于　浩，許武軍,2，袁方紅，范　紅,2

(1.東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海201620; 2.數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海201620)

?

基于神經(jīng)網(wǎng)絡(luò)的氣體預(yù)警穿戴系統(tǒng)的溫度補(bǔ)償

于浩1，許武軍1,2，袁方紅1，范紅1,2

(1.東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海201620; 2.數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海201620)

氣體預(yù)警穿戴系統(tǒng)采用電化學(xué)氣體傳感器檢測(cè)作業(yè)現(xiàn)場(chǎng)的危害氣體濃度，通常采用一元非線性回歸模型對(duì)單一濃度下氣體檢測(cè)進(jìn)行補(bǔ)償來(lái)減少溫度對(duì)濃度檢測(cè)的影響，但此方法在特定濃度范圍內(nèi)工作就會(huì)有失其檢測(cè)的準(zhǔn)確性。該文采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)氣體和溫度傳感器進(jìn)行有效的數(shù)據(jù)融合，在特定濃度范圍內(nèi)消除溫度對(duì)氣體傳感器交叉敏感的影響，從而改善氣體預(yù)警系統(tǒng)的檢測(cè)精度。通過(guò)MATLAB構(gòu)建BP神經(jīng)網(wǎng)絡(luò)并仿真，發(fā)現(xiàn)數(shù)據(jù)融合后氣體濃度線性度得到提升，溫度穩(wěn)定性有明顯改善，使得氣體預(yù)警穿戴系統(tǒng)的危害氣體濃度的檢測(cè)值比常規(guī)的一元非線性回歸模型更加準(zhǔn)確。

氣體預(yù)警穿戴系統(tǒng)；電化學(xué)氣體傳感器；BP神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)融合

0　引言

在當(dāng)今快速發(fā)展的信息化時(shí)代，傳感器技術(shù)是信息獲取的核心技術(shù)。傳感器作為信息的源頭和基礎(chǔ)，被應(yīng)用于各種不同的信息系統(tǒng)中。氣體預(yù)警穿戴系統(tǒng)使用電化學(xué)氣體傳感器來(lái)檢測(cè)作業(yè)現(xiàn)場(chǎng)中的危害氣體濃度進(jìn)行安全預(yù)警以降低作業(yè)人員的傷亡，但電化學(xué)氣體傳感器輸出的電流信號(hào)會(huì)隨著溫度的變化而呈指數(shù)增長(zhǎng)，通常溫度每上升10℃，電流信號(hào)將會(huì)明顯增大，這樣就會(huì)因?yàn)闇囟鹊淖兓绊憵怏w測(cè)量的準(zhǔn)確性[1]。

氣體預(yù)警系統(tǒng)配置有溫度傳感器，原采用一元非線性回歸模型對(duì)單一氣體濃度下進(jìn)行溫度補(bǔ)償來(lái)減少溫度對(duì)濃度檢測(cè)的影響，但在準(zhǔn)確性和濃度檢測(cè)范圍方面存在不足，所以在溫度補(bǔ)償?shù)姆椒ㄉ闲枰鲞M(jìn)一步改進(jìn)。

1　系統(tǒng)特點(diǎn)及算法分析

為改善傳感器的檢測(cè)性能，多傳感器智能化技術(shù)迅速發(fā)展。將多個(gè)傳感器與計(jì)算機(jī)(或微處理器)組建成智能化傳感器系統(tǒng)可以提高單點(diǎn)位置處單參量的測(cè)量準(zhǔn)確度；將多個(gè)傳感器獲得的多種信息的數(shù)據(jù)進(jìn)行融合處理，采用BP神經(jīng)網(wǎng)絡(luò)模型來(lái)實(shí)現(xiàn)數(shù)據(jù)融合，在抑制交叉敏感、改善傳感器穩(wěn)定性的同時(shí)，線性度也得到改善[2]。

1.1智能傳感器系統(tǒng)

氣體預(yù)警穿戴系統(tǒng)除配置電化學(xué)氣體傳感器外還有溫度傳感器，可對(duì)氣體濃度的檢測(cè)值進(jìn)行溫度補(bǔ)償，消除交叉敏感，以保證氣體濃度的檢測(cè)精度。智能傳感器系統(tǒng)的數(shù)據(jù)融合框圖如圖1所示。

