Electronic Nose 2014 - Tesina

1.1 Introduzione

Il progetto proposto consiste nella stesura di un software che mediante un rilevatore

elettronico di odori, consente di rilevare sostanze esplosive. Il controllo degli odori avviene

mediante l’utilizzo di una scheda elettronica da noi progettata e realizzata con incorporati

sette sensori di gas che comunica con il PLC tramite un modulo aggiuntivo che integra una

porta RS-232. Per la comunicazione tra PC e PLC è invece utilizzata la rete, tramite uno

switch ethernet. 2

1.1.1 Rilevazione elettronica degli odori

Il naso elettronico è un sistema biomimetico, progettato cioè per imitare il funzionamento

dei sistemi olfattivi che ritroviamo in natura come quello dei mammiferi o più

specificatamente quello umano. Tipicamente un naso elettronico raccoglie ed elabora le

informazioni provenienti da una serie di sensori di gas per lo più realizzati con tecnologia a

stato solido. Tali informazioni sono inizialmente codificate come grandezze elettriche, ma

vengono immediatamente acquisite e digitalizzate al fine di essere elaborate

numericamente da un sistema di elaborazione. In pratica, un odorante viene descritto dal

naso elettronico, sulla base delle risposte dei singoli sensori, come un punto o una regione

di uno spazio pluridimensionale. Grazie a particolari algoritmi mutuati dalla disciplina

chiamata pattern recognition, un sistema naso elettronico costruirà, una mappa olfattiva

che permetterà di effettuare sia analisi di tipo qualitativo sia di tipo quantitativo,

discriminando, ad esempio, l'origine di un determinato prodotto alimentare dal suo solo

odore. Buona parte di questi algoritmi opera confrontando la descrizione di un nuovo

odorante con quella di opportuni campioni di esempio precedentemente valutati e

richiedono, quindi, un periodo di tuning o fase di apprendimento da effettuarsi

precedentemente alla fase operativa. Al termine della fase di apprendimento il naso sarà in

grado di classificare correttamente buona parte degli odoranti che gli saranno sottoposti.

L'architettura di un naso elettronico è significativamente dipendente dall'applicazione di

riferimento per il quale viene progettato; da un punto di vista generale, comunque, esso è

di fatto caratterizzato dalla presenza di un sistema di aspirazione, da un numero cospicuo di

sensori di gas, da un sottosistema di acquisizione e digitalizzazione e da un sottosistema di

elaborazione dell'informazione capace di implementare opportuni algoritmi di

classificazione o regressione.

1.1.2 Reti neurali

Tradizionalmente il termine (o viene utilizzato come

rete neurale rete neuronale)

riferimento ad una rete o ad un circuito di neuroni biologici, tuttavia ne è affermato l'uso

anche in matematica applicata con riferimento alle modelli

reti neurali artificiali,

matematici composti di "neuroni" artificiali. L'espressione può acquisire pertanto due

significati distinti:

1. Le sono costituite dai neuroni biologici, cellule viventi tipiche

reti neurali biologiche:

degli animali connesse tra loro o connesse nel sistema nervoso periferico o nel

sistema nervoso centrale. Nel campo delle neuroscienze, sono spesso identificati

3

come gruppi di neuroni che svolgono una determinata funzione fisiologica nelle

analisi di laboratorio.

2. Le sono modelli matematici che rappresentano

reti neurali artificiali:

l'interconnessione tra elementi definiti neuroni artificiali, ossia costrutti matematici

che in qualche misura imitano le proprietà dei neuroni viventi. Questi modelli

matematici possono essere utilizzati sia per ottenere una comprensione delle reti

neurali biologiche, ma ancor di più per risolvere problemi ingegneristici di intelligenza

artificiale come quelli che si pongono in diversi ambiti tecnologici (in elettronica,

informatica, simulazione, e altre discipline).

Una rete neurale artificiale può essere realizzata sia da programmi software che

da hardware dedicato (DSP, Questa branca può essere utilizzata

Digital Signal Processing).

in congiunzione alla logica fuzzy. Una rete neurale artificiale (ANN "Artificial Neural

Network" in inglese), normalmente è chiamata solo "rete neurale" (NN "Neural Network" in

inglese), ed è un modello matematico/informatico di calcolo basato sulle reti neurali

biologiche. Tale modello è costituito da un gruppo di interconnessioni di informazioni

costituite da neuroni artificiali e processi che utilizzano un approccio di connessionismo di

calcolo. Nella maggior parte dei casi una rete neurale artificiale è un sistema adattivo che

cambia la sua struttura basata su informazioni esterne o interne che scorrono attraverso la

rete durante la fase di apprendimento.

