Luận án Nghiên cứu nâng cao chất lượng đo nồng độ khí độc hại trong môi trường công nghiệp dùng mạng nơ-ron

dụng cố định trong các phòng thí nghiệm, phòng kiểm chuẩn. 
 Hay giải pháp dùng màng lọc phủ lên các cảm biến để ngăn ngừa các 
loại khí khác không phải khí cần đo. 
 Hai giải pháp trên mang tính khả thi không cao khi đo các nồng độ khí 
trong công nghiệp (ngoài hiện trường). Hiện nay phương pháp đa cảm biến 
được ứng dụng rộng rãi trong loại trừ tính phản ứng đa khí của các cảm biến 
bán dẫn. 
 42 
 Phương pháp đa cảm biến là dùng một ma trận cảm biến có các đặc tính 
khác nhau (các loại cảm biến khác nhau), số lượng các cảm biến tùy thuộc 
vào số loại khí cần xác định. Thông thường một đáp ứng của cảm biến là một 
hàm của một đại lượng khí đầu vào, do vậy ta dùng số cảm biến lớn hơn hoặc 
bằng số loại khí cần ước lượng. Khi sử dụng chỉ số của nhiều cảm biến đồng 
thời, ta có thể ước lượng được chính xác hơn các thành phần của hỗn hợp khí. 
 Với phương pháp đa cảm biến thì giải pháp rất hữu hiệu là giải pháp ứng 
dụng ANN. Các ứng dụng ANN để loại trừ tính phản ứng đa khí trước đây đã 
được nghiên cứu và ứng dụng nhiều. ANN MLP có cấu trúc đơn giản chỉ tập 
trung chủ yếu vào phân biệt các nồng độ khí thành phần trong hỗn hợp. Trong 
trường hợp dùng các loại mạng khác như Fhybrid và mạng Kohonen [15] 
hoặc mạng TSK [7] có 2 ứng dụng: Một là chỉ dùng cho ứng dụng nhận dạng, 
hai là có ước lượng nồng độ khí thì cấu trúc mạng cồng kềnh, số lượng đầu 
vào và đầu ra lớn, số nơ-ron lớp ẩn lớn. 
 Với những nghiên cứu trên đây, luận án đề xuất giải pháp loại trừ tính 
phản ứng đa khí sử dụng đa cảm biến và ứng dụng ANN MLP có cấu trúc đơn 
giản có khả năng vừa phân biệt và vừa ước lượng được nồng độ khí thành 
phần. Cấu trúc như vậy được đề xuất trên hình 2.7. 
 Vout 1
 CB1
 %Gas1
 Vout 2
 CB2 %Gas1
 . MNN
 .
 %Gas2
 %Gas2 .
 .
 Vout n
 CBn
 Hình 2.7. Cấu trúc cảm biến được đề xuất loại trừ tính phản ứng đa khí 
 43 
 Giả sử chức năng của cấu trúc cho ta khả năng phát hiện và ước lượng 
hai thành phần khí cần đo Gas1 và Gas2 trong hỗn hợp khí. 
 Để xây dựng hàm truyền đạt ngược (từ chỉ số của các cảm biến suy ra 
được nồng độ của các thành phần khí đầu vào: gas1, gas2), một bộ số liệu 
mẫu học là tổ hợp của các giá trị nồng độ cho khí gas1 và nồng độ cho gas2 
có dạng {PPMi1, PPMi2, SenS1, SenS2} đã được xây dựng. 
 Đồng thời một bộ số liệu mẫu là tổ hợp các mẫu từ các thành phần nồng 
độ khí gas1 và nồng độ khí gas2 để kiểm tra. Bộ số liệu mẫu này được sử 
dụng để tính hàm truyền đạt ngược, nên mạng ANN sẽ được huấn luyện để 
ứng với các véc-tơ đầu vào xi={Sensi1, Sensi2} và đáp ứng đầu ra là 
di={ppmi1, ppmi2} 
2.2.4. Sử dụng ANN điều chỉnh đặc tính của cảm biến 
 Đặc tính của các cảm biến bán dẫn là phi tuyến. Nhu cầu tuyến tính hóa 
đặc tính của cảm biến luôn đặt ra đối với mạch đo thứ cấp trong quá trình 
khắc độ cho thiết bị đo. 
