半導體氣體傳感器測試系統的制作方法

本申請為申請號201510776873.6、申請日2015年11月13日、發明名稱“半導體氣敏元件的測試方法”的分案申請。本發明屬于半導體敏感元件測試領域，尤其涉及一種半導體氣敏元件的測試方法。
背景技術：
：當半導體氣體傳感器技術的發展如火如荼之時，半導體氣敏元件測試技術的發展并未跟上氣體傳感器技術發展的速度。人類對客觀世界的認識和改造活動，往往以測試工作為基礎。工程測試技術就是利用現代測試手段對工程中的各種信號，特別是隨時間變化的動態物理信號進行檢測、試驗、分析，并從中提取有用信息的一門新興技術。其測量和分析的結果客觀地描述了研究對象的狀態、變化和特征，并為進一步改造和控制研究對象提供了可靠的依據。同樣，傳感器技術的研究進展也離不開其測試手段的提高。目前，限制半導體氣體傳感器的研究進展和規模化生產的一個重要因素是檢測手段落后，測試環境復雜、測試效率、精度低，同時由于缺少完善的測試設備，得不到氣體傳感器各種特性的完整參數和曲線，也限制了半導體氣體傳感器的進一步研究和應用，因此，無論對于生產和科學研究，都急需一套完善的半導體氣體傳感器性能參數測試系統。由于半導體氣體傳感器在現實中的重要意義和氣體傳感器測試的重要性，國內外的科研人員都對半導體氣體傳感器的測試系統做了大量的深入研究工作，他們采用不同的方式組建了功能各異的半導體氣體傳感器測試系統，對傳感器性能測試及其標定技術的發展發揮了重要的作用。縱觀這些測試系統，基本上都是由計算機、儀器硬件、傳感器測試腔等幾個部分組成，目前，國外的l.harvey，g.s.v，coles，hildegardd.jander，wolfganggottler等學者先后研究設計出了一套自動測試系統，它能夠在純凈空氣中、單一氣體中、混合氣體中對氣體傳感器進行測試，同時考慮到了環境溫度、濕度對其性能參數的影響，但許多操作都需要手工的進行，使測試者無法遠離有毒的測試環境，需進一步提高其自動化程度，同時能夠測試的參數種類也較少，對被測試半導體氣體傳感器的形狀也有限制；國內的管玉國、彭忠名、林永兵等學者也先后研制出了一套自動測試系統，集測試腔、檢測系統為一體，為新產品開發提供了可靠的數據，但是自動化程度還不夠高，采集的參數單一、使用硬件過多、可靠性不高，各種純氣體難以在高動態、低濃度范圍內混合而且難以滿足所需要的濃度和精度要求。同時也存在實現氣敏元件的檢驗和分檔的困難。很多生產廠家以手工測試為主，測試效率低、精度低，遠遠滿足不了生產發展的需要，更為重要的是手工測試無法實現動態測量，從而不能準確的測得氣敏元件的某些參數，如響應時間曲線、恢復時間曲線等。不能得到氣敏元件各種特性的完整參數的不足，限制了氣敏元件的進一步研究和應用。為滿足企業生產和研究的需要，氣體傳感器的研制需要一整套完善的測試系統。在半導體氣體傳感器的研制過程中需要研究傳感器在不同環境和工作條件下的氣體響應特性，衡量傳感器的優劣，總結摸索出最佳的工作狀態，而這離不開良好的測試設備。目前研究半導體氣體傳感器的氣體響應特性有靜態和流氣兩種測試方式，將傳感器安裝在氣室中，在氣室里注入己知濃度的某種氣體，通過采集傳感器的響應信號，可以獲得該傳感器對這種氣體的氣敏響應特性。通常情況下進行靜態測試的系統采用密閉的大容量氣室，通過注入樣品氣體并在容器中均勻混合成一定體積的測試氣體，這種測試方法的設備較為簡單，但氣室中器件上樣品氣體的脫附時間較長，不適合進行大量的氣體測試。