传感器阵列的CO与H2S混合气体检测系统设计与试验

梁喜凤,刘立豪

(中国计量学院 机电工程学院,浙江 杭州 310018)

传感器阵列的CO与H2S混合气体检测系统设计与试验

梁喜凤,刘立豪

(中国计量学院 机电工程学院,浙江 杭州 310018)

采用气体传感器单敏感性和多敏感性相结合的交叉方法,基于传感器阵列和人工神经网络模式识别技术,设计了一种CO与H2S混合气体检测系统.该系统以AT89C51单片机芯片作为控制核心,优选MQ135,MQ136和TGS2602构成气体传感器阵列,通过RS232串行通信接口实现单片机与上位机通信连接,利用改进的BP神经网络算法进行模式识别,完成了CO和H2S混合气体浓度的检测试验.结果表明,BP神经网络训练误差均在0.01范围内,识别率达到95%,验证了检测系统设计的正确性和可行性,为气体检测传感器的进一步研究开发提供了基础.

气体检测;传感器阵列;CO与H2S混合气体;BP神经网络

随着石油、化工、煤炭和汽车等工业的迅速发展,环境污染日益严重,其所带来的危害已逐渐威胁到人类的生存和生活,有毒有害气体检测技术的研究对环境治理、监控等方面具有重要的理论意义和应用前景.近年来,国内外众多学者进行了有毒气体检测技术研究,取得了明显的效果.杨莉等[1]针对交通环境中毒害较大三种气体构造了电子鼻系统,实现了气体浓度检测.李勋涛等[2]设计了基于传感器阵列的有毒气体监测网络,实现了环境中气体浓度的在线检测.朱向东[3]设计了基于DSP的便携式气体检测仪系统,定性识别和定量检测的准确率较高.陈伟根[4]构建了一种气体传感器阵列检测模式识别新方法,提高了训练速度与检测精度.其他学者也进行了乙醇、氨气等气体检测,并将电子鼻系统用于香蕉等水果品质检测[5-9].

CO和H2S是比较常见且危害性大的有毒气体,传统的基于气体传感器阵列的检测方法,利用了气体传感器对气体“交叉敏感”的广谱响应特性,在模式识别中需要经过定性识别和定量检测两次识别过程[10],增加了系统的反应时间和复杂性.而利用先进的电子鼻技术进行气体检测,精度高、灵敏度强[11-12],但系统复杂,价格昂贵,难以普及.因此,发展小型、快速、准确的混合气体分析仪,成为近年来国内外普遍重视的课题.

本文在对气体传感器敏感特性研究的基础上,采用其单敏感性和多敏感性相结合的交叉方法,设计了一种基于传感器阵列和人工神经网络模式识别技术的CO和H2S混合气体检测系统,借助神经网络对任意复杂和非线性数学关系的映射能力,实现了气体传感器阵列复杂信号的分析识别,并进行了混合气体中CO和H2S浓度的实时检测试验.

1 气体检测系统结构与工作原理

该气体检测系统主要包括传感器阵列、信号预处理和模式识别系统、LCM显示模块、串口通信、单片机部分及PC机软件部分等,如图1.气体传感器阵列设计考虑了传感器单敏感性和多敏感性相结合的交叉方法,由MQ135，MQ136，TGS2602三个SnO2金属氧化物传感器组成,其中MQ135传感器对混合气体中CO的灵敏度高,MQ136传感器对混合气体中CO和H2S的灵敏度高,TGS2602传感器对混合气体中H2S的灵敏度高,上述传感器均可检测多种有害气体,适合有毒和爆炸性气体检测.信号预处理部分主要由运算放大器LM324和模数转换器TLC2543组成,为单片机提供可用的输入信号,为模式识别提供原始数据.模式识别完成对气体的定性识别和定量检测,本系统采用适应能力与自学习能力强、容错性好的BP神经网络算法.AT89C51单片机为控制核心,完成数据的初步处理,主要由数据采集模块、液晶显示模块、串口通讯模块和主程序部分组成.串口通信部分主要由RS232组成,实现单片机与上位机的通信.LCM液晶显示模块采用LCD1602液晶显示器,实时显示采集的电压信号,与上位机应用软件显示的信号对比,验证信号采集的准确性.检测系统开始工作时,单片机自动进行各项基本参数的初始化,PC机通过控制软件控制单片机及气体传感器的工作方式,控制系统采集气体传感器阵列的响应信号,存储于临时变量中,通过RS232接口电路把数据传到PC机上进行数据的处理和显示.

图1 气体检测系统结构与原理Figure 1 Structure and principle of the gas detection system

2 气体检测系统仿真与模式识别

为验证该气体检测系统设计的可行性,以CO和H2S与空气的混合气体为待测气体进行试验,以MQ135,MQ136和TGS2602三个金属氧化物气体传感器组成传感器阵列.采用proteus和LabVIEW,通过逻辑上互相连接的串口进行上位机与下位机通讯,实现上位机监控下位机气体检测系统的虚拟实验.

