Разработка программно-алгоритмического метода обработки характеристик термокаталитических сенсоров для контроля и анализа многокомпонентных горючих смесей в воздухе тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Осипова Татьяна Владиславовна

• Осипова Татьяна Владиславовна
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Осипова Татьяна Владиславовна

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ

1.1 Обзор сенсоров, применяемых в газовом анализе, методик измерения и обработки

1.1.1 Полупроводниковые сенсоры

1.1.2 Оптические сенсоры

1.1.3 Термокаталитические сенсоры

1.1.4 Термокаталитические сенсоры водорода

1.2 Методики измерения концентрации горючих газов

1.3 Математические методы обработки данных в газовом анализе

1.4 Выводы по главе

ГЛАВА 2. РАЗРАБОТКА МЕТОДА ПРОВЕДЕНИЯ ИЗМЕРЕНИЙ НА ОСНОВЕ ТЕРМОКАТАЛИТИЧЕСКИХ СЕНСОРОВ

2.1 Описание конструкции сенсора и технологии получения катализатора

2.2 Схема измерительной установки и описание способа измерений

2.3 Метод главных компонент

2.4 Выводы по главе

ГЛАВА 3. ИССЛЕДОВАНИЕ И АНАЛИЗ СМЕСЕЙ ГОРЮЧИХ ГАЗОВ

3.1 Исследование S-образных характеристик сенсоров в среде отдельных горючих газов

3.2 Оптимизация параметров термокаталитических сенсоров метана

3.3 Исследование многокомпонентных смесей горючих газов

3.3.1 Исследование определения концентрации водорода в двухкомпонентной смеси

3.3.2 Исследование двухкомпонентных углеводородных смесей

3.3.3 Исследование определения концентрации водорода в многокомпонентной смеси

3.4 Оценка точности классификаторов при распознавании концентрации водорода в двухкомпонентной смеси

3.4.1 Наивный байесовский алгоритм

3.4.2 Метод опорных векторов

3.4.3 Метод k-ближайших соседей

3.4.4 Логистическая регрессия

3.4.5 Оценка классификаторов при распознавании водорода

3.5 Выводы по главе

ГЛАВА 4. РАЗРАБОТКА ПРОГРАММЫ ОБРАБОТКИ ХАРАКТЕРИСТИК ТЕРМОКАТАЛИТИЧЕСКОГО СЕНСОРА

4.1 Выбор языка программирования

4.2 Алгоритм работы программного обеспечения и программные модули

4.3 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А Реализация модулей программного обеспечения на языке

программирования Python

ПРИЛОЖЕНИЕ Б Графический интерфейс программного обеспечения

ПРИЛОЖЕНИЕ В Акты внедрения и использования

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Разработка программно-алгоритмического метода обработки характеристик термокаталитических сенсоров для контроля и анализа многокомпонентных горючих смесей в воздухе»

Актуальность работы:

На сегодняшний день по всему миру находится огромное количество экологически опасных объектов, сотни тысяч километров нефтегазовых трубопроводов. В частности, в Российской Федерации проводится повсеместная газификация квартир и домохозяйств, на 2023 год уровень газификации достиг 73 %. Также на территории страны расположено большое число промышленных объектов, на которых возможен выброс взрывоопасных газовых смесей. Российская Федерация обладает одними из крупнейших запасов природного газа в мире, ее обширная газовая инфраструктура и опыт в поисках, добыче и транспортировке газа делают исследования в этой области актуальными. Исследования направлены на повышение эффективности, надежности и безопасности сетей газоснабжения и распределения.

Опасность образования взрывоопасной концентрации горючих газов и паров легковоспламеняющихся жидкостей является одной из наиболее серьезных проблем, возникающих при технологических процессах как добычи полезных ископаемых (газ, нефть, уголь и т.д.), так и использовании в промышленной и гражданской области. Последствия утечек носят очень тяжелый характер, которые могут привести к многочисленным человеческим жертвам и серьезным разрушениям.

Для контроля состояния окружающей среды на промышленных объектах и жилых зонах, обеспечения безопасности жизнедеятельности граждан необходимы измерительные средства для определения состава и концентрации взрывоопасных веществ в воздухе. Горючие газы и пары легковоспламеняющихся жидкостей (ЛВЖ) воспламеняются, когда содержание вещества в воздухе находится между нижним (НКПР) и верхним (ВКПР) концентрационными пределами распространения пламени. Чем шире диапазон между НКПР и ВКПР, тем более взрывоопасно газообразное вещество.

Среди горючих газов особое место занимает водород ввиду того, что он является одним из самых взрывоопасных газообразных веществ вследствие того, что он чрезвычайно летуч и имеет самый большой диапазон взрывоопасных концентраций (от 4 % до 75 % об.). Также последние исследования в области энергетики показали, что водород рассматривается в качестве перспективного вида топлива (или компонента топлива). Водород - искусственный (рукотворный) энергоноситель, его практически невозможно «добыть» в природе, а все используемые способы его производства связаны с затратами сырья (углеводороды, вода) и энергии (электрической, тепловой), следовательно разработка эффективных сенсоров водорода и методик его мониторинга в воздухе является актуальной задачей.

Неотъемлемой частью современных измерительных систем контроля и мониторинга взрывоопасности среды является сенсор, который позволяет определять концентрацию горючих газов и паров легковоспламеняющихся жидкостей. Широко применяемыми на практике сенсорами являются термокаталитические (термохимические), полупроводниковые, оптические (инфракрасные) сенсоры. Термокаталитические сенсоры получили наибольшее распространение, поскольку имеют сравнительно простую конструкцию, высокий первичный уровень выходного сигнала и относительно низкую цену.

Основная проблема любого типа сенсора состоит в том, что горючие газы и пары легковоспламеняющихся жидкостей имеют разные значения НКПР, и если состав газовой смеси неизвестен, то проблема оценки вероятности взрыва газовой смеси чрезвычайно усложняется. Поэтому задача нахождения степени взрывоопасности смесей горючих газов и паров в случае, когда неизвестны состав и концентрация газообразного вещества также является актуальной задачей.

Несмотря на различия в конструкции и принципе работы каждого сенсора, их объединяет выходная информация - они преобразуют концентрацию газообразного вещества в электрический (чаще всего напряжение) сигнал. Такие измерения являются простыми и не содержат никакой дальнейшей обработки. Зачастую используют традиционный метод измерения, т.е. фактически измеряется

конечное напряжение сенсора при известной концентрации, результатом таких измерений является только одно значение. Данный метод измерения нельзя использовать для газовых смесей неизвестного состава, поскольку сенсор будет реагировать на все горючие газы в воздухе. Для проведения более глубокого анализа газообразного вещества необходимо увеличить объем данных, получаемых с сенсоров, применив математические и статистические методы обработки для поиска зависимостей и параметров разных типов газа.

Благодаря быстрому развитию технической и технологической электронно-компонентной базы, а также увеличению роли искусственного интеллекта в цифровой экономике возрастает важность применения методов машинного обучения, а также анализа данных большого размера. Применение таких методов позволит ускорить процесс определения типа и концентрации анализируемого газа в воздушной смеси, исключит человеческий фактор при принятии решения, а также повысит селективность сенсора. Интеграция машинного обучения и искусственного интеллекта в газовый анализ - это новая тенденция. Данные технологии расширяют возможности прогнозирования и помогают выявлять закономерности в обширных наборах данных, связанных с поведением газа.

Степень научной разработанности проблемы:

Применение методов машинного обучения или технологий искусственного интеллекта в газовом анализе за последние годы значительно продвинулось вперед, демонстрируя высокую степень научного развития. Математическое моделирование и анализ играют решающую роль как в понимании сложного поведения газов, такого как диффузия, кинетика реакций и термодинамика, так и в усовершенствовании параметров сенсоров газа, таких как селективность.

Интерес к улучшению методик проведения измерений, а также применении математических способов обработки нашел свое отражение в многочисленных исследованиях как отечественных, так и зарубежных авторов. В исследовательских работах особое место занимают мультисенсорные системы, которые состоят из нескольких сенсоров и системы управления и распознавания, а также система «электронный нос». Вопросы математической обработки данных, полученных с

сенсора, отмечались в как в отечественных, так и зарубежных исследованиях. Используются и развиваются наработки и идеи зарубежных исследователей относительно применимости искусственного интеллекта и нейронных сетей для анализа газового состава воздушной среды.

Несмотря на наработанный комплекс теоретических знаний и практического опыта остаются дискуссионными и недостаточно изученными вопросы глубокого анализа результатов измерений термокаталитических сенсоров, увеличение их точности и селективности за счет применения комплекса, состоящего из нестандартных методов измерений и математической обработки и определения типа горючего газа или пара в многокомпонентных смесях.

Целью работы является разработка программно-алгоритмического метода распознавания типа и определения концентрации горючих газов в многокомпонентных смесях на основе обработки температурных зависимостей отклика термокаталитического сенсора.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести анализ существующих методик измерения и математической обработки результатов измерений, позволяющих количественно и качественно оценивать состав и концентрацию горючих газов, в частности, водорода, и паров ЛВЖ в многокомпонентных смесях.

2. Разработать критерии и обосновать возможность применения метода главных компонент для обработки многомерных данных, получаемых от термокаталитических сенсоров в результате измерений температурных зависимостей отклика сенсора.

3. Разработать программно-алгоритмический метод распознавания типа и определения концентрации горючих газов в воздухе в диапазоне довзрывоопасных концентраций, основанный на математической обработке зависимостей отклика термокаталитического сенсора от температуры, позволяющий повысить селективность измерений горючих газов в многокомпонентных смесях.

