Phát hiện bất thường trong hỗn hợp khí sử dụng mảng cảm biến dựa trên học sâu không giám sát
7 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.112.2026.141-148Từ khóa:
Phát hiện bất thường; Học không giám sát; Autoencoder; Mảng cảm biến khí.Tóm tắt
Phát hiện bất thường trong dữ liệu hỗn hợp khí là một thách thức quan trọng đối với các hệ thống mảng cảm biến do tính phi tuyến, nhiễu, tác động của môi trường và sự thiếu hụt dữ liệu bất thường. Bài báo này đề xuất một phương pháp phát hiện bất thường dựa trên học sâu không giám sát. Mô hình Autoencoder được sử dụng để học đặc trưng biểu diễn ảnh hai chiều của dữ liệu hỗn hợp khí bình thường thông qua cơ chế tái tạo tín hiệu đầu vào mà không yêu cầu nhãn bất thường trong quá trình huấn luyện. Để mô phỏng các điều kiện bất thường thực tế, các mẫu bất thường được tạo ra bằng các biến đổi có ý nghĩa vật lý và đa dạng. Ngưỡng thích nghi dựa trên sai số tái tạo được sử dụng làm tiêu chí phân biệt giữa dữ liệu bình thường và bất thường. Hiệu quả của phương pháp được đánh giá thông qua các chỉ số accuracy là 0.97 và F1-score là 0.92. Kết quả thực nghiệm cho thấy phương pháp đề xuất có khả năng học hiệu quả đặc trưng của dữ liệu bình thường và phát hiện chính xác các bất thường trong dữ liệu hỗn hợp khí. Phương pháp này góp phần nâng cao độ an toàn, tin cậy và khả năng giám sát thông minh cho các hệ thống đa cảm biến khí trong các ứng dụng thực tế.
Tài liệu tham khảo
[1]. F. Zhang, Z. Zhu, J. Liu, Y. Zhang, M. Xu, and P. Jia, "A Novel Concentration Prediction Technique of Carbon Monoxide (CO) Based on Beluga Whale Optimization-Extreme Gradient Boosting (BWO-XGBoost)", Journal of the Taiwan Institute of Chemical Engineers, Vol. 171, p. 106045, (2025). DOI: https://doi.org/10.1016/j.jtice.2025.106045
[2]. G. Sberveglieri, G. Greco, D. Genzardi, E. Núñez-Carmona, S. Pezzottini, and V. Sberveglieri, "The Electronic Nose: Review on Sensor Arrays and Future Perspectives", Chemical Engineering Transactions, Vol. 95, pp. 265–270, (2022).
[3]. Y. Heng, Y. Zhou, D. H. Nguyen, V. D. Nguyen, and M. Jiao, "An Electronic Nose Drift Compensation Algorithm Based on Semi-Supervised Adversarial Domain Adaptive Convolutional Neural Network", Sensors and Actuators B: Chemical, Vol. 422, p. 136642, (2025). DOI: https://doi.org/10.1016/j.snb.2024.136642
[4]. K. A. Alaghbari, H. S. Lim, M. H. M. Saad, and Y. S. Yong, "Deep Autoencoder-Based Integrated Model for Anomaly Detection and Efficient Feature Extraction in IoT Networks", Internet of Things, Vol. 4, No. 3, pp. 345–365, (2023). DOI: https://doi.org/10.3390/iot4030016
[5]. A. Mikhailova, N. M. Adams, C. A. Hallsworth, F. D. H. Lau, and D. N. Jones, "Unsupervised Deep-Learning-Powered Anomaly Detection for Instrumented Infrastructure", Proceedings of the Institution of Civil Engineers – Smart Infrastructure and Construction, Vol. 172, No. 4, pp. 135–147, (2020).
[6]. W. Ni et al., "Multi-Task Deep Learning Model for Quantitative Volatile Organic Compounds Analysis by Feature Fusion of Electronic Nose Sensing", Sensors and Actuators B: Chemical, Vol. 417, (2024). DOI: https://doi.org/10.1016/j.snb.2024.136206
[7]. J. Fonollosa, S. Sheik, R. Huerta, and S. Marco, "Reservoir Computing Compensates Slow Response of Chemosensor Arrays Exposed to Fast Varying Gas Concentrations in Continuous Monitoring", Sensors and Actuators B: Chemical, Vol. 215, pp. 618–629, (2015). DOI: https://doi.org/10.1016/j.snb.2015.03.028
[8]. X. Zhao et al., "Mixture Gases Classification Based on Multi-Label One-Dimensional Deep Convolutional Neural Network", IEEE Access, Vol. 7, pp. 12630–12637, (2019). DOI: https://doi.org/10.1109/ACCESS.2019.2892754
[9]. S. Zhai, Z. Li, H. Zhang, L. Wang, S. Duan, and J. Yan, "A Multilevel Interleaved Group Attention-Based Convolutional Network for Gas Detection via an Electronic Nose System", Engineering Applications of Artificial Intelligence, Vol. 133, p. 108038, (2024). DOI: https://doi.org/10.1016/j.engappai.2024.108038
