李 鵬徐永凱楊佳康陸 一

(1.南京信息工程大學(xué),江蘇省氣象探測與信息處理重點(diǎn)實(shí)驗(yàn)室,江蘇 南京 210044；2.南京信息工程大學(xué),江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心,江蘇 南京 210044；3.南京信息工程大學(xué)濱江學(xué)院,江蘇 無錫 214105)

隨著我國工業(yè)的迅猛發(fā)展,在日常生產(chǎn)生活中,由危險(xiǎn)化學(xué)氣體泄漏而引發(fā)的災(zāi)難性事件時(shí)有發(fā)生,這對人們的生命財(cái)產(chǎn)造成極大威脅,也引起社會(huì)的廣泛關(guān)注及相關(guān)部門的高度重視。這些泄漏氣體一般不是某種單一氣體,以混合氣體居多,因此如何快速、準(zhǔn)確地識別混合氣體中的組分是一項(xiàng)重要研究工作。而人工嗅覺的智能檢測應(yīng)用極為廣泛,在氣味識別、環(huán)境監(jiān)測、食品質(zhì)量監(jiān)管[1]、醫(yī)療衛(wèi)生[2]及公眾安全[3]等領(lǐng)域發(fā)揮著重要的作用。因此,可以利用人工嗅覺對工業(yè)生產(chǎn)及日常生活中泄漏的混合氣體進(jìn)行識別與分類。

人工嗅覺(Artificial Olfaction,AO)模仿生物的嗅覺系統(tǒng),一般采用氣敏傳感器陣列與模式識別算法相結(jié)合的手段對被檢氣體進(jìn)行定性分析,從而達(dá)到對混合氣體進(jìn)行識別與分類的目的。金屬氧化物半導(dǎo)體(metal oxide semiconductor,MOS)氣敏傳感器具有成本低、反應(yīng)速度快、使用壽命長等優(yōu)點(diǎn),因此常被用來構(gòu)建傳感器陣列。但MOS 氣敏傳感器具有交叉敏感性[4],即一種類型的氣敏傳感器可同時(shí)對多種氣體發(fā)生反應(yīng),這對人工嗅覺的分類效果影響很大。若通過改進(jìn)金屬材料來改善氣敏傳感器的性能較為困難,且研發(fā)周期較長、成本高,而從氣敏傳感器陣列與人工智能算法相結(jié)合的角度更容易實(shí)現(xiàn)[5]。通過氣敏傳感器陣列與相關(guān)算法相結(jié)合,可實(shí)現(xiàn)對混合氣體定性分析的目的,從而為后續(xù)氣體濃度的定量分析提供重要支撐。

近年來,為了提高人工嗅覺的檢測準(zhǔn)確度與精度,許永輝[6]、譚光韜[7]、陶孟琪[8]、Zhang L[9]、Yoo Y[10]、Sunny[11]等均做了很多努力。以上各類方法的大致過程是通過人工設(shè)計(jì)特征提取函數(shù)對傳感器響應(yīng)值進(jìn)行相關(guān)特征提取,如響應(yīng)穩(wěn)態(tài)值、響應(yīng)基值、響應(yīng)時(shí)間、響應(yīng)恢復(fù)時(shí)間等,然而此類傳統(tǒng)方法中人工特征提取函數(shù)的設(shè)計(jì)過程較為復(fù)雜,分類準(zhǔn)確度很大程度上取決于特征提取函數(shù)設(shè)計(jì)效果的好壞,且特征提取函數(shù)不能根據(jù)響應(yīng)信號進(jìn)行自適應(yīng)調(diào)整,而卷積神經(jīng)網(wǎng)絡(luò)具備自適應(yīng)特征提取能力,因此可以應(yīng)用在氣體分類上。而氣敏傳感器的輸出信號為一維時(shí)間序列,因此本文基于一維卷積神經(jīng)網(wǎng)絡(luò)(One-Dimensional Convolutional Neural Network,1D-CNN)進(jìn)行改進(jìn),實(shí)現(xiàn)對被測混合氣體的識別與分類。

