龔雪飛，徐 景，孫壽通，劉 萍，簡家文

(寧波大學(xué) 信息科學(xué)與工程學(xué)院，浙江 寧波315211)

0 引 言

隨著近代工業(yè)規(guī)模不斷擴大，在此過程中產(chǎn)生了大量的NOx，CO，CO2等有毒、有害氣體，O2作為衡量大氣的有效標桿，因此，檢測上述氣體對改善大氣環(huán)境具有指導(dǎo)意義［1］。傳統(tǒng)傳感器氣體檢測都是基于單一氣體的主成分特征，但是當多種有害氣體發(fā)生混合時，氣體之間相互干擾造成主成分特征丟失，導(dǎo)致檢測無法正常完成［2］。針對這一缺陷，將氣體傳感器陣列和模式識別技術(shù)相結(jié)合構(gòu)建的多元有害氣體檢測系統(tǒng)，能夠很好地解決氣體傳感器的交叉敏感問題［3］。

本文針對氣體CO，CO2，NO2，O2和實驗的溫濕度選取5 只傳感器組成陣列，組合成一個多元有害氣體檢測裝置。結(jié)合實驗室的配氣系統(tǒng)，利用該裝置對不同體積分數(shù)的混合氣體進行電信號測量與采集。為了提高系統(tǒng)的預(yù)測精度，采用粒子群優(yōu)化(PSO)算法優(yōu)化BP(PSO-BP)神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值，使用PSO-BP 神經(jīng)網(wǎng)絡(luò)對實驗數(shù)據(jù)進行分析，并對比傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)和PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測的精度，分析兩種網(wǎng)絡(luò)的性能。

1 檢測系統(tǒng)與實驗

1.1 檢測系統(tǒng)

本文中的有害氣體檢測系統(tǒng)是模擬人的嗅覺系統(tǒng)對被測氣體進行感知、分析和識別，由氣敏傳感器陣列、傳感器信號預(yù)處理、陣列信號采集和模式識別四部分組成的檢測系統(tǒng)，其原理如圖1 所示。

圖1 檢測系統(tǒng)原理圖Fig 1 Principle diagram of detection system

本文選用A2—O2氧傳感器、TGS4160 二氧化碳傳感器、TGS2201 一氧化碳傳感器、NO2—AE 二氧化氮傳感器、HTG3515 溫濕度傳感器組成陣列，如圖2(a)所示。利用動態(tài)配氣的方法將4 種的標準氣體經(jīng)過四臺精密流量控制器進行流量調(diào)節(jié)、配比、混合，模擬實現(xiàn)各種有害氣體成分的環(huán)境，后流入封閉的測試裝置，如圖2(b)所示。為了便于對傳感器信號的采集，需對傳感器信號進行預(yù)處理，預(yù)處理后輸出的信號均為模擬電壓。之后使用美國NI 公司的PCI 6221 采集板卡實現(xiàn)傳感器陣列采集。

圖2 檢測系統(tǒng)硬件模塊Fig 2 Hardware module of detection system

由于選取的傳感器輸出參數(shù)不同，因此，針對每個傳感器設(shè)計信號預(yù)處理電路，主要將傳感器輸出信號進行流壓轉(zhuǎn)換，信號放大，濾波等處理。圖3(a)是電化學(xué)傳感器(氧傳感器、二氧化氮傳感器)，圖3(b)是半導(dǎo)體傳感器(二氧化碳傳感器、一氧化氮傳感器)傳感器信號預(yù)處理電路。

圖3 傳感器預(yù)處理電路Fig 3 Sensor preprocessing circuit

圖3 (a)中，R2 為一個定值反饋電阻器，R3 為可調(diào)電阻器，R2，C2 構(gòu)成低通濾波器，R2，R3 和運算放大器構(gòu)成反向放大電路，并進行電流/電壓轉(zhuǎn)換。

1.2 實驗過程

本文根據(jù)工業(yè)排放規(guī)定和傳感器敏感范圍選定氣體體積分數(shù)范圍:O2［18%～22%］，NO2［0～250×10-6］，CO［0～1 000×10-6］，CO2［0～5 000×10-6］，配制了510 組混合氣體，盡可能覆蓋整個被測空間。將配好的氣體逐一通入測試裝置，得到510 組樣本數(shù)據(jù)。

