以少胜多：稀疏浓度覆盖下快速气体浓度估计的双分支学习

《Sensors and Actuators A: Physical》：More from less: Dual-branch learning for rapid gas concentration estimation under sparse concentration coverage

　　**摘要**- 双分支学习可实现对未见气体浓度的准确估计。- 在25个浓度等级中的10个等级上进行训练，可将浓度等级校准需求降低60%。- 在五秒响应时间内，在15个未见等级上的R2值达到0.92。**引言**准确的气体浓度估计对于各种气体传感应用至关重要，包括环境监测、工业安全、泄漏检测、食品质量评估和医疗诊断[1]、[2]、[3]。除了简单地识别目标气体外，实际传感系统还必须提供可靠的定量浓度信息，以支持过程控制、实时决策和预警系统的开发。这一能力在泄漏检测和工业环境中尤为重要，及时获得浓度估计有助于在气体水平达到危险阈值之前采取干预措施[4]、[5]。因此，开发稳健准确的浓度估计方法对于推进实际气体传感技术至关重要。机器学习方法在气体浓度估计方面展现了相当的前景，通过学习传感器响应与气体浓度之间的复杂非线性关系。例如，Wu等人[6]开发了一种基于残差网络的回归模型，结合混合注意力和自适应损失加权；Gan等人[7]提出了一种VMD-LSTNet-Attention框架用于混合气体浓度预测。尽管这些方法预测性能较强，但大多数现有研究使用在训练和测试数据集中均有代表的浓度等级来评估模型，这使得难以评估模型对未见浓度的泛化能力。这一问题在实际中非常重要，因为在已见浓度等级上表现良好的模型可能在遇到训练数据中未代表的浓度等级时出现明显的性能下降。虽然收集更多的训练浓度等级可以缓解这一问题，但每个额外等级所需的受控暴露、气室冲洗、传感器恢复和重复测量使得密集浓度采样成本高昂且耗时[8]。Kim等人[9]也强调了在未见浓度下评估插值和外推的必要性，而Jiang等人[10]研究了使用不重叠的训练和测试浓度等级进行浓度估计。尽管这些研究考虑了模型遇到先前未见浓度等级的实际场景，但它们的训练浓度覆盖仍然有限，使得难以全面评估模型在更广泛浓度条件下的有效性。预测延迟是实际气体传感应用中的另一个重要挑战。传统的浓度估计方法通常依赖于长响应序列或稳态特征，需要足够的测量时间使传感器信号稳定后才能做出可靠预测[10]、[11]、[12]。尽管稳态响应通常提供稳健的浓度信息，但相关的延迟限制了其在预警系统和实时监测场景中的实用性。为减少预测延迟，以往的研究探索了瞬态动态特征用于快速气体分析。Cho等人[13]利用动态传感器响应的一阶和二阶导数构建了基于导数的相空间指纹，在数秒内实现气体识别和浓度预测；而Kanakarthi和Singh[14]通过将短瞬态响应段映射到气体浓度，利用瞬态分析减少了浓度测量时间。然而，短响应段所包含的浓度信息不如稳态信号充分发展，导致信噪比降低和预测任务更具挑战性。在稀疏浓度覆盖条件下，这一挑战变得更加突出，此时模型必须同时在未见浓度等级上泛化并从有限时长的传感器响应中提取信息特征。为应对稀疏浓度覆盖和短瞬态响应中有限信息的综合挑战，我们提出了一个用于气体浓度估计的双分支学习框架。以往的研究通过数据增强和响应特征学习探索了未见浓度预测，Kim等人[9]的研究和Jiang等人[10]的研究即为示例。Li等人[15]通过基于Mamba的序数度量学习进一步将浓度顺序关系纳入瞬态响应表示学习中。在这些方向的基础上，我们的框架显式建模了预测空间中浓度锚点的有序结构。具体来说，时域和频域编码器从短传感器响应窗口中提取互补特征，而序数分类分支学习一个由训练浓度锚点的有序约束所塑造的概率分布。