1 卷積神經(jīng)網(wǎng)絡(luò)算法

卷積神經(jīng)網(wǎng)絡(luò)(CNN)在二維信號處理方面應(yīng)用最早,尤其在圖像處理方面的應(yīng)用,如最早的手寫字識別[12]、圖像檢索[13]、人臉識別[14]等,隨著技術(shù)的發(fā)展,研究人員開始嘗試將CNN 用來處理三維信號如行為識別[15]、醫(yī)學(xué)診斷[16]等與一維信號如語義識別[17]、文本識別[18]、心電識別[19]等,均表現(xiàn)出良好的應(yīng)用效果。本文采用一維卷積神經(jīng)網(wǎng)絡(luò)對混合氣體進(jìn)行識別,與傳統(tǒng)方法的不同之處在于不需要人工設(shè)計(jì)特征提取函數(shù)對信號進(jìn)行特征提取,可以節(jié)省不少時(shí)間。因?yàn)樘卣魈崛『瘮?shù)設(shè)計(jì)往往較為復(fù)雜,對每一特征提取就需要設(shè)計(jì)一次函數(shù),復(fù)雜程度高、難度大,且提取效果也并不是每次都能盡如人意,而卷積神經(jīng)網(wǎng)絡(luò)可自動(dòng)、全面地對原始數(shù)據(jù)進(jìn)行特征提取與學(xué)習(xí),比較適合完成對混合氣體進(jìn)行分類的任務(wù)。

1.1 一維卷積神經(jīng)網(wǎng)絡(luò)基本原理

本文所提出的1D-CNN 主要包括輸入層、隱含層、全局平均池化層、輸出層,如圖1 所示為一維卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖,整個(gè)網(wǎng)絡(luò)有四個(gè)隱含層,其中每個(gè)隱含層包括兩個(gè)卷積層、一個(gè)池化層與激活函數(shù)(tanh 函數(shù))。卷積層用來提取傳感器陣列原始信號的特征,可以改善MOS 傳感器的選擇性；而池化層可以保留顯著特征、降低特征的維度,從而減小數(shù)據(jù)運(yùn)算量與復(fù)雜程度。原始相應(yīng)信號通過輸入層輸送至神經(jīng)網(wǎng)絡(luò),經(jīng)過各隱含層的特征提取、池化降維等操作,最后通過softmax 函數(shù)對響應(yīng)信號進(jìn)行分類。

圖1 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 特征提取與分類

一維卷積神經(jīng)網(wǎng)絡(luò)[20-21]主要通過卷積運(yùn)算提取輸入數(shù)據(jù)的特征,可有效降低原始數(shù)據(jù)對后續(xù)操作的噪聲干擾,從而提高分類結(jié)果的準(zhǔn)確率,其輸出特征圖作為下一層輸入。常見二維卷積提取的特征既與水平方向相關(guān)[22],又與垂直方向相關(guān),而此處一維卷積提取的特征僅與水平方向相關(guān),且氣敏傳感器輸出的響應(yīng)信號是一維時(shí)間序列,而非二維圖像的像素點(diǎn),因此非常適合用一維卷積運(yùn)算對輸出的響應(yīng)信號進(jìn)行特征提取。一維卷積運(yùn)算的示意圖如圖2 所示,其表達(dá)式如(1)所示,xj代表輸出,表示第j層卷積層的第i個(gè)一維卷積核的輸出。

圖2 一維卷積運(yùn)算示意圖

式中:M為輸入數(shù)據(jù)集,為卷積核,*為卷積符號,b為偏置項(xiàng),f為激活函數(shù)。在本文中,四個(gè)隱含層的卷積核大小分別為1×16×8、1×4×16、1×4×256、1×2×512,其中8、16、256、512 分別為卷積核的數(shù)量。

本文特征提取部分采用每個(gè)隱含層兩個(gè)卷積層加一個(gè)池化層的結(jié)構(gòu),可以進(jìn)一步提取數(shù)據(jù)的相關(guān)特征,同時(shí)池化采用最大池化,以去除冗余信息、減小數(shù)據(jù)的尺寸,而不改變數(shù)據(jù)的維度,也不涉及權(quán)重與參數(shù)更新,這樣可以有效減輕神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)負(fù)擔(dān)與運(yùn)算量。最大池化的表達(dá)式如(2)所示,這里池化步長為2。