圖1　智能傳感器系統(tǒng)的數(shù)據(jù)融合

1.2人工神經(jīng)網(wǎng)絡(luò)概述

圖2　神經(jīng)元模型

人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)是由大量簡(jiǎn)單的高度互聯(lián)的處理元素(神經(jīng)元)所組成的復(fù)雜網(wǎng)絡(luò)計(jì)算系統(tǒng)。將大量功能簡(jiǎn)單的基本神經(jīng)元通過(guò)一定的拓?fù)浣Y(jié)構(gòu)組織起來(lái)，構(gòu)成群體并行分布式處理的計(jì)算結(jié)構(gòu)，這種結(jié)構(gòu)就是人工神經(jīng)網(wǎng)絡(luò)[3-4]。人工神經(jīng)網(wǎng)絡(luò)的基本單元是神經(jīng)元，其模型如圖2所示。

p1,p2,…，pR表示神經(jīng)元的R個(gè)輸入； wli表示該神經(jīng)元與前層i個(gè)神經(jīng)元的連接權(quán)值；b為閾值；a為神經(jīng)元的輸出;f表示神經(jīng)元輸入輸出關(guān)系的函數(shù)。

1.3BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖3　BP網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)因其權(quán)值采用反向傳播的學(xué)習(xí)算法而得名，通常有一個(gè)或多個(gè)隱層，三層BP神經(jīng)網(wǎng)絡(luò)在實(shí)際中應(yīng)用最廣泛，其模型如圖3所示。

(1)輸入層神經(jīng)元作用函數(shù)。輸入層神經(jīng)元作用函數(shù)選用純線性函數(shù)，節(jié)點(diǎn)i的輸出為:

Oi=pi

(1)

pi為第i個(gè)節(jié)點(diǎn)的輸入。

(2)隱層神經(jīng)元作用函數(shù)。隱層神經(jīng)元作用函數(shù)選用對(duì)數(shù)S型函數(shù)，故節(jié)點(diǎn)j的輸出為:

(2)

(3)節(jié)點(diǎn)j的總輸入：

表1　不同溫度下氧氣傳感器的靜態(tài)標(biāo)定數(shù)據(jù)

(3)

(4) 輸出層神經(jīng)元作用函數(shù)。輸出層神經(jīng)元作用函數(shù)選用對(duì)數(shù)S型函數(shù)。節(jié)點(diǎn)k的輸出為：

(4)

(5)節(jié)點(diǎn)k的總輸入為：

(5)

1.4BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程

BP網(wǎng)絡(luò)樣本學(xué)習(xí)流程如圖4所示。

圖4　BP網(wǎng)絡(luò)訓(xùn)練過(guò)程

網(wǎng)絡(luò)初始化后隨機(jī)設(shè)定節(jié)點(diǎn)間的連接權(quán)值Iwji和Lwkj、閾值b1i和b2k、學(xué)習(xí)因子η、勢(shì)態(tài)因子α。將學(xué)習(xí)樣本輸入到網(wǎng)絡(luò)中，先后經(jīng)過(guò)隱層和輸出層的計(jì)算，得出輸出層和隱層訓(xùn)練誤差δ2k和δ1j，判斷誤差是否滿足給定允許誤差ε，若不滿足就修正權(quán)值再次進(jìn)行訓(xùn)練，直到滿足要求。

2　數(shù)據(jù)的標(biāo)定及融合

2.1電化學(xué)氣體傳感器及其二維標(biāo)定實(shí)驗(yàn)

電化學(xué)氣體傳感器是與待測(cè)氣體發(fā)生氧化還原反應(yīng)而產(chǎn)生微弱電流的傳感器，電流的大小與待測(cè)氣體的濃度值成正比，即氣體濃度越大輸出電流越大[5]。這里以英國(guó)Alphasense公司的O2-A1[6]為實(shí)驗(yàn)對(duì)象(檢測(cè)氧氣濃度以預(yù)警因其他危害氣體濃度過(guò)高而使得氧氣濃度過(guò)低導(dǎo)致人員窒息)，它是一款兩電極的氧氣傳感器，在20.9 %的大氣環(huán)境下輸出200～240μA的電流。圖5為該傳感器在不同氧氣濃度下的輸出電流曲線。