4. Провести сравнение методов классификации значений главных компонент, полученных после обработки исходных S-образных характеристик, и

оценить их достоверность в задаче распознавания типа газа и определения его концентрации в многокомпонентных смесях углеводородов и водорода.

5. Провести экспериментальное исследование разработанного метода обработки температурных зависимостей отклика термокаталитических сенсоров с целью оценки его применимости для анализа многокомпонентных смесей углеводородов и водорода в диапазоне довзрывоопасных концентраций в воздухе.

Научная новизна работы:

1. Предложен новый программно-алгоритмический метод распознавания типа и определения концентрации горючих газов в воздухе, основанный на измерении температурной зависимости отклика термокаталитического сенсора, обработке полученной зависимости при помощи метода главных компонент и оценке достоверности полученных результатов алгоритмами классификации машинного обучения.

2. Показано, что применение разработанного метода позволяет повысить селективность термокаталитических сенсоров и выполнять экспресс-анализ горючих газов в воздухе, в том числе в многокомпонентных смесях.

3. Установлено, что при обработке откликов термокаталитического сенсора в широком диапазоне температур методом главных компонент полученные значения для каждого газа образуют собственные области локализации на плоскости главных компонент, что позволяет распознать тип горючего газа в воздухе.

4. Показано, что при обработке откликов термокаталитического сенсора в двухкомпонентных смесях (углеводород-водород и два углеводорода) методом главных компонент значения главных компонент имеют линейные концентрационные зависимости, что позволяет определять концентрацию горючего газа в смеси.

5. Установлено, что значения главных компонент экспериментальных данных образовывают области локализации вокруг теоретических значений чистых углеводородов. Показано, что при применении классификаторов, точность

прогнозирования составляет более 87 %, а разброс между полученными значениями главных компонент связан с разбросом экспериментальных данных.

Теоретическая значимость научных исследований:

Теоретическая значимость заключается в том, что полученные результаты исследования дополняют существующий подход к измерениям состава воздуха на присутствие в нем горючих газов и паров ЛВЖ.

Показано, что за счет увеличения числа экспериментальных данных путем измерения отклика сенсора в широком диапазоне температур и их последующей математической обработки можно преодолеть основной недостаток термокаталитических сенсоров - их низкую селективность к горючим газам.

Практическая значимость работы:

1. Полученные результаты позволят расширить области практического использования термокаталитических сенсоров и могут быть использованы для создания систем контроля состава воздуха в различных отраслях и на предприятиях газовой и нефтяной промышленности, химической промышленности, энергетики, угольной промышленности и др.

2. Разработанный метод позволяет проводить экспресс-анализ типа и концентрации горючего газа в многокомпонентных смесях и, как следствие, может быть использован в системах предупреждения аварийных ситуаций в быту и на производстве.

3. Предложена модульная архитектура программного обеспечения и алгоритм его функционирования, позволяющие на их основе при необходимости реализовать дополнительные методы и алгоритмы машинного обучения.

Основные научные положения, выносимые на защиту:

1. Разработан метод распознавания типа и определения концентрации горючих газов в воздухе, основанный на температурном сканировании отклика термокаталитического сенсора, математической обработке экспериментальных зависимостей и применении алгоритмов классификации получаемых наблюдений, обеспечивающий малую потерю информации до 4 %.

2. Разработанный метод распознавания типа и определения концентрации горючих газов в воздухе обеспечивает селективность термокаталитических сенсоров при измерении в углеводородных и углеводород-водородных смесях.

3. Результаты обработки методом главных компонент откликов термокаталитического сенсора в широком диапазоне температур образуют собственные области локализации для каждого газа, а значения главных компонент имеют линейные концентрационные зависимости.

4. Алгоритм, реализующий предложенный метод распознавания типа и определения концентрации горючих газов в воздухе.

Личный вклад автора:

Автор участвовала в определении цели работы и постановке задач исследования, совместно с научным руководителем принимала участие в постановке эксперимента. Автором выполнена разработка метода распознавания типа и определения концентрации горючих газов в воздухе, проведена обработка экспериментальных данных и их количественный и качественный анализ. Основные результаты получены автором.

Степень достоверности результатов

Достоверность экспериментальных данных обеспечивается использованием современных средств и методик проведения исследований и подтверждается методической погрешностью методов исследования. Результаты и выводы работы подтверждены правильностью исходных математических положений, принятых допущений и показательностью статистических данных.

Соответствие диссертации паспорту научной специальности

Диссертация соответствует паспорту научной специальности 2.2.8. Методы и приборы контроля и диагностики материалов, изделий, веществ и природной среды, в частности по пунктам 1, 3, 5.

Реализация результатов работы

Разработано и отлажено программное обеспечение обработки данных, полученных с термокаталитического сенсора. Получено свидетельство о регистрации программ для ЭВМ и баз данных № 2023687443 от 14.12.2023.

Исследования, результаты которых представлены в диссертации, частично выполнены в рамках гранта РФФИ и ННФИ №2 20-57-56001 и гранта РНФ № 22-2900433.

Результаты работы были внедрены в ООО «Научно-технический центр измерительных газочувствительных датчиков» имени Е.Ф. Карпова, а также были использованы в учебном процессе в НИУ «МАИ». Акты о внедрении и использовании представлены в приложении к диссертации.

Апробация работы:

Материалы диссертации докладывались на конференциях «Международная научно-практическая конференция «Форум молодых исследователей» (2021 г.)», «20-ая Международная конференция «Авиация и космонавтика» (2021 г.)», «12th Mediterranean Conference on Embedded Computing (2023 г.)», «Международная научно-практическая конференция «Научный форум» (2024 г.)».

Публикации:

По результатам выполненных исследований опубликовано 10 научных работ, 4 из которых опубликованы в рекомендованных ВАК журналах, 1 опубликована в международном журнале (Scopus) и 4 статьи в сборниках материалов и международных конференций. По результатам интеллектуальной деятельности было получено Свидетельство о государственной регистрации программы для ЭВМ.

Структура и объем работы

Диссертационная работа состоит из введения, четырех глав, результатов исследования и списка использованных источников. Объем диссертации составляет 132 страниц, в том числе 120 страниц - основная часть, 12 страниц -приложения. Работа содержит 51 рисунок и 12 таблиц. Список использованных источников включает 133 наименования.

ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ

1.1 Обзор сенсоров, применяемых в газовом анализе, методик измерения и обработки

На сегодняшний день существует большое количество методов газового анализа, они разнообразны и основаны на химических или физических свойствах газов. Основным инструментом, применяемым в газовом анализе, является сенсор газа. Отличием технологий на основе сенсоров газа от традиционных методов газового анализа является их ориентация на получение конечного продукта -сенсора, позволяющего проводить качественный или количественный анализ в реальном масштабе времени и с минимальной дополнительной пробоподготовкой.

Широко распространенными на практике типами сенсоров являются полупроводниковый, оптический и термокаталитический. Использование того или иного типа основано на конкретном анализируемом газе и желаемом уровне точности и чувствительности. Несмотря на то, что электрохимические сенсоры также применяются при измерениях горючих газов, в частности водорода, они не были рассмотрены в данном обзоре ввиду того, что данные сенсоры широко не применяются при измерениях в довзрывоопасном диапазоне концентраций.

Подробный анализ сенсоров горючих газов проведен нами в обзоре [1].

1.1.1 Полупроводниковые сенсоры

Принцип действия полупроводниковых сенсоров основан на изменении электропроводности чувствительного элемента (полупроводника) при воздействии различных газов на его поверхности. В качестве полупроводника широко используются материалы на основе SnO2, 7пО, МоОз [2], также были проведены исследования чувствительного элемента (ЧЭ) на основе оксидов индия и галлия [3-5]. Для обеспечения измерений ЧЭ необходимо нагревать до температуры несколько сотен градусов.

Схема полупроводникового сенсора приведена на рисунке 1.1.

Оксид металла

Электроды

Металлокерамик

Газ

Керамический корпус

/ спираль

Нагревательная

Рисунок 1.1 - Схема полупроводникового сенсора

Сенсор содержит следующие элементы: токовые электроды для измерения сопротивления ЧЭ, нагреватель для достижения температуры максимальной адсорбции контролируемого газа и для нагрева сенсора до температуры десорбции, а также термометр для контроля температуры.

К преимуществам полупроводниковых сенсоров относятся быстрое время отклика, низкие требования к энергопотреблению и небольшая стоимость при массовом производстве. Основным недостатком является низкая избирательность, перекрестная чувствительность к другим газам и влияние колебаний температуры и влажности.

Наиболее важным параметром, определяющим чувствительность полупроводниковых сенсоров, является их удельное отношение поверхности к объему, которое в сенсорах на основе наноструктур намного выше, чем в стандартных сенсорах. К настоящему времени в качестве ЧЭ успешно используется несколько наноструктурированных систем, которые включают одномерные нанопроволоки (1-0 [6] и двумерные углеродные нанотрубки (2-0 СЫТ) [7]. В дополнение к повышенной чувствительности, использование сенсоров на основе наноструктур также продемонстрировало низкое энергопотребление, легкий вес и миниатюризацию. Материалы на основе

наноуглеродов перспективны благодаря присущим им электрическим свойствам, которые очень чувствительны к изменениям в химической среде [8-11].

С точки зрения изготовления полупроводниковых сенсоров методы разделяют на две группы, способствующих увеличению удельной поверхности чувствительного слоя сенсора. Первая группа включает методы с использованием в качестве основы для сенсора нанопоритый оксид алюминия [12-14]. Вторая группа включает в себя методы, которые применяются при формировании наноструктурированного чувствительного слоя сенсора. К этим методам относят методы, использующие наноматериалы [15], а также методы вакуумного осаждения на поверхность подложки [16, 17].