2 PSO-BP 神經(jīng)網(wǎng)絡(luò)算法

BP 網(wǎng)絡(luò)又稱反向傳播神經(jīng)網(wǎng)絡(luò)，通過樣本數(shù)據(jù)的訓(xùn)練，不斷修正網(wǎng)絡(luò)的權(quán)值和閾值使誤差函數(shù)沿著負梯度方向下降，逼近期望輸出［4，5］。在運用過程中網(wǎng)絡(luò)也存在著不足，如網(wǎng)絡(luò)的收斂速度較慢，訓(xùn)練易陷入癱瘓;不具有全局搜索能力，容易出現(xiàn)局部極小值。

PSO 算法是一種新的演化算法，該算法通過粒子間的相互作用在復(fù)雜搜索空間中發(fā)現(xiàn)最優(yōu)區(qū)域，具有訓(xùn)練精度較高、收斂性良好等優(yōu)點［6，7］。粒子群算法的具體實現(xiàn)如下:假設(shè)在一個D 維的目標搜索空間中，有m 個粒子組成一個群體，其中第i 個粒子的位置為xi=(xi1，xi2，…，xiD)，i=1，2，…，m;其速度也是一D 維向量:vi=(vi1，…，vi2，vi1)，i=1，2，…，m;第i 個粒子迄今為止搜索到的最優(yōu)位置為pi=(pi1，pi2，…，piD)，i=1，2，…，m;整個粒子群搜索到的最優(yōu)位置為pg=(pg1，pg2，…，pgD)，g=1，2，…，m;粒子更新公式如下

式中 c1，c2均為學(xué)習(xí)因子，非負常數(shù);r1，r2均為服從;［0-1］的均勻分布隨機數(shù);vmax為非負數(shù);w 為慣性權(quán)重函數(shù);STEP，STEPmax分別為當前迭代步數(shù)和最大迭代步數(shù)。

PSO-BP 神經(jīng)網(wǎng)絡(luò)的基本思想是，改變神經(jīng)網(wǎng)絡(luò)算法依賴梯度信息的指導(dǎo)來調(diào)整網(wǎng)絡(luò)權(quán)值和閾值的方法，通過利用粒子群算法群體并行搜索的特點，尋找較為合適的神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值［8］。PSO-BP 神經(jīng)網(wǎng)絡(luò)算法流程如圖4所示。

圖4 PSO-BP 神經(jīng)網(wǎng)絡(luò)算法流程圖Fig 4 Flow chart of PSO-BP neural network algorithm

3 實驗數(shù)據(jù)處理與性能分析

3.1 交叉敏感性測試

將本測試系統(tǒng)的二氧化碳傳感器分別在40×10-6～200×10-6NO2+余N2和摻雜有一定體積分數(shù)(CO，CO2)的40×10-6～200×10-6NO2+余N2混合氣體中進行測試，就呈現(xiàn)出不同的特性曲線如圖5 所示。

圖5 NO2 傳感器在不同氣氛中輸出對比圖Fig 5 Output comparison chart of NO2 sensor in different atmosphere

從圖5 可以得到，不同體積分數(shù)的CO 對NO2表現(xiàn)出不同的干擾特性，而CO2對NO2基本不產(chǎn)生干擾。因此，采用單一傳感器由于交叉干擾的問題無法實現(xiàn)對多種共存氣體的測試。

3.2 PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測

實驗中4 種氣體傳感器陣列對應(yīng)的輸出電信號和溫度、濕度，所以，神經(jīng)網(wǎng)絡(luò)輸入層M 為6 個，輸出層神經(jīng)元L為4 個，根據(jù)隱含層神經(jīng)元經(jīng)驗公式2，…，10)，采用試錯法選取隱含層q=11，因此，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為6—11—4。粒子群的維數(shù)D=(6×11+11+11×4+4)=125，經(jīng)過多次實驗比較后設(shè)定粒子群的粒子個數(shù)m=40，學(xué)習(xí)因子c1=c2=2.49，慣性權(quán)重w=0.5。

