Zeitabhängige Signale und Kalibration bei Halbleitergassensorsystemen : Methoden zur schnellen Konzentrationsmessung und Zustandserkennung

Abstract

Halbleitergassensoren weisen hohe Empfindlichkeiten auf eine Vielzahl von reduzierenden und oxidierenden Gasen auf. Die Entwicklungvon Halbleitergassensor-Systemen insbesondere für Bereiche mit schnellen zeitlichen Variationen der Gaskonzentrationen setzt eineBeschreibung der nichtlinearen dynamischen Sensoreigenschaften voraus. Oftmals existieren für diese Komponenten jedoch keinegeeigneten mathematische oder physikalische Modelle. Darüber hinaus zeigen diese Sensoren große Streuungen in den Empfindlichkeiten und Zeitkonstanten innerhalb einer Typenreihe. Dieserforderte bislang umfangreiche Kalibrationsmessungen an jedem Einzelsensor eines Systems. Zeitliche Instabilitäten in den Parameternerforderten zusätzlich eine Wiederholung der Kalibration in bestimmten Zeitabständen. In dieser Arbeit wurden Verfahren zur Reduktion transienter Anzeigefehler bei der Bestimmung zeitlich variierender Gaskonzentrationen mitEin- und Mehrsensorsystemen sowie zur schnellen (Re-) Kalibration derartiger Sensorsysteme entwickelt. Zum Einsatz von Halbleitergassensoren wird neben der Auswertung einfacher direkter Meßgrößen (z.B. Leitwerte) auch die Auswertungabgeleiteter Größen und deren zeitlicher Verlauf untersucht. Zur Abschätzung der Zuverlässigkeit von Verfahren der Signalmusteranalysevor allem bei der Gefahrzustandserkennung ist eine Quantifizierung der Erkennungs- und Fehlklassifizierungssicherheit notwendig. Zur Optimierung von Auswerteverfahren nach einer komplexen Zielfunktion sind hierzu evolutionsstrategische Verfahren zur Anpassungeines Neuro-Klassifikators an einer Beispielanwendung untersucht worden. Es wurden zeitabhängige Leitwertmessungen an kommerziellen SnO2-Dickschichtsensoren unterschiedlicher Präparation undBetriebstemperatur bei Angeboten von reduzierenden Gasen (Wasserstoff, Kohlenmonoxid, Benzol, 2-Butanon und n-Hexan)vorgenommen. Die Sensoren zeigen hohe Empfindlichkeiten auf diese Gase im Konzentrationsbereich derMaximalen-Arbeitsplatz-Konzentration (MAK) bzw. Technischen-Richt-Konzentration (TRK). Eine selektive Erkennung einzelnerKomponenten in Gasgemischen ist über die Anordnung dieser Sensoren zu Sensorarrays bei geeigneter Signalverarbeitung möglich. Werden dabei zeitliche Effekte vernachlässigt, können bei Konzentrationswechseln transiente Anzeigefehler infolge unterschiedlicherdynamischer Eigenschaften der Einzelsensoren auftreten. Zwei Ansätze sind untersucht worden, neuronale Netze anhand vonTrainingsbeispielen das dynamische Verhalten von Sensorsystemen erlernen zu lassen und sie in eine Signalverarbeitung zu integrieren. Im ersten Verfahren erlernen die neuronalen Netze anhand des aktuellen und einer Reihe zurückliegender Leitwerte, die gegenwärtigenGaskonzentrationen direkt auszugeben (inverser Filter). Dies führt zur einer sehr schnellen und präzisen Anzeige. So konnte bei Angebotenvon organischen Lösungsmitteln die Gaskonzentration innerhalb von wenigen Sekunden korrekt angezeigt werden, obwohl dieGassensoren Zeitkonstanten von mehr als 10 min. aufwiesen. Die notwendigen Messungen für die Trainingsdaten sind dabei sehrumfangreich, gleiches gilt für eine Prüfung des Netzes auf mögliche Artefakte. Zusätzlich macht der Austausch eines Sensors in einemMehrsensorsystem die Wiederholung