Преимуществами первой группы (использование пористого оксида алюминия) являются хорошо упорядоченная структура, широкий диапазон пор (от 10 нм до 150 нм) и высокая однородность слоев. Также такие сенсоры имеют относительно быстрый отклик на активный газ [18]. На рисунке 1.2 представлены структуры сенсоров газа с чувствительным слоем на основе нанопористого оксида алюминия (1.2(а)) и нанопористого анодного ТЮ2 (1.2(б)).

(а) (б)

Рисунок 1.2 - Структура полупроводниковых сенсоров газа: (а) - сенсор с чувствительным слоем на основе нанопористого оксида алюминия; (б) -чувствительный слой сенсора из нанопористого анодного ТЮ2

За последние десятилетия различные оксиды металлов, такие как 7пО [19-21], Те02 [22], СиО [23, 24], М2О3 [3, 25, 26] и SnO2 [27-29] были исследованы в качестве активных материалов для сенсоров водорода. Одним из недостатков сенсоров на основе оксида металла является их ограниченная селективность по отношению к различным восстановительным газам (включая Н2). Вторым основным недостатком является высокая рабочая температура, которая может достигать от 200 °С до 400 °С.

С точки зрения модернизации методик измерений основной тенденцией является разработка импульсных и динамических режимов проведения измерений, при которых происходит изменение температуры ЧЭ [3, 24, 29]. Это увеличивает объем получаемых данных, что позволяет улучшить селективность измерений (рисунок 1.3) при сохранении высокой чувствительности. Таким образом, можно создать эффективные мультисенсорные системы мониторинга с милливатным энергопотреблением [29].

(а) (б)

Рисунок 1.3 - Отклик сенсоров в различных режимах работы: (а) - циклический

импульсный режим нагрева (нагрев до 450 °С в течение 3 с с последующим режимом при 110 °С в течение 10 с); (б) - повторяющаяся последовательность температурных импульсов, состоящая из 100 мс импульсов в диапазоне от 20 °С

до 450 ° с шагом температуры 5 °

В работе [30] авторами проводилось исследование эффективности режима импульсного нагрева в сравнении с постоянным нагревом. Установлено, что отношение значений отклика сенсора в режимах постоянного и импульсного нагревов увеличивается до 1,7 раза (для чувствительного слоя SnO2+Pt+Pd), и

до 3,8 раза (для чувствительного слоя 1п203+А1203+Р^. При этом средняя потребляемая мощность составила менее 25 мВт.

На основе проведенного анализа можно сделать вывод, что хотя полупроводниковые сенсоры подходят для мониторинга углеводорода в диапазоне довзрывоопасных концентраций, основной тенденцией в развитии является повышение селективности сенсоров [32] с одновременным уменьшением их энергопотребления [33], что необходимо для создания автономных газовых датчиков, в частности, для беспроводных сенсорных сетей [34].

Анализ развития рынка газовых сенсоров показал, что полупроводниковые газовые сенсоры отличаются высокой надежностью, простотой в эксплуатации и относительно низкой стоимостью. Одна из особо важных задач в повышении потребительских характеристик полупроводниковых газовых сенсоров - снижение их энергопотребления, что связано в первую очередь с условиями работы газоаналитических приборов нового поколения в автономном режиме, т.е. при электропитании от портативных аккумуляторов. Потребляемая мощность этих приборов должна составлять несколько десятков милливатт [33].

1.1.2 Оптические сенсоры

Оптические сенсоры являются одним из перспективных типов сенсоров. Действие таких сенсоров основано на принципах: адсорбция (поглощение света), отражение падающего светового излучения и люминесценции.

Оптическая технология заключается в бесконтактном способе анализа концентрации газа [35]. Принцип действия оптического сенсора основан на регистрации изменения интенсивности излучения, взаимодействующего с исследуемой газообразной средой на некоторых характерных для этой среды длинах волн. Выделение рабочего диапазона длин волн из широкополосного спектра излучателя происходит с применением интерференционных фильтров [36] либо используется дискретное излучение на одной или нескольких длинах волн [37].

Основными элементами конструкции оптического сенсора являются: источник и приемник излучения, рабочая камера, селективный отражатель и плата обработки и связи [38]. Оптическая схема оптических сенсоров традиционно построена по двухканальной схеме измерения с применением рабочего (измерительного) и опорного (сравнительного) каналов, которая представлена на рисунке 1.4.

Рисунок 1.4 - Измерительная схема оптического сенсора Одними из наиболее распространенных оптических сенсоров являются инфракрасные (ИК) сенсоры. Разные типы газов имеют разные уровни поглощения ИК излучения, поэтому тип и концентрация могут быть определены через анализ кривой поглощения ИК излучения. Из-за сложности такого типа сенсоров и сдвигов фаз, вносимых приборами, ИК сенсоры газа не стали настоящими лидерами рынка, несмотря на известные преимущества принципа детектирования [39].

К преимуществам оптических сенсоров относятся высокая чувствительность, селективность, стабильность в работе, устойчивость к отравлению, быстрая реакция на увеличение концентрации и способность функционировать в бескислородной среде. К недостаткам следует отнести невозможность детектирования газов, которые не поглощают ИК-излучение (в частности, водорода), агрессивную среду использования, что, в свою очередь, приводит к увеличению стоимости обслуживания оборудования и, как следствие, стоимость самого сенсора.

Оптические сенсоры способны работать в широком диапазоне температур (от -60 °С до 85 °С), что позволяет использовать их как в закрытых помещениях, так и на открытых площадках, в местах, где возможно появление метана, пропана или паров нефтепродуктов, в том числе, в бескислородной среде.

Авторы работы [40] провели исследование оптико-волоконных сенсоров газа [41]. Такой тип сенсоров способен к дистанционному зондированию, работает в различных средах и потенциально может превзойти газовые сенсоры на основе оксида металла и полупроводника (МОП). Авторами приведен ряд конфигураций и механизмов для обнаружения конкретных газов и способов улучшения характеристик сенсора. МОП-сенсоры обладают преимуществами по сравнению со спектроскопическими методами, которые основаны на измерениях спектров поглощения [42], а именно меньшими затратами на производство, миниатюризацией и интеграцией. Недостатками МОП-сенсоров являются низкие стабильность и селективность, необходимость их работы при температуре выше температуры окружающей среды, и, как следствие их работы в электрическом режиме, существует проблема опасности возникновения воспламенения. Кроме того, МОП-сенсоры имеют проблемы с относительно низкой чувствительностью, и их производительность чувствительна к факторам окружающей среды [43, 44].

Список литературы диссертационного исследования кандидат наук Осипова Татьяна Владиславовна, 2024 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

[1] Baranov A., Osipova T. Latest Progress in Sensors for Pre-explosive Detection of Flammable Gases: A Review // Sensors and Materials. -2022. -Vol. 34. -№10. -P. 3707-3726.

[2] Bhattacharyya P., Basu P.K., Mondal B., Saha H. A low power MEMS gas sensor based on nanocrystalline ZnO thin films for sensing methane // Microelectronics Reliability. -2008. -Vol. 48. -Issues 11-12. -P. 1772-1779.

[3] Дёмин И.Е., Козлов А.Г. Избирательность тонкопленочного газового сенсора на основе 50%In203-50%Ga203 при динамическом режиме работы // Динамика систем, механизмов и машин. -2017. -Том 5. -№2. -С. 233-238.

[4] Bagheri M., Khodadadi A.A., Mahjoub A.R., Mortazavi Y. Strong effects of gallia on structure and selective responses of Ga2O3-In2O3 nanocomposite sensors to either ethanol, CO or CH4 // Sensors and Actuators B: Chemical. -2015. -P. 590-599.

[5] Du L., Li H., Li S., Liu L., Li Y., Xu S., Gong Y., Cheng Y., Zeng X., Liang Q. A gas sensor based on Ga-doped SnO2 porous microflowers for detecting formaldehyde at low temperature // Chemical Physics Letters. -2018. -Vol. 713. -P. 235-241.

[6] Cui Y, Wei Q, Park H, Lieber CM. Nanowire nanosensors for highly sensitive and selective detection of biological and chemical species // Science. -2001. -Vol. 293. -P. 1289-1292.

[7] Kong J., Franklin N.R., Zhou C.W., Chapline M.G., Peng S., Cho K.J., Dai H. Nanotube molecular wires as chemical sensors // Science. -2000. -Vol. 287. -P. 622-625.

[8] Varghese S.H., Nair R., Nair B.G., Hanajiri T., Maekawa T., Yoshida Y., Kumar D.S. Sensors based on carbon nanotubes and their applications: A review // Current Nanoscience. -2010. -№6. -P. 331-346.

[9] Hill E.W., Vijayaragahvan A., Novoselov K. Graphene sensors // IEEE Sensors Journal. -2011. - №11. -P: 3161-3170.

[10] Mao S., Lu G.H., Chen J.H. Nanocarbon-based gas sensors: progress and challenges // Journal of Materials Chemistry A. -2014. -№2. -P: 5573-5579.

[11] E. Llobet. Gas sensors using carbon nanomaterials: A review // Sensors and Actuators B: Chemicals. -2013. -№179. -P. 32-45.

[12] Lillis B. et al. A novel, high surface area, capacitance-based silicon sensor for DNA hybridisation detection // Proceedings of the 16-th European Conference on Solid State Transducers EUROSENSORS XVI. -Prague. -2002. -P. 693-694.