而采用流氣的方式是在較小容量氣室中通入流量恒定的氣流，在一個時間段內通過一定濃度的樣品氣體，并采集這時間段的傳感器響應數據。這種方式中由于氣室較小，清洗殘留氣體時間較短，傳感器器件可以很快恢復到初始狀態，可以快速進行重復性實驗，尤其是在進行傳感器陣列的氣敏特性研究時是很有利的。技術實現要素：為了解決上述技術問題，本發明采用的技術方案是：一種半導體氣敏元件的測試方法，具有：半導體氣體傳感器測試系統組建與測試的步驟，及對半導體氣體傳感器測試系統及半導體氣敏元件性能分析的步驟。進一步的，所述半導體氣體傳感器測試系統組建與測試的步驟中，半導體氣體傳感器測試系統用于對不同氣體在給定濃度下進行動態配氣及使多支傳感器陣列在氣體通入時對氣敏元件表面電導率的變化進行實時監測；所述半導體氣體傳感器測試系統包括：自動進行樣品氣體濃度配比的進樣裝置、氣體傳感器加熱與測溫裝置、用于與進樣裝置協調動作，并在不同的氣樣環境下自動采集4～6路氣體傳感器測量信號的信號測量與數據采集電路、對采集的測量信號進行數據處理的數據處理電路；和對進氣過程和室溫變化所引起的溫度變化進行補償的溫度補償電路；氣體傳感器陣列安裝在氣室中，氣體傳感器所測得的氣體濃度變化是氣室中氣體的變化，氣室為內腔形狀圓滑且近似方形的干燥的有機玻璃腔；所述氣體傳感器加熱與測溫裝置對氣敏元件進行加熱，并實時測量氣體傳感器的工作溫度；當傳感器的工作溫度因環境溫度或氣流影響發生變化時，溫度補償電路實時進行溫度補償控制，使傳感器的工作溫度保持不變；所述信號測量與數據采集電路用于對信號調節和ad采樣，信號調節為用于將氣體傳感器對測試氣樣的響應轉變為電信號，ad采樣將模擬信號通過數據處理電路將模擬信號轉變為數字信號，并將采集到的4～6路傳感器信號經過歸一化處理，轉變為bp神經網絡所需要的標準信號；標準氣樣輸出被分成二路或多路，各自由一個質量流量控制器控制，并接入測試裝置，載氣和待測氣體分別在質量流量控制器的控制下進入干燥罐充分混合，配成目標測試氣樣并進入測試裝置中的測試腔中，氣體傳感器測試系統在計算機的控制下對所設定的目標濃度氣體進行配氣，將一種或多種標準濃度的目標氣樣和標準的載氣按照比例進行配比，并在質量流量控制器控制下通入混合通道內進行充分混合，當混合后的測試氣樣通入測試腔時，對氣室內氣體傳感器陣列的4～6路響應信號進行采集，并將獲得的氣體傳感器陣列對樣品氣體的響應信息傳送到計算機上進行數據處理和數據分析，使測試氣體進氣、響應信號采集和數據處理順序進行；當溫度監測系統發現半導體氣敏元件工作溫度發生變化時，溫度補償電路實時進行元件工作溫度補償，調節電阻絲的加熱電壓，使元件的工作溫度保持不變。進一步的，所述氣體傳感器測試系統的軟件部分包括氣路控制模塊、電壓采樣模塊、溫度補償模塊、數據處理模塊和顯示功能模塊，其中：氣路控制模塊對控制參數設置，所述參數包括通氣前時間、通氣時間、停氣后時間、數據采樣時間間隔、混合氣體種類、各種氣體濃度和載氣控制電壓，氣路控制模塊對參數設置以控制多路氣樣輸出量實現配氣，配氣過程中，氣體流量和元件的工作溫度在整個測試過程中保持不變；電壓采樣模塊對電壓采樣開始、采樣中斷與采樣結束進行相應控制；數據處理模塊進行數據采集、數據保存、圖像保存、圖像打印、歷史數據提取處理。