II. L ES C APTEURS DE G AZ C ONDUCTIMETRIQUES A O XYDES M ETALLIQUES
II.4. Modes de Fonctionnement et Traitement du Signal
II.4.2. 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.