Traitement du signal et intégration

FIGURE 50 : PROFIL DE PUISSANCE APPLIQUE SUR LE HEATER 

FIGURE 51 : EXEMPLE DE REPONSES TEMPORELLES DU CAPTEUR SNO2 NANOPARTICULAIRE PILOTE PAR LE PROFIL DYNAMIQUE  PRECEDENT (SOUS AIR SYNTHETIQUE)(SUPERPOSITION DES REPONSES SUR 60 CYCLES DU PROFIL) 

D’autres types de couches sensibles ont été testés et ce protocole de mesure semble être  toujours valable à condition d’adapter la température maximale de référence pour chaque  type de matériau (par exemple 550°C pour le SnO2 et 350°C pour le WO3). 

II.4.2. Traitement du signal et intégration   

Concernant  le  traitement  du  signal,  nous  avons  globalement  utilisé  des  techniques  classiques de discrimination, de classification par systèmes d’arbre décisionnel. Nous avons  vu un premier exemple au cours de la thèse de F. Parret avec l’utilisation d’AFD avec un  vecteur d’entrée de 120 points ce qui nécessitait le calcul de multiplication de matrices de  120 par 120. Pour réaliser un capteur embarqué, nous avons donc dû prendre en compte la  gestion de puissance sur le « heater », l’acquisition des données de manière à récupérer le  vecteur  d’entrée  de  120  points,  le  pré‐traitement  des  données  et  enfin  l’analyse  mathématique jusqu’à la classification. 

palier 1 palier 2 palier 3 palier 4 palier 5 palier 6 palier 7 palier 8 palier 9 palier 10 palier 11 palier 12 0

Puissance appliquée ( mW )

80

Résistance en Ohm

5 secondes

L’architecture globale du capteur « embarqué » développé au cours du projet européen est  donnée sur la Figure 52. 

FIGURE 52 : ARCHITECTURE TYPE DU PROTOTYPE DE CAPTEUR DE GAZ EMBARQUE [221] 

Suite  à  une  étude  spécifique  de  l’analyse  des  principales  architectures  dédiées  aux  traitements  des  données  (ASIC, FPGA, DSP et microcontrôleurs),  nous  avons  choisi  d’utiliser un microcontrôleur de type Microchip PIC18F458 (avec un oscillateur externe à  40MHz, un CAN de 8 canaux à 10bits, un module PWM) pour réaliser notre prototype. Basé  sur un profil de température de durée 12 secondes (hors Ton et Toff), spécifiques à la  détection du CO, et sur une analyse de statistique multifactorielle prenant en compte la  forme de la réponse du capteur, nous avons ainsi réussi à discriminer tous les mélanges  gazeux composés des différents gaz CO, NO2 et propane. Après cette étape de sélectivité et  s’il y a présence de CO dans l’atmosphère environnante, nous quantifions sa concentration  grâce à une deuxième AFD avec une résolution de 1ppm et une limite basse de détection de 

-V+V- Valim_FRAM

Vdd SCL

4.5Vdc

FRAM

fosc = 40MHz

Gnd Adaptation and Filtering block

5Vdc

Gas Sensor(s)  

5 ppm (certainement lié à l’incertitude du contrôle et de la mesure de notre banc de test de  l’époque). 

Minimisation des paramètres discriminants 

Pour ces applications, plusieurs stratégies d'analyse peuvent convenir ; elles proviennent du  traitement du signal multivariable et de la reconnaissance des formes. De très nombreux  problèmes peuvent ainsi être résolus, avec plus ou moins de précision, avec des réseaux de  neurones formels de complexité variable. 

A. Traitement par réseau de neurones (D. Chabi et B. Jammes) 

De nombreux travaux ont montré que les réseaux de neurones (RN) sont de bons candidats  pour la résolution des problèmes de classification. Dans le cadre d’une étude spécifique,  nous avons utilisé les réseaux « feed‐forward » à base radiale comme outils de classification  et d’interpolation des différentes réponses issues de notre capteur de gaz. Un exemple  d’interpolation d’une réponse de capteur lors d’un transitoire thermique est montré sur la  Figure 53. 

FIGURE 53 : EXEMPLE D’INTERPOLATION DE LA REPONSE DU CAPTEUR LORS D’UN TRANSITOIRE THERMIQUE AVEC UN RESEAU FEED‐ FORWARD 

Après l’apprentissage des courbes au réseau de neurones, les paramètres (poids et biais des  deux couches du réseau) ainsi modifiés nous permettent de caractériser les courbes et de les  classer en fonction du mélange gazeux. Nous avons défini quatre classes correspondantes  aux quatre ambiances gazeuses testées puis nous avons utilisé le réseau avec les données de  la base d’apprentissage. Enfin, nous avons vérifié son fonctionnement en utilisant en entrée  des données hors base. Les résultats ont montré que le réseau de neurones est bien arrivé à  classifier toutes les courbes [226].  

L’utilisation des réseaux de neurones pour le traitement de données est l’un des outils les  plus performants. Cependant, Il convient de noter que l'on dispose d'un nombre très élevé  de combinaisons possibles tant pour la structure du réseau de neurones que pour la fonction  de seuil utilisable ce qui implique un temps de mise au point élevé pour un problème réel. 

En outre, si l'on veut une réponse en temps quasi réel (dans le cas du suivi d'un procédé  industriel par exemple) on est contraint soit d'utiliser des moyens informatiques puissants,  soit d'imaginer  une architecture matérielle spécialisée, c'est‐à‐dire un  composant  ASIC  simulant ce réseau de neurones, ce qui n’est pas simple. Le choix d'une architecture sera  généralement  un  compromis  tenant  compte  de  la  précision  souhaitable,  du  coût  en  ressources matérielles, du temps de calcul et aussi du temps dont on dispose pour réaliser  l'apprentissage et l'optimisation du réseau. 

