周喚雄

基于BP神經(jīng)網(wǎng)絡(luò)的汽車(chē)尾氣檢測(cè)系統(tǒng)設(shè)計(jì)

周喚雄

（甘肅交通職業(yè)技術(shù)學(xué)院，甘肅 蘭州 730070）

汽車(chē)使用量的快速增長(zhǎng)，在很大程度上解決了人們的出行問(wèn)題，但同時(shí)也向環(huán)境保護(hù)提出了更大的挑戰(zhàn)。為檢測(cè)車(chē)輛排放的尾氣中污染物的種類(lèi)與數(shù)量，設(shè)計(jì)汽車(chē)尾氣檢測(cè)系統(tǒng)，介紹了系統(tǒng)中軟件與硬件組成，基于C#語(yǔ)言開(kāi)發(fā)上位機(jī)軟件對(duì)采集數(shù)據(jù)進(jìn)行處理與顯示，并在檢測(cè)系統(tǒng)中加入基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。通過(guò)實(shí)驗(yàn)結(jié)果分析可知，該測(cè)量系統(tǒng)具有較強(qiáng)的檢測(cè)能力和較高的檢測(cè)精度，能夠?qū)?種氣體進(jìn)行準(zhǔn)確測(cè)量，此外，將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用在該尾氣檢測(cè)系統(tǒng)中，使得預(yù)測(cè)系統(tǒng)具有更高的預(yù)測(cè)精度，收斂速度大幅度增加，能夠較好地適應(yīng)汽車(chē)尾氣預(yù)測(cè)系統(tǒng)，解決實(shí)際預(yù)測(cè)難題。

BP神經(jīng)網(wǎng)絡(luò)；汽車(chē)尾氣；檢測(cè)系統(tǒng)；C#語(yǔ)言

1 引言

汽車(chē)尾氣中包含的有毒化合物對(duì)大氣污染的影響程度極高，檢測(cè)和控制汽車(chē)尾氣污染，已成為目前眾多學(xué)者關(guān)注的焦點(diǎn)[1]。在整治機(jī)動(dòng)車(chē)尾氣污染的過(guò)程中，首先需要對(duì)污染物進(jìn)行檢測(cè)與分析。除了在怠速和高怠速條件下對(duì)廢氣污染物測(cè)量方式的規(guī)定以外，國(guó)家標(biāo)準(zhǔn)還確定了不同型號(hào)汽車(chē)的廢氣污染物排放最值。汽車(chē)尾氣污染物檢測(cè)時(shí)涉及的檢測(cè)項(xiàng)目包括：CO、HC、CO2、O2、NO等[2]。

2 檢測(cè)系統(tǒng)設(shè)計(jì)

2.1 檢測(cè)系統(tǒng)硬件設(shè)計(jì)

本文設(shè)計(jì)的汽車(chē)尾氣檢測(cè)系統(tǒng)硬件組成方式如圖1所示。

圖1 汽車(chē)尾氣檢測(cè)系統(tǒng)硬件結(jié)構(gòu)

檢測(cè)系統(tǒng)硬件采用工業(yè)控制計(jì)算機(jī)作為上位機(jī)，工業(yè)控制計(jì)算機(jī)與LED顯示屏相連進(jìn)行參數(shù)顯示，通過(guò)尾氣分析儀初步檢測(cè)尾氣中各項(xiàng)氣體含量并傳輸?shù)焦I(yè)控制計(jì)算機(jī)中進(jìn)行數(shù)據(jù)處理，通過(guò)紅外光電開(kāi)關(guān)對(duì)I/O口進(jìn)行開(kāi)關(guān)控制[3]。尾氣分析儀依據(jù)不同氣體對(duì)紅外光譜吸收能力不同來(lái)測(cè)定出汽車(chē)尾氣的污染物種類(lèi)與數(shù)量[4]。本文所設(shè)計(jì)的檢測(cè)系統(tǒng)能夠檢測(cè)汽車(chē)尾氣中CO、HC、CO2、O2和NO五種污染氣體的含量，測(cè)量得到的數(shù)據(jù)在LED顯示屏中顯示，通過(guò)RS-485串行總線與工業(yè)控制計(jì)算機(jī)相連進(jìn)行數(shù)據(jù)交換。

實(shí)驗(yàn)過(guò)程中配制不同濃度的氣體混合物進(jìn)行實(shí)驗(yàn)，將氣體與檢測(cè)系統(tǒng)泵體相連，從而使氣體通入傳感器陣列測(cè)試腔內(nèi)，將各傳感器采集的信號(hào)進(jìn)行初步處理后，得到實(shí)驗(yàn)數(shù)據(jù)初值，為縮短測(cè)量系統(tǒng)網(wǎng)絡(luò)的收斂時(shí)間，提高模型預(yù)測(cè)精度，本文建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行測(cè)量分析，并與設(shè)定值對(duì)比對(duì)該系統(tǒng)模型的測(cè)量精度進(jìn)行驗(yàn)證[5]。

