于　浩，許武軍,2，袁方紅，范　紅,2

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

?

基于神經(jīng)網(wǎng)絡的氣體預警穿戴系統(tǒng)的溫度補償

于浩1，許武軍1,2，袁方紅1，范紅1,2

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

氣體預警穿戴系統(tǒng)采用電化學氣體傳感器檢測作業(yè)現(xiàn)場的危害氣體濃度，通常采用一元非線性回歸模型對單一濃度下氣體檢測進行補償來減少溫度對濃度檢測的影響，但此方法在特定濃度范圍內(nèi)工作就會有失其檢測的準確性。該文采用BP神經(jīng)網(wǎng)絡模型對氣體和溫度傳感器進行有效的數(shù)據(jù)融合，在特定濃度范圍內(nèi)消除溫度對氣體傳感器交叉敏感的影響，從而改善氣體預警系統(tǒng)的檢測精度。通過MATLAB構建BP神經(jīng)網(wǎng)絡并仿真，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，使得氣體預警穿戴系統(tǒng)的危害氣體濃度的檢測值比常規(guī)的一元非線性回歸模型更加準確。

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

0　引言

在當今快速發(fā)展的信息化時代，傳感器技術是信息獲取的核心技術。傳感器作為信息的源頭和基礎，被應用于各種不同的信息系統(tǒng)中。氣體預警穿戴系統(tǒng)使用電化學氣體傳感器來檢測作業(yè)現(xiàn)場中的危害氣體濃度進行安全預警以降低作業(yè)人員的傷亡，但電化學氣體傳感器輸出的電流信號會隨著溫度的變化而呈指數(shù)增長，通常溫度每上升10℃，電流信號將會明顯增大，這樣就會因為溫度的變化影響氣體測量的準確性[1]。

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

1　系統(tǒng)特點及算法分析

為改善傳感器的檢測性能，多傳感器智能化技術迅速發(fā)展。將多個傳感器與計算機(或微處理器)組建成智能化傳感器系統(tǒng)可以提高單點位置處單參量的測量準確度；將多個傳感器獲得的多種信息的數(shù)據(jù)進行融合處理，采用BP神經(jīng)網(wǎng)絡模型來實現(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，線性度也得到改善[2]。

1.1智能傳感器系統(tǒng)

氣體預警穿戴系統(tǒng)除配置電化學氣體傳感器外還有溫度傳感器，可對氣體濃度的檢測值進行溫度補償，消除交叉敏感，以保證氣體濃度的檢測精度。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)絡概述

圖2　神經(jīng)元模型

人工神經(jīng)網(wǎng)絡(ArtificialNeuralNetwork，ANN)是由大量簡單的高度互聯(lián)的處理元素(神經(jīng)元)所組成的復雜網(wǎng)絡計算系統(tǒng)。將大量功能簡單的基本神經(jīng)元通過一定的拓撲結構組織起來，構成群體并行分布式處理的計算結構，這種結構就是人工神經(jīng)網(wǎng)絡[3-4]。人工神經(jīng)網(wǎng)絡的基本單元是神經(jīng)元，其模型如圖2所示。

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

1.3BP神經(jīng)網(wǎng)絡結構

圖3　BP網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡因其權值采用反向傳播的學習算法而得名，通常有一個或多個隱層，三層BP神經(jīng)網(wǎng)絡在實際中應用最廣泛，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i的輸出為:

Oi=pi

(1)

pi為第i個節(jié)點的輸入。

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

(2)

(3)節(jié)點j的總輸入：

表1　不同溫度下氧氣傳感器的靜態(tài)標定數(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)選用對數(shù)S型函數(shù)。節(jié)點k的輸出為：

(4)

(5)節(jié)點k的總輸入為：

(5)

1.4BP神經(jīng)網(wǎng)絡學習流程

BP網(wǎng)絡樣本學習流程如圖4所示。

圖4　BP網(wǎng)絡訓練過程

網(wǎng)絡初始化后隨機設定節(jié)點間的連接權值Iwji和Lwkj、閾值b1i和b2k、學習因子η、勢態(tài)因子α。將學習樣本輸入到網(wǎng)絡中，先后經(jīng)過隱層和輸出層的計算，得出輸出層和隱層訓練誤差δ2k和δ1j，判斷誤差是否滿足給定允許誤差ε，若不滿足就修正權值再次進行訓練，直到滿足要求。