 Phương pháp tuyến tính hóa này cũng đã được thực hiện bằng các 
phương pháp phần cứng và phần mềm. Mạch phần cứng là các mạch tạo hàm 
trên cơ sở những biến trở, các diod bán dẫn, hoặc các mạch sử dụng khuếch 
đại thuật toán [11]. 
 Ngoài ra là các mạch phần mềm như [4], đó là phương pháp tuyến tính 
hóa từng đoạn hay còn gọi là phương pháp nội suy tuyến tính như hình 2.8, 
thay đặc tính bằng một đường gấp khúc tuyến tính hóa từng đoạn theo nguyên 
lý: Trường hợp đặc tính của tín hiệu x sau cảm biến là một hàm phi tuyến của 
đại lượng đo , tức là x() - là một hàm phi tuyến. Thay vì khắc độ đặc tính 
đo vào bộ nhớ như đã đề cập ở trên ta có thế thay x() bằng một đường gấp 
 44 
khúc tuyến tính hóa từng đoạn với sai số  o . Phương pháp này còn gọi là 
phương pháp nội suy tuyến tính. 
 x( )
 * 
 x ( ) 0
 0 K 
 Hình 2.8. Phương pháp nội suy tuyến tính 
 Một thuật toán lựa chọn đoạn tuyến tính hóa được thực hiện như sau: 
 Ở giá trị o của đại lượng đo, đường cong cho ta thấy giá trị xo 
 được nhớ vào RAM của P 
 Ở giá trị 1 ta có x1 
 được nhớ vào RAM của 
 Ở giá trị 2 ta có x2 
 x2 được nhớ vào RAM của 
 *
 Tính tỷ số các số gia bậc một của đa thức nội suy Lagrange xL ( ) đi 
qua hai điểm , x1 . 
 x()
 xx2 o
  ()2, o (2.13) 
 2 o
 45 
 Tính giá trị của đa thức nội suy ở điểm o 
 *
 x11 ( )= x0  (  2 ,  0 )(  1  0 ) (2.14) 
 Tính độ sai lệch ở điểm 
 *
 1(  1 ) x 1 x 1 (  1 ) (2.15) 
 So sánh 11()với sai số đã cho o 
 Nếu 1()  1  o thì giá trị tín hiệu sẽ không được chấp nhận 
 Ở điểm 3 ta có x3 
 Nhớ vào RAM 
 Tính tỷ số của các số gia bậc một đối với đa thức nội suy x* () 
 2
 xx31 
 () 3,  0 (2.16) 
 30 
 Tính các giá trị của đa thức nội suy ở các điểm 1 , 2 
 *
 x21 ( )= x0  (  3 ,  0 )(  1  0 ) (2.17) 
 *
 x22 ( ) = x0  (  3 ,  0 )(  2  0 ) (2.18) 
 Tính độ sai lệch của phép nội suy tại , 
 1
 *
 2(  1 ) x 1 x 2 (  1 ) (2.19) 
 *
 2(  2 ) x 2 x 2 (  2 ) (2.20) 
 So sánh 21() và 22()với 
 Nếu 2()  1  o 
 2()  2  o 
 46 
 Giá trị sẽ không được chấp nhận và không được coi là điểm cuối của 
đoạn tuyến tính hóa 
 Ở điểm K nào đó ta có xK và đa thức nội suy sẽ là: 
 *
 xK1 ( ) = x0  (  K ,  0 )(   0 ) (2.21) 
 xxK0 
 (,) K0  (2.22) 
 K0 
 *
 Mà ta có K 1(  j ) x j x K 1 (  j )  0 
 x3
 Đối với một điểm j nào đó, thêm vào đó 0 < j < K 
 Khoảng nội suy lúc đó sẽ bằng: 
 K  K  0 (2.23) 
 Lúc đó giá trị xK sẽ được chấp nhận như là điểm cuối của đoạn thẳng của 
đường xấp xỉ hóa từng đoạn 
 Với phép nội suy tuyến tính quá trình hồi phục sẽ được tiến hành 
theo cách nối liền các điểm bằng đoạn thẳng 
 * xxK0 
 x ( ) x00 (   ) (2.24) 
 K0 
 Đoạn thẳng tiếp theo sẽ đi qua điểm K và giá trị của quá trình tuyến 
tính hóa từng đoạn. 