2.2 檢測(cè)系統(tǒng)軟件設(shè)計(jì)

本尾氣檢測(cè)系統(tǒng)采用C#語(yǔ)言編寫(xiě)上位機(jī)軟件，能夠顯示不同怠速下汽車(chē)尾氣有毒氣體的濃度，汽車(chē)尾氣檢測(cè)系統(tǒng)的上位機(jī)軟件界面如圖2所示。

圖2 汽車(chē)尾氣檢測(cè)系統(tǒng)界面

3 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

3.1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)基本原理

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的訓(xùn)練算法可分為兩大類(lèi)別：有導(dǎo)師學(xué)習(xí)、無(wú)導(dǎo)師學(xué)習(xí)。本設(shè)計(jì)采用有導(dǎo)師學(xué)習(xí)的類(lèi)型，即通過(guò)提供足夠數(shù)量的正確輸入、輸出樣本對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練，達(dá)到教學(xué)的目的。該學(xué)習(xí)規(guī)則的一般步驟為：先進(jìn)行前向傳播，系統(tǒng)輸入值先后進(jìn)入神經(jīng)網(wǎng)絡(luò)的輸入層、隱藏層、輸出層產(chǎn)生相應(yīng)的輸出數(shù)據(jù)，再反向傳播，將通過(guò)神經(jīng)網(wǎng)絡(luò)的輸出值與期望值即樣本的輸出值數(shù)據(jù)進(jìn)行比對(duì)，根據(jù)學(xué)習(xí)規(guī)則調(diào)整預(yù)測(cè)的權(quán)重和臨界值，反復(fù)多次，當(dāng)輸出結(jié)果和實(shí)際值之間的偏差在可接受范圍中時(shí)，停止運(yùn)行。

BP神經(jīng)網(wǎng)絡(luò)為一類(lèi)采用有導(dǎo)師學(xué)習(xí)的訓(xùn)練算法、偏差反饋與調(diào)節(jié)的神經(jīng)網(wǎng)絡(luò)。其具體結(jié)構(gòu)一般包括輸入層、隱藏層（可多個(gè)）和輸出層[6]。

3.2 神經(jīng)網(wǎng)絡(luò)模型

針對(duì)汽車(chē)尾氣檢測(cè)系統(tǒng)選定神經(jīng)網(wǎng)絡(luò)框架，首先選定輸入輸出層的數(shù)量。由于決策向量有兩個(gè)，分別是尾氣所含氣體種類(lèi)、尾氣所含各種氣體的數(shù)量。將這兩個(gè)決策變量作為輸入，以滿足目標(biāo)函數(shù)以及前2條約束條件的隨機(jī)仿真值作為輸出，由于各氣體檢測(cè)量為一個(gè)與氣體總量N相關(guān)的數(shù)組，所以輸入層的控制點(diǎn)數(shù)量是+1，輸出層的控制點(diǎn)數(shù)量是2。由于隱藏層控制點(diǎn)數(shù)量可能影響網(wǎng)絡(luò)性能，因此確定隱藏層控制點(diǎn)個(gè)數(shù)較為重要。若隱層節(jié)點(diǎn)數(shù)過(guò)多，會(huì)降低網(wǎng)絡(luò)運(yùn)算效率。

步驟1：選取各層激勵(lì)函數(shù)。

本文模型的輸入層與隱藏層選擇雙曲正切函數(shù)tan作為激擾輸入，而將一次函數(shù)()=作為輸出層的激擾輸入。

步驟2：BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則與運(yùn)算步驟。

對(duì)于正向傳播：設(shè)樣本為：=[1,2,…,x]，=[1,2,…,y]（,分別為輸入層、輸出層控制點(diǎn)個(gè)數(shù)），當(dāng)樣本輸入神經(jīng)元時(shí)，輸入樣本與權(quán)重矩陣1（×1矩陣，1為隱藏層神經(jīng)元的數(shù)量），所得結(jié)果代入激勵(lì)函數(shù)，得出隱藏層的輸出參數(shù)=[1,2,…,j]。隱藏層的輸出值再與隱藏層與輸出層之間的權(quán)重矩陣1（為×1的矩陣）相乘，所得結(jié)果代入二者之間的傳遞函數(shù)，所得結(jié)果為神經(jīng)網(wǎng)絡(luò)輸出值=[1,2,…,z]。

對(duì)于反向傳播：通過(guò)網(wǎng)絡(luò)輸出值與期望值（輸出樣本）的比對(duì)，求出網(wǎng)絡(luò)輸出的誤差，一般的求法是與差值的平方和，然后對(duì)誤差進(jìn)行分配，調(diào)整每一個(gè)權(quán)重和閾值。

