Abstract
A commercial SnO2-based metal oxide gas sensor (UST GGS 1330) operated at a constant temperature of 170 ℃ was evaluated in a frequency range from 40 Hz to 110 MHz using an Agilent 4294A high precision impedance analyzer. The sensor was exposed to carbon monoxide and ethanol at three concentrations each (1, 2 and 5 ppm) and at humidities of 40%rh and 60%rh. After application of the test gas profile, the sensor was repeatedly poisoned with 9.3 ppm of HMDSO for 20 min, and the gas test was repeated up to an overall poisoning dose of 930 ppm min (i.e. five times). Impedance data exhibit characteristic features for the different test gases as well as for sensor poisoning. Using Haar-Wavelet transformation and Adaptive Linear Approximation for feature extraction followed by feature selection with Recursive Feature Elimination Support Vector Machines a total classification rate well above 98% was achieved for test gas type and concentration as well as sensor poisoning state with linear discriminant analysis and a Mahalonobis distance classifier.
Zusammenfassung
Ein kommerzieller SnO2 basierter Metalloxidgassensor (UST GGS 1330), bei konstanter Temperatur von 170 ℃ betrieben, wurde im Frequenzbereich von 40 Hz bis 110 MHz mittels einem Agilent 4294A Impedanzspektrometer ausgelesen. Kohlenmonoxid und Ethanol wurden dem Sensor bei Feuchten von 40% und 60% jeweils in drei Konzentrationsstufen (1, 2, 5 ppm) angeboten. Nach diesem Testgasprofil wurde der Sensor durch wiederholtes Aussetzen gegen 9, 3 ppm HMDSO für 20 min vergiftet. Zwischen den Vergiftungen wurde das Testgasprofil wiederholt. Der Vergiftungsprozess wurde fünffach, bis zu einer Dosis von 930 ppm min, wiederholt. Die Impedanzdaten zeigen charakteristische Merkmale sowohl für die Erkennung der Testgase als auch für die Erkennung der Vergiftung. Unter Verwendung der Haar-Wavelet-Transformation und der Adaptiven Linearen Approximation wurden Merkmale bestimmt. Mit einem Merkmalsauswahlverfahren (Recursive Feature Elimination Support Vector Machine) und einem nachgeschalteten Klassifikationsverfahren (Linear Discriminant Analysis mit Mahalonobis Distance) konnte eine Gesamtklassifikationsrate von über 98% für die simultane Bestimmung von Gasart und Vergiftungszustands erreicht werden.
About the authors
Laboratory for Measurement Technology, Saarland University, Campus A5 1, 66123 Saarbrücken, Germany
Laboratory for Measurement Technology, Saarland University, Campus A5 1, 66123 Saarbrücken, Germany
Laboratory for Measurement Technology, Saarland University, Campus A5 1, 66123 Saarbrücken, Germany
Laboratory for Measurement Technology, Saarland University, Campus A5 1, 66123 Saarbrücken, Germany
©2017 Walter de Gruyter Berlin/Boston