 Một cách tổng quát: đoạn thẳng thứ i của đường gấp khúc có dạng: 
 * xxi 1 i
 xi ( ) x i (   i ) (2.25) 
 i 1  i
 47 
 *
 Để hồi phục các giá trị đo ta chỉ việc tính xi () theo đối số  là các đại 
lượng đo được từ cảm biến. Các giá trị tính được theo đường nội suy tuyến 
tính luôn đảm bảo sai số cho phép là  o . 
 Phương pháp nội suy tuyến tính có ưu điểm là nếu ta tuyến tính hóa ít 
đoạn thẳng thì cách tính toán đơn giản tuy nhiên sai số ∆y sẽ lớn. Còn nếu ta 
xác định nhiều đoạn thẳng thì sai số sẽ nhỏ nhưng việc tính toán lại phức tạp 
và trong thực tế số điểm xấp xỉ cũng không nhiều. 
 Ngoài phương pháp tuyến tính hóa từng đoạn để điều chỉnh đặc tính, 
trong [9] dùng giải pháp ANN tuyến tính hóa đường đặc tính dạng đường 
cong bậc hai thành một đường thẳng trên toàn đải đo. 
 Trong luận án tác giả dùng ANN để điều chỉnh đặc tính của cảm biến 
bán dẫn đo nồng độ khí như sau: Đặc tính của cảm biến là phi tuyến và 
phương trình cơ bản của cảm biến chưa xác định được. Do vậy để tuyến tính 
hóa đặc tính, khối điều chỉnh đặc tính trong trường hợp này có hai chức năng: 
 - Một là dùng ANN MLP xấp xỉ lại đặc tính Vout1=f(x) của cảm biến 
 khi biết hữu hạn các điểm mẫu trên đường đặc tính lý tưởng mà nhà 
 sản xuất cung cấp; 
 - Hai là dùng mạng MLP để tạo ra một đường đặc tính Vout2=f(Vout1), 
 lúc này Vout2=g(f(x)) đã được tuyến tính hóa dưới dạng 2.26. 
 Vout21 g V out g f x a  x b (2.26) 
 Cấu trúc được đề xuất trên hình 2.9: 
 Mẫu khí Vout1[V] Vout2[V]
 Cảm biến Khối điều chỉnh
 X[ppm]
 Hình 2.9. Cấu trúc cảm biến được đề xuất điều chỉnh đặc tính 
 Ở đầu ra của khối điều chỉnh hình 2.9 ta được Vout2=g(f(x)) tuyến tính. 
 48 
2.3. Tích hợp hai chức năng bù sai số của yếu tố ảnh hưởng và điều chỉnh 
đặc tính cảm biến 
 Trên cơ sở nghiên cứu và giải quyết từng ứng dụng riêng rẽ đã thực hiện, 
để điện áp đầu ra của cảm biến tỷ lệ tuyến tính với nồng độ khí sau khi bù sai 
số của các yếu tố ảnh hưởng cần một cấu trúc kết hợp hai chức năng được đưa 
ra như hình 2.10. 
 Vra
 Cảm biến khí
 Điều chỉnh Vra_tuyến tính
 Bù nhiệt độ Vra_bù đặc tính 
 T ̊
 và độ ẩm (tuyến tính 
 hoá)
 RH%
 Hình 2.10. Sơ đồ khối của hệ tích hợp hai chức năng bù sai số và điều chỉnh 
 đặc tính 
 Chức năng của khối bù nhiệt độ và độ ẩm trên hình 2.10 sẽ thực hiện 
nhận 3 tín hiệu đầu vào gồm: Tín hiệu Vra đo được từ cảm biến tỷ lệ với nồng 
độ khí cần đo, tín hiệu thứ hai và ba là nhiệt độ và độ ẩm của môi trường đo. 
ANN sẽ thực hiện chức năng bù sai số của các yếu tố ảnh hưởng và cho ra kết 
quả Vra_bù. Tuy nhiên Vra_bù có dạng phi tuyến nên khối điều chỉnh sẽ tuyến 
tính hóa đặc tính có dạng Vra_tuyến tính. 
2.4. Tích hợp ba chức năng bù sai số của yếu tố ảnh hưởng, loại trừ tính 
phản ứng đa khí và tuyến tính hóa đặc tính 
 ANN áp dụng nâng cao chất lượng đo nồng độ khí chỉ thực sự hiệu quả 
nếu tích hợp được tất cả các chức năng riêng rẽ đó trên cùng một hệ thống. 
Tức là cùng một cấu trúc có thể giải quyết cả ba vấn đề: bù sai số của yếu tố 
ảnh hưởng, loại trừ tính phản ứng đa khí và điều chỉnh đặc tính của cảm biến. 
