El olfato mecánico es la simulación automatizada del sentido del olfato . Una aplicación emergente en la ingeniería moderna, implica el uso de robots u otros sistemas automatizados para analizar sustancias químicas transportadas por el aire. Este tipo de aparato a menudo se denomina nariz electrónica o nariz electrónica. El desarrollo del olfato mecánico se complica por el hecho de que los dispositivos de nariz electrónica hasta la fecha han respondido a un número limitado de productos químicos, mientras que los olores son producidos por conjuntos únicos de compuestos aromáticos (potencialmente numerosos). La tecnología, aunque todavía en las primeras etapas de desarrollo, promete muchas aplicaciones, tales como: [1] control de calidad en el procesamiento , detección y diagnóstico de alimentosen medicina, [2] detección de drogas , explosivos y otras sustancias peligrosas o ilegales , [3] respuesta a desastres y monitoreo ambiental .
Un tipo de tecnología de olfato de máquina propuesta es a través de instrumentos de matriz de sensores de gas capaces de detectar, identificar y medir compuestos volátiles. Sin embargo, un elemento crítico en el desarrollo de estos instrumentos es el análisis de patrones , y el diseño exitoso de un sistema de análisis de patrones para el olfato de máquina requiere una consideración cuidadosa de los diversos aspectos involucrados en el procesamiento de datos multivariados: preprocesamiento de señales, extracción de características , selección de características , clasificación , regresión, agrupación y validación. [4] Otro desafío en la investigación actual sobre el olfato de las máquinas es la necesidad de predecir o estimar la respuesta del sensor a las mezclas de aromas. [5] Algunos problemas de reconocimiento de patrones en el olfato de las máquinas, como la clasificación de olores y la localización de olores, pueden resolverse utilizando métodos de kernel de series de tiempo. [6]
Detección
Hay tres técnicas básicas de detección que utilizan sensores de olor de polímero conductor (polipirrol), sensores de gas de óxido de estaño y sensores de micro-equilibrio de cristal de cuarzo. [ cita requerida ] Generalmente comprenden (1) una serie de sensores de algún tipo, (2) la electrónica para interrogar a esos sensores y producir señales digitales, y (3) procesamiento de datos y software de interfaz de usuario.
El sistema completo es un medio para convertir respuestas complejas del sensor en un perfil cualitativo de los volátiles (o mezcla compleja de compuestos químicos volátiles) que componen un olor, en forma de salida.
Las narices electrónicas convencionales no son instrumentos analíticos en el sentido clásico y muy pocos afirman poder cuantificar un olor. Estos instrumentos se "entrenan" primero con el olor objetivo y luego se utilizan para "reconocer" los olores de modo que las muestras futuras puedan identificarse como "buenas" o "malas".
La investigación sobre métodos alternativos de reconocimiento de patrones para matrices de sensores químicos ha propuesto soluciones para diferenciar entre el olfato artificial y el biológico relacionado con la dimensionalidad. Este enfoque de inspiración biológica implica la creación de algoritmos únicos para el procesamiento de la información. [7]
Las narices electrónicas pueden discriminar entre olores y volátiles de una amplia gama de fuentes. La siguiente lista muestra solo algunas de las aplicaciones típicas de la tecnología de punta electrónica; muchas están respaldadas por estudios de investigación y artículos técnicos publicados.
Localización de olores
La localización de olores es una combinación de análisis químico cuantitativo de olores y algoritmos de búsqueda de rutas, y las condiciones ambientales juegan un papel vital en la calidad de la localización. Se están investigando diferentes métodos para diversos propósitos y en diferentes condiciones del mundo real.
Motivación
La localización de olores es la técnica y el proceso de localizar una fuente química volátil en un entorno que contiene uno o varios olores. Es de vital importancia para todos los seres vivos tanto para encontrar sustento como para evitar el peligro. A diferencia de los otros sentidos humanos básicos , el sentido del olfato tiene una base completamente química. Sin embargo, en comparación con las otras dimensiones de la percepción, la detección del olor se enfrenta a problemas adicionales debido a las complejas ecuaciones dinámicas del olor y perturbaciones externas impredecibles como el viento.