2.1 硬件系统仿真试验

基于传感器阵列的气体检测系统硬件电路图如图2.根据各模块和硬件需求功能,采用C语言编写控制系统软件程序,通过LabVIEW设计操作界面.用Virtual Serial Ports Driver虚拟出一对逻辑上互相连接的串口com1和com2,利用proteus中的COMPIM进行串口com1波特率等参数的设置,LABVIEW通过串口com2与下位机通讯,在proteus中加载keil生成的HEX文件.

图2 检测系统硬件电路与仿真结果Figure 2 Hardware circuit and simulation result of the detection system

由于传感器的电阻值随气体体积分数变化而变化,试验中采用滑动变阻器代替气体传感器进行仿真.在实验室条件下,将MQ135,MQ136,TGS2602接入加热电路后,待电路稳定后,分别测得它们在空气中的电阻为:10.5 kΩ,56 kΩ,6.5 kΩ,因此选择20 kΩ,60 kΩ和10 kΩ的滑动变阻器R4,R5和R6.

试验利用吸附平衡状态阻值稳定值取出信号,用变阻器每次调整后的阻值来仿真传感器平衡状态的稳定值.观察每次改变变阻器阻值后,LCD1602显示的电压值与LABVIEW显示界面显示的电压值.在某一时刻硬件电路仿真和操作界面的显示如图2和图3.

图3 检测系统操作界面显示Figure 3 Interface display of the detection system

由图2和图3可知,硬件系统显示的输出电压值分别为V1:3.7,V2:2.902和V3:4.1,与LABVIEW界面显示的输出结果是完全一致的,因此硬件系统设计是合理的.

根据敏感气体的体积分数与气体传感器电阻以及分压电阻的变化规律,改变电阻器电阻,假定了敏感气体的体积分数与电压一一对应关系,利用BP神经网络算法,进行大量数据训练,再将经训练后的BP神经网络权值和阈值保存后,通过已知对应关系的数据作为测试模块对网络进行验证,获得了敏感气体的体积分数与电压的对应关系,部分数据如表1.

表1 测试模块部分估计数据范围

2.2 模式识别

2.2.1 模式识别方法

该气体检测系统的模式识别过程采用改进的BP神经网络算法.BP网络是一种前向多层网络,是基于误差反向传播算法的有导师网络.单隐含层的BP神经网络具有一个输入层,一个隐含层和一个输出层的三层网络.隐含层和输出层上的每个神经元都对应一个激发函数和一个阈值.每一层上的神经元都通过权重与其相邻层上的神经元相互连接.对于输入层上的神经元其阈值为零,其输出等于输入.

BP神经网络隐含层和输出层上的某神经元j的输出由下式确定:

(1)

式(1)中:f(·)—应神经元的激发函数;xi—该神经元的输入;ωji—从神经元j到神经元i的连接权值;激发函数目前多采用连续可微的非线性Sigmoid函数

(2)

2.2.2 模式识别试验与结果分析

采用matlab软件,建立一个前馈BP神经网络,网络输入取向量取值范围的矩阵;确定网络隐含层和输出层神经元的个数和传输函数,默认为‘tansig’;网络的训练函数,默认为‘trainlm’;网络的权值学习函数,默认为‘learngdm’;性能数,默认为‘mse’.

隐含层和输出层函数的选择会影响BP神经网络预测精度,本设计分别采用双曲正切S型传输函数tansig函数或对数S型传输函数logsig函数作为隐含层节点转移函数,tansig函数或purelin函数作为输出层传递函数,误差回传训练函数分别采用trainlm(Levenberg-Marquart回传训练函),traingdm(带动量及自调整1r回传的梯度递减函数),trainscg(比例共轭梯度动量算法)来训练网络.神经网络算法流程如图4.

图4 BP神经网络算法流程图Figure 4 Flow chart of BP neural network algorithm

不同神经网络传递函数对误差影响的结果如图5、图6和图7.图中,横轴为训练次数N,纵轴为训练误差e.试验设定的最大误差为0.01.训练次数越多,往往训练效果越好,但训练时间也越长;误差越小,说明训练结果与训练样本的真实值越接近,训练效果越好;曲线平滑程度,表示训练过程的稳定程度,曲线越平滑,说明训练的过程越稳定,则不会出现进行多次实验而结果不同的现象.

图5 BP神经网络不同传递函数训练误差结果(训练函数为trainscg)Figure 5 Training errors with different transfer functions in BP neural network (with training functions trainscg)

由图5可知,图(a)和图(b)的训练误差分别为0.009 998 01和0.009 966 5,均满足精度要求.图5(a)的训练误差略大于图5(b),但图5(a)的曲线更平滑,稳定性比较好,且图5(b)的训练次数为18 419次,远远大于图(a)的7 530次.综上,BP神经网络中,隐含层传递函数logsig,输出层传递函数purelin较优越.