一般卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)會(huì)在網(wǎng)絡(luò)最后的池化層后加兩個(gè)全連接層(Fully Connected Layer,FC)[23],全連接層的作用是將上一層得到的特征圖延展為向量,再對向量進(jìn)行卷積,以降低其維度,但這將大大增加模型復(fù)雜度、降低訓(xùn)練速度,容易導(dǎo)致過擬合現(xiàn)象的出現(xiàn),而全局平均池化(Golbal Average Pooling,GAP)則可改善這一不利因素。因氣敏傳感器的輸出響應(yīng)信號在時(shí)間域上是連續(xù)、相關(guān)的,對其進(jìn)行GAP 操作可以保證采樣特征的連續(xù)性,并可有效去除冗余信息,提高運(yùn)算效率,減少過擬合出現(xiàn)的概率。同時(shí),在全局平均池化層后加入Dropout 層,可減少中間特征的數(shù)量、提高運(yùn)算效率,增強(qiáng)模型的泛化能力,預(yù)防過擬合現(xiàn)象的出現(xiàn)。

如果分類標(biāo)簽采用獨(dú)熱編碼的話,混合氣體分類的數(shù)目會(huì)隨著混合氣體種類呈現(xiàn)指數(shù)型的增加,例如如果某種混合氣體含有m種成分,則會(huì)產(chǎn)生2m個(gè)標(biāo)簽,這樣標(biāo)簽維度將會(huì)變得很大,為有效降低標(biāo)簽維度,本文采用將獨(dú)熱編碼轉(zhuǎn)換成多標(biāo)簽分類方法,如表1 所示,“0”代表沒有這種氣體,“1”代表有這種氣體,多標(biāo)簽分類可將獨(dú)熱編碼的(0,0,0)轉(zhuǎn)換成0 表示,可有效解決獨(dú)熱編碼標(biāo)簽尺寸大的問題。

表1 混合氣體標(biāo)簽

最后再通過softmax 函數(shù)對輸入數(shù)據(jù)進(jìn)行分類并利用分類交叉熵函數(shù)計(jì)算損失。softmax 函數(shù)常用來解決多分類問題,其表達(dá)式如式(3)所示。

式中:xk為第k個(gè)節(jié)點(diǎn)的輸出值。softmax 函數(shù)首先對輸入信號進(jìn)行指數(shù)變換,這樣可以將多分類的數(shù)值轉(zhuǎn)換為[0,1]且和為1 的概率分布,而得到數(shù)值可看作該輸入的處理結(jié)果而被分為某一類的近似概率,并將其劃分為對應(yīng)概率最大的標(biāo)簽類。

最后對其進(jìn)行預(yù)測分類與損失計(jì)算如式(4)、式(5)所示。

式中:ypre為對目標(biāo)氣體的預(yù)測,yprei為預(yù)測正確的概率,WT為權(quán)重,b為偏置,yi為真實(shí)標(biāo)簽,n為分類標(biāo)簽數(shù),最終將交叉熵函數(shù)作為訓(xùn)練的損失函數(shù),損失函數(shù)輸出值越小,則說明模型訓(xùn)練越好。如果預(yù)測值與真實(shí)值越接近,交叉熵函數(shù)輸出值就越接近0,而若預(yù)測值與真實(shí)值誤差較大,在反向傳播訓(xùn)練過程中,各種參數(shù)調(diào)整幅度也會(huì)隨之變大,從而使模型更快地收斂。

2 實(shí)驗(yàn)數(shù)據(jù)的獲取

實(shí)驗(yàn)數(shù)據(jù)的獲取需要搭建數(shù)據(jù)采集系統(tǒng),這里針對甲烷(CH4)、一氧化碳(CO)、乙烯(C2H4)及兩種混合氣體進(jìn)行采集數(shù)據(jù),整個(gè)數(shù)據(jù)采集系統(tǒng)的框圖如3 所示。

圖3 數(shù)據(jù)采集系統(tǒng)

