动力学原理，解吸阶段（用空气冲洗）的响应参数也与气体分子性质有关，也可作为模式识别参数，因此笔者也对这一阶段的数据进行了特征提取。所有这些识别参数数值经过预处理后成为一种气味的气味谱，这里取响应曲线的三次曲线拟合的各次项系数a0～a3为谱参数矢量，将每种气味中16个传感器产生的响应曲线族作为一组。为采用误差反传（BP）神经网络进行模式识别，人为给定一个气体分类期望输出。若干气味样本的气味谱作为神经网络输入矩阵参数，经过神经网络学习后进行模式识别。笔者研究了3层BP网和自组织特征映射（SOM）网络的两种识别方法。
　　BP网输入层有16