Detecting Gas Vapor Leaks Using Uncalibrated Sensors
Detecting Gas Vapor Leaks Using Uncalibrated Sensors
复制标题
使用未校准的传感器检测气体蒸汽泄漏
DOI：
10.1109/access.2019.2949740
复制
发表时间：
2019
期刊：
影响因子：
3.9
通讯作者：
Cetin, Ahmet Enis
中科院分区：
文献类型：
--
作者：
Badawi, Diaa;Ayhan, Tuba;Ozev, Sule;Yang, Chengmo;Orailoglu, Alex;Cetin, Ahmet Enis
由于传感器漂移、噪声或分辨率误差，化学和红外传感器在类似条件下产生不同的响应。在本文中，我们开发了新的机器学习方法，用于从未校准的化学和红外传感器获得的时间序列数据中检测和识别VOC和氨蒸汽。我们使用深度神经网络（DNN）处理时间序列传感器信号。三个神经网络算法用于此目的。加法神经网络（称为AddNet）基于无乘法运算符，因此与常规神经网络相比具有能量效率。第二种算法使用生成对抗神经网络，以便将分类神经网络暴露于更真实的数据点，以帮助分类器网络提供改进的泛化。最后，我们使用传统的卷积神经网络作为基线方法。我们的研究结果表明，使用从未校准的传感器获得的原始时间序列数据，并使用基于深度学习的方法处理它们，比使用手工制作的特征参数产生更好的结果。
Chemical and infra-red sensors generate distinct responses under similar conditions because of sensor drift, noise or resolution errors. In this paper, we develop novel machine learning methods for detecting and identifying VOC and Ammonia vapor from time-series data obtained by uncalibrated chemical and infrared sensors. We process time-series sensor signals using deep neural networks (DNN). Three neural network algorithms are utilized for this purpose. Additive neural networks (termed AddNet) are based on a multiplication-devoid operator and consequently exhibit energy efficiency compared to regular neural networks. The second algorithm uses generative adversarial neural networks so as to expose the classifying neural network to more realistic data points in order to help the classifier network to deliver improved generalization. Finally, we use conventional convolutional neural networks as a baseline method. Our findings indicate that using raw time-series data obtained from uncalibrated sensors and processing them using deep-learning-based methods yield better results than using hand-crafted feature parameters.
登录
查看更多内容
使用热释电红外传感器检测 VOC 气体泄漏
DOI：
--
发表时间：
2010
期刊：
IEEE International Conference on Acoustics, Speech, and Signal Processing
影响因子：
--
作者：
F. Erden;E. B. Soyer;B. U. Töreyin;A. Cetin
通讯作者：
A. Cetin
通过基于未校准传感器的 CPS 检测气体蒸汽泄漏
DOI：
10.1109/icassp.2019.8682204
发表时间：
2019
期刊：
Speech and Signal Processing (ICASSP
影响因子：
--
作者：
Badawi, Diaa;Ozev, Sule;Christen, Jennifer Blain;Yang, Chengmo;Orailoglu, Alex;Cetin, A. Enis
通讯作者：
Cetin, A. Enis
使用自诊断气体传感器检测传感器中毒
DOI：
--
发表时间：
1995
期刊：
影响因子：
--
作者：
David E. Williams;G. Henshaw;K. Pratt
通讯作者：
K. Pratt
用于 H 和 E 染色肝脏图像中癌症干细胞检测的无乘法神经网络
DOI：
--
发表时间：
2017
期刊：
Commercial + Scientific Sensing and Imaging
影响因子：
--
作者：
Diaa Badawi;Ece Akhan;Maen Mallah;A. Üner;R. Cetin;A. Çetin
通讯作者：
A. Çetin
定义和典型示例
DOI：
--
发表时间：
2008
期刊：
影响因子：
--
作者：
W. Göpel;K. Schierbaum
通讯作者：
K. Schierbaum