整個(gè)數(shù)據(jù)采集系統(tǒng)主要由氣瓶、氣敏傳感器陣列、數(shù)據(jù)采集卡及計(jì)算機(jī)等組成。其中三個(gè)氣瓶分別存有甲烷、一氧化碳和乙烯,可根據(jù)需求配制不同濃度的單一氣體或混合氣體。配置濃度計(jì)算公式如式(6)所示。

式中:Q為需要輸送至配氣箱內(nèi)的氣體體積,單位為mL,C為所需配置氣體濃度ppm(parts per million,百萬分比),V為配氣箱的有效容積,單位為mL,此處V＝27 cm×27 cm×28 cm＝20 412 cm3,則V的取值為20 412 mL,這里高壓氣瓶里的氣體經(jīng)減壓閥降至0.1 MPa 再經(jīng)流量計(jì)輸送至配氣箱內(nèi),所以可以忽略壓強(qiáng)的影響。如需配置100×10-6的CO,根據(jù)式(6)可計(jì)算出Q＝100×10-6×20 412 mL＝2.041 2 mL,即需向配氣箱內(nèi)輸送2.041 2 mL 的CO 氣體即可。傳感器陣列由四種不同型號的傳感器組成:分別為費(fèi)加羅公司TGS2600、TGS2610、TGS2611 和TGS2620,表2 列出了不同傳感器可與發(fā)生反應(yīng)的氣體。當(dāng)目標(biāo)氣體進(jìn)入MOS 氣敏傳感器,與其內(nèi)部半導(dǎo)體元件發(fā)生反應(yīng)時(shí),半導(dǎo)體元件會(huì)發(fā)生還原反應(yīng),釋放熱量,使得元件溫度升高,電阻發(fā)生變化,可以利用這一特性,將氣體組分和濃度轉(zhuǎn)換成電信號進(jìn)行輸出。

表2 傳感器陣列選型

實(shí)驗(yàn)配氣采用靜態(tài)配氣法,首先每次配氣前先用純凈氮?dú)馇逑磳?shí)驗(yàn)箱3 min,待輸出響應(yīng)值基本穩(wěn)定后根據(jù)式(6)進(jìn)行不同濃度的氣體配置,輸入氣體體積通過流量計(jì)瞬時(shí)流量和時(shí)間相乘可以得出。同時(shí)用數(shù)據(jù)采集卡記錄氣體與傳感器陣列反應(yīng)的輸出響應(yīng)信號,此處數(shù)據(jù)采集卡的采樣頻率設(shè)置為10 Hz,每次采樣時(shí)長為5 min,采集不同濃度甲烷、一氧化碳、乙烯及兩種混合氣體,其中三種單一氣體取值為0～500×10-6,間隔為100×10-6,如表3 所示；混合氣體濃度分布如表4、表5 所示。

表3 單一氣體濃度

表4 甲烷、一氧化碳混合氣體濃度

表5 乙烯、一氧化碳混合氣體濃度

每組數(shù)據(jù)采集60 次,共計(jì)獲得4080 條數(shù)據(jù),訓(xùn)練樣本與測試樣本的數(shù)據(jù)量比例為7∶3。

3 氣體檢測方法流程

圖4 所示為整個(gè)氣體識別算法流程圖,整個(gè)過程主要分為兩個(gè)階段:訓(xùn)練階段和測試階段。首先通過氣敏傳感器陣列與目標(biāo)氣體發(fā)生反應(yīng)采集相關(guān)數(shù)據(jù),在訓(xùn)練階段,對采集到的數(shù)據(jù)貼上標(biāo)簽,并隨機(jī)打亂排列順序；通過隱含層的卷積運(yùn)算與池化操作對響應(yīng)信號進(jìn)行特征提取與降維處理,并通過反向傳播更新權(quán)重,保存最優(yōu)模型參數(shù)。測試階段,通過前期訓(xùn)練好的模型,對輸入數(shù)據(jù)進(jìn)行分類,得出識別結(jié)果。