der kompletten Kalibrationsmessungen mit dem System und anschließendes Netztrainingerforderlich. Im zweiten Verfahren lernten die neuronalen Netze durch Eingabe der aktuellen und einer Reihe zurückliegender Gaskonzentrationen denaktuellen Sensorleitwert zu berechnen und so die dynamischen Sensoreigenschaften zu approximieren. Diese Netze wurden in einParameterschätzverfahren zur Konzentrationsbestimmung integriert. Im Falle von Ein- oder Mehrsensorsystemen wird dann bei jeder neuenLeitwertmessung eine iterative Konzentrationsschätzung vorgenommen. Die aus der Schätzung berechneten Leitwerte werden mit dengemessenen verglichen und aus dem Fehler die Schätzung verbessert. Die Prozedur wird wiederholt, bis eine vorgegebeneFehlerschranke unterschritten wird. Vorteil dieses Verfahrens ist, daß beim Austausch eines Sensors auch nur ein korrespondierendesNetz in der Signalverarbeitung ausgetauscht werden muß. Eine Nachkalibration des Gesamtsystems ist nicht erforderlich. Die neuronalen Netze verhalten sich in beiden Verfahren wie diskrete FIR (Finite-Impulse-Response)-Filter. Zur Detektion undCharakterisierung von Anzeigeartefakten wurden Kennlinien und Bode-Diagramme erstellt sowie Fehlerkorrelationsmethoden zurValidierung nichtlinearer dynamischer Modelle angewandt. Das Training neuronaler Netze mit den Leitwertdaten mehrerer Sensoren eines Typs bei zusätzlicher Eingabe individueller, leicht meßbarerParameter der Einzelsensoren (Empfindlichkeiten, Zeitkonstanten) ist untersucht worden. Diese Netze konnten dabei das Verhalten einesganzen Sensortyps erlernen, die Anpassung auf einen Einzelsensor erfolgt dabei durch die Messung und Eingabe der leicht meßbarenParameter. Dieses Verfahren kann dadurch die (Nach-)Kalibration von Sensoren und Systemen erheblich verkürzen und einanschließendes Netztraining einsparen. So ließ sich bei der kontinuierlichen Messung von Benzol eine 9 stündige Kalibrationsmessung mit varierenden, zufälligenGaskonzentrationen auf eine ca. 10 min. Einzelmessung für die Sensorparameter (Empfindlichkeit auf 18 ppm Benzol, 2 Zeitkonstanten)beschränken. Zur Messung von Einzelkonzentrationen in CO/H2-Gemischen mit einem Zweisensorsystem konnte ein Meßprogramm mit 25Einzelgemischen (Meßdauer ca. 15 Stunden) mit nachfolgendem Netztraining auf zwei kurze Einzelmessungen für die Sensorparameter(Empfindlichkeit auf CO und H2 bei jeweils 20 ppm) reduziert werden. Anhand von Leitwertmessungen an SnO2-Sensoren in der Bekohlungsanlage des Braunkohlen-Kraftwerks Niederaußem der RWE AGwurden Mustererkennungsverfahren zur sicheren Detektion von Braunkohle-Schwelbränden mit nur einem Sensor bei gleichzeitigerFalschalarmsicherheit untersucht. Es lagen Daten bei Normalbetrieb der Anlage, bei 6 künstlichen Braunkohle-Schwelbränden sowieanderen Testbränden vor. Bei den Verfahren wurden Merkmale (relative Signaländerungen bzw. Signalspektren) aus zeitlich gefensterten Sensorsignalen einesZeitraums von 32 min. berechnet und in einen Merkmalsvektor übersetzt. Die Branderkennung sollte über eine Klassifikation derMerkmalsvektoren mit neuronalen Netzen erreicht werden. Die Quantifizierung einer Falschalarmrate wurde anhand von Betrachtungen zur statistischen Verteilung der Merkmalsausprägungen imNicht-Brandfall vorgenommen. Die Adaptierung des Neuro-Klassifikators nach der komplexen Zielfunktion erfolgte durch den Einsatzevolutionsstrategischer Verfahren.