面向混合气体传感器漂移的无监督域对抗回归算法PTADA及其在H2S–SO2检测中的应用

本文提出了一种名为PTADA（渐进式双流时序注意力域适应网络）的无监督域对抗回归算法，针对混合气体检测中的传感器漂移问题，通过多尺度时序特征提取、对抗训练（ADDA）与多核最大均值差异（MK-MMD）域对齐策略，显著提升了H2S和SO2浓度预测的跨域鲁棒性。创新性引入混合压缩焦点损失（H-Focal Loss）解决浓度数据不平衡问题，在自建及公开数据集上验证了其优越性能，为工业有毒气体实时监测提供了可靠解决方案。

　　

Highlight

本研究提出PTADA算法，首次针对混合气体回归漂移问题设计无监督域适应网络，其核心创新包括：

1. 1.
   结合并行TCN-GRU结构与注意力机制实现多尺度时序特征提取，通过内外残差连接构建层次化时序依赖模型；
2. 2.
   融合对抗域适应（ADDA）与MK-MMD正则化以增强跨域特征对齐能力；
3. 3.
   设计H-Focal Loss函数，通过线性-对数混合压缩与焦点加权机制解决浓度数据样本不平衡问题。

Methodology

在混合气体检测中，电子鼻（e-nose）系统响应信号常呈现复杂非线性且易受噪声干扰。PTADA算法专为此类混合气体非线性特征设计，其网络结构包含以下核心模块：

• •
  渐进式双流特征提取器：并行时序卷积网络（TCN）捕获局部模式，门控循环单元（GRU）建模全局依赖，辅以多头注意力机制强化关键特征；
• •
  域对抗架构：特征提取器与域判别器通过梯度反转层（GRL）进行对抗训练，促使学习域不变特征；
• •
  MK-MMD对齐模块：在特征空间与分类器输出层实施多核最大均值差异约束，优化跨域分布对齐；
• •
  H-Focal Loss：针对浓度回归任务中高低频样本分布不均问题，采用线性误差（MSE）与对数误差（Log-Cosh）混合压缩形式，并结合焦点权重聚焦难以预测的样本。

Result and discussion

实验部分首先评估了学习率策略、H-Focal Loss函数及核函数敏感性，随后通过消融实验验证网络各组件贡献。对比实验显示，PTADA在H₂S/SO₂混合气体数据集上取得R2分别为0.924和0.937，显著优于传统模型（如Informer、SWD、ADDA）。噪声鲁棒性测试与传感器失效实验进一步证实其稳定性，在公开数据集（UCI Twin Gas Sensor Arrays）及自建CO/乙烯混合气体数据上的跨域测试展现了强泛化能力。

Conclusion

PTADA算法通过融合时序建模、对抗学习与分布对齐技术，有效提升了混合气体浓度预测在传感器漂移场景下的准确性。其并行双流结构与注意力机制增强了特征表达能力，而H-Focal Loss解决了数据不平衡的挑战。该研究为工业环境下有毒气体的长期稳定监测提供了切实可行的域适应解决方案。