In termini pratici le reti neurali sono strutture non-lineari di dati statistici organizzate come

strumenti di modellazione. Esse possono essere utilizzate per simulare relazioni complesse

tra ingressi e uscite che altre funzioni analitiche non riescono a rappresentare.

Una rete neurale artificiale riceve segnali esterni su uno strato di nodi (unità di

elaborazione) d'ingresso, ciascuno dei quali è collegato con numerosi nodi interni,

organizzati in più livelli. Ogni nodo elabora i segnali ricevuti e trasmette il risultato a nodi

successivi.

1.1.3 Rilevazione elettronica delle sostanze

esplosive

Negli Stati Uniti è stato messo a punto un sistema di rilevazione in grado di riconoscere alla

distanza di 20 metri esplosivi o agenti chimici nascosti, così come agenti biologici o droga. Il

sistema è stato realizzato dal Politecnico Rensselaer che ha condotto la ricerca con i

finanziamenti del Dipartimento americano della Difesa. Il sistema, non pericoloso per la

salute, potrebbe essere il capostipite di una nuova generazione di dispositivi di sicurezza. La

4

sua “Super Vista” è così potente perché utilizza la radiazione Terahertz (THz), molto simile

alle microonde e capace di penetrare attraverso un gran numero di materiali, come stoffa,

plastica, carta, legno e ceramica. '' Guardando'' attraverso abiti o contenitori (ma non

attraverso metalli e liquidi, ne' all' interno del corpo), il sistema riesce a identificare una

sorta di '' firma'' nella radiazione THz che contraddistingue ciascun materiale come fosse

una sorta di impronta digitale.Compresa tra l' infrarosso e le microonde, la radiazione

Terahertz è invisibile all' occhio umano e finora sfruttarla non e' stato facile. '' Le

applicazioni pratiche sono state ostacolate dalle numerose interferenze ambientali'', ha

osservato il coordinatore della ricerca, Xi-Cheng Zhang. Il gruppo americano ha superato il

problema usando la tecnica della fluorescenza indotta dai laser: due fasci laser sono stati

focalizzati per creare un plasma che interagisce con le radiazioni Terahertz, le riconosce e di

ognuna di esse è in grado di identificare la '' firma''. Secondo gli esperti un sistema basato

sulle onde THz potrebbe essere in futuro utilizzato su larga scala, così come lo sono oggi i

metal detector comunemente utilizzati per i controlli di sicurezza. '' Sono sicuro - ha rilevato

Zhang - che nel giro di pochi anni questa tecnologia potrà essere utilizzata per un grande

numero di applicazioni nel zampo della difesa e dell' industria''.

La nostra proposta consiste nella realizzazione di un sistema alternativo per l’identificazione

degli esplosivi, basato sul loro odore caratteristico rilevato da un naso elettronico. Questo

sistema potrebbe ad esempio essere utilizzato per controllare i bagagli dei viaggiatori in un

aereoporto.

1.1.4 Utilizzo dell’interfaccia electronic nose

Per utilizzare l’interfaccia electronic nose è stato necessario effettuare delle misure per

l’addestramento della macchina neurale. Abbiamo scritto un programma, utilizzando il

software LabWindows, che ci permette appunto di monitorare come varia la risposta dei

sensori in base alla sostanza che stiamo analizzando. Ogni sostanza che andremo a porre in

prossimità dei sensori comporterà un cambiamento sulla tensione ai loro capi. Dopo aver

fatto delle misure con diverse sostanze e riportato i dati in una tabella è stato possibile

implementare nel programma del PLC il valore da dare alle variabili peso che ci ha

permesso di creare la macchina neurale. Di seguito viene riportata una tabella con i

rispettivi valori misurati in laboratorio: 5

VALORI RILEVATI DAI SENSORI

SOSTANZE MQ 135 MQ 8 MQ 6 MQ 5 MQ4 MQ 3 MQ 2

4 3,14 2,99 0,72 3,41

3,51 3,57

Aria 3,35 3,32 3,91 2,91 2,65 0,73 2,77

Polvere da sparo 2,45 2,08 3,16 1,8 1,55 0,57 1,4

Pecorino 0,6 0,63 0,55 0,28 0,37 0,21 0,44

Ammoniaca 3 3,25 3,63 2,9 2,5 0,53 2,54

Alcool 2,8 2,35 2,73 3,25 2,5 0,2 1,63

Acetone 3,2 2,85 3,21 3,7 3,22 0,51 2,55

Profumo

Umidità=38% temperatura= 31°C 6

Il riconoscimento delle sostanze partendo dagli odori è reso possibile grazie all’utilizzo di

un’entità delle macchine neurali chiamata Percettrone. Il primo Percettrone fu proposto da