對樣本數(shù)據(jù)進行歸一化，隨機取450 組樣本數(shù)據(jù)作為訓(xùn)練樣本輸入PSO-BP 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù)，完成網(wǎng)絡(luò)的建立。剩余60 組樣本數(shù)據(jù)測試網(wǎng)絡(luò)性能，測試結(jié)果見圖6。

圖6 測試樣本的期望輸出和PSO-BP 神經(jīng)網(wǎng)絡(luò)實際輸出Fig 6 Expected output of test sample and actual output of PSO-BP neural network

從圖6 可以看出:PSO-BP 網(wǎng)絡(luò)的預(yù)測結(jié)果與真實值基本重合，能夠很好地預(yù)測未知氣體的含量，說明PSO-BP 神經(jīng)網(wǎng)絡(luò)模型為多元有害氣體檢測提供了有效的模式識別方法。

3.3 PSO-BP 與傳統(tǒng)BP 算法性能分析

為了比較網(wǎng)絡(luò)的性能，本文分別采用PSO-BP 神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)在相同情況下進行訓(xùn)練。將上節(jié)選取的450 組訓(xùn)練樣本輸入兩種網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù)，使用剩下60 組樣本進行測試，二種神經(jīng)網(wǎng)絡(luò)測試的結(jié)果見表1。

從表1 中可以得到:在相同的訓(xùn)練樣本時，PSO-BP 神經(jīng)網(wǎng)絡(luò)較BP 神經(jīng)網(wǎng)絡(luò)具有更小的預(yù)測誤差，PSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測的平均相對誤差均小于2%;在網(wǎng)絡(luò)訓(xùn)練時，PSOBP 收斂性明顯好于BP 神經(jīng)網(wǎng)絡(luò)，有效避免訓(xùn)練時進入局部最優(yōu)解，提高了預(yù)測系統(tǒng)的穩(wěn)定性。

4 結(jié) 論

針對多元有害氣體檢測問題，本文利用PSO-BP 神經(jīng)網(wǎng)絡(luò)的模型來實現(xiàn)對傳感器陣列信號分析，從實驗結(jié)果可以得到如下結(jié)論:使用傳感器陣列檢測多元氣體能夠消除氣體交叉響應(yīng)的影響，攝取更多混合氣體組分信息和體積分數(shù)信息;將神經(jīng)網(wǎng)絡(luò)和傳感器陣列技術(shù)組合的檢測系統(tǒng)對多元有害氣體檢測取得了較好的效果，在定量檢測實驗中，預(yù)測的平均誤差均小于2%;PSO-BP 神經(jīng)網(wǎng)絡(luò)的算法要較BP 神經(jīng)網(wǎng)絡(luò)的算法能夠達到更小的預(yù)測誤差，并且建模穩(wěn)定性高。

［1］ Yamazoe N，Miura N.Development of gas sensors for environment protection［J］.IEEE Tran on Comp Pack and Manuf，1995，18(2):252-256.

［2］ 鄭 杰.混合有毒氣體檢測算法研究［J］.計算機仿真，2011，28(8):413-416.

［3］ 張覃軼.電子鼻:傳感器陣列、系統(tǒng)及應(yīng)用研究［D］.武漢:華中科技大學(xué)，2005.

［4］ 楊守建，陳 懇.BP 神經(jīng)網(wǎng)絡(luò)性能與隱藏層結(jié)構(gòu)的相關(guān)性探究［J］.寧波大學(xué)學(xué)報:理工版，2013，26(1):48-52.

［5］ Hu J G，Zhou G M，Xu X J.Using an improved back propagation neural network to study spatial distribution of sunshine illumination from sensor network data［J］.Ecological Modelling，2013，266:86-96.

［6］ Sun Y，Zhang L B，Gu X S.A hybrid co-evolutionary cultural algorithm based on particle swarm optimization for solving global optimization problems［J］.Neurocomputing，2012，98:76-89.

［7］ Wang H F，Moon I，Yang S X.et al.A memetic particle swarm optimization algorithm for multimodal optimization problems［J］.Information Sciences，2012，197:38-52.

［8］ 楊紅平，傅衛(wèi)平，王 雯，等.結(jié)合面法向和切向接觸剛度的MPSO-BP 神經(jīng)網(wǎng)絡(luò)算法的建模［J］.儀器儀表學(xué)報，2012，33(8):1856-1861.