ĐIỀU CHẾ NHIỆT ĐỘNG TRONG CẢM BIẾN KHÍ MOS  CHO PHÁT HIỆN CO: NGHIÊN CỨU SO SÁNH MICS4514 VÀ MQ7-B

Nguyễn Ngọc Việt; Trần Đức Giang; Đồng Văn Dũng; Nguyễn Văn Hiếu

doi:10.34238/tnu-jst.15171

ĐIỀU CHẾ NHIỆT ĐỘNG TRONG CẢM BIẾN KHÍ MOS CHO PHÁT HIỆN CO: NGHIÊN CỨU SO SÁNH MICS4514 VÀ MQ7-B

Thông tin bài báo

Ngày nhận bài: 23/03/26 Ngày hoàn thiện: 23/06/26 Ngày đăng: 24/06/26

Các tác giả

1. Nguyễn Ngọc Việt , Trường Kỹ thuật Phenikaa - Đại học Phenikaa
2. Trần Đức Giang, Trường Kỹ thuật Phenikaa - Đại học Phenikaa
3. Đồng Văn Dũng, Trường Kỹ thuật Phenikaa - Đại học Phenikaa
4. Nguyễn Văn Hiếu, Trường Kỹ thuật Phenikaa - Đại học Phenikaa

Tóm tắt

Nghiên cứu này đề xuất phương pháp điều chế nhiệt động nhằm nâng cao hiệu năng của cảm biến khí MOS trong phát hiện CO. Bằng cách điều khiển heater bằng tín hiệu PWM (50–245), nhiều trạng thái nhiệt được tạo ra trong một chu kỳ đo, cho phép khai thác đặc trưng đáp ứng phụ thuộc nhiệt độ. Thí nghiệm trên các cảm biến MICS4514 (RED, OX) và MQ7-B trong dải nồng độ CO từ 10–100 ppm cho thấy sự khác biệt rõ rệt về đặc trưng đáp ứng. Tỷ số độ nhạy khí (Ra/Rg) cho thấy tồn tại vùng nhiệt độ tối ưu, trong đó kênh RED của MICS4514 có hiệu năng tốt nhất. Phân tích thành phần chính PCA cho thấy hơn 99% phương sai được biểu diễn bởi thành phần chính thứ nhất (PC1), cho phép phân tách hiệu quả các mức nồng độ khí CO. Kết quả khẳng định điều chế nhiệt động giúp tạo ra các trạng thái cảm biến ảo, nâng cao khả năng phân biệt các mức nồng độ khí CO mà không làm tăng độ phức tạp phần cứng, mở ra hướng phát triển các hệ cảm biến khí thông minh chi phí thấp.

Từ khóa

Phát hiện khí CO; Điều chế nhiệt động; Cảm biến khí MOS; Điều chế độ rộng xung (PWM); Phân tích thành phần chính (PCA)

Toàn văn:

PDF

Tài liệu tham khảo

[1] P. Panahi and C. Bayilmiş, “Car indoor gas detection system,” 2nd Int. Conf. Comput. Sci. Eng. UBMK, 2017, pp. 957-960, doi: 10.1109/UBMK.2017.8093579.

[2] O. Djedidi, M. A. Djeziri, N. Morati, J. L. Seguin, M. Bendahan, and T. Contaret, “Accurate detection and discrimination of pollutant gases using a temperature modulated MOX sensor combined with feature extraction and support vector classification,” Sensors Actuators, B Chem., vol. 339, 2021, doi: 10.1016/j.snb.2021.129817.

[3] N. Goel, K. Kunal, A. Kushwaha, and M. Kumar, “Metal oxide semiconductors for gas sensing,” Eng. Reports, vol. 5, no. 6, pp. 1-22, 2023, doi: 10.1002/eng2.12604.

[4] L. X. Ou, M. Y. Liu, L. Y. Zhu, D. W. Zhang, and H. L. Lu, Recent Progress on Flexible Room-Temperature Gas Sensors Based on Metal Oxide Semiconductor, vol. 14, no. 1. Springer Nature Singapore, 2022, doi: 10.1007/s40820-022-00956-9.

[5] M. Vajdi, “Metal oxide semiconductor based electronic nose data pre-processing, review,” Eng. Appl. Artif. Intell., vol. 149, 2025, doi: 10.1016/j.engappai.2025.110540.

[6] S. S. Chen, X. X. Chen, T. Y. Yang, L. Chen, Z. Guo, and X. J. Huang, “Temperature-modulated sensing characteristics of ultrafine Au nanoparticle-loaded porous ZnO nanobelts for identification and determination of BTEX,” J. Hazard. Mater., vol. 463, 2024, doi: 10.1016/j.jhazmat.2023.132940.

[7] T. N. H. Ninh et al., “PWM-driven thermal excitation-based MOS sensing with machine learning for CO – NO ₂ mixture identification and quantification,” Sensors Actuators A Phys., vol. 403, 2026, Art. no. 117686.

[8] T. N. H. Ninh, D. G. Tran, X. B. Pham, and N. V. Nguyen, “Development of an IoT-Based Wireless Gas Monitoring System for CO and NO₂ with Real-Time Data Visualization and Remote Firmware Update Capabilities,” in 2025 International Conference on Advanced Technologies for Communications (ATC), 2025, pp. 1-5, doi: 10.1109/ATC67618.2025.11268579.

[9] N. V. Nguyen, H. P. Phan, V. T. Le, V. C. Nguyen, and V. H. Nguyen, “A comparative study of machine learning models for identifying noxious gases through thermal fingerprint measurements and MOS sensors,” Sensors Actuators A Phys., vol. 375, 2024, doi: 10.1016/j.sna.2024.115510.

[10] N. V. Nguyen, V. C. Nguyen, H. M. Le, and V. H. Nguyen, “Machine learning-enhanced multi-gas discrimination with a miniaturized MOS sensor array,” J. Comput. Electron., vol. 24, no. 4, 2025, doi: 10.1007/s10825-025-02354-x.

[11] Z. Yuan, H. Sun, H. Ji, and F. Meng, “Single feature to achieve gas recognition: Humidity interference suppression strategy based on temperature modulation and principal component linear discriminant analysis,” Sensors Actuators B Chem., vol. 423, 2025, doi: 10.1016/j.snb.2024.136842.

[12] S. T. Araya et al., “Performance assessment of machine learning techniques in electronic nose systems for power transformer fault detection,” Energy AI, vol. 20, 2025, doi: 10.1016/j.egyai.2025.100497.

DOI: https://doi.org/10.34238/tnu-jst.15171

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