圖4 氣體識別算法流程

4 實(shí)驗(yàn)結(jié)果與對比

實(shí)驗(yàn)選取甲烷、一氧化碳、乙烯及兩種混合氣體的實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本,采用改進(jìn)一維卷積神經(jīng)網(wǎng)絡(luò)對其進(jìn)行識別與分類。除了選用改進(jìn)前的1D-CNN算法比較外,還與其他傳統(tǒng)算法如支持向量機(jī)(Support Vector Machine,SVM)、主成分分析法(Principal Component Analysis,PCA)、K 最近鄰(K-Nearest Neighbor,KNN)做對比,因SVM、PCA、KNN 不能進(jìn)行數(shù)據(jù)特征的自動(dòng)提取,需人工設(shè)計(jì)特征提取函數(shù)。如圖5 所示為四種傳感器對濃度為200×10-6的CO 濃度響應(yīng)曲線,可看出每種傳感器的響應(yīng)基值(傳感器在空氣中輸出電壓值)、響應(yīng)建立時(shí)間(響應(yīng)值從基值上升到最大響應(yīng)值的90%所用時(shí)間)、響應(yīng)恢復(fù)時(shí)間(響應(yīng)值從最大響應(yīng)值下降了90%所用時(shí)間)均有差異,可根據(jù)這些特點(diǎn)進(jìn)行特征提取函數(shù)的設(shè)計(jì)。

圖5 不同傳感器對200×10-6 CO 的響應(yīng)

如圖6 所示,(a)、(b)為改進(jìn)前1D-CNN 的訓(xùn)練準(zhǔn)確率和損失率,可以看出訓(xùn)練結(jié)果收斂性較差一些,最佳準(zhǔn)確率最終達(dá)到92%左右；(c)、(d)分別為改進(jìn)后1D-CNN 的訓(xùn)練準(zhǔn)確率和損失率,收斂性較好且最終訓(xùn)練識別準(zhǔn)確率基本接近100%、損失率接近0,可以看出利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取的特征對數(shù)據(jù)進(jìn)行分類,具有準(zhǔn)確率高、損失小的優(yōu)勢。

圖6 訓(xùn)練結(jié)果圖

為進(jìn)一步說明本文所提出的改進(jìn)1D-CNN 算法在氣體識別與分類方面的性能,表6 列出了不同方法在氣體檢測性能方面的比較,這里1D-CNN 與改進(jìn)的1D-CNN 參數(shù)設(shè)置相同,batch size 為20,優(yōu)化器Adam 學(xué)習(xí)率為0.000 35,dropout 設(shè)為0.35；CNN＋SVM 中CNN 參數(shù)保持同上,SVM 懲罰系數(shù)C設(shè)為0.9,采用線性內(nèi)核；長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)batch size 為20,步長設(shè)為2,隱層為256,學(xué)習(xí)率為0.001；極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)正則化系數(shù)的倒數(shù)C 設(shè)為10,學(xué)習(xí)率設(shè)為0.3,可以看出相較于未改進(jìn)的1D-CNN 算法,改進(jìn)后的1D-CNN 算法在分類準(zhǔn)確率上有7.62%的提高,而相比于其他三種算法,它們的訓(xùn)練準(zhǔn)確率在70%～80%之間,均沒有改進(jìn)后的1D-CNN 算法訓(xùn)練準(zhǔn)確率高,因此改進(jìn)后的1D-CNN 算法在準(zhǔn)確率上占據(jù)優(yōu)勢。

表6 不同方法準(zhǔn)確率

5 結(jié)論

針對金屬氧化物半導(dǎo)體氣敏傳感器陣列在氣體檢測時(shí)選擇性差的問題,本文通過搭建改進(jìn)的1DCNN 網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)集進(jìn)行模型的訓(xùn)練,實(shí)現(xiàn)了對甲烷、一氧化碳、乙烯及兩種混合氣體的識別與分類。實(shí)驗(yàn)結(jié)果表明1D-CNN 復(fù)雜特征提取能力優(yōu)于傳統(tǒng)算法,不再依賴人工特征提取,簡化了特征提取過程,同時(shí)分類準(zhǔn)確率也相應(yīng)提升,也為后續(xù)氣體組分的濃度估計(jì)提供了重要支撐。