基于多元掺杂导电聚合物的气敏传感器电极及制作方法技术

本申请涉及智能控制领域，其具体地公开了一种高速通信PCB的阻抗检测方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出搅拌速度值的时序变化特征和PH值的时序变化特征之间的时序协同关联特征，这样，能够基于实际的混合溶液PH值变化情况来自适应地调整搅拌速度值变化，以此来优化化学沉淀反应的效率，提高制成的气敏传感器的分辨率和稳定性。提高制成的气敏传感器的分辨率和稳定性。提高制成的气敏传感器的分辨率和稳定性。

【技术实现步骤摘要】
基于多元掺杂导电聚合物的气敏传感器电极及制作方法


[0001]本申请涉及智能控制领域，且更为具体地，涉及一种基于多元掺杂导电聚合物的气敏传感器电极及制作方法。

技术介绍

[0002]导电聚合物(聚苯胺PAN I/聚吡咯PPy/聚乙烯二氧噻吩PEDOT/聚乙炔PAC/聚噻吩PTh)应用在气敏传感器上相比金属氧化物半导体材料的气敏传感器有反应温度低、能耗低等优势。同时导电聚合物具有成本低、易合成等优势，是制作室温气敏传感器的具有巨大潜力的材料。
[0003]利用特定有机酸的掺杂能够提高敏感电极的气体选择性。然而，传统的导电聚合物掺杂剂(如硫酸根离子、萘磺酸根离子等)不具备电化学活性，这使得电极中存在大量非活性物质，即“死质量”。以β
‑
萘磺酸根掺杂的聚吡咯为例(掺杂度为37.5％)，其掺杂剂(β
‑
萘磺酸根离子)质量占聚合物总质量的50％以上，严重降低材料的比容量。此外，为了满足实际应用需求，商业化电极材料负载量通常要达到10/mg/cm
‑
2或更高。然而，增加材料负载量必然引起电极材料厚度增加，材料内部电子和离子传导阻力随之变大。
[0004]因此，期望一种优化的基于多元掺杂导电聚合物的气敏传感器电极。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于多元掺杂导电聚合物的气敏传感器电极及制作方法，其通过采用基于深度学习的神经网络模型挖掘出搅拌速度值的时序变化特征和PH值的时序变化特征之间的时序协同关联特征，这样，能够基于实际的混合溶液PH值变化情况来自适应地调整搅拌速度值变化，以此来优化化学沉淀反应的效率，提高制成的气敏传感器的分辨率和稳定性。
[0006]根据本申请的一个方面，提供了一种基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其包括：
[0007]将聚苯胺粉末加入盐酸溶液中，并搅拌至聚苯胺完全溶解以得到聚苯胺溶液；
[0008]将樟脑磺酸或柠檬酸加入到去离子水中，并搅拌至完全溶解以得到掺杂剂溶液；
[0009]将所述掺杂剂溶液与所述聚苯胺溶液进行搅拌混合以得到混合溶液；
[0010]将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物；
[0011]取出所述沉淀物，并用去离子水和乙醇进行多次洗涤，以除去余留的盐酸和掺杂剂得到纯化沉淀物；以及
[0012]将所述纯化沉淀物进行干燥处理以得到掺杂后的聚苯胺作为所述基于多元掺杂导电聚合物的气敏传感器电极。
[0013]在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀
物，包括：获取预定时间段内多个预定时间点的搅拌速度值和PH值；将所述多个预定时间点的搅拌速度值和PH值分别按照时间维度排列为搅拌速度时序输入向量和PH值时序输入向量；将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量；对所述搅拌速度时序特征向量和PH值时序特征向量进行关联编码以得到参数间协同特征矩阵；将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特征矩阵；以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量；以及，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。
[0014]在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述搅拌速度时序特征向量和所述PH值时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述搅拌速度时序输入向量和所述PH值时序输入向量。
[0015]在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特征矩阵，包括：将所述参数间协同特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；将所述所述参数间协同特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到参数间协同特征向量和注意力特征向量；融合所述参数间协同特征向量和所述注意力特征向量以得到融合关联特征向量；以及，将所述融合关联特征向量进行维度重构以得到所述强化参数间协同特征矩阵。