Solicitud
La tecnología de localización de olores se muestra prometedora en muchas aplicaciones, que incluyen: [8] [1]
- control de calidad en el procesamiento de alimentos (por ejemplo, contaminación, deterioro bacteriano )
- localizar la fuente de sustancias peligrosas (por ejemplo: explosivos y agentes de guerra química )
- descubrir recursos subterráneos o peligros
- detectar materiales prohibidos (por ejemplo: detección de drogas )
- buscando sobrevivientes de desastres naturales
- monitoreo ambiental de contaminantes
- diagnóstico precoz de enfermedades (p. ej., en la enfermedad pulmonar obstructiva crónica ) [2]
Historia y declaración del problema
El primer instrumento para la detección de olores específicos fue una nariz mecánica desarrollada en 1961 por Robert Wighton Moncrieff. La primera nariz electrónica fue creada por WF Wilkens y JD Hartman en 1964. [9] Larcome y Halsall discutieron el uso de robots para detectar olores en la industria nuclear a principios de la década de 1980, [10] y la investigación sobre la localización de olores se inició en principios de la década de 1990. La localización de olores es ahora un campo de rápido crecimiento. Se han desarrollado varios sensores y se han propuesto una variedad de algoritmos para diversos entornos y condiciones.
La localización mecánica de olores se puede ejecutar a través de los siguientes tres pasos, (1) buscar la presencia de una sustancia química volátil (2) buscar la posición de la fuente con una serie de sensores de olores y ciertos algoritmos, e (3) identificar la sustancia rastreada fuente de olor (reconocimiento de olor).
Métodos de localización
Los métodos de localización de olores a menudo se clasifican según los modos de dispersión de olores en una variedad de condiciones ambientales. Estos modos se pueden dividir generalmente en dos categorías: flujo de fluido dominado por difusión y flujo de fluido dominado por turbulencias. Estos tienen diferentes algoritmos para la localización de olores, que se analizan a continuación.
Flujo de fluido dominado por difusión
Los métodos de seguimiento y localización para el flujo de fluido dominado por difusión, que se utiliza principalmente en la localización de olores subterráneos, deben diseñarse de modo que la maquinaria olfativa pueda operar en entornos en los que el movimiento del fluido esté dominado por la viscosidad. Esto significa que la difusión conduce a la dispersión del flujo de olor y la concentración de olor disminuye desde la fuente como una distribución gaussiana . [11]
La difusión de vapor químico a través del suelo sin un gradiente de presión externo a menudo se modela mediante la segunda ley de Fick :
donde D es la constante de difusión, d es la distancia en la dirección de difusión, C es la concentración química y t es el tiempo.
Suponiendo que el flujo de olor químico solo se dispersa en una dirección con un perfil de sección transversal uniforme, la relación de la concentración de olor a una cierta distancia y cierto punto de tiempo entre las concentraciones de la fuente de olor se modela como
dónde es la concentración de la fuente de olor. Esta es la ecuación dinámica más simple en el modelado de detección de olores, ignorando el viento externo u otras interrupciones. Bajo el modelo de propagación dominado por difusión, se desarrollaron diferentes algoritmos simplemente rastreando gradientes de concentración química para localizar una fuente de olor.
Algoritmo de E. coli
Un método de seguimiento simple es el algoritmo de E. coli . [12] En este proceso, el sensor de olores simplemente compara la información de concentración de diferentes ubicaciones. El robot se mueve a lo largo de líneas rectas repetidas en direcciones aleatorias. Cuando se mejora la información de olor del estado actual en comparación con la lectura anterior, el robot continuará en la ruta actual. Sin embargo, cuando la condición del estado actual es peor que la anterior, el robot retrocederá y luego se moverá en otra dirección aleatoria. Este método es simple y eficiente, sin embargo, la longitud de la ruta es muy variable y los pasos en falso aumentan con la proximidad a la fuente. [ se necesita más explicación ]
Algoritmo de ruta hexadecimal y algoritmo de dodecaedro
Otro método basado en el modelo de difusión es el algoritmo de ruta hexagonal, desarrollado por R. Andrew Russel [12] para la localización de olores químicos subterráneos con una sonda enterrada controlada por un manipulador robótico. [12] [13] La sonda se mueve a cierta profundidad a lo largo de los bordes de una rejilla hexagonal muy compacta. En cada unión de estado n , hay dos rutas (izquierda y derecha) para elegir, y el robot tomará la ruta que conduce a una mayor concentración del olor según los dos estados de unión anteriores, información de concentración de olor n -1 , n -2 . En la versión 3D del algoritmo de ruta hexadecimal , el algoritmo del dodecaedro, la sonda se mueve en una ruta que corresponde a un dodecaedro muy compacto , de modo que en cada punto de estado hay tres opciones de ruta posibles.