Hướng đi này có thể coi là một trong những hướng đi có hiệu quả trong việc 
 49 
 nâng cao chất lượng cảm biến đo lường ứng dụng ANN. Cấu trúc ANN phù 
 hợp, đáp ứng đủ các chức năng tích hợp trong cảm biến đo lường được thể 
 hiện trên hình 2.11: 
 Mẫu đa khí Vra = [V1,,VM]
 Ma trận M Loại trừ tính 
[X1,X2,..,Xn][ppm] cảm biến khí Vra_bù phản ứng đa Vra_tuyến tính
 Bù nhiệt độ 
 T ̊ khí và tuyến 
 và độ ẩm
 tính hoá đặc 
 RH% tính
 Hình 2.11. Sơ đồ khối của hệ tích hợp ba chức năng bù, loại trừ tính phản ứng đa 
 khí và tuyến tính hóa đặc tính 
 Trên hình 2.11, các nồng độ khí thành phần X1(ppm), X2(ppm) 
 Xn(ppm) có trong mẫu đa khí đầu vào (hỗn hợp khí) được cảm nhận bởi một 
 ma trận M các cảm biến (giá trị M tùy thuộc vào số lượng khí n cần phân biệt, 
 tuy nhiên M≥n). 
 Tín hiệu Vra =[V1,, VM] sau đó được kết hợp với hai tín hiệu từ hai 
 cảm biến đo nhiệt độ T(oC) và độ ẩm RH (%) của môi trường đo đưa vào khối 
 bù nhiệt độ, độ ẩm. Khối bù nhiệt độ và độ ẩm có chức năng bù sai số ảnh 
 hưởng của các yếu tố môi trường đo nếu T≠20oC, RH≠65(%), ở đầu ra cho 
 Vra-bù đã được bù sai số. Tín hiệu sau bù được đưa vào khối loại trừ tính phản 
 ứng đa khí để phân biệt và ước lượng chính xác nồng độ các khí thành phần. 
 Cuối cùng là khâu tuyến tính hóa đặc tính của cảm biến. 
 2.5. Kết luận chương 2 
 Trong chương 2 đã nêu ra những ưu điểm của ANN nói chung và mạng 
 MLP nói riêng ứng dụng cho cảm biến đo lường, đặc biệt là ứng dụng nâng 
 cao chất lượng cảm biến bán dẫn đo nồng độ khí. 
 Đề xuất một cấu trúc chung của cảm biến nơ-ron và ba cấu trúc tương 
 ứng giải quyết ba chức năng nâng cao chất lượng độc lập cụ thể như sau: 
 50 
 Bù sai số của yếu tố ảnh hưởng tới cảm biến: Trong hệ thống bù 
 này, hai mạng MLP có chức năng xấp xỉ đặc tính biến thiên của 
 nhiệt độ tương ứng độ ẩm ở hai mức thấp và cao, sau đó dùng nội 
 suy tuyến tính để tính toán bù, đầu ra của hệ thống là nồng độ khí 
 được bù tương ứng nhiệt độ và độ ẩm tiêu chuẩn. Đây là một đề 
 xuất mới so với các phương pháp khác; 
 Loại trừ tính phản ứng đa khí: có chức năng phát hiện và ước lượng 
 chính xác nồng độ khí thành phần có trong hỗn hợp; 
 Điều chỉnh đặc tính: Để điều chỉnh đặc tính tác giả thực hiện ứng 
 dụng dùng ANN MLP xấp xỉ lại đặc tính của cảm biến sau đó lại 
 dùng MLP để tuyến tính hóa đặc tính vừa xấp xỉ, đây là điểm khác 
 biệt của luận án; 
 Đề xuất cấu trúc cảm biến nơ-ron tích hợp hai chức năng bù sai số và 
điều chỉnh đặc tính và cấu trúc tích hợp ba chức năng trong cùng một hệ 
thống - một giải pháp hoàn thiện để nâng cao chất lượng cảm biến bán dẫn đo 
nồng độ chất khí. 