圖5　傳感器在不同氧氣濃度下的輸出電流曲線

根據(jù)傳感器的性能進(jìn)行二維標(biāo)定，實(shí)驗(yàn)數(shù)據(jù)如表1所示。

表1中16組樣本數(shù)據(jù)對(duì)包含輸入量與輸出量?jī)刹糠?，每一組樣本對(duì)有IG、UT、T三個(gè)輸入量，對(duì)應(yīng)的期望輸出量為氣體濃度C。

2.2樣本數(shù)據(jù)處理

將樣本數(shù)據(jù)對(duì)中的1/2～2/3作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，用于對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，形成網(wǎng)絡(luò)結(jié)構(gòu)及權(quán)值；剩余的1/3～1/2樣本數(shù)據(jù)對(duì)作為對(duì)神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)樣本，對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)。

為達(dá)到更好的數(shù)據(jù)融合效果，在融合之前先對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

(6)

2.3在MATLAB環(huán)境下數(shù)據(jù)融合流程

在MATLAB環(huán)境下進(jìn)行數(shù)據(jù)融合主要分為構(gòu)建BP神經(jīng)網(wǎng)絡(luò)和對(duì)樣本進(jìn)行融合并得出結(jié)構(gòu)系數(shù)兩部分，詳細(xì)流程如圖6所示。

圖6　MATLAB環(huán)境下數(shù)據(jù)融合過(guò)程

根據(jù)樣本數(shù)據(jù)可知BP神經(jīng)網(wǎng)絡(luò)應(yīng)該設(shè)置3個(gè)輸入節(jié)點(diǎn)，6個(gè)隱層節(jié)點(diǎn)，1個(gè)輸出層節(jié)點(diǎn)。訓(xùn)練迭代次數(shù)為1 000。

3　融合結(jié)果及分析

經(jīng)過(guò)訓(xùn)練樣本的訓(xùn)練以及檢測(cè)樣本的測(cè)試，讓BP神經(jīng)網(wǎng)絡(luò)多次學(xué)習(xí)，當(dāng)檢驗(yàn)結(jié)果與期望輸出偏差很小，滿足誤差范圍的一次學(xué)習(xí)，得到BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)。

輸入層與隱層之間的3×6個(gè)連接權(quán)值如下：

-3.12329.3552.2870.175-0.0150.2750.1510.0390.0861.435-63.319-0.494-0.165-0.020-0.269-1.3272.805-2.349

隱層的6個(gè)閾值為：

-12.262-14.174-18.4732.95918.20610.926

隱層與輸出層的6個(gè)連接權(quán)值為：

14.9990.7730.441-5.1805.3324.808

輸出層的一個(gè)閾值為：4.858

融合后的數(shù)據(jù)如表2所示。

表2　融合結(jié)果

用最小二乘法分別擬合融合前和融合后的數(shù)據(jù)，得到擬合方程為：

C=kI+b

(7)

其中，C為氣體濃度，I為傳感器輸出電流，k、b為方程擬合系數(shù)。

將數(shù)據(jù)帶入方程計(jì)算不同溫度下的濃度，融合前后濃度計(jì)算情況如圖7所示。

圖7　融合前后氣體濃度對(duì)比

圖標(biāo)為圓圈表示融合前的濃度計(jì)算值，三角表示融合后的濃度值。通過(guò)擬合方程計(jì)算出濃度的最大擬合偏差ΔCmax。

最小二乘法線性度為：

(8)

融合前濃度的最大擬合偏差ΔCmax=1.08%，則最小二乘法線性度為：

融合前溫度靈敏度系數(shù)為：

(9)

=1.53×10-3(/℃)

融合后溫度靈敏度系數(shù)為：

(10)

=2.67×10-7(/℃)

4　結(jié)論

從圖7融合前后氣體濃度檢測(cè)值對(duì)比中可看出，在不同的溫度下，融合后的檢測(cè)濃度更加接近目標(biāo)濃度值，并且穩(wěn)定性良好。通過(guò)進(jìn)一步計(jì)算線性度及溫度靈敏度系數(shù)，可以看出數(shù)據(jù)經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)融合后，線性度從3.6%減小到0.16%；溫度靈敏度系數(shù)減少4個(gè)數(shù)量級(jí)，從而得出如下結(jié)論：經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的融合，電化學(xué)氣體傳感