Flujo de fluido dominado por turbulencias
En el flujo de fluido dominado por turbulencias, los métodos de localización están diseñados para tratar el flujo de fluido de fondo (viento o agua) como interrupción de la turbulencia. La mayoría de los algoritmos de esta categoría se basan en el modelado de plumas (Figura 1). [14]
La dinámica de la pluma se basa en modelos gaussianos, que se basan en las ecuaciones de Navier-Stokes . La condición de contorno simplificada del modelo basado en Gauss es:
donde D x y D y son constantes de difusión;es la velocidad lineal del viento en la dirección x ,es la velocidad lineal del viento en la dirección y . Además, suponiendo que el entorno es uniforme y la fuente de la pluma es constante, la ecuación para la detección de olores en cada sensor de robot en cada punto de tiempo de detección t - ésimo es
dónde es la t - ésima muestra del i - ésimo sensor, es el factor de ganancia, es la k - ésima intensidad de la fuente,es la ubicación de la k - ésima fuente, es el parámetro de atenuación de la pluma, es el ruido de fondo que satisface . En el modelado de plumas, se pueden utilizar diferentes algoritmos para localizar la fuente de olor.
Algoritmo de triangulación
Un algoritmo simple que se puede utilizar para la estimación de la ubicación es el método de triangulación (Figura 2). Considere la ecuación de detección de olores anterior, la posición de la fuente de olor se puede estimar organizando las distancias de los sensores en un lado de la ecuación e ignorando el ruido. La posición de la fuente se puede estimar utilizando las siguientes ecuaciones:
Método de mínimos cuadrados (LSM)
El método de mínimos cuadrados (LSM) es un algoritmo ligeramente complicado para la localización de olores. La versión LSM del modelo de seguimiento de olores viene dada por:
dónde es la distancia euclidiana entre el nodo sensor y la fuente de la pluma, dada por:
La principal diferencia entre el algoritmo LSM y el método de triangulación directa es el ruido. En LSM, se considera el ruido y se estima la ubicación de la fuente de olor minimizando el error al cuadrado. El problema de mínimos cuadrados no lineales viene dado por:
dónde es la ubicación de la fuente estimada y es el promedio de múltiples mediciones en los sensores, dado por:
Estimación de máxima verosimilitud (MLE)
Otro método basado en el modelado de plumas es la estimación de máxima verosimilitud (MLE). En este método de localización de olores, se definen varias matrices de la siguiente manera:
Con estas matrices, el modelo de detección de olores basado en la pluma se puede expresar con la siguiente ecuación:
Luego, el MLE se puede aplicar al modelado y formar la función de densidad de probabilidad
dónde es la posición estimada de la fuente de olor, y la función de probabilidad logarítmica es
La estimación del parámetro de máxima verosimilitud de se puede calcular minimizando
y la posición exacta de la fuente de olor se puede estimar resolviendo:
Ver también
- Tecnología de aroma digital
- Detector de explosivos Fido
- Olfatómetro
Referencias
- ^ a b "Número especial sobre el olfato de la máquina". Revista de sensores IEEE . 11 (12): 3486. 2011. Código bibliográfico : 2011ISenJ..11.3486. . doi : 10.1109 / JSEN.2011.2167171 .