[13] Varghese O.K. et al. Highly ordered nanoporous alumina films: Effect of pore size and uniformity on sensing performance // Journal of Materials Research. -2002. -Vol. 17. - Pp. 1162-1171.

[14] Khatko V et al. Tungsten trioxide sensing layers on highly ordered nanoporous alumina template // Sensor and Actuators B: Chemical. -2006. -Vol. №118. -P. 255-262.

[15] Li G.-J., Zhang X.-H., Kawi S. Relationships between sensitivity, catalytic activity, and surface areas of SnO2 gas sensors // Sensors and Actuators B: Chemical. -1999. -Vol. №60. -P. 64-70.

[16] Khatko V. et al. Catalytic properties of Pd/SiO2 and Pt/SiO2 multilayer stacks // Sensor and Actuators B: Chemical. -2001. -Vol. №77. -P. 548-554.

[17] Horprathum M. et al. NO2-sensing properties of WO3 nanorods prepared by glancing angle DC magnetron sputtering // Sensor and Actuators B: Chemical. -2013. -Vol. №176. -P. 685-691.

[18] Akiyama T., Ishikawa Y., Hara K. Xylene sensor using double-layered thin film and Ni-deposited porous alumina // Sensor and Actuators B: Chemical. -2013. -Vol. №181. -P. 348-352.

[19] Franco M., Conti P., Andre R., Correa D. A review on chemiresistive ZnO gas sensors // Sensors and Actuators Reports. -2022. -Vol. №4. -ISSN 2666-0539.

[20] Chao J., Chen Y., Xing S., Zhang D., Shen W. Facile fabrication of ZnO/C nanoporous fibers and ZnO hollow spheres for high performance gas sensor // Sensors and Actuators B: Chemical. -2019. -Vol. №298. -ISSN 0925-4005.

[21] Zhao S., Shen Y., Yan X., Zhou P., Yin Y., Lu R., Han C., Cui B., Wei D. Complex-surfactant-assisted hydrothermal synthesis of one-dimensional ZnO nanorods for high-performance ethanol gas sensor // Sensors and Actuators B: Chemical. -2019. -Vol. №286. -P. 501-511.

[22] Bang J., Choi M., Mirzaei A., Han S., Lee H., Choi S., Kim S., Kim H. Hybridization of silicon nanowires with TeO2 branch structures and Pt nanoparticles for highly sensitive and selective toluene sensing // Applied Surface Science. -2020. -Vol. №525.

[23] Nakate U., Lee G., Ahmad R., Patil P., Hahn Y., Yu Y., Suh E. Nano-bitter gourd like structured CuO for enhanced hydrogen gas sensor application // International Journal of Hydrogen Energy. -2018. -Vol. №43.

[24] Umar A., Ibrahim A., Nakate U., Albargi H., Alsaiari M., Ahmed F., Alharthi F., Alghamdi A., Al-Zaqri N. Fabrication and characterization of CuO nanoplates based sensor device for ethanol gas sensing application // Chemical Physics Letters. -2021. -Vol. №763.

[25] Реутская О.Г., Таратын И.А., Плескачевский Ю.М. Мультисенсорная микросистема для измерения концентрации газов СО, H2, C3H8, CO2 // Приборы и методы измерений. -2016. -Том 7, № 3. -С. 271-278.

[26] Ma J., Fan H., Zhang W., Sui J., Wang C., Zhang M., Zhao N., Yadav A., Wang W., Dong W., Wang S. High sensitivity and ultra-low detection limit of chlorine gas sensor based on ImO3 nanosheets by a simple template method // Sensors and Actuators B: Chemical. -2020. -Vol. №305.

[27] Choi P., Izu N., Shirahata N., Masuda Y. Improvement of sensing properties for SnO2 gas sensor by tuning of exposed crystal face // Sensors and Actuators B: Chemical. -2019. -Vol. №296.

[28] Tonezzer M. Selective gas sensor based on one single SnO2 nanowire // Sensors and Actuators B: Chemical. -2019. -Vol. №288. -P. 53-59.

[29] Дуйкова М.В., Шконда С.Э., Казаков С.А., Гревцев М.А. Изготовление и исследование металлоксидных полупроводниковых газовых сенсоров на аммиак // Научное приборостроение. -2020. -Том 30, № 4. -C. 52-62.

[30] Nakata S., Takahara N. Characteristic nonlinear responses of a semiconductor gas sensor to hydrocarbons and alcohols under the combination of cyclic temperature and continuous flow // Sensors and Actuators B: Chemical. -2020. -Vol. №307.

[31] Реутская О.Г., Плескачевский Ю.М. Измерения концентрации газов CO и NO2 мультисенсорной микросистемой в режиме импульсного нагрева // Приборы и методы измерений. -2017. -Том 8, № 2. - С. 160-167.

[32] Samotaev N., Vasiliev A., Sokolov A., Pisliakov A. The mechanism of the formation of selective response of semiconductor gas sensor in mixture of CH4/H2/CO with air // Sensors and Actuators B: Chemical. -2007. -Vol. 127, №1. -P. 242-247.

[33] Hongyu M., Yana D., Minsong W., Enjie D., Liwei L. Silicon microheater based low-power full-range methane sensing device // Sensors and Actuators A: Physical. -2019. -Vol. 295. -P. 70-74.

[34] Spirjakin D., Baranov A., Karelin A., Somov A. Wireless multi-sensor gas platform for environmental monitoring // IEEE Workshop on Environmental, Energy and Structural Monitoring Systems (EESMS). -2015. -P. 232-237.

[35] Tan Q., Pei X., Zhu S., Sun D., Liu J, Xue C., Liang T., Zhang W., Xiong J. Development of an optical gas leak sensor for detecting ethylene, dimethyl ether and methane // Sensors (Basel, Switzerland). -2013. -Vol. 13, №4. -P. 4157-4169.

[36] Макеенков А.А., Баранов А.М. Разработка, синтез и изготовление многослойных тонкопленочных фильтров для инфракрасных сенсоров горючих газов и паров горючих жидкостей // Вакуумная техника и технология. -2019. -Том 29, № 4. -С. 40-43.

[37] Fast and Sensitive Mid-IR Detectors for Gas Sensing // URL: https://www.photonics.com / Articles / Fast_and_Sensitive_Mid-IR_Detectors_for_Gas/a61997 (дата обращения: 27.03.2024).

[38] Александров С.Е., Гаврилов Г.А., Капралов А.А., Матвеев Б.А., Сотникова Г.Ю., Ременный М.А. Моделирование характеристик оптических газовых сенсоров на основе диодных оптопар среднего ИК-диапазона спектра // Журнал технической физики. -2009. -Том 79, №6. -С. 112-118.

[39] Инфракрасные датчики газов // Датчики газов. -URL: http://gas-sensor.ru/ndir-gas-sensor.html (дата обращения: 27.03.2024).

[40] Allsop T., Neal R. A review: application and implementation of optic fibre sensors for gas detection // Sensors. -2021. -Vol. 21. -P. 6755.

[41] Li J., Yan H., Dang H., Meng F. Structure design and application of hollow core microstructured optical fiber gas sensor: A review // Optics & Laser Technology. -2021. -Vol. 135.

[42] James D., Scott S., Ali Z., O'Hare W. Chemical sensors for electronic nose systems // Microchimica Acta. -2005. -Vol. 149. P. 1-17.

[43] Zhang J., Qin Z., Zeng D., Xie C. Metal-oxide-semiconductor based gas sensors: Screening, preparation, and integration // Phys. Chem. Chem. Phys. -2017. -Vol. 19. -P. 6313-6329.

[44] Govardhan K., Grace A. Metal/Metal oxide doped semiconductor based metal oxide gas sensors - A review // Sensor Letters. -2016. -Vol. 14. -P. 741-750.

[45] Charlton C., Temelkuran B., Dellemann G., Mizaikoff B. Midinfrared sensors meet nanotechnology: Trace gas sensing with quantum cascade lasers inside photonic band-gap hollow waveguides // Applied Physics Letters. -2005. -Vol. 86. -P. 194102.

[46] Dang J., Kong L., Yu H., Wang Y., Sun Y. An open-path sensor for simultaneous atmospheric pressure detection of CO and CH4 around 2.33 ^m // Optics and Lasers in Engineering. -2019. -Vol. 123. -P. 1-7. -ISSN 0143-8166.

[47] Fanchenko S., Baranov A., Savkin A., Sleptsov V. LED-based NDIR natural gas analyzer // IOP Conference Series: Materials Science and Engineering. -2016. -Vol. 108. -P. 012036.

[48] Баранов А.М., Фанченко С.С., Савкин А.В., Слепцов В.В. Оптический мониторинг метана в воздухе на длине волны 2,3 мкм // Датчики и системы. -2016. -№7. -С. 47-52.

[49] Pravallika S. Gas chromatography: A mini review // Res. Rev. J. Pharm. Anal. -2016. -Vol. 5. -P. 2340-2347.

[50] Sigrist M. Trace gas monitoring by laser photoacoustic spectroscopy and related techniques (plenary) // Review of Scientific Instruments. -2003. -Vol. 74. -P. 486-490.

[51] Dumitras D., Dutu D., Matei C., Magureanu A., Petrus M., Popa C. Laser photoacoustic spectroscopy: Principles, instrumentation, and characterization // Journal of Optoelectronics and Advanced Materials. -2007. -Vol. 9. -P. 3655.

[52] Sberveglieri G. Gas Sensors: Principles, Operation and Developments // Springer. -1992. -417 p. -ISBN-10:940105214X. -ISBN-13:978-9401052146.