[0016]在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量，包括：以如下公式来计算所述搅拌速度时序特征向量和所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量；其中，所述公式为：其中V1表示所述搅拌速度时序特征向量，M表示所述强化参数间协同特征矩阵，V表示所述分类特征向量。
[0017]在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，还包括训练步骤：用于对所述基于一维卷积神经网络模型的时序特征提取器、所述双向注意力机制模块和所述分类器进行训练。
[0018]在上述基于多元掺杂导电聚合物的气敏传感器电极的制作方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练搅拌速度值和训练PH值，以及，所述当前时间点的搅拌速度值应增大或应减小的真实值；将所述多个
预定时间点的训练搅拌速度值和训练PH值分别按照时间维度排列为训练搅拌速度时序输入向量和训练PH值时序输入向量；将所述训练搅拌速度时序输入向量和所述训练PH值时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练搅拌速度时序特征向量和训练PH值时序特征向量；对所述训练搅拌速度时序特征向量和所述训练PH值时序特征向量进行关联编码以得到训练参数间协同特征矩阵；将所述训练参数间协同特征矩阵通过所述双向注意力机制模块以得到训练强化参数间协同特征矩阵；以所述训练搅拌速度时序特征向量作为查询特征向量，计算其与所述训练强化参数间协同特征矩阵之间的乘积以得到训练分类特征向量；以及，将所述训练分类特征向量通过所述分类器以得到分类损失函数值；计算所述训练搅拌速度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，包括：将聚苯胺粉末加入盐酸溶液中，并搅拌至聚苯胺完全溶解以得到聚苯胺溶液；将樟脑磺酸或柠檬酸加入到去离子水中，并搅拌至完全溶解以得到掺杂剂溶液；将所述掺杂剂溶液与所述聚苯胺溶液进行搅拌混合以得到混合溶液；将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物；取出所述沉淀物，并用去离子水和乙醇进行多次洗涤，以除去余留的盐酸和掺杂剂得到纯化沉淀物；以及将所述纯化沉淀物进行干燥处理以得到掺杂后的聚苯胺作为所述基于多元掺杂导电聚合物的气敏传感器电极。2.根据权利要求1所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，将所述混合溶液倒入玻璃培养皿后，再将所述玻璃培养皿放置在恒温槽中进行化学沉淀反应以得到沉淀物，包括：获取预定时间段内多个预定时间点的搅拌速度值和PH值；将所述多个预定时间点的搅拌速度值和PH值分别按照时间维度排列为搅拌速度时序输入向量和PH值时序输入向量；将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量；对所述搅拌速度时序特征向量和PH值时序特征向量进行关联编码以得到参数间协同特征矩阵；将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特征矩阵；以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小。3.根据权利要求2所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，将所述搅拌速度时序输入向量和所述PH值时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到搅拌速度时序特征向量和PH值时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述搅拌速度时序特征向量和所述PH值时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述搅拌速度时序输入向量和所述PH值时序输入向量。4.根据权利要求3所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，将所述参数间协同特征矩阵通过双向注意力机制模块以得到强化参数间协同特
征矩阵，包括：将所述参数间协同特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到注意力特征矩阵；将所述所述参数间协同特征矩阵和所述注意力特征矩阵分别展开为特征向量以得到参数间协同特征向量和注意力特征向量；融合所述参数间协同特征向量和所述注意力特征向量以得到融合关联特征向量；以及将所述融合关联特征向量进行维度重构以得到所述强化参数间协同特征矩阵。5.根据权利要求4所述的基于多元掺杂导电聚合物的气敏传感器电极的制作方法，其特征在于，以所述搅拌速度时序特征向量作为查询特征向量，计算其与所述强化参数间协同特征矩阵之间的乘积以得到分类特征向量，包...

【专利技术属性】
技术研发人员：张会军，董子任，刘凤珍，
申请(专利权)人：恩迈智能数字医疗嘉兴有限公司，
类型：发明
国别省市：