- ^ a b Geffen, Wouter H. van; Bruins, Marcel; Kerstjens, Huib AM (1 de enero de 2016). "Diagnóstico de infecciones respiratorias virales y bacterianas en las exacerbaciones agudas de la EPOC por una nariz electrónica: un estudio piloto" . Revista de investigación de la respiración . 10 (3): 036001. Código Bibliográfico : 2016JBR .... 10c6001V . doi : 10.1088 / 1752-7155 / 10/3/036001 . ISSN 1752-7163 . PMID 27310311 .
- ^ Stassen, I .; Bueken, B .; Reinsch, H .; Oudenhoven, JFM; Wouters, D .; Hajek, J .; Van Speybroeck, V .; Stock, N .; Vereecken, PM; Van Schaijk, R .; De Vos, D .; Ameloot, R. (2016). "Hacia sensores químicos de efecto de campo basados en marco metal-orgánico: UiO-66-NH 2 para la detección de agentes nerviosos" . Chem. Sci . 7 (9): 5827–5832. doi : 10.1039 / C6SC00987E . hdl : 1854 / LU-8157872 . PMC 6024240 . PMID 30034722 .
- ^ Gutiérrez-Osuna, R. (2002). "Análisis de patrones para el olfato de la máquina: una revisión". Revista de sensores IEEE . 2 (3): 189–202. Código bibliográfico : 2002ISenJ ... 2..189G . doi : 10.1109 / jsen.2002.800688 .
- ^ Phaisangittisagul, Ekachai; Nagle, H. Troy (2011). "Predicción de las respuestas de la mezcla de olores en los sensores de olfato de la máquina". Sensores y actuadores B: Químico . 155 (2): 473–482. doi : 10.1016 / j.snb.2010.12.049 .
- ^ Vembu, Shankar; Vergara, Alejandro; Muezzinoglu, Mehmet K .; Huerta, Ramón (2012). "Sobre las características de la serie temporal y los núcleos para el olfato de la máquina". Sensores y actuadores B: Químico . 174 : 535–546. doi : 10.1016 / j.snb.2012.06.070 .
- ^ Raman, Baranidharan (diciembre de 2005). Olfato de máquina basado en sensores con modelos neuromórficos del sistema olfativo (PhD). Universidad Texas A & M. hdl : 1969.1 / 4984 .
- ^ Moshayedi, Ata Jahangir. "Revisión sobre: Obstáculos y aspecto del robot de localización de olores" . www.academia.edu . Consultado el 12 de noviembre de 2015 .
- ^ Gardner, Julian W .; Bartlett, Philip N. (1 de marzo de 1994). "Una breve historia de las narices electrónicas". Sensores y actuadores B: Químico . 18 (1-3): 210-211. doi : 10.1016 / 0925-4005 (94) 87085-3 .(requiere suscripción)
- ^ Larcombe, MHE (1984). Robótica en ingeniería nuclear: teleoperación asistida por ordenador en entornos peligrosos con especial referencia a los campos de radiación .
- ^ Kowadlo, Gideon; Russell, R. Andrew (1 de agosto de 2008). "Localización de olores de robot: una taxonomía y una encuesta". La Revista Internacional de Investigación en Robótica . 27 (8): 869–894. doi : 10.1177 / 0278364908095118 . ISSN 0278-3649 .
- ^ a b c Russell, R. Andrew (1 de enero de 2004). "Ubicación robótica de fuentes químicas subterráneas". Robotica . 22 (1): 109-115. doi : 10.1017 / S026357470300540X . ISSN 1469-8668 .
- ^ "Ubicación de la fuente química y el proyecto RoboMole" (PDF) .
- ^ "Encuesta: localización de la fuente de olor" (PDF) .
enlaces externos
- Tecnologías de nariz electrónica de Scensive Technologies Ltd, Reino Unido
- TC Pearce, SS Schiffman, HT Nagle, JW Gardner (editores), Handbook of Machine Olfaction: Electronic Nose Technology, Wiley-VCH, Weinheim, 2002. En PDF en: [1]
- Archivo de la red de detección olfativa artificial (NOSE)
- Narices artificiales - imagina el olor, nature.com