[53] Arshak K., Moore E., OLaighin G., Harris J., Clifford S. A review of gas sensors employed in electronic nose applications // Sensor Review. -2004. -Vol. 24. -P. 181-198.

[54] Kohl D. Function and applications of gas sensors // Journal of Physics D: Applied Physics. -2001. -Vol. 34. -P. R125.

[55] Kwasny M., Bombalska A. Optical Methods of Methane Detection // Sensors. -2023. -Vol. 23. -P. 2834.

[56] RMT Ltd // URL: https://www.rmtltd.ru/ (дата обращения: 27.03.2024).

[57] Aleksandrov S., Gavrilov G., Kapralov A., Karandashev S., Matveev B., Sothikova G., Stus N. Portable optoelectronic gas sensors operating in the mid-IR spectral range (X = 3-5 ^m) // Proceedings of SPIE (The International Society for Optical Engineering). -2002. -Vol. 4680. -P. 188-190.

[58] Stoyanov N., Salikhov K., Kalinina K., Zhurtanov B., Kizhaev S. Middle infrared LEDs: key element for new generation chemical sensors // Proceedings of SPIE (The International Society for Optical Engineering). -2012. -P. 331-336.

[59] Shemshad J., Aminossadati S., Kizil M. A review of developments in near infrared methane detection based on tunable diode laser // Sensors and Actuators B: Chemical. -2012. -Vol. s171-172. -P. 77-92.

[60] Павлов С.А., Павлов А.С., Максимова Е.Ю., Павлов А.В., Алексеенко А.В. Квантовые точки: новые перспективы создания оптических химических сенсоров // Успехи в химии и химической технологии. -2018. -Том XXXII, № 6. -С. 126-128.

[61] Roslyakov I., Kolesnik I., Evdokimov P., Garshev A., Skryabina O., Mironov S., Baranchikov A., Karpov E., Napolskii K. Microhotplate catalytic sensors based on anodic alumina: operando study of methane sensitivity hysteresis // Sensors and Actuators B: Chemical. -2021. -Vol. 330. -P. 129307.

[62] Hongyu M., Enjie D., Wenjuan W. Power reduction with enhanced sensitivity for pellistor methane sensor by improved thermal insulation packaging // Sensors and Actuators B: Chemical. -2013. -Vol. 187. -P. 221-226.

[63] Баранов А.М., Осипова Т.В. Современные тенденции в развитии сенсоров довзрывоопасных концентраций горючих газов и паров горючих жидкостей (Краткий обзор) // Научное приборостроение. -2021. -Том 31, №24. -С. 3-29.

[64] Росляков И.В., Колесник И.В., Напольский К.С., Карелин А.П., Миронов С.М., Столяров В.С., Суртаев В.Н., Саяпин О.А. Развитие сенсорных технологий и техники мониторинга взрывоопасности углеводородо-воздушных смесей // Научно-технический вестник ОАО «НК «РОСНЕФТЬ». -2015. -№4. -С. 85-89.

[65] Vasiliev А., Pavelko R., Gogish-Klushin S., Kharitonov D., Gogish-Klushina O., Sokolov A., Samotaev N., Guarnieri V., Zen M., Lorenzelli L. Sensors based on technology «Nano-on-Micro» for wireless instruments preventing ecological and industrial catastrophes // Sensors for Environment, Health and Security. -2009. -Vol. 1. -P. 205-227.

[66] Samotaev N., Pisliakov A., Gorshkova A., Dzhumaev P., Bärsony I., Ducso C., Biro F. Al2O3 nanostructured gas sensitive material for silicon based low power thermocatalytic sensor // Materials Today: Proceedings. -2020. -Vol. 30.

[67] Wenshuai L., Gaoshan J., Xiaomeng B., Hongyan Y., Tianhong C. Micro catalytic methane sensors based on 3D quartz structures with cone-shaped cavities etched by high-resolution abrasive sand blasting // Sensors and Actuators A: Physical. -2016. -Vol. 242. P. 9-17.

[68] Brauns E., Morsbach E., Kunz S., Bäumer M., Lang W. A fast and sensitive catalytic gas sensors for hydrogen detection based on stabilized nanoparticles as catalytic layer // Sensors and Actuators B: Chemical. -2014. -Vol. 193. -P. 895-903.

[69] Лагутин А.С., Васильев А.А. Твердотельные газовые сенсоры // Журнал аналитической химии. -2022. -Том 77, № 2. -С. 100-116.

[70] Бондарь О.Г., Брежнева Е.О., Поздняков В.В. Реализация изотермического режима термокаталитических газочувствительных датчиков // Датчики и системы. -2016, -№2 (200). -С. 43-47.

[71] Лашков А.В., Доброхотов В.В., Сысоев В.В. Термокаталитический мультисенсорный чип // Известия ЮФУ, Технические науки. -2014. -№9 (158).

[72] Лашков А.В. Формирование газоаналитических мультисенсорных микроэлектронных систем на основе термокаталитических и хеморезистивных элементов: дис. канд. техн. наук: 05.27.01. -Таганрог, 2018. -158 с.

[73] Бондарь О.Г., Брежнева Е.О., Поздняков В.В. Реализация изотермического режима термокаталитических газочувствительных датчиков // Датчики и системы. -2016. -№2 (200). -С. 43-47.

[74] Somov A., Baranov A., Spirjakin D., Passerone R. Circuit design and power consumption analysis of wireless gas sensor nodes: one-sensor versus two-sensor approach // IEEE Sensors Journal. -2014. -Vol. 14 (6). -P. 2056-2063.

[75] Karpov E., Karpov Е., Suchkov А., Mironov S., Baranov A., Sleptsov V. Energy efficient planar catalytic sensor for methane measurement // Sensors and Actuators A: Physical. -2013. -Vol. 194. -P. 176-180.

[76] Патент №2015120260. Способ измерения концентрации горючих газов и паров в воздухе термокаталитическим сенсором диффузионного типа : №2015120260 : заявл. 28.05.2015 : опубл. : 29.06.2017 / Баранов А.М. [и др.]; заяв., патентообл. ФГБОУ ВО МАИ (НИУ). -13 с.

[77] Романенко В.И., Голинько В.И., Фрундин В.Е. Исследование термокаталитического метода измерения кислорода // ГИАБ. -2003. -№3.

[78] Spirjakin D., Baranov A.M., Somov A., Sleptsov V. Investigation of heating profiles and optimization of power consumption of gas sensors for wireless sensor networks // Sensors and Actuators A: Physical. -2016. -Vol. 247. -P. 247 - 253.

[79] Korotcenkov G., Cho B. Engineering approaches for the improvement of conductometric gas sensor parameters Part 1. Improvement of sensor sensitivity and selectivity (short survey) // Sensors and Actuators B: Chemical. -2013. -Vol. 188. -P. 709-728.

[80] Казаков А.П., Белов А.Н., Харитонов Е.А. Результаты исследований термокаталитических датчиков горючих газов на устойчивость к воздействию сероводорода [Электронный ресурс]. URL: http://www.galus.ru/art_gas9.pdf. Дата обращения: 27.03.2024.

[81] Талипов В.А., Баранов А.М., Иванов И.И., Янян Ц. Исследование активности термокаталитических сенсоров водорода при отрицательных температурах окружающей среды // Научное приборостроение. -2023. -Том 33, № 1. -С. 30-42.

[82] Furat D., Martin A., Shafiullah G. Hydrogen production for energy. An overview // International Journal of Hydrogen Energy. -2020. -Vol. 45, is. 7. -P. 3847-3869.

[83] Водородная экономика - путь к низкоуглеродному развитию // Центр энергетики МШУ СКОЛКОВО [Электронный ресурс]. URL: https://energy.skolkovo.ru/downloads/documents/SEneC/Research/SKOLKOVO _EneC_Hydrogen-economy_Rus.pdf. Дата обращения: 27.03.2024.

[84] Титаренко О.Н., Симонов И.В. Комбинированная электроэнергетическая система на основе возобновляемой и водородной энергетики // Энергетические установки и технологии. -2019. -Том 5, № 4. -С. 90-95.

[85] Добровольский Ю.А., Леонова Л.С., Укше А.Е., Левченко А.В., Баранов А.М., Васильев А.А. Портативные сенсоры для анализа водорода // Российский химический журнал. -2006. -Том L, № 6. -С. 120-127.

[86] Vasiliev A., Lipilin A., Lagutin A., Pisliakov A., Zaretskiy N., Samotaev N., Sokolov A. Gas sensors based on MEMS structures made of ceramic ZrO2/Y2O3 material // Proc. SPIE 8066, Smart Sensors, Actuators, and MEMS V. -2011. -80660N.

[87] Подлепецкий Б.И., Никифорова М.Ю. Влияние температуры МДП-транзисторных чувствительных элементов на характеристики датчиков водорода // Датчики и системы. -2015. -№ 7. -C. 3-7.

[88] Шутаев В.А. Создание и исследование сенсора водорода на основе диодной структуры Pd/Оксид/InP: дис. канд. ф.-м. наук: 01.04.10. -СПб., 2020. -124 с.

[89] ГОСТ 31438.1-2011 (EN 1127-1: 2019). Взрывоопасные среды. Взрывозащита и предотвращение взрыва. Часть 1. Основополагающая концепция и методология.

[90] Карпов Е.Ф., Басовский Б.И. Контроль проветривания и дегазации в угольных шахтах: Справочное пособие. -М.: Недра. -1994. -336 c.