B. Utilisation d’un modèle fractionnaire (C. Tropis et G. Garcia) 

Dans le cadre de la thèse de C. Tropis, nous avons souhaité minimiser le nombre de variables  nécessaire au traitement du signal. Pour cela, en collaboration avec l’équipe de G. Garcia au  LAAS, nous avons voulu extraire des informations pertinentes à partir de la réponse en  utilisant un modèle comportemental. Nous avons testé quatre modèles différents. Le plus  satisfaisant est un modèle basé sur la représentation d’état et la représentation diffusive  [227]. Il permet dans notre cas, d’approximer une courbe de réponse en une somme de dix  exponentielles. Tout en ayant un calcul des coefficients simple et rapide, le modèle ainsi  obtenu coïncident très bien (avec moins de 2% d’écart) avec la mesure. L’approximation des  courbes de réponses en une somme d’exponentielles est connue dans la bibliographie mais  aucune méthode connue n’a permis de déterminer aussi facilement les coefficients du  modèle pour une dizaine de termes. Comme nous pouvons le constater sur la Figure 54,  notre modèle fractionnaire permet une belle performance sur l’interpolation des courbes de  réponses de nos capteurs de gaz avec une grande réduction du nombre de variables puisque  11 valeurs suffisent à résumer les 1250 points de mesures (sur un cycle de mesure). 

Ce modèle est très efficace, simple d’utilisation et les calculs sont rapides car il s’agit d’un  calcul matriciel et non d’une boucle de convergence comme les réseaux de neurone. Ainsi le  traitement du signal pourra utiliser au maximum 11 variables au lieu des 120 utilisées dans  l’AFD de F. Parret. De surcroit, nous avons montré que seules 4 de ces variables étaient  pertinentes en fonction de l’ambiance gazeuse. Par conséquent, nous avons utilisé une AFD  sur ces 4 variables. Un exemple de résultat est montré sur la Figure 55 où nous constatons  une distinction tout à fait correcte entre les familles de gaz d’où une perspective très  intéressante pour minimiser le nombre de calculs nécessaires et par conséquent, minimiser  le temps de réponse global du système. 

FIGURE 54 : COMPARAISON ENTRE LES REPONSES EXPERIMENTALES ET LE MODELE FRACTIONNAIRE D’ORDRE 10. 

FIGURE 55 : EXEMPLE DE RESULTAT D’AFD SUR LES 4 PRINCIPAUX COEFFICIENTS D’INTERPOLATION 

Résistance en Ohm Mesure

Modèle fractionnaire

Temps en secondes

écart en %

temps en seconde

-0.044 -0.043

Component 3 21%

Apprentissage

Component 1 21%

Component 2 21%

famille 1

-0.044 -0.0435 -0.043 -0.0425 -0.042 -0.0415 -0.041 -0.0405 -0.015

Component 1 21%

Component 2 21%

-0.044 -0.0435 -0.043 -0.0425 -0.042 -0.0415 -0.041 -0.0405 -0.015

Component 3 21%

Component 1 21%

-0.015 -0.01 -0.005 0 0.005 0.01 0.015

-0.015

Component 3 21%

Component 2 21%

CO 50ppm +

II.5. Conclusion sur les Capteurs MOX    

Ces capteurs à oxydes métalliques sont certes très anciens (certains disent obsolètes…) mais  restent malgré tout aujourd’hui à la fois les plus vendus et les plus étudiés en recherche à  travers le monde. Ils présentent une bonne sensibilité et un faible coût de fabrication, mais  aussi un manque de sélectivité et des problèmes de stabilité. Pour s’affranchir de cela, il  existe trois principaux axes d’améliorations que nous avons voulus traiter au cours de nos  travaux  de  recherche.  Tout  d’abord  l’utilisation  de  techniques  physiques.  Il  s’agit  de  techniques visant à modifier physiquement le capteur et sa couche sensible pour améliorer  ses  performances.  La  sensibilité  et  la  sélectivité  sont  améliorées  en  jouant  sur  la  morphologie, la température de fonctionnement ou encore sur l’utilisation du dopage ou de  filtre. Un autre axe concerne l’utilisation de techniques de reconnaissance de forme. Il s’agit  de la partie intelligente dans une chaîne complète d’un capteur. L’information des réponses  du capteur est extraite grâce à l’utilisation de méthodes mathématiques qui peuvent être  suffisamment performantes tout en étant simples, rapides et sans doute à plus faible  consommation d’énergie. 

Les avancées obtenues permettront sans nul doute de valoriser ces résultats par des  contrats industriels, ce qui a d’ailleurs déjà été initié avec AlphaMos il y a quelques mois.  

L’engouement  vers  les  réseaux  de  capteurs  communicants  sans  fil  est  aujourd’hui  relativement important. En ce qui concerne les capteurs de gaz, plusieurs technologies  existantes (dont les capteurs à oxydes métalliques) ont été utilisées avec des circuits  transpondeurs radio‐fréquence [186, 187]. Ceci étant, convaincus que ces capteurs ne sont  absolument pas adéquats pour ce type d’application (compte tenu de leur consommation,  de  leur  électronique  de  traitement  nécessaire),  nous  avons  souhaité  orienter  nos  recherches  vers  une  nouvelle  technique  de  transduction  et  donc  vers  une  nouvelle  technologie de capteur.