 51 
 CHƯƠNG 3. MÔ PHỎNG CÁC GIẢI PHÁP NÂNG CAO CHẤT 
 LƯỢNG CẢM BIẾN ĐO NỒNG ĐỘ KHÍ ĐỀ XUẤT 
 Như đã nêu ở chương 2, ANN MLP có thể được ứng dụng để nâng cao 
 chất lượng của cảm biến bán dẫn đo nồng độ khí, đó là các cấu trúc cho ứng 
 dụng nâng cao chất lượng đã được đề xuất. Chương 3 sẽ tập trung mô phỏng 
 trên Matlab các cấu trúc đã đề xuất tương ứng với một số loại khí nhằm kiểm 
 nghiệm lại cơ sở lý thuyết đã đưa ra. 
 3.1. Thiết kế ANN 
 Để thực hiện mô phỏng trên Matlab, luận án sử dụng một số cảm biến 
 bán dẫn MQ, TGS và SP3AQ2 với 03 loại khí là: CO, NH3 và H2S như đã 
 phân tích trong chương 1. Tất cả các thông số về dải đo của các cảm biến 
 được lấy từ datasheet của chúng thể hiện trên bảng 3.1. 
 Bảng 3.1. Các cảm biến lựa chọn và dải đo của chúng [45, 46, 47, 48, 49] 
 Cảm biến Dải đo khí CO (ppm) Dải đo khí NH3 (ppm) Dải đo khí H2S (ppm) 
MQ7 50→4000 
MQ135 10→100 10→200 
MQ136 10→100 1→200 
TGS 2600 1→100 
TGS 2602 1→30 0,1→3 
TGS 2444 1→300 0,3→3 
SP3AQ2 3→30 1→10 
 Để giải quyết ứng dụng này phải có được một ANN có cấu trúc hợp lý 
 và được huấn luyện trong quá trình thiết kế ANN của cảm biến, để xác định 
 số đầu vào, ra cho cấu trúc ANN, xác định số nơ-ron N lớp ẩn tối ưu đáp ứng 
 độ chính xác nhất định, xác định được bộ trọng số và lượng hiệu chỉnh của 
 1 2 1 2
 từng nơ-ron trong lớp ẩn và lớp ra: W , W , b , b . 
 52 
 Một cấu trúc định hình cho ANN của ứng dụng cụ thể với các thông số 
cơ bản được liệt kê trong bảng 3.2: 
 Bảng 3.2. Bộ thông số cấu trúc của ANN 
 STT Thông số Xác định 
 1 Loại mạng Truyền thẳng 2 lớp 
 2 Số đầu vào Tùy vào ứng dụng cụ thể 
 3 Số nơ-ron lớp ra 1 
 4 Số nơ-ron lớp ẩn N, xác định khi luyện mạng 
 1 1 1 1
 5 Hàm truyền của các nơ-ron lớp ẩn a = tansig (IW p +b ) 
 2 2 1 2
 6 Hàm truyền của các nơ-ron lớp ra a = purelin (LW a +b ) 
 7 Tập trọng số của nơ-ron lớp ẩn N, xác định khi luyện mạng 
 8 Lượng bù của nơ-ron lớp ẩn N, xác định khi luyện mạng 
 9 Tập trọng số của nơ-ron lớp ra N, xác định khi luyện mạng 
 10 Lượng bù của nơ-ron lớp ra N, xác định khi luyện mạng 
 ANN được thiết kế sơ bộ như sau: 
 - Một cảm biến dùng để đo một đại lượng nên số nơ-ron lớp ra là 1. 
 - Mạng được chọn là mạng truyền thẳng hai lớp, trong đó một lớp ẩn và 
 một lớp ra. 
 - Số đầu vào phụ thuộc vào từng chức năng cụ thể. 
 - Các mạng MLP trong luận án sẽ được huấn luyện theo phương pháp 
 học có hướng dẫn (supervised learning) với một bộ số liệu gồm mẫu. 
 Thuật toán học được lựa chọn là thuật toán kinh điển Leveberg – Mar
 quadrt [3, 7] được tích hợp trong thư viện Neural Networks Toolbox 
 của Matlab. 
 53 
 Bắt đầu
 Vào số liệu
 bộ số liệu mẫu
 Chọn hàm truyền
 các nơ ron lớp ra, ẩn
 N = 1
 Chương trình luyện 
 mạng
 N = N + 1
 học < 
 S
 Đ
 Dừng vòng lặp và 
 xuất kết quả
 End
Hình 3.1. Lưu đồ thuật toán cho quá trình luyện ANN 
 54 
 - Hàm mục tiêu của thuật toán học là hàm tổng sai số tại ngõ ra của 
 mạng trên bộ số liệu học, được định nghĩa bởi: 
 p
 2
 häc  ydii (3.1) 
 i 1
 với p – số mẫu, di – giá trị đầu ra đích cần đạt của mẫu thứ i, yi – giá 
 trị đầu ra thực tế từ mạng. 
