The potential of deep learning for gas sensor evaluation and calibration

Abstract

Metal oxide semiconductor gas sensors are promising candidates for selectively measuring harmful pollutants indoors. However, they suffer from their lack of selectivity, sensor-to-sensor variance, and drift over time. Advanced calibration and operation modes are required to overcome some of these sensor drawbacks. During calibration, the sensor is exposed to many gas mixtures to build robust, data-driven models. Based on the sensor response, these models deduce the target gas concentration present. Special operation modes like temperature-cycled operation are used to gain additional information from the transient behavior of the sensor. However, calibration can be costly, time-consuming, and complicated, even without complex operation modes. Within this thesis, a new data-driven model for the evaluation and calibration of metal oxide semiconductor gas sensors is introduced. The newly developed model, TCOCNN, is a multi-layer convolutional neural network. Together with methods from the field of deep learning, like transfer learning, it is possible to tackle long calibration times and sensor-to-sensor variation. It was shown that it is possible to reduce the calibration time by up to 99.3 % and significantly reduce the influence of sensor-to-sensor variance. In some aspects, the TCOCNN surpasses state-of-the-art methods and provides insights into the model’s inner workings, the temperature cycle, and the sensor itself.

Metalloxid-Halbleiter-Gassensoren sind ein vielversprechender Kandidat für die Messung einzelner schädlicher Gase in der Innenraumluft. Allerdings leiden die Sensoren unter der starken Varianz zwischen den Sensoren, dem Drift über die Zeit, und der fehlenden Selektivität. Um den Sensor für die selektive Messung von schädlichen Gasen nutzbar zu machen, muss der Sensor kalibriert und in komplexen Betriebsmodi (bspw. Temperaturzyklus) verwendet werden. Während der Kalibrierung arbeitet der Sensor im Temperaturzyklus und wird verschiedenen Gasgemischen ausgesetzt. Die daraus resultierenden Daten werden dazu genutzt, ein Modell zu trainieren, das die Konzentration der Zielgase vorhersagen kann. Diese aufwendige Kalibrierung ist bereits ohne Temperaturzyklus teuer, komplex und zeitintensiv. Deshalb wird innerhalb dieser Arbeit ein neues datengetriebenes Modell vorgestellt. Die neue Methode basiert auf einem mehrschichtigen convolutional neural network und wird als TCOCNN bezeichnet. Es konnte gezeigt werden, dass das TCOCNN in manchen Aspekten signifikant bessere Ergebnisse als die klassischen Methoden erzielt. Des Weiteren konnten fortgeschrittene Methoden des Deep Learning (bspw. Transfer Learning) dazu genutzt werden, die Schlüsselfragen rund um Metalloxid-Halbleiter-Gassensoren zu lösen. Beispielweise konnte die Kalibrierzeit um bis zu 99,3 % reduziert werden, während trotzdem gezielte Einblicke in den Temperaturzyklus, den Sensor und die Funktionsweise des Modells möglich sind.