設(shè)定學(xué)習(xí)次數(shù)與精度要求，多次重復(fù)上述的訓(xùn)練過(guò)程，直到達(dá)到規(guī)定的次數(shù)或精度要求為止。至此，本文所需的神經(jīng)網(wǎng)絡(luò)的功能用神經(jīng)網(wǎng)絡(luò)估計(jì)來(lái)估計(jì)函數(shù)的任務(wù)已完成，不需進(jìn)行下一步的回歸擬合。

4 實(shí)驗(yàn)驗(yàn)證與分析

在數(shù)據(jù)監(jiān)測(cè)過(guò)程中，通過(guò)采用不同汽車(chē)類(lèi)型進(jìn)行測(cè)試，從而獲得足夠數(shù)量的實(shí)驗(yàn)結(jié)果，采用神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差表如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差表

由表1數(shù)據(jù)可知，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)O2、CH、CO和CO2氣體濃度的預(yù)測(cè)數(shù)據(jù)誤差都不超過(guò)2.4%，NO的預(yù)測(cè)數(shù)值不超過(guò)4.1%，NO的高度不穩(wěn)定性是使得準(zhǔn)確性降低的主要因素。

5 結(jié)論

針對(duì)汽車(chē)尾氣檢測(cè)過(guò)程中所存在的技術(shù)難度大與測(cè)量精度低的問(wèn)題，設(shè)計(jì)了一套基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的氣體檢測(cè)系統(tǒng)，對(duì)軟件和硬件平臺(tái)的搭建方法進(jìn)行介紹，并開(kāi)展現(xiàn)場(chǎng)實(shí)驗(yàn)。由實(shí)驗(yàn)數(shù)據(jù)可知，該測(cè)量模型擁有平穩(wěn)性能強(qiáng)與測(cè)量誤差小的優(yōu)點(diǎn)，能夠?qū)?種氣體進(jìn)行準(zhǔn)確識(shí)別與測(cè)量，此外，將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用在該尾氣檢測(cè)系統(tǒng)中，使得預(yù)測(cè)系統(tǒng)具有更高預(yù)測(cè)精度，收斂速度大幅度增加，能夠較好地適應(yīng)汽車(chē)尾氣預(yù)測(cè)系統(tǒng)，解決實(shí)際預(yù)測(cè)難題。

[1] 李鋼,谷威,劉進(jìn),等.在用汽車(chē)尾氣遙測(cè)法檢測(cè)及排放限值的研究[J].環(huán)境科學(xué)與技術(shù),2016(S2):378-383.

[2] 張坤,陳鋒.非分光紅外車(chē)輛尾氣傳感器系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng),2016,35(2):130-132.

[3] 徐亞丹,工俊,趙國(guó)軍.檢測(cè)摻假牛奶的電子鼻傳感器陣列的優(yōu)化[J].傳感技術(shù)學(xué)報(bào),2006(4):957-962.

[4] 劉萍,簡(jiǎn)家文,陳志蕓.基于集成神經(jīng)網(wǎng)絡(luò)的汽車(chē)尾氣檢測(cè)系統(tǒng)設(shè)計(jì)[J].環(huán)境工程學(xué)報(bào),2016(4):1883-1887.

[5] 張雪.城市軌道交通社會(huì)效益研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2011.

[6] 馬超云.城市軌道交通換乘站列車(chē)時(shí)刻表的協(xié)調(diào)和優(yōu)化[D].北京:北京交通大學(xué),2010.

Design of automobile exhaust detection system based on BP neural network

Zhou Huanxiong

( Gansu Vocational and Technical College of Communications, Gansu Lanzhou 730070 )

The rapid growth of car use has largely solved the problem of people's travel, but it also poses a greater challenge to environmental protection. In order to detect the types and quantities of pollutants in vehicle exhaust, the automobile exhaust detection system is designed, and the software and hardware components of the system are introduced. The upper computer software based on C# language is developed to process and display the collected data, and a prediction model based on BP neural network is added to the detection system. By analysing the experimental result shows that the measuring system has strong ability of detection and high detection accuracy, can carry on the accurate measurement of five kinds of gas, in addition, the BP neural network model used in the tail gas detection system, made the forecast system has higher prediction accuracy, convergence speed increase, can better adapt to the automobile exhaust prediction system, to solve practical prediction problem.

BP neural network; automobile exhaust; detection system; C# language

TP183

A

1671-7988(2019)18-107-03

TP183

A

1671-7988(2019)18-107-03

周喚雄，學(xué)士、實(shí)驗(yàn)師，就職于甘肅交通職業(yè)技術(shù)學(xué)院、研究方向?yàn)槠?chē)檢測(cè)技術(shù)。

10.16638/j.cnki.1671-7988.2019.18.035