 Các bước xây dựng một mạng MLP cho một bài toán được thực hiện 
như trên hình 3.1. 
 Trên hình 3.1 bắt đầu là vào bộ số liệu mẫu, sau đó chọn hàm truyền, các 
nơ-ron lớp ra, lớp ẩn. Bắt đầu luyện mạng với số nơ-ron lớp ẩn N=1, căn cứ 
vào yêu cầu độ chính xác mà ta sẽ khảo sát với các giá trị N tăng dần. Chương 
trình luyện mạng được thực hiện với thuật toán sẽ ngừng quá trình luyện khi 
ANN có sai số nhỏ nhất học< trong đó : Là ngưỡng chọn trước (thường 
theo kinh nghiệm), nếu sai số học nhỏ hơn ngưỡng đó là dừng vòng lặp và 
xuất kết quả. Sau đó xác định một bộ thông số cấu trúc đầy đủ, bao gồm toàn 
bộ số liệu cho ANN dùng cho cảm biến. 
3.2. Bù sai số các yếu tố ảnh hưởng 
3.2.1. Xấp xỉ đường đặc tính phụ thuộc nhiệt độ, độ ẩm của cảm biến 
 Để xấp xỉ đường đặc tính phụ thuộc nhiệt độ, độ ẩm của cảm biến, cần có 
các điểm mẫu. Giá trị của các điểm mẫu được lấy trên các đặc tính của cảm 
biến mà nhà sản xuất cung cấp. Trên hình 3.2a, thể hiện điểm “o” là điểm 
mẫu của đường có độ ẩm RH=40% còn điểm “*” là điểm mẫu của đường có 
độ ẩm RH=85%. 
 Để thấy rõ được ưu điểm của phương pháp xấp xỉ một đường cong phi 
tuyến bằng ANN, việc ước lượng này được sử dụng bằng hai phương pháp 
như ví dụ, một là xấp xỉ theo hàm tuyến tính thu được kết quả thể hiện trên 
 55 
hình 3.2b và xấp xỉ bằng ANN MLP theo hình 3.3, trong đó mỗi đường đặc 
tính dùng một ANN riêng biệt. 
 MLP( T ) f ( T );
 1RH 40% (3.2) 
 
 MLP2()() T fRH 85% T
 a) 
 b) 
 Hình 3.2. a) Các điểm mẫu và b) đường xấp xỉ biến thiên theo nhiệt độ và độ ẩm 
 bằng hàm tuyến tính 
 Trên hình 3.4 thể hiện đường đặc tính biểu diễn sự ảnh hưởng của nhiệt 
độ và độ ẩm khi đo nồng độ khí CO của cảm biến MQ7, hình 3.6 là đặc tính 
 56 
của cảm biến MQ136 đo nồng độ khí H2S, thể hiện trên hình 3.8 là đặc tính 
của cảm biến TSG2602 đo nồng độ khí NH3. 
 Hình 3.3. Đường xấp xỉ biến thiên theo nhiệt độ và độ ẩm bằng ANN MLP 
 Hình 3.4. Biểu đồ biến thiên theo nhiệt độ và độ ẩm của cảm biến MQ7 [46] 
 a) b) 
 Hình 3.5. Xấp xỉ đặc tính phụ thuộc của đầu ra cảm biến MQ7 vào nhiệt độ và độ 
 ẩm: a) đường có RH=33%; b) đường có RH=85%. 
 57 
 Kết quả xấp xỉ các đường đặc tính khi dùng mạng MLP ta được 2 đường 
biểu diễn sự phụ thuộc của đầu ra cảm biến vào nhiệt độ ở cùng một độ ẩm 
RH=33% (hình 3.5a, 3.7a, 3.9a) và độ ẩm RH=85% với các cảm biến (hình 
3.5b, 3.7b, 3.9b). 