由此产生的概率加权浓度估计随后与直接回归分支的连续预测相融合。通过将顺序感知的监督与连续回归相结合，所提出的框架旨在提高稀疏训练覆盖下对未见中间浓度的插值能力。所提出的框架使用来自两个商用金属氧化物氢气传感器在25个测量浓度等级上收集的氢气传感数据进行了评估。为评估模型在稀疏训练覆盖下对未见浓度的泛化能力，我们采用了浓度等级留出协议，其中一部分测量浓度等级用于训练和验证，其余等级组成非锚点评估子集。额外的实验考察了训练浓度覆盖、输入窗口长度和模型组件的影响。在A10参考配置中，包括锚点数量和特定浓度等级，在考察非锚点评估结果之前已经固定。在此设置下，使用锚点等级验证性能选择了5秒输入窗口。额外的锚点数量比较作为探索性敏感性分析进行，未修改参考配置。在此设置下，仅使用了25个测量浓度等级中的10个（40%）用于模型训练和验证，而所提出的框架在其余15个等级上实现了非锚点R2为0.92。这些结果表明，所提出的方法可以在有限的训练浓度覆盖下估计未见浓度。通过联合利用浓度等级信息和连续浓度-响应关系，该框架提供了一种实用且数据高效的气体浓度估计方法，减少了对密集采样训练数据的需求，并可能降低传感器数据采集成本。**各章节摘要***气体传感平台与数据采集*气体传感实验使用了一套动态气体输送和数据采集系统，该系统由氢气和空气气瓶、质量流量控制器（MFC）、圆柱形测试腔室、PCB集成传感器以及基于计算机的记录单元组成（图1a）。腔室和PCB集成采集单元由中科微感（中国）提供。氢气和空气通过MFC控制的流量混合后进入腔室。传感器响应以5 Hz的频率通过12位模数转换器进行记录。*评估概述*评估使用预定义的A10参考配置，在稀疏训练覆盖下考察浓度预测。10个训练/验证锚点的数量和具体浓度在考察非锚点结果之前已固定。输入窗口长度通过锚点等级验证性能选择。额外的锚点数量和布局比较为探索性分析，未改变参考配置。由此得出的A10-5秒设置用于模型……*结论*本研究提出了一种在稀疏训练浓度覆盖下实现快速气体浓度估计的双分支学习框架。通过将瞬态响应特征学习与序数分类和回归相结合，该方法同时利用了时间传感动态和浓度等级的固有顺序。结果表明，通过从稀疏采样的训练中学习浓度-响应关系，可以在留出浓度上实现可靠的估计。*CRediT作者贡献声明***周顺阳：** 撰写 – 原稿、可视化、软件、方法论、调查研究、形式分析、数据整理、概念化。**刘思亚：** 调查研究、数据整理。**周继勇：** 撰写 – 审阅与编辑。**丁胜华：** 撰写 – 审阅与编辑。**徐思行：** 撰写 – 审阅与编辑、监督。**山雷：** 撰写 – 审阅与编辑、监督、项目管理、资金获取、概念化。*伦理声明*本研究不涉及人类参与者、动物受试者或临床数据。*关于写作过程中使用生成式AI和AI辅助技术的声明*在本工作准备过程中，作者使用了AI辅助语言工具以提高语言清晰度。在使用这些工具后，作者根据需要对内容进行了审阅和编辑，并对发表内容的全部负责。*利益冲突声明*作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。*致谢*本工作得到了中国科技部国家重点研发计划（项目编号：2023YFD2100305）、国家自然科学基金（项目编号：62474060）和湖湘青年人才计划（项目编号：2024RC3075）的支持。*作者简介***周顺阳** 获得中国湖南科技大学电子信息科学与技术学士学位。目前在中国湖南大学攻读电子科学与技术专业。他的研究专注于时间序列信号建模以及深度学习在传感技术中的应用。周顺阳 | 刘思亚 | 周继勇 | 丁胜华 | 徐思行 | 山雷