[发明专利]气体传感器输出的机器学习稳定

说明书

气体传感器输出的机器学习稳定。一种用于稳定传感器读数的系统。该系统包括处理器；存储器，其通信地耦合到处理器；接收器，从感测设备接收测量和环境参数。该系统还包括在处理器上执行的机器学习引擎，其中机器学习引擎接收以下内容作为输入：环境参数；测量；以及基于在测量之前和之后的时间点处进行的控制测量计算的控制参数。

背景技术

气体传感器可用于测量各种气体的浓度。湿度，大气中的水的量，是气体传感器测量的示例。大气二氧化碳在包括烟雾检测器、温室等的各种环境中是有用的。氡和一氧化碳检测器对于检测建筑物中的潜在危险是类似有用的。

附图说明

附图示出了本文中描述的原理的各种示例并且是说明书的一部分。所说明的示例并不限制权利要求书的范围。

图1示出了符合本说明书的用于稳定传感器读数的系统。

图2示出了符合本说明书的用于利用振动传感器测量气体的系统。

图3示出了符合本说明书的补偿传感器中的漂移的方法的流程图。

图4示出了符合本说明书的补偿传感器中的漂移的方法的流程图。

图5A示出了在增加气体浓度期间的原始传感器数据并且图5B示出了在以符合本说明书的方法处理之后的相同的传感器数据。

贯穿附图，相同的附图标记表示相似的但不一定相同的元素。附图不一定按比例，并且一些部分的大小可以被放大或最小化以更清楚地示出所示的示例。附图提供了符合说明书的示例和/或实现。然而，描述不限于附图中所示的示例和/或实现。

具体实施方式

超声基于质量的（mass-based）气体传感器易受各种噪声的影响。不能解决噪声可能产生对于传感器的目的来说不足够准确的结果。可以通过使用与机器学习耦合的次级传感器，诸如温度和/或湿度传感器，来补偿诸如环境噪声之类的一些类型的噪声。还作为PCT/US18/15734可获得的美国专利申请15/750,448描述了最小化来自超声、基于质量的气体传感器输出的噪声的该方法的示例。

然而，并非所有噪声源都容易用测量噪声源的次级传感器来解决。当前说明书描述了用于处理这种噪声的系统和方法，所述这种噪声在本文中被称为漂移（drift）。

通常，漂移具有两种表现。第一个是在短时间范围（frame）上出现并迅速返回到基线的尖峰。第二个是在任一方向上并且具有变化的步长（step size）的基线的随机运动。

基于质量的超声气体传感器通过振动振荡器并与从控制振荡器测量的控制值比较对振荡的数量计数来操作。气体到振荡器上的吸收改变了频率。随着更多的质量被吸收，振荡器减慢。当质量被释放时，振荡器加速。该系统非常灵敏并且能够检测吸收到振荡器的表面的原子/分子的低质量。在许多示例中，控制和测量振荡器具有不同的表面化学性质（chemistry），以提供相对于另一个振荡器的气体到一个振荡器的表面上的优先吸收。振荡器的小的大小和低能量要求有利于使用多个振荡器和/或振荡器的阵列来收集数据。

此外，由于振荡器以兆赫频率振动，所以在千赫或更低的频率处获得测量而仍然将独立的计数用于顺序测量是可能的。然而，大多数气体信号在千赫和/或兆赫时间跨度上不迅速改变。因此，使用气体分布（profile）和气体浓度的改变的知识来从结果过滤尖峰和漂移两者是可能的。下面将讨论具体示例，但是可以对关于时间的气体浓度测量的改变进行过滤以基于传感器的预期使用解决非常快的改变和非常慢的改变两者。这产生了改变的中间带，其可以被接受作为气体浓度的实际改变。该方法具有限制对处理功率的需要和模型复杂性的优势，促进使用小型传感器和传感器处理系统，例如与便携式设备一起使用的那些小型传感器和传感器处理系统。