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.數字化紡織服裝技術教育部工程研究中心，上海201620)

　　摘要：氣體預警穿戴系統采用電化學氣體傳感器檢測作業現場的危害氣體濃度，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工作就會有失其檢測的準確性。該文采用BP神經網絡模型對氣體和溫度傳感器進行有效的數據融合，在特定濃度范圍內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的檢測精度。通過MATLAB構建BP神經網絡并仿真，發現數據融合后氣體濃度線性度得到提升，溫度穩定性有明顯改善，使得氣體預警穿戴系統的危害氣體濃度的檢測值比常規的一元非線性回歸模型更加準確。

　　關鍵詞：氣體預警穿戴系統；電化學氣體傳感器；BP神經網絡；數據融合

0引言

　　在當今快速發展的信息化時代，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中。氣體預警穿戴系統使用電化學氣體傳感器來檢測作業現場中的危害氣體濃度進行安全預警以降低作業人員的傷亡，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，所以在溫度補償的方法上需要做進一步改進。

1系統特點及算法分析

　　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據進行融合處理，采用BP神經網絡模型來實現數據融合，在抑制交叉敏感、改善傳感器穩定性的同時，線性度也得到改善［2］。

　　1.1智能傳感器系統

　　氣體預警穿戴系統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。智能傳感器系統的數據融合框圖如圖1所示。

　　1.2人工神經網絡概述

　　人工神經網絡(Artificial Neural Network，ANN)是由大量簡單的高度互聯的處理元素(神經元)所組成的復雜網絡計算系統。將大量功能簡單的基本神經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網絡［34］。圖2神經元模型

　　人工神經網絡的基本單元是神經元，其模型如圖2所示。

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

　　1.3BP神經網絡結構

　　BP神經網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神經網絡在實際中應用圖3BP網絡模型最廣泛，其模型如圖3所示。

　　(1)輸入層神經元作用函數。輸入層神經元作用函數選用純線性函數，節點i的輸出為:

　　Oi=pi(1)

　　pi為第i個節點的輸入。

　　(2)隱層神經元作用函數。隱層神經元作用函數選用對數S型函數，故節點j的輸出為:

　　(3)節點j的總輸入：

　　(4) 輸出層神經元作用函數。輸出層神經元作用函數選用對數S型函數。節點k的輸出為：

　　1.4BP神經網絡學習流程

　　BP網絡樣本學習流程如圖4所示。

　　網絡初始化后隨機設定節點間的連接權值Iwji和Lwkj、閾值b1i和b2k、學習因子η、勢態因子α。將學習樣本輸入到網絡中，先后經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數據的標定及融合

　　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生氧化還原反應而產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 %的大氣環境下輸出200~240 μA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

　　根據傳感器的性能進行二維標定，實驗數據如表1所示。

　　表1中16組樣本數據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樣本數據處理

　　將樣本數據對中的1/2~2/3作為神經網絡訓練樣本，用于對神經網絡訓練，形成網絡結構及權值；剩余的1/3~1/2樣本數據對作為對神經網絡的檢驗樣本，對訓練后的神經網絡進行檢驗。

　　為達到更好的數據融合效果，在融合之前先對數據進行歸一化處理。

　　X、為歸一化前后的樣本數據，Xmin 、Xmax為X所在行的最小值和最大值。

　　2.3在MATLAB環境下數據融合流程

　　在MATLAB環境下進行數據融合主要分為構建BP神經網絡和對樣本進行融合并得出結構系數兩部分，詳細流程如圖6所示。

　　根據樣本數據可知BP神經網絡應該設置3個輸入節點，6個隱層節點，1個輸出層節點。訓練迭代次數為1 000。

3融合結果及分析

　　經過訓練樣本的訓練以及檢測樣本的測試，讓BP神經網絡多次學習，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神經網絡的結構參數。

　　輸出層的一個閾值為：4.858

　　融合后的數據如表2所示。

     用最小二乘法分別擬合融合前和融合后的數據，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。

　　將數據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：

　　δL=|ΔCmax|Cmax×100%(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：

　　δL=|ΔCmax|Cmax×100%=1.0830×100%=3.6%

　　融合后最大擬合偏差為ΔC′max=0.047 2%，最小二乘法線性度為：

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，并且穩定性良好。通過進一步計算線性度及溫度靈敏度系數，可以看出數據經過BP神經網絡融合后，線性度從3.6%減小到0.16%；溫度靈敏度系數減少4個數量級，從而得出如下結論：經過神經網絡的融合，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神經網絡參數移植到危害氣體預警穿戴系統內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的檢測準確性。

　　參考文獻

　　［1］ 曾凱.穿戴式作業現場毒害氣體預警系統［D］.上海：東華大學，2015.

　　［2］ 劉君華.智能傳感器系統(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.人工神經網絡算法研究及應用［M］.北京：北京理工大學出版社，2006.

　　［4］ DIEDERICH J.Artificial neural networks: concept learning［M］.US: IEEE Computer Society Press,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.