선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- MEMS기술을 이용하여 제작된 가스센서 어레이 플랫폼을 이용하여 측정되어진 감지가스들의 신호들은 개별센서 및 센서 어레이 신호들의 전 처리 과정을 통하여 감지가스들의 특성을 잘 표현한 특정패턴으로 만들었고 주성분 분석법과 다변량 선형회귀 알고리즘을 이용하여 감지가스들의 분류 및 추정이 가능하였다. 이러한 실험결과를 통하여 앞으로 제작되어질 가스센서 어레이를 탑재한 센서모듈은 자동차 유해가스 유입제어시스템 등 가스 센서어레이 플랫폼을 이용한 실시간 유해가스 감지시스템의 구현이 가능하여 질 것이다.
- 또, 4개의 MFC에 다른 종류의 가스들을 여러 가지 농도로 조절하여 공급하면서 가스분위기를 제어할 수 있다. 가스에 따른 센서들의 출력은 DAQ(data acquisition) System을 통하여 획득되어지며, 획득된 센서신호들의 검지가스에 따른 분류 및 인식을 위한 패턴인식방법의 효율성을 증대하고자 각각의 센서신호뿐만 아니라 센서 어레이 신호를 전처리 기법을 적용하여 측정되어진 원 데이터들이 감지가스의 특성을 잘 표현하도록 하였다.
- 접촉 연소식 센서는 Pellistor type으로 온도 및 습도의 영향이 적어 신뢰성이 우수하고 출력이 선형적이란 장점을 갖고 있지만 히터의 고온동작과 감지체의 열화가 사용하는데 걸림이 될 수도 있다. 그러나 본 연구에서는 접촉 연소식 센서는 간혈적으로 사용함으로서 전력손실 및 감지체의 열화 등을 제거하였다.
- 본 연구에서는 1차적으로 접촉 연소식 센서(감지소자+보상소자), 반도체식 CO센서, 반도체식 NOX센서, 반도체식 H2S 센서, 그리고 통상적 가스에 모두 반응하는 반도체식 센서 등 5개의 센서로 구성된 센서 어레이를 제작하였다(그림 2).
- 가스 분류기로서의 패턴인식방법의 성능은 센서 및 센서 어레이 신호들에 대한 적절한 전 처리(pre-processing) 기법의 선정 및 다양한 분류(classification)기법들 가운데 최적의 분류 알고리즘의 선택에 좌우된다. 본 연구에서는 각각의 가스들에 대한 특성패턴들을 검출하기위하여 각 센서신호 뿐만 아니라 센서 어레이 신호들에 대하여 전 처리기법을 적용하였고, 가스들의 분류를 위하여 간단한 통계적 패턴인식 알고리즘들인주성분 분석법(principal component analysis : PCA)을 적용하여 각 가스패턴들의 종류에 따른 클러스터링(clustering)을 직접 눈으로 확인하였다. 또한, 실시간으로 유해가스를 분류 할 수 있는 가스검지 시스템의 구현을 위하여 다 변량 선형 회귀법(multi-linear regression: MLR)방법을 사용하였다.
- 이를 위한 첫 번째 연구로 MEMS 기술을 이용하여 제작되어진 유해가스들을 검지할 수 있는 가스센서들로 이루어진 센서 어레이를 구현하고 이를 통하여 검지되는 신호들을 처리하여 유해가스들을 구별할 수 있는 유해가스 인식시스템을 간단한 통계적 패턴인식기법들을 사용하여 구현하였다.
- 제작되어진 가스센서 어레이 플랫폼을 이용하여 유해가스들을 측정하였고 측정시스템은 그림6에서 보이는 것처럼 2개의 MFC(mass flow controller)를 통하여 습도를 0~90 %까지 조절 할 수 있으며, −55−+80 ℃의 온도를 제어할 수 있다.