Frank Rosenblatt nel 1958 come un'entità con uno strato di ingresso ed uno di uscita ed una

regola di apprendimento basata sulla minimizzazione dell'errore, la cosiddetta funzione di

error back-propagation (retro propagazione dell'errore) che in base alla valutazione

sull'uscita effettiva della rete rispetto ad un dato ingresso altera i pesi delle connessioni

(sinapsi) come differenza tra l'uscita effettiva e quella desiderata. Per l’addestramento

abbiamo scritto un software per produrre i pesi perché il percettrone può essere

considerato come il più semplice modello di rete neurale, in quanto gli input alimentano

direttamente l'unità di output attraverso connessioni pesate. I pesi servono per modulare

l’uscita del percettrone, con lo scopo appunto d’ottenere delle proprietà di apprendimento.

Si può istruire un percettrone in modo tale che, dato un input, l’output sia il più vicino

possibile a un dato valore scelto a priori. Nel nostro caso, infatti, è stato addestrato per

segnalarci quando viene rilevato dell’esplosivo.

Nella tabella che segue sono riportati i pesi calcolati da attribuire ad ogni input. Come

possiamo vedere per tutte le sostanze utilizzate l’output è minore di zero tranne che per la

polvere da sparo che in uscita ci da un numero ≥ 0. Abbiamo quindi addestrato il nostro

percettrone a riconoscere così la polvere da sparo.

VALORI RILEVATI DAI SENSORI Umidità= 38% Temperatura= 31°C

SOSTANZE MQ 135 MQ 8 MQ 6 MQ 5 MQ4 MQ 3 MQ 2

3,51 3,57 4 3,14 2,99 0,72 3,41 -1 -1,0004

Aria 3,35 3,32 3,91 2,91 2,65 0,73 2,77 -1 0,1188

Polvere da sparo 2,45 2,08 3,16 1,08 1,55 0,57 1,04 -1 -10,6063

Pecorino 0,06 0,63 0,55 0,28 0,37 0,21 0,44 -1 -25,5788

Ammoniaca 3 3,25 3,63 2,09 2,05 0,53 2,54 -1 -5,2086

Alcool 2,08 2,35 2,73 3,25 2,05 0,02 1,63 -1 -15,8003

Acetone 3,02 2,85 3,21 3,07 3,22 0,51 2,55 -1 -15,8881

Profumo 7,25 convergenza dopo 407 iterazioni

w[0] -3,82

w[1] 2,04

w[2] 8,38

w[3] -16,48

w[4] 23,2

w[5] 3,75

w[6] 27,5

w[7] 7

1.1.5 Protocollo di comunicazione S.I.E.N.

Un protocollo di comunicazione è un insieme di regole formalmente descritte, definite al fine di

favorire la comunicazione tra una o più entità. Tutte queste regole sono definite mediante

specifici protocolli, dalle tipologie più varie e ciascuno con precisi compiti/finalità, a seconda

delle entità interessate e il mezzo di comunicazione. Noi utilizzeremo una codifica ASCII, ovvero

andremo a trasmettere solamente i caratteri stampabili.

La nostra interfaccia S.I.E.N comunica col PLC utilizzando questa tipologia di protocollo, se si

vuole sapere cosa stanno rilevando i sensori, il PLC andrà ad interrogare, tramite una

connessione seriale l’interfaccia, che risponderà fornendo il valore di tensione richiesto. I sette

sensori di gas installati sono denominati rispettivamente G1, G2, G3, G4, G5, G6, G7.

Trasmettendo “G100076” stiamo interrogando il sensore 1 dove:

“G1” sta appunto per sensore 1

“0000” è dove andremo a ricevere il valore di tensione, con capienza di 10 bit e range da 000-

3FF ovvero 0-5V

“76” che è un codice di controllo composto da una XOR dei caratteri scritti in forma binaria che

ci conferma che trasmissione e ricezione sono avvenute correttamente , ovviamente ogni