[91] Cavicchi R.E., Suehle J.S., Kreider K.G., Gaitan M., Chaparala P. Fast temperature programmed sensing for micro-hotplate gas sensors // IEEE Electron. Device Letters. -1995. -Vol. 16. -P. 286-288.

[92] Ozmen A., Dogan E. Design of a portable e-nose instrument for gas classifications // IEEE Transactions on Instrumentation and Measurement. -2009. -Vol. 58, №10. -P. 3609-3618.

[93] Yu H., Xu P., Xia X., Lee D., Li X. Micro-/nanocombined gas sensors with functionalized mesoporous thin film self-assembled in batches onto resonant cantilevers // IEEE Transactions on Industrial Electronics. -2012. -Vol. 59, №12. -P. 4881-4887.

[94] Ivanov I., Baranov A., Akbari S., Mironov S., Karpova E. Methodology for estimating potential explosion hazard of hydrocarbon with hydrogen mixtures without identifying gas composition // Sensors and Actuators B: Chemical. -2019. -Vol. 293. -P. 273-280.

[95] Ivanov I., Baranov A., Spirjakin D., Akbari S., Mironov S., Talipov V. Advanced Data Processing for Monitoring the Explosiveness of Combustible Gas Mixtures. // 10th Mediterranean Conference on Embedded Computing (MECO). -2021. -P. 1-5.

[96] Иванов И.И., Баранов А.М., Талипов В.А., Миронов С.М., Колесник И.В., Напольский К.С. Разработка эффективных сенсоров обнаружения довзрывоопасных концентраций H2 // Научное приборостроение. -2021. -Том 31, № 3. -С. 25-36.

[97] Карелин А.П. Разработка эксплозиметра для контроля интегральной взрывоопасности атмосферы: дис. канд. техн. наук: 05.27.01. -СПб., 2016. - 138 с.

[98] Попадько Н.В., Рожнятовский Г.И., Дауди Д.И. Водородная энергетика и мировой энергопереход //Инновации и инвестиции. -2021. -№4.

[99] Декарбонизация нефтегазовой отрасли: международный опыт и приоритеты // Центр энергетики МШУ СКОЛКОВО [Электронный ресурс]. URL: https://energy.skolkovo.ru/ downloads/ documents/ SEneC/ Research/ SKOLKOVO_EneC_Decarbonization_of_oil_and_gas_RU_22032021 .pdf. Дата обращения: 27.03.2024.

[100] Harrou F., Dairi A., Sun Y., Kadri F. Detecting Abnormal Ozone Measurements With a Deep Learning-Based Strategy // IEEE Sensors Journal. -2018, -P. 7222-7232.

[101] Johny J., Prabhu R., Fung W., Watson J. Investigation of positioning of FBG sensors for smart monitoring of oil and gas subsea structures // Proceedings of the OCEANS. -2016. -Shanghai, China. -P. 1-4.

[102] Wang F., Lin W., Liu Z., Wu S., Qiu X. Pipeline Leak Detection by Using Time-Domain Statistical Features // IEEE Sensors Journal. -2017. -P. 6431-6442.

[103] Bhattacharyya T., Sen S., Mandal D., Lahiri S. Development of a wireless integrated toxic and explosive MEMS based gas sensor // Proceedings of the 19th International Conference on VLSI Design held jointly with 5th International Conference on Embedded Systems Design (VLSID'06), Hyderabad, India. -2006.

[104] Kanakam P., Hussain S., Chakravarthy A. Electronic noses: Forestalling fire disasters: A technique to prevent false fire alarms and fatal casualties // Proceedings of the IEEE International Conference on Computational Intelligence and Computing Research (ICCIC), Madurai, India. -2015, pp. 1-6.

[105] Kim J, Go T, Sang J. High PM concentration measurement with deep-learning based 459 holographic speckle patterns // American Physical Society. -2020. -№81(15). P. 6526-6533.

[106] Sun J, Tian L, Chang J. Adaptively Optimized Gas Analysis Model with Deep Learning 461 for Near-Infrared Methane Sensors // Analytical Chemistry. -2022. -№35(9). -P. 157-162.

[107] Chen D., Chan P. An Intelligent ISFET sensory system with temperature and drift compensation for long-term monitoring // IEEE Sensors Journal. -2008. -№8. -P. 1948-1959.

[108] De Vito S., Fattoruso G., Pardo M., Tortorella F., Francia G. Semi-Supervised Learning Techniques in Artificial Olfaction: A Novel Approach to Classification Problems and Drift Counteraction // IEEE Sensors Journal. -2012. -Vol. 12. -P. 3215-3224.

[109] Faleh R., Othman M., Gomri S., Aguir K., Kachouri A. A Transient Signal Extraction Method of WO3 Gas Sensors Array to Identify Polluant Gases // IEEE Sensors Journal. -2016. -Vol. 16. -P. 3123-3130.

[110] Белозерцев А.И., Черемисина О.В., Эль-Салим С.З., Манойлов В.В., Заруцкий И.В. Алгоритмы обработки данных в газоаналитических комплексах с полупроводниковыми сенсорами для обнаружения паров ядовитых веществ в окружающей среде // Научное приборостроение. -2018. -Том 28, №1. -С. 18-29.

[111] Thammarat P., Kulsing C., Wongravee K., Leepipatpiboon N., Nhujak T. Identification of Volatile Compounds and Selection of Discriminant Markers for Elephant Dung Coffee Using Static Headspace Gas Chromatography-Mass Spectrometry and Chemometrics // Molecules. -2018. -Vol. 23. -P. 1910.

[112] Кравченко Е.И., Петров В.В., Варежников А.С. Разработка методики распознавания образцов газовых смесей с помощью мультисенсорной системы мониторинга // Инженерный вестник Дона. -2012. -Том 23, № 4-2. -С. 5.

[113] Konstantynovski K., Njio G., Börner F., Lepcha A., Fischer T., Holl G., Mathur S. Bulk detection of explosives and development of customized metal oxide semiconductor gas sensors for the identification of energetic materials // Sensors and Actuators B: Chemical. -2018. -Vol. 258. -P. 1252-1266.

[114] Cardellicchio A., Lombardi A., Guaragnella C. Iterative complex network approach for chemical gas sensor array characterization // The Journal of Engineering. -2019. -Vol. 2019. -P. 4612-4616.

[115] Deng C., Lv K., Shi D., Yang B., Yu S., He Z., Yan J. Enhancing the discrimination ability of a gas sensor array based on a novel feature selection and fusion framework // Sensors. -2018. -Vol. 18. -P. 1909.

[116] Ali A., Akbar M., Amira A., Bensaali F., Benammar M., Hassan M., Bermak A. Fast Prototyping of KNN Based Gas Discrimination System on the Zynq SoC // Qatar Foundation Annual Research Conference Proceedings. -2016. -Vol. 2016. -ICTOP1832.

[117] Yu Z., Chen H., Liu J., You J., Leung H., Han G. Hybrid k-nearest neighbor classifier // IEEE Transactions on Cybernetics. -2016. -Vol. 46, №26. -P. 1263-1275.

[118] Jia Y., Yu B., Du M., Wang X. Gas Composition Recognition Based on Analyzing Acoustic Relaxation Absorption Spectra: Wavelet Decomposition and Support Vector Machine Classifier // Proceedings of the 2nd International Conference on Electrical Engineering and Automation (ICEEA 2018), Chengdu, China. -2018.

[119] Vergara A., Vembu S., Ayhan T., Ryan M., Homer M., Huerta R. Chemical gas sensor drift compensation using classifier ensembles // Sensors and Actuators B: Chemical. -2012. -Vol. 166. -P. 320-329.

[120] Laref R., Losson E., Sava A., Siadat M. Support Vector Machine Regression for Calibration Transfer between Electronic Noses Dedicated to Air Pollution Monitoring // Sensors. -201. -Vol. 18. -P. 3716.

[121] Medsker L. Hybrid Intelligent Systems // Springer US. -1995.

[122] Casey J., Collier-Oxandale A., Hannigan M. Performance of artificial neural networks and linear models to quantify 4 trace gas species in an oil and gas production region with low-cost sensors // Sensors and Actuators B: Chemical. -2019. -Vol. 283. -P. 504-514.

[123] Ye J. Artificial neural network modeling of methanol production from syngas // Petroleum Science and Technology. -2019. -Vol. 37. -P. 629-632.

[124] Gao W., Aslam A., Li F. Effect of equivalence ratio on gas distribution and performance parameters in air-gasification of asphaltene: A model based on Artificial Neural Network // Petroleum Science and Technology. -2019. -Vol. 37. -P. 202-207.

[125] ДТК-4 // URL: https://karpov-sensor.com/methane_sensors/dtk-4/ (дата обращения: 27.03.2024).

[126] Осипова Т.В., Иванов И.И. Применение метода главных компонент при распознавании углеводородов // 20-я Международная конференция «Авиация и космонавтика», Москва. -2021. - М. изд-во МАИ. - С. 448-450.

[127] Осипова Т.В., Иванов И.И., Баранов А.М. Разработка методики обнаружения газовых смесей при помощи метода главных компонент // Международная научно-практическая конференция «Форум молодых исследователей», Пенза. -2021. -С. 33-38.

[128] Осипова Т.В., Баранов А.М., Иванов И.И. Метод главных компонент как альтернативный алгоритм обработки данных термокаталитических сенсоров // Научное приборостроение. -2022. -Том 32, №1. -С. 77-92.

[129] Осипова Т.В., Баранов А.М., Иванов И.И. Метод главных компонент как способ определения концентрации водорода в многокомпонентных смесях // Научное приборостроение. -2023. -Том 33, №2. -С. 24-34.