器的檢測(cè)結(jié)果的線性度以及溫度靈敏度都有不同程度的改善，氣體濃度的檢測(cè)精度也有所提升。若將該訓(xùn)練結(jié)果的BP神經(jīng)網(wǎng)絡(luò)參數(shù)移植到危害氣體預(yù)警穿戴系統(tǒng)內(nèi)部的微控制器或微處理器中進(jìn)行實(shí)時(shí)融合處理，則將有效提高危害氣體預(yù)警穿戴系統(tǒng)的檢測(cè)準(zhǔn)確性。

[1] 曾凱.穿戴式作業(yè)現(xiàn)場(chǎng)毒害氣體預(yù)警系統(tǒng)[D].上海：東華大學(xué)，2015.

[2] 劉君華.智能傳感器系統(tǒng)(第二版)[M].西安：西安電子科技大學(xué)出版社，2010.

[3] 田景文，高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M].北京：北京理工大學(xué)出版社，2006.

[4]DIEDERICHJ.Artificialneuralnetworks:conceptlearning[M].US:IEEEComputerSocietyPress,1990.

[5] 陳長(zhǎng)倫，何建波.電化學(xué)式氣體傳感器的研究進(jìn)展[J].傳感器世界，2004，10(4)：11-15.

[6]Alphasense.O2-A1[EB/OL].(2015-09-02)[2016-04-02].http://www.alphasense.com/WEB1213/wp-content/uploads/2015/09/O2A1.pdf.

Temperature compensation for wearable gases alarm system based on neural network

YuHao1,XuWujun1,2,YuanFanghong1，F(xiàn)anHong1,2

(1.CollegeofInformationScienceandTechnology,DonghuaUniversity,Shanghai201620,China;2.EngineeringResearchCenterofDigitizedTextile&FashionTechnology,MinistryofEducation,Shanghai201620,China)

Electrochemicalgassensorswereusedinwearablegasesalarmsystemfordetectingtheconcentrationofharmfulgases,andingeneralimplementedatemperaturecompensationtosinglepointconcentrationtoreducetheinfluenceoftemperaturetoconcentrationwiththemodelofsinglenon-linearregression,whichwillloseitsdetectionaccuracyinacertainrangeofconcentration.Inthispaper,theBPneuralnetworkmodelisusedtocarryoutthedatafusionofelectrochemicalgassensorsandtemperaturesensor,andtoeliminatetheinfluenceoftemperatureonthecrosssensitivityofgassensorinacertainrangeofconcentration,whichcanimprovethedetectionaccuracyofwearablealarmsystemfortheconcentrationofgases.TheconstructionandsimulationofBPneuralnetworkarecarriedoutbyMATLAB.Basedontheresultofdatafusion,thelineardegreeofgasconcentrationisimproved,andthetemperaturestabilityisimprovedobviously.Theconcentrationdetectionofharmfulgasesforwearablegasesalarmsystemismoreaccuratethancommonsinglenon-linearregressionmethod.

wearablegasesalarmsystem;electrochemicalgassensors;BPneuralnetwork;datafusion

TP391ADOI： 10.19358/j.issn.1674- 7720.2016.15.005

2016-04-07)

于浩(1991-)，男,碩士研究生，主要研究方向：嵌入式系統(tǒng)及其應(yīng)用。

許武軍(1972-)，通信作者，男，博士，副教授，碩士生導(dǎo)師，主要研究方向：穿戴電子與智能服裝，短距無(wú)線通信，嵌入式計(jì)算與機(jī)器視覺(jué)，衛(wèi)星導(dǎo)航與組合定位。E-mail:wujun.hsu@gmail.com。

引用格式：于浩，許武軍，袁方紅，等. 基于神經(jīng)網(wǎng)絡(luò)的氣體預(yù)警穿戴系統(tǒng)的溫度補(bǔ)償[J].微型機(jī)與應(yīng)用，2016,35(15)：18-20,23.