- 가운데 본 연구에서는 검지가스들의 분류 및 인식을 위하여 간단한 통계적 패턴인식 알고리즘인 주성분 분석법을 적용하여 각 가스패턴들의 감지가스 종류에 따른 분류 가능성을 직접 눈으로 확인하였으며, 또한 가스센서 어레이 플랫폼을 통한 실시간 유해가스를 인식 할 수 있는 유해가스 검지시스템을 구현하기 위하여 다변량 선형 회귀법을 사용하였다. 주성분 분석법[7]을 이용하여 5개의 가스센서들로 구성된 센서 어레이에서 획득되어진 가스 데이터들의 분포(distribution)를 5차원에서 2차원으로 차원 축소(dimensional reduction)를 통하여 평면상에 표시(visualization)하여 이들이 4개의 Class로 잘 분류되는 지를 확인하였다. 4개의 가스들에 대하여 4~5번의 반복실험을 통하여 데이터를 획득하였으며 총 19개의 가스패턴들을 주성분 분석법을 이용하여 분류하였고 그 결과 그림 8에서 보여 지는 것처럼 19개의 데이터 패턴들이 4개의 Class로 잘 분류가 되어지고 있음을 눈으로 확인 할 수 있다.
대상 데이터
- 2. Sensor array platform consisted by 5 different gas sensors and its package.
- 제작된 플랫폼은 2.5 mm×4.5 mm의 실리콘 기판 위에 600 µm×600 µm의 면적을 갖고 깊이가 200 µm인 깊게 파인 홈 구조인 8개의 캐비티와 800 µm×800 µm의 면적을 갖는 깊이가 200 µm인 2개의 캐비티가 형성되어있다.
이론/모형
- 같은 조건으로 실시간 유해가스 검지시스템 구현이 용이한 다변량 선형 회귀법[4]을 이용하여 검지된 가스들을 인식 할 수 있는지 추정하였다. 앞에서 제안된 주성분 분석법이 비 교사학습(unsupervised leaning)방법으로 진행되어진 반면 다변량 선형 회귀법은 교사학습(supervised learning)방법을 이용하여 진행되어졌다.
- 다양한 패턴인식 알고리즘들[5,6] 가운데 본 연구에서는 검지가스들의 분류 및 인식을 위하여 간단한 통계적 패턴인식 알고리즘인 주성분 분석법을 적용하여 각 가스패턴들의 감지가스 종류에 따른 분류 가능성을 직접 눈으로 확인하였으며, 또한 가스센서 어레이 플랫폼을 통한 실시간 유해가스를 인식 할 수 있는 유해가스 검지시스템을 구현하기 위하여 다변량 선형 회귀법을 사용하였다. 주성분 분석법[7]을 이용하여 5개의 가스센서들로 구성된 센서 어레이에서 획득되어진 가스 데이터들의 분포(distribution)를 5차원에서 2차원으로 차원 축소(dimensional reduction)를 통하여 평면상에 표시(visualization)하여 이들이 4개의 Class로 잘 분류되는 지를 확인하였다.
- 본 연구에서는 각각의 가스들에 대한 특성패턴들을 검출하기위하여 각 센서신호 뿐만 아니라 센서 어레이 신호들에 대하여 전 처리기법을 적용하였고, 가스들의 분류를 위하여 간단한 통계적 패턴인식 알고리즘들인주성분 분석법(principal component analysis : PCA)을 적용하여 각 가스패턴들의 종류에 따른 클러스터링(clustering)을 직접 눈으로 확인하였다. 또한, 실시간으로 유해가스를 분류 할 수 있는 가스검지 시스템의 구현을 위하여 다 변량 선형 회귀법(multi-linear regression: MLR)방법을 사용하였다.
- 을 이용하여 검지된 가스들을 인식 할 수 있는지 추정하였다. 앞에서 제안된 주성분 분석법이 비 교사학습(unsupervised leaning)방법으로 진행되어진 반면 다변량 선형 회귀법은 교사학습(supervised learning)방법을 이용하여 진행되어졌다. 학습 후 얻어진 가중치들을(weights) 이용하여 간단하게 실시간으로 감지가스를 추정 할 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.