摘要
本研究提出了一种用于金属氧化物半导体（MOS）气体传感器基于模型的校准迁移与漂移补偿的新方法。这些传感器经过实验室校准，针对校准中涉及的八种挥发性物质分别训练不同的校准模型，从而能够对复杂混合物中的各类挥发性物质进行可解释的量化分析。校准迁移与漂移补偿可用于弥补那些会严重影响模型精度的领域差异。研究中考虑了多种领域差异，比如不同生产批次之间的传感器差异（校准迁移），以及传感器响应随时间变化而产生的污染和老化现象（漂移补偿）。这类领域差异会导致性能大幅下降，对于确保传感器在实际环境中的可靠使用至关重要。由于基于特征提取、特征选择和回归（FESR）的可解释且稳健的机器学习算法本身并不具备基于模型的校准迁移与漂移补偿功能，因此重新校准通常需要耗时且劳动强度大的实验室校准流程。为解决这一难题，本研究将可解释的FESR机器学习模型表示为深度神经网络（IDNNRep），从而能够应用来自深度神经网络领域的迁移学习技术。这样一来，就可以复用初始校准阶段获得的知识，仅需少量新的校准数据即可实现模型迁移，进而减少校准的工作量和时间。该方法在包括丙酮和甲苯在内的多种气体上进行了测试，涵盖了四种领域差异场景，并与仅使用新领域数据重新训练的FESR模型以及正交信号校正（OSC）方法进行了比较。实验结果表明，与初始模型相比，该方法能降低均方根误差（RMSE），对于这两种气体，仅需0.1倍的校准数据即可将RMSE控制在18.0–28.0 ppb之间，其标准化RMSE值为6.3–9.3%，相比初始校准模型可降低93%，相比OSC方法则可降低89%。此外，由于底层FESR结构具有可解释性，校准迁移还能带来更多关于传感器及气体的具体信息。