[130] Osipova T., Baranov A., Ivanov I. Processing Data from Catalytic Sensors for Recognition of Hydrogen in Mixtures of Combustible Gases // 12th Mediterranean conference on embedded computing (MECO-2023), Budva, Montenegro. -2023. -P. 406-410.

[131] Осипова Т.В., Иванов И.И., Баранов А.М. Подход к определению состава многокомпонентных углеводородных смесей // VI Международная научно-практическая конференция «Научный форум», Пенза. -2024. С.38-44.

[132] Осипова Т.В., Баранов А.М., Иванов И.И. Оценка эффективности применения классификаторов машинного обучения в задаче распознавания типа газа и его концентрации // Научное приборостроение. -2023. -Том 35, №4. -С. 84-90.

[133] Свидетельство о регистрации программ для ЭВМ № 2023687443 Российская Федерация. Программа для обработки данных, поступающих от термокаталитических сенсоров, и расчета концентрации водорода в двухкомпонентной смеси : № 2023687456 : заявл. 11.12.2023 : опубл. (зарег.) 14.12.2023 / Т.В. Осипова. - 1 с.

ПРИЛОЖЕНИЕ А

Реализация модулей программного обеспечения на языке программирования

Python 3.11

1 Модуль «start.py»

import sys, os

import mainForm as mainW

from twinwindow import TwinWindow

from mainwindow import MainWindow

from PyQt5.QtWidgets import QApplication from PyQt5 import QtCore, QtWidgets, QtGui from PyQt5.QtCore import pyqtSignal, pyqtSlot

class MainWindowStart(QtWidgets.QMainWindow): def init (self, parent=None): super(). init () self.ui = mainW.Ui MainWindow() self.ui.setupUi(self)

self.ui.dif pushButton.clicked.connect(self.call dif) self.ui.twin pushButton.clicked.connect(self.call twin)

@pyqtSlot()

def call dif(self):

self.dif window = MainWindow() self.dif window.show()

@pyqtSlot()

def call twin(self):

self.twin window = TwinWindow() self.twin window.show()

name == ' main ': app = QApplication(sys.argv) window = MainWindowStart() window.show() app.exec ()

2 Модуль «mainwindow.py»

import sys import matplotlib import time import datetime import os import shutil import rca

matplotlib.use('Qt5Agg')

from PyQt5 import QtCore, QtGui, QtWidgets

from PyQt5.QtWidgets import QApplication, QMainWindow, QMessageBox, QFileDialog from PyQt5.QtCore import pyqtSignal, pyqtSlot

from ui mainwindow import Ui MainWindow from mplwidget import MplWidget

class MainWindow(QtWidgets.QMainWindow):

def init (self):

super(MainWindow, self). init () self.ui = Ui MainWindow() self.ui.setupUi(self)

#Создание формы UI

self.matplot widget = MplWidget()

self.ui.gridLayout.addWidget(self.matplot widget) #Сигналы

self.ui.choose action.triggered.connect(self.choosePureFile) self.ui.get info action.triggered.connect(self.show info) self.ui.save action.triggered.connect(self.graph save)

#Функция-обработчик выхода из приложения def closeEvent(self, event):

close msg = QMessageBox(self)

close msg.setWindowTitle("Выход")

close msg.setIcon(QMessageBox.Question)

close msg.setText("Вы действительно хотите выйти?")

close button acp = close msg.addButton(,Да,, QMessageBox.YesRole)

close button cnl = close msg.addButton(,Нет,, QMessageBox.RejectRole)

close msg.setDefaultButton(close button acp) close msg.exec ()

if close msg.clickedButton() == close button acp:

event.accept() else:

event.ignore()

#Функция выбора файла с данными @pyqtSlot()

def choosePureFile(self):

self.filename, filetype = QtWidgets.QFileDialog.getOpenFileName(self, "Выбрать файл", ".", "CSV-files(*.csv);;All files(*.*)") if self.filename == '':

QMessageBox.about(self, "Внимание", "Файл с данными не выбран.") else:

self.ui.statusbar.showMessage(f"Выбран файл: {self.filename}") self.processData() @pyqtSlot()

def processData(self): start = time.time() today = datetime.datetime.now() self.currentFolder =

f'{today.year} {today.month} {today.day} {today.hour} {today.minute} {today.second } '

os.mkdir(self.currentFolder)

if not os.path.exists(self.filename):

self.ui.statusbar.showMessage("Файл не существует") else:

shutil.copy(self.filename, f".\\{self.currentFolder}\\") rca.transpose(self.filename, self.currentFolder, "transpose") rca.make pca(f".\\{self.currentFolder}\\transpose.csv", self.currentFolder)

self.ui.statusbar.showMessage(f"Обработка завершена за {(time.time() -start)* 10**3:.03f} мс.") self.get graph()

#Функция вывода информации о программе

@pyqtSlot()

def show info(self):

info msg = QMessageBox(self)

info msg.setWindowTitle("Информация")

info msg.setIcon(QMessageBox.Information)

info msg.setText("Программа позволяет обрабатывать данные, полученные с термокаталитических сенсоров, при помощи метода главных компонент.") info msg.exec ()

#Функция сохранения графика def graph save(self):

src path = os.path.dirname(sys.argv[0])

savefilename, = QFileDialog.getSaveFileName(None, directory = src path + '\\image.png', caption = 'Выберите путь для сохранения графика:', filter = 'Encapsulated Postscript (*.eps);;Joint Photographic Experts Group (*.jpeg *.jpg);;PGF code for LaTeX (*.pgf);;Portable Document Format (*.pdf);;Portable Network Graphics (*.png);;Postscript (*.ps);;Raw RGBA bitmap (*.raw *.rgba);;Scalable Vector Graphics (*.svg *.svgz);;Tagged Image File Format (*.tif *.tiff);;WebP Image Format (*.webp)', initialFilter = 'Portable Network Graphics (*.png)')

if len(savefilename) == 0: return

self.matplot widget.fig.savefig(savefilename)

self.ui.statusbar.showMessage('График сохранен: ' + savefilename)

#Функция отрисовки графика def get graph(self):

h pca = open(f",\\(self.currentFolder)\\pca.csv", "r") text = []

for elem in h pca:

text.append(elem.split(",")) h pca.close() text.pop(0)

target = []

for index in range(0, len(text), 1):

target.append(text[index][3][:-1]) x = dict.fromkeys(target, []) y = dict.fromkeys(target, []) print(target) for elem in text:

x[elem[3][:-1]] = x.get(elem[3][:-1], []) + [float(elem[1])] y[elem[3][:-1]] = y.get(elem[3][:-1], []) + [float(elem[2])]

for k,v in x.items():

self.matplot widget.axis.scatter(x[k], y[k], label = k) self.matplot widget.axis.set xlabel(TK №1, усл. ед.') self.matplot widget.axis.set ylabel(TK №2, усл. ед.') self.matplot widget.fig.canvas.draw() self.matplot widget.fig.legend()

3 Модуль «twinwindow.py»

import sys import matplotlib import time import datetime import os import shutil import rca

matplotlib.use('Qt5Agg')

import numpy as np import pandas as pd import rca

import matplotlib.pyplot as plt import math

from PyQt5 import QtCore, QtWidgets, QtGui from PyQt5.QtCore import pyqtSignal, pyqtSlot

from PyQt5.QtWidgets import QApplication, QMainWindow, QMessageBox, QFileDialog

import twinForm as twin

def find lenght(x1, y1, x2, y2):

return math.sqrt((float(x1) - float(x2))**2 + (float(y1) - float(y2))**2)

class TwinWindow(QtWidgets.QMainWindow):

signal to progress bar = pyqtSignal(int) signal to form data = pyqtSignal() def init (self, paren=None): super(). init () self.ui = twin.Ui MainWindow() self.ui.setupUi(self)

self.ui.pure toolButton.clicked.connect(self.choosePureFile) self.ui.twin toolButton.clicked.connect(self.chooseTwinFile) self.ui.run pushButton.clicked.connect(self.run)

self.signal to progress bar.connect(self.print to progress bar) self.ui.graph pushButton.clicked.connect(self.get graph) self.ui.conc pushButton.clicked.connect(self.make concetration) self.signal to form data.connect(self.make form data)

@pyqtSlot()

def choosePureFile(self):

filename, filetype = QtWidgets.QFileDialog.getOpenFileName(self, "Выбрать опорный файл", ".", "CSV-files(*.csv);;TXT-files(*.txt);;All files(*.*)") self.ui.pure lineEdit.setText(filename) self.ui.console.appendHtml("Выбран опорный файл: <b>{}</b>".format(filename))

@pyqtSlot()

def chooseTwinFile(self):

filename, filetype = QtWidgets.QFileDialog.getOpenFileName(self, "Выбрать файл двухкомпонентных смесей", ".", "CSV-files(*.csv);;TXT-files(*.txt);;All files(*.*)")

self.ui.twin lineEdit.setText(filename)

self.ui.console.appendHtml("Выбран файл двухкомпонентных смесей: <b>{}</b>".format(filename))

@pyqtSlot() def run(self):

today = datetime.datetime.now() self.currentFolder =

f'{today.year} {today.month} {today.day} {today.hour} {today.minute} {today.second } '

os.mkdir(self.currentFolder)

if not os.path.exists(self.ui.pure lineEdit.text()):

self.ui.console.appendHtml("Опорный файл не существует") if not os.path.exists(self.ui.twin lineEdit.text()):

self.ui.console.appendHtml("Файл двухкомпонентных смесей не

существует") else:

shutil.copy(self.ui.pure lineEdit.text(), f".\\{self.currentFolder}\\")

self.signal to progress bar.emit(25) shutil.copy(self.ui.twin lineEdit.text(), f".\\{self.currentFolder}\\")

self.signal to progress bar.emit(50) rca.transpose 2(self.ui.pure lineEdit.text(), self.ui.twin lineEdit.text(), self.currentFolder)