進一步的，數據采集模塊完成在采樣時間間隔內的數據跟蹤采集，對提供的實驗數據在對本次實驗結束后自動保存為兩種格式的六個文件，分別為4～6路傳感器的電壓、電阻、響應靈敏度數字量及動態變化曲線，同時對保存的圖像即時打印和對歷史數據按時間提取；數據采集過程中，根據不同需求在顯示模塊中實時顯示4～6路傳感器的標準電壓、電阻及響應靈敏度隨時間的動態變化曲線。進一步的，所述對氣體傳感器測試系統及氣敏元件性能分析的步驟，包括對氣體傳感器測試系統的各種誤差分析，對測量電阻的靈敏度、電阻溫度特性、靈敏度-溫度特性、靈敏度-濃度特性進行分析以及摻雜對元件性能影響的分析。將傳感器采用的4～6路標準信號進行數據的歸一化處理，并將數據處理成bp神經網絡獲得所需要的標準數據源，進行bp神經網絡氣體分析的步驟如下：定量分析：選擇單一甲醛氣體以檢測樣品，進行定量檢測，由4～6個傳感器組成傳感器陣列對甲醛氣體、氨氣、苯等混合氣體定量識別，神經網絡的輸入神經元個數為6，輸出神經元個數為1，動態改變隱含層個數并求取其相對應的訓練誤差，以確定最佳隱含層神經元數；使用newff函數創建一個兩層網絡，將網絡的隱含層神經元數設定為s(i)，其范圍是3-13個，將網絡的訓練函數設為trainbr,設網絡的權值和閾值是特殊分布的隨機變量，用統計學方法估算出網絡權值和閾值，將輸入向量p作為訓練過的神經網絡的輸入，利用train函數對網絡進行訓練，將30組不同濃度的甲醛氣體作為輸入進行定量檢測，得到定量檢測的輸出結果和相應實驗誤差；定性分析：由4～6個傳感器組成的傳感器陣列對甲醛、氨氣、苯三種氣體特征量進行定性識別，網絡的輸入神經元個數為6，輸出神經元個數為3，通過誤差對比來確定最佳的隱含層數，動態改變隱含層數；使用newff函數創建一個三層網絡，將網絡隱含層神經元個數設定為一個動態變量s(i),其范圍是3-13，通過10次訓練，得到訓練誤差最小的一組神經元個數即為最佳神經元個數，設網絡的權值和閾值是特殊分布的隨機變量，用統計學方法估算出網絡權值和閾值；訓練直至實驗誤差滿足要求停止；將奇數組作為訓練過的神經網絡輸入。有益效果：1.本發明能夠高精度的實現常見測試氣體在常規測試濃度范圍內的配氣；可同時測試多支傳感器或氣體傳感器陣列。2.本發明能實現多參數測量：由于該測試系統是模塊化的，可以同時連接多個測量模塊，每個測量模塊又可實現多通道測量，容易實現多個、多種類參數的同時測試。3.本發明制備并測試了多種摻雜技術的敏感元件，使半導體氣敏元件對揮發性有機氣體的檢測具有進展。4.本發明將氣體傳感器陣列與人工神經網絡技術相技術，并基于bp算法實現了多種氣體的定性識別及單一氣體的定量識別。附圖說明圖1為本發明實施例1的方法的流程圖；圖2為本發明實施例2的半導體氣體傳感器測試系統閉環流程的示意圖；圖3為本發明實施例2的半導體氣體傳感器測試系統的結構框圖；圖4為本發明實施例3的軟件功能框圖；圖5為本發明實施例5中的半導體氣體傳感器測試系統的測量電路；圖6.1為本發明實施例6中的定量識別的bp神經網絡結構的示意圖；圖6.2為本發明實施例6中的氣體定量檢測的訓練過程的示意圖；圖6.3為本發明實施例6中的定性識別的bp神經網絡結構的示意圖；圖6.4為為本發明實施例6中的定性分析訓練結果的示意圖。具體實施方式實施例1：一種半導體氣敏元件的測試方法，其特征在于，具有：半導體氣體傳感器測試系統組建與測試的步驟，及對半導體氣體傳感器測試系統及半導體氣敏元件性能分析的步驟。