 Hình 3.6. Biểu đồ biến thiên theo nhiệt độ và độ ẩm của cảm biến MQ136 [45] 
 a) b) 
 Hình 3.7. Xấp xỉ đặc tính phụ thuộc của đầu ra cảm biến MQ136 với nhiệt độ và độ 
 ẩm a) là RH=33% và b) là RH=85% 
 58 
 Hình 3.8. Biểu đồ biến thiên theo nhiệt độ và độ ẩm của cảm biến TSG2602 [47] 
 a) b) 
Hình 3.9. Xấp xỉ đặc tính phụ thuộc của đầu ra cảm biến TGS 2602 với nhiệt độ và 
 độ ẩm a) RH%= 40% ; b) RH%=85% 
 Các kết quả xấp xỉ đặc tính phụ thuộc đầu ra của cảm biến vào nhiệt độ và độ 
ẩm để làm cơ sở để tính toán bù như sau: 
3.2.2. Tính toán bù sai số 
 Sau khi dùng mạng MLP xấp xỉ đặc tính phụ thuộc của đầu ra cảm biến 
với dải nhiệt độ thay đổi và độ ẩm ở hai nồng độ RH= 33% (40%) và 
RH=85% là phần tính toán bù. 
 Kịch bản mô phỏng được thể hiện trên hình 3.10: 
 59 
 Đặt một giá trị nồng độ khí chuẩn (ở điều kiện tiêu chuẩn có nhiệt độ 
t=20oC, độ ẩm RH=65%), sau đó khảo sát lần lượt với các giá trị nhiệt độ và 
độ ẩm khác nhau. 
 Trường hợp 1 và 2: Trong khoảng thời gian từ 0÷t1, mô phỏng với 
 một nồng độ khí bất kỳ ở điều kiện tiêu chuẩn t=20oC, RH=65%; 
 Trường hợp 3, 4, ..., 9: trong khoảng thời gian từ t1÷t2, mô phỏng ở 
 một nồng độ khí, cùng độ ẩm RH%=35%, nhưng cho nhiệt độ thay 
 đổi, tăng từ 20 ÷ 50oC bước thay đổi 5oC, như vậy có 7 trường 
 hợp. 
 Trường hợp 10, 11, ..., 15: trong khoảng thời gian từ t2÷t3 cùng một 
 nồng độ khí, cùng nhiệt độ ToC=50oC, nhưng độ ẩm thay đổi RH 
 tăng 35÷85% bước thay đổi 10%, như vậy có 6 trường hợp. 
 Vout
 2 điểm giá trị
 ppm = const
 20 ̊C, 65%
 t
 0 t1 t2 t3
 Hình 3.10. Kịch bản cho ứng dụng mô phỏng 
 Mô phỏng cho các loại cảm biến khí khác nhau đo các nồng độ khí: CO, 
NH3 và H2S, cùng một giá trị nồng độ khí, tương ứng với sự biến thiên của 
nhiệt độ và độ ẩm để khảo sát nồng độ khí thu được trước và sau khi bù. 
 60 
 Kết quả mô phỏng đo nồng độ khí CO của cảm biến MQ7 trên hình 3.11 
cho thấy: trục hoành thể hiện 15 trường hợp mô phỏng tương ứng 15 trường 
hợp trên hình 3.10, trục tung thể hiện các giá trị Meassure Vout là giá trị điện 
áp đo được khi chưa bù, No_Correctedout là nồng độ khí (ppm) thu được khi 
chưa bù và Correctedout là nồng độ khí (ppm) thu được khi đã thực hiện bù. 
Cụ thể là khi đo nồng độ khí có giá trị 100(ppm) với nhiệt độ và độ ẩm biến 
thiên thì điện áp đầu ra cũng bị biến thiên. Dải biến đổi điện áp rất lớn từ ≈1.5 
÷ 2(V), tương ứng với biến thiên nồng độ khí lớn từ 92÷118(ppm). Sau khi 
bù, giá trị nồng độ đạt ≈100,05(ppm) so với giá trị đặt = 100(ppm), tương ứng 
với sai số tương đối đạt được là ≈0.05%. 
 Hình 3.11. Kết quả bù sai số khi đo nồng Hình 3.12. Kết quả bù sai số khi đo 
 độ khí CO=100(ppm) nồng độ khí CO=500(ppm) 
 Trên hình 3.12 biểu diễn kết quả bù sai số khi đo nồng độ khí CO là 
500(ppm). Từ hình vẽ cho thấy: dải biến đổi điện áp đầu ra thay đổi từ 
≈2.9÷3.3(V), tương ứng với nồng độ biến thiên từ 410÷720(ppm) khi chưa 
bù. Khi được bù, giá trị nồng độ