2　數(shù)據(jù)的標定及融合

2.1電化學氣體傳感器及其二維標定實驗

電化學氣體傳感器是與待測氣體發(fā)生氧化還原反應而產(chǎn)生微弱電流的傳感器，電流的大小與待測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Alphasense公司的O2-A1[6]為實驗對象(檢測氧氣濃度以預警因其他危害氣體濃度過高而使得氧氣濃度過低導致人員窒息)，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)傳感器的性能進行二維標定，實驗數(shù)據(jù)如表1所示。

表1中16組樣本數(shù)據(jù)對包含輸入量與輸出量兩部分，每一組樣本對有IG、UT、T三個輸入量，對應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)對中的1/2～2/3作為神經(jīng)網(wǎng)絡訓練樣本，用于對神經(jīng)網(wǎng)絡訓練，形成網(wǎng)絡結構及權值；剩余的1/3～1/2樣本數(shù)據(jù)對作為對神經(jīng)網(wǎng)絡的檢驗樣本，對訓練后的神經(jīng)網(wǎng)絡進行檢驗。

為達到更好的數(shù)據(jù)融合效果，在融合之前先對數(shù)據(jù)進行歸一化處理。

(6)

2.3在MATLAB環(huán)境下數(shù)據(jù)融合流程

在MATLAB環(huán)境下進行數(shù)據(jù)融合主要分為構建BP神經(jīng)網(wǎng)絡和對樣本進行融合并得出結構系數(shù)兩部分，詳細流程如圖6所示。

圖6　MATLAB環(huán)境下數(shù)據(jù)融合過程

根據(jù)樣本數(shù)據(jù)可知BP神經(jīng)網(wǎng)絡應該設置3個輸入節(jié)點，6個隱層節(jié)點，1個輸出層節(jié)點。訓練迭代次數(shù)為1 000。

3　融合結果及分析

經(jīng)過訓練樣本的訓練以及檢測樣本的測試，讓BP神經(jīng)網(wǎng)絡多次學習，當檢驗結果與期望輸出偏差很小，滿足誤差范圍的一次學習，得到BP神經(jīng)網(wǎng)絡的結構參數(shù)。

輸入層與隱層之間的3×6個連接權值如下：

-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個閾值為：

-12.262-14.174-18.4732.95918.20610.926

隱層與輸出層的6個連接權值為：

14.9990.7730.441-5.1805.3324.808

輸出層的一個閾值為：4.858

融合后的數(shù)據(jù)如表2所示。

表2　融合結果

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)帶入方程計算不同溫度下的濃度，融合前后濃度計算情況如圖7所示。

圖7　融合前后氣體濃度對比

圖標為圓圈表示融合前的濃度計算值，三角表示融合后的濃度值。通過擬合方程計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　結論

從圖7融合前后氣體濃度檢測值對比中可看出，在不同的溫度下，融合后的檢測濃度更加接近目標濃度值，并且穩(wěn)定性良好。通過進一步計算線性度及溫度靈敏度系數(shù)，可以看出數(shù)據(jù)經(jīng)過BP神經(jīng)網(wǎng)絡融合后，線性度從3.6%減小到0.16%；溫度靈敏度系數(shù)減少4個數(shù)量級，從而得出如下結論：經(jīng)過神經(jīng)網(wǎng)絡的融合，電化學氣體傳感

器的檢測結果的線性度以及溫度靈敏度都有不同程度的改善，氣體濃度的檢測精度也有所提升。若將該訓練結果的BP神經(jīng)網(wǎng)絡參數(shù)移植到危害氣體預警穿戴系統(tǒng)內(nèi)部的微控制器或微處理器中進行實時融合處理，則將有效提高危害氣體預警穿戴系統(tǒng)的檢測準確性。

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

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

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

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

[5] 陳長倫，何建波.電化學式氣體傳感器的研究進展[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)及其應用。

許武軍(1972-)，通信作者，男，博士，副教授，碩士生導師，主要研究方向：穿戴電子與智能服裝，短距無線通信，嵌入式計算與機器視覺，衛(wèi)星導航與組合定位。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)絡的氣體預警穿戴系統(tǒng)的溫度補償[J].微型機與應用，2016,35(15)：18-20,23.