實施例2：具有與實施例1相同的技術方案，更為具體的是：所述半導體氣體傳感器測試系統組建與測試的步驟中，半導體氣體傳感器測試系統用于對不同氣體在給定濃度下進行動態配氣及使多支傳感器陣列在氣體通入時對氣敏元件表面電導率的變化進行實時監測；所述半導體氣體傳感器測試系統包括：自動進行樣品氣體濃度配比的進樣裝置、氣體傳感器加熱與測溫裝置、用于與進樣裝置協調動作，并在不同的氣樣環境下自動采集4～6路氣體傳感器測量信號的信號測量與數據采集電路、對采集的測量信號進行數據處理的數據處理電路；和對進氣過程和室溫變化所引起的溫度變化進行補償的溫度補償電路；所述與進樣裝置協調動作是指，信號采集與進樣同步或者對應，從而使得進樣與采集可以實現時間順序上的協調。氣體傳感器陣列安裝在氣室中，氣體傳感器所測得的氣體濃度變化是氣室中氣體的變化，氣室為內腔形狀圓滑且近似方形的干燥的有機玻璃腔；所述氣體傳感器加熱與測溫裝置對氣敏元件進行加熱，并實時測量氣體傳感器的工作溫度；當傳感器的工作溫度因環境溫度或氣流影響發生變化時，溫度補償電路實時進行溫度補償控制，使傳感器的工作溫度保持不變；所述信號測量與數據采集電路用于對信號調節和ad采樣，信號調節為用于將氣體傳感器對測試氣樣的響應轉變為電信號，ad采樣將模擬信號通過數據處理電路將模擬信號轉變為數字信號，并將采集到的4～6路傳感器信號經過歸一化處理，轉變為bp神經網絡所需要的標準信號；標準氣樣輸出被分成二路或多路，各自由一個質量流量控制器控制，并接入測試裝置，載氣和待測氣體分別在質量流量控制器的控制下進入干燥罐充分混合，配成目標測試氣樣并進入測試裝置中的測試腔中，氣體傳感器測試系統在計算機的控制下對所設定的目標濃度氣體進行配氣，將一種或多種標準濃度的目標氣樣和標準的載氣按照比例進行配比，并在質量流量控制器控制下通入混合通道內進行充分混合，當混合后的測試氣樣通入測試腔時，對氣室內氣體傳感器陣列的4～6路響應信號進行采集，并將獲得的氣體傳感器陣列對樣品氣體的響應信息傳送到計算機上進行數據處理和數據分析，使測試氣體進氣、響應信號采集和數據處理順序進行；當溫度監測系統發現半導體氣敏元件工作溫度發生變化時，溫度補償電路實時進行元件工作溫度補償，調節電阻絲的加熱電壓，使元件的工作溫度保持不變。其中：由于半導體氣敏元件工作特性和溫度有關，所以需要對半導體氣敏元件進行加熱，氣敏元件的工作溫度直接影響傳感器靈敏度，同時需要溫度傳感器，實時測量氣體傳感器的工作溫度，因而本實施例中的測試系統具有氣體傳感器加熱與、測溫裝置及工作溫度補償電路。測試中，選擇加熱電阻絲為鎳鉻合金，電阻為30歐姆，采用直流電源控制加熱電壓，實現對氣敏元件的工作溫度控制。用于測溫的熱電偶溫度傳感器探測陶瓷管表面的溫度，但由于溫度均是通過熱電偶直接探測元件的表面得到的，而接觸元件表面不僅表面積小，而且表面材料接觸后極易損壞的，同時測溫時會使元件表面溫度降低，給測量帶來一定的偏差，為此，在實驗前用電壓粗略的標定元件表面溫度，在以后的測試中，直接用加熱電壓來表示元件表面溫度，下表為氣敏元件表面溫度與加熱電壓的關系。