# rca.transpose(self.ui.twin lineEdit.text(), self.currentFolder) self.signal to progress bar.emit(75)

rca.make twin pca(f".\\{self.currentFolder}\\transpose i.csv", f".\\{self.currentFolder}\\transpose 2.csv", self.currentFolder) self.signal to progress bar.emit(100) self.ui.console.appendHtml("Обработка завершена") self.signal to form data.emit()

@pyqtSlot(int)

def print to progress bar(self, value): self.ui.progressBar.setValue(value)

@pyqtSlot()

def get graph(self):

x = dict.fromkeys(self.target, []) y = dict.fromkeys(self.target, [])

for elem in self.text:

x[elem[3]] = x.get(elem[3], []) + [float(elem[1])] y[elem[3]] = y.get(elem[3], []) + [float(elem[2])]

fig = plt.figure()

ax 1 = fig.add subplot(1, 1, 1)

for k, v in x.items():

ax i.scatter(x[k], y[k], label=k)

ax 1.set xlabel(TK №1, усл. ед.')

ax 1.set ylabel(TK №2, усл. ед.')

plt.xlim([math.floor(min(x.values())[0]), math.ceil(max(x.values())[0])]) plt.ylim([math.floor(min(y.values())[0]), math.ceil(max(y.values())[0])]) plt.legend() plt.show()

@pyqtSlot()

def make concetration(self):

conc max, done = QtWidgets.QInputDialog.getDouble(self, 'Ввод концентрации', 'Введите опорную концентрацию H2:', decimals=2)

self.ui.console.appendHtml(f"Введено опорное значение H2: <b>(str(conc_max))</b>")

r_max = find_lenght(self.text[0][1], self.text[0][2], self.text[1][1], self.text[1][2])

self.ui.console.appendHtml(f"<br>Концентрации полученных двухкомпонентных смесей :")

for index in range(2, len(self.text), 1):

r = find lenght(self.text[index][1], self.text[index][2], self.text[0][1], self.text[0][2])

n = conc max * (1 - (r / r max))

self.ui.console.appendHtml(f"{self.text[index][3]): <b>(n:.2f}</b>%")

@pyqtSlot()

def make form data(self):

h pca = open(f",\\(self.currentFolder)\\pca.csv", "r") self.text = [] for elem in h pca:

self.text.append(elem.split(", ")) h pca.close() self.text.pop(O)

self.target = []

for index in range(1, len(self.text), 1):

self.target.append(self.text[index][3])

4 Mogynt «rca.py»

import numpy as np import sklearn import pandas as pd

from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA from sys import argv

def to file pca(some df, targets, name, n components, path):

finalDf = pd.DataFrame(data = some df, columns=[f'PC (i)' for i in range(n components)])

finalDf = pd.concat([finalDf, targets], axis = 1) finalDf.to_csv(f".\\{path}\\(name).csv")

def to file pca 2(some df, targets, name, n components, path):

finalDf = pd.DataFrame(data = some df, columns=[f'PC (i)' for i in range(n components)])

y targets = pd.DataFrame(data = targets)

finalDf = pd.concat([finalDf, y targets], axis = 1)

finalDf.to_csv(f".\\{path}\\(name).csv")

def to file(some df, targets, name, path):

finalDf = pd.DataFrame(data = some df, columns=[targets]) finalDf.to_csv(f".\\(path)\\(name)7csv")

def transpose(file path, result folder, file name):

df = pd.read csv(str(file path), delimiter=';', header=None) df transpose = df.transpose() target = df transpose[0]

df transpose = df transpose.drop([0], axis = 1) finalDf = pd.DataFrame(data = df transpose) finalDf['target'] = target

finalDf.to csv(f'.\\(result folder)\\(file name).csv', index=False,

sep=';')

def transpose 2(file path 1, file path 2, result folder):

transpose(file path 1, result folder, "transpose 1") transpose(file path 2, result folder, "transpose 2")

def make pca(file path, result folder):

train df = pd.read csv(str(file path), delimiter=';') X train = train df.drop(['target'], axis = 1) y train = train df['target']

sc = StandardScaler() X train = sc.fit transform(X train) to file(X train.T, y train.T, "standarts", result folder)

pca = PCA(n components=2) X new = pca.fit transform(X train)

to file(pca.components .T, [i for i in range(len(pca.components ))], "weights", result_folder)

to file pca(X new, y train, 'pca', len(pca.explained variance ratio ), result_folder)

print(pca.explained variance ratio )

def make twin pca(train path, test path, result folder):

train df = pd.read csv(str(train path), delimiter=';') X train = train df.drop(['target'], axis = 1) y train = train df['target']

test df = pd.read csv(str(test path), delimiter=';') X test = test df.drop(['target'], axis = 1) y test = test df['target']

sc = StandardScaler() X train = sc.fit transform(X train)

to file(X train.T, y train.T, "standarts 1", result folder) X test = sc.transform(X test)

_to_file(X_test.T, y_test.T, "standarts_2", result_folder)

pca = PCA(n components=2) X new = pca.fit transform(X train) to file(pca.components .T, [i for i in range(len(pca.components ))], "weights 1", result folder)

X test new = pca.transform(X test)

X final = np.concatenate((X new, X test new), axis=0) Y final = np.concatenate((y train, y test), axis=0)

print(pca.explained variance ratio )

to file pca 2(X final, Y final, "pca", len(pca.explained variance ratio ), result_folder)

ПРИЛОЖЕНИЕ Б

Графический интерфейс программного обеспечения

1 Графическая реализация модуля «татБогт.ру»

Программа обработки данных термокаталитических с... — □ X Обработка данных нескольких горючих газов О&работка данных двухкомпонентных смесей

Рисунок Б.1 - Графическая реализация модуля «татБогт.ру»

2 Графическая реализация модуля «ui_mainwindow.py» 2.1 Стартовое графическое окно модуля «ui_mainwindow.py».

Рисунок Б.2 - Стартовое графическое окно модуля «ui_mainwindow.py»

2.2 Внешний вид графического окна после обработки

Рисунок Б.3 - Внешний вид графического окна после обработки

3 Графическая реализация модуля «twinwindow.py» 3.1 Стартовое графическое окно модуля «twinwindow.py»

Рисунок Б.4 - Стартовое графическое окно модуля «twinwindow.py»

3.2 Внешний вид графического окна после обработки

Рисунок Б.5 - Внешний вид графического окна после обработки

Рисунок Б.6 - Рассчитанные концентрации водорода в двухкомпонентной смеси

131

ПРИЛОЖЕНИЕ В

Акты внедрения и использования

Общество с ограниченной ответственностью

"Научно - технический центр ИЗМЕРИТЕЛЬНЫХ ГАЗОЧУВСТВИТЕЛЬНЫХ ДАТЧИКОВ" имени Евгения Федоровича Карпова (ООО «НТЦ ИГД»)

140004, Московская область, г. Люберцы, ул. Электрификации, д. 26 А, ООО "НТЦ ИГД" [e-mail] тел.[phone]

ИНН 5027053584; КПП 502701001 р/с 40702810040240100824 в ПАО Сбербанке России г. Москва, БИК 044525225, ОКПО 42260123 к/с 30101810400000000225 ОКОНХ 95120; ОГРН 1035005013361 ОКВЭД 72.19, 26.51, 32.12.1

От_г. №

о внедрении результатов диссертационной работы на соискание ученой степени кандидата технических наук Осиновой Татьяны Владиславовны на тему «Разработка программно-алгоритмического метода обработки характеристик термокаталитических сенсоров для контроля и анализа многокомпонентных горючих смесей в воздухе»

Я, нижеподписавшийся, Иванов Иван Иванович, составил настоящий акт о том, что результаты диссертационной работы Осиповой Т.В. на тему «Разработка программно-алгоритмического метода обработки характеристик термокаталитических сенсоров для контроля и анализа многокомпонентных горючих смесей в воздухе» внедрены в технологический процесс изготовления и аттестации термокаталитических сенсоров горючих газов, а также использованы при разработке автономного газового сигнализатора метана на предприятии ООО «Научно-технический центр измерительных газочувствительных датчиков» имени Евгения Федоровича Карпова.

АКТ

Директор

И.И.Иванов

Рисунок В.1 - Акт внедрения

Проректх

УТВЕРЖДАЮ эйлэаботе МАИ

«

^>рез Д.А. Й 2024 г.

АКТ

об использовании в учебном процессе «Московского авиационного института (национальный исследовательский университет)» результатов

диссертационной работы Осиповой Т.В. «Разработка программно-алгоритмического метода обработки характеристик термокаталитических сенсоров для контроля и анализа многокомпонентных горючих смесей в

Настоящим подтверждается, что результаты диссертационной работы Осиповой Т.В. «Разработка программно-алгоритмического метода обработки характеристик термокаталитических сенсоров для контроля и анализа многокомпонентных горючих смесей в воздухе» используются в учебном процессе МАИ в лекционных материалах по курсу «Беспроводные сенсорные сети», а также при выполнении научных работ аспирантов, обучающихся по направлению 2.2 - Электроника, фотоника, приборостроение и связь.

Зав. кафедрой 1204,

воздухе»

д.т.н., профессор

В.В. Слепцов

Рисунок В.2 - Акт использования