加熱電壓1234567891011溫度(℃)265589137179225268302343377416標準氣樣輸出被分成二路或多路，各自由一個質量流量控制器控制，并接入測試裝置，載氣和待測氣體(如甲醛，氨氣，苯，一氧化碳，氧氣等)分別在質量流量控制器的控制下進入干燥罐充分混合，配成測試氣樣并進入測試裝置中的測試腔中，氣體傳感器測試系統在計算機的控制下對所設定的目標濃度氣體進行配氣，將一種或多種標準濃度的目標氣樣和標準的載氣按照比例進行配比，并在質量流量控制器控制下通入混合通道內進行充分混合，當混合后的測試氣樣通入氣室時，對氣室內氣體傳感器陣列的響應信號進行采集，并將獲得的氣體傳感器陣列對樣品氣體的響應信息傳送到計算機上進行數據分析，使測試氣體進氣、響應信號采集和數據處理順序進行；當溫度監測系統發現半導體氣敏元件工作溫度發生變化時，溫度補償電路實時進行元件工作溫度補償，調節電阻絲的加熱電壓，使元件的工作溫度保持不變。克服了傳統的測試方法不僅要消耗過多的人力，而且手工操作有許多的不穩定因素，使得測量附加有較大偏差值。為了直觀地觀測響應過程，計算機上相應的應用軟件具有圖形界面，能夠實時顯示出傳感器陣列的響應曲線，該系統包括了自動配氣裝置、數據采集、控制電路以及相應計算機控制、應用處理軟件這幾部分，各部分通過數據總線與計算機相連接，結合計算機軟件的實時處理控制，可以使測試氣體進氣、響應信號采集和數據處理順序進行，組成完整的測試過程。實施例3：具有與實施例1或2相同的技術方案，更為具體的是：所述氣體傳感器測試系統的軟件部分包括氣路控制模塊、電壓采樣模塊、溫度補償模塊、數據處理模塊和顯示功能模塊，其中：氣路控制模塊對控制參數設置，所述參數包括通氣前時間、通氣時間、停氣后時間、數據采樣時間間隔、混合氣體種類、各種氣體濃度和載氣控制電壓，氣路控制模塊對參數設置以控制多路氣樣輸出量實現配氣，配氣過程中，氣體流量和元件的工作溫度在整個測試過程中保持不變；電壓采樣模塊對電壓采樣開始、采樣中斷與采樣結束進行相應控制；數據處理模塊進行數據采集、數據保存、圖像保存、圖像打印、歷史數據提取處理。實施例4：具有與實施例1或2或3相同的技術方案，更為具體的是：數據采集模塊完成在采樣時間間隔內的數據跟蹤采集，對提供的實驗數據在對本次實驗結束后自動保存為兩種格式的六個文件，分別為4～6路傳感器的電壓、電阻、響應靈敏度數字量及動態變化曲線，同時對保存的圖像即時打印和對歷史數據按時間提取；數據采集過程中，根據不同需求在顯示模塊中實時顯示4～6路傳感器的標準電壓、電阻及響應靈敏度隨時間的動態變化曲線。實施例5：具有與實施例1或2或3或4相同的技術方案，更為具體的是：所述對氣體傳感器測試系統及氣敏元件性能分析的步驟，包括對氣體傳感器測試系統的各種誤差分析，對測量電阻的靈敏度、電阻溫度特性、靈敏度-溫度特性、靈敏度-濃度特性進行分析以及摻雜對元件性能影響的分析。實施例6：具有與實施例1或2或3或4或5相同的技術方案，更為具體的是：bp神經網絡獲得所需要的數字信號，進行bp神經網絡氣體分析的步驟如下：包括定量分析和定性分析。定量分析選擇單一甲醛氣體以檢測樣品，進行定量檢測，為實現由4～6路傳感器組成的傳感器陣列對甲醛、氨氣等氣體的定量識別，設計網絡的輸入神經元個數為6，輸出神經元個數為1。動態改變隱含層個數并求取其相對應的訓練誤差，以確定最佳隱含層神經元數，其網絡結構如圖6.1所示。參照權利要求書使用newff函數創建一個兩層網絡，將網絡的隱含層神經元數設定為是s(i)，其范圍是3-13個。為了使網絡對于新的輸入具有良的泛化能力，將網絡的訓練函數設為trainbr,該函數使用了bavesian框架結構。假設網絡的權值和閾值是特殊分布的隨機變量，用統計學方法估算出網絡權值和閾值。不同神經元個數下的訓練誤差及訓練次數如表6.1所示。可以看出，當隱含層神經元個數為13時，訓練誤差最小，為3.14％，訓練次數減少為76次。實驗結果表明，采用隱含層個數為13的bp神經網絡實現了甲醛氣體定量識別的最佳網絡結構。表6.1隱含層神經元數與實驗誤差關系將輸入向量p作為訓練過的神經網絡的輸入，利用train函數對網絡進行訓練，在matlab命令行中將實時地顯示網絡的訓練狀態，定量檢測的訓練過程如圖6.2所示。將30組不同濃度的甲醛氣體作為輸入進行定量檢測，定量檢測的輸出結果和相應實驗誤差如表4所示，實驗誤差test_p的計算公式如式6.1所示。式中：creal和ctest分別表示濃度的真實值與預測值。表6.2氣體定量檢測的輸出結果使用公式6.2和6.3，計算出定量識別甲醛氣體的平均相對誤差ave_p和最大相對誤差max_p分別為0.941％和3.99％。實驗結果表明，采用13個隱神經元的bp神經網絡，在收斂速度與實驗誤差方面均可以達到實驗要求。式中：creal和ctest分別表示濃度的真實值與預測值；m為樣本數。實驗中所產生的誤差主要來自兩個方面，一是傳感器陣列，二是環境溫度。因為性能相近的傳感器組成的陣列很難不產生互不相關的測試模式，從而影響整個系統的測試精度。半導體氣敏元件敏感原理是基于敏感體表面的吸附反應，易受環境溫度和濕度的影響，所以氣體傳感器陣列的測量環境是產生誤差的另一個主要原因。定性分析實驗中，為實現由6個傳感器組成的傳感器陣列對甲醛、氨氣、苯三種氣體特征量的定性識別，設計網絡的輸入神經元個數為6，輸出神經元個數為3。隱含層神經元個數的選擇往往需要根據設計者的經驗和多次實驗來確定。實驗采用動態改變隱含層數目，通過誤差對比來確定最佳的隱含層數，以實現對單一氣體的定性分析，網絡結構如圖6.3所示。使用newff函數創建一個三層網絡，將網絡隱含層神經元個數設定為一個動態變量s(i),其范圍是3-13，通過10次訓練，得到訓練誤差最小的一組神經元個數即為最佳神經元個數。假設網絡的權值和閾值是特殊分布的隨機變量，用統計學方法估算出網絡權值和閾值。經過1259次的訓練后，實驗誤差滿足要求，訓練停止，訓練結果如圖6.4所示。由式6.4得到不同神經元個數下的訓練誤差tri_p及訓練次數如表6.3所示，可以看出，采用4個隱含層神經元，能使訓練誤差tri_p達到最小，最小值為2.29％，訓練次數為1259，訓練時間滿足實驗要求，最佳隱含層神經元數是4。式中：creal與ctest分別表示濃度的真實值與預測值；m為樣本數。表6.3隱含層神經元數與實驗誤差關系將奇數組作為訓練過的神經網絡輸入，氣體訓練的辨識結果如表6.4所示。表6.4訓練氣體辨識結果實驗結果表明當輸出大于0.7時即可識別，采用動態隱神經元bp人工神經網絡能對多種氣體進行定性識別，由式1.4得出該網絡結構識別正確率rate_p為100％。式中：m為預測正確樣本數；m為實際樣本數。以上所述，僅為本發明較佳的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本
技術領域：
的技術人員在本發明披露的技術范圍內，根據本發明的技術方案及其發明構思加以等同替換或改變，都應涵蓋在本發明的保護范圍之內。當前第1頁12