在上述试验基础上,误差回传训练函数分别采用trainlm函数,traingdm梯度递减函数,trainscg(比例共轭梯度动量算法)进行网络训练,结果如图6.

图6 BP神经网络不同训练函数训练误差(隐含层logsig,输出层purelin))Figure 6 Training errors with different training functions in BP neural network (with hidden layer function logsig and output layer function purelin)

由图6可知,图6(a)和图6(b)训练次数相近,图6(b)的训练次数为7 530次,图6(a)的训练次数为7 513次;训练误差也相近,图6(b)的训练误差为0.009 998 01,而图6(a)的训练误差为0.009 935 12,图6(b)的训练误差略大于(a)的训练误差.但是,图6(b)的曲线比(a)的曲线更为平滑,稳定性较好.所以选择trainscg作误差回传训练函数.

综上所述,选择隐含层传递函数logsig函数,输出层传递函数purelin函数,误差回传训练函数trainscg函数训练结果较好.

同时,隐含层神经元的数目确定也很重要,不仅要有较高的识别精度,而且要容易实现.往往需要根据经验和多次实验才能确定.本设计选择的神经网络结构是3∶n∶2,模式识别试验中,多次选择不同的隐含层神经元数目进行训练试验,其中隐含层神经元数目分别为40,50,60时的训练结果如图7.

图7 BP神经网络隐含层不同神经元数目的训练误差Figure 7 Training errors with different number of neural units of hidden layer in BP neural network

由图7可知,误差方面,图7(a)、(b)、(c)三种情况的误差大小分别为:0.009 998 75，0.009 988 12和0.009 981 38,均达到了设定的误差精确度0.01.训练次数方面,图7(a)的训练次数最多,为18 788次,训练时间最长.图7(b)的训练次数最少,为7 530次.曲线的平滑度方面,图7(c)最平滑,图7(a)与图7(b)平滑程度相近,图7(a)最差.

综上,选择50个和60个隐含层神经元稳定性相近,选择40个隐含层神经元稳定性最差.试验中发现,当隐含层数目少于40时,在规定的最大训练次数内误差精确度不能达到0.01.而隐含层神经元数目为60时,网络训练过程与n=50时差别不大.考虑到系统的复杂程度和网络的实现难度,最终确定本设计的BP神经网络的隐含层数目为50.

2.2.3 气体体积分数测试试验

BP神经网络经训练后,保存权值和阈值,然后输入测试数据组进行验证.部分测试数据实际显示结果如下表2.

表2 测试模块部分实际测试结果

通过对比表2中测试数据的实际值与表1测试模块数据组的估计值可知,将每组测试数据输入已经训练好的网络,除第8组外,得到的体积分数数值大小均处于估计范围之内.第八组输入测试数据后显示H2S体积分数66×10-6(估计值为60

3 结 语

1)本文基于传感器阵列的气体检测系统能够实现CO与H2S混合气体体积分数的识别和检测,在传感器的选择上应用了传感器对所测气体的单敏感性和多敏感性相结合的交叉方法,省去了气体定性识别的步骤而直接可进行定量识别,结构简单,降低了对气敏材料选择性的要求,有利于工程实现.

2)通过BP神经网络训练试验,确定了隐含层、输出层训练函数logsig, purelin函数,误差回传训练函数为trainscg函数,且网络结构为3∶50∶2,训练误差均在0.01范围内,识别率达到95%,验证了BP神经网络的训练成功,也证明了检测系统设计的正确性和可行性,为传感器的进一步研究开发提供了理论基础.

3)由于实际环境复杂多样,干扰因素多,在温湿度、电磁波等方面对气体检测系统敏感性以及电路的影响需进一步研究.

[1] 杨莉，王磊.交通环境有毒气体的检测技术研究[J].计算机工程与应用,2010,46(8):202-204. YANG Li, WANG Lei. Study on detection of toxic gases in traffic environment[J]. Computer Engineering and Applications,2010,46(8):202-204.

[2] 李勋涛,余晓芬,胡佳文,等.有毒气体无线监测网络设计[J].传感技术学报,2010,23(6):888-892. LI Xuntao, YU Xiaofen, HU Jiawen, et al. Toxic gas monitor system design based on wireless sensor network[J]. Chinese Journal of Sensors and Actuators,2010,23(6):888-892.

[3] 朱向东.基于DSP的便携式气体检测仪系统[J].仪表技术与传感器,2011(2):32-34,37. ZHU Xiangdong. Portable gas detector based on DSP[J]. Instrument Technique and Sensor,2011(2):32-34,37.

[4] 陈伟根,齐辉,王有元,等.一种气体传感器阵列检测模式识别新方法[J].重庆大学学报,2010,33(1):61-66. CHEN Weigen, QI Hui, WANG Youyuan, et al. A new pattern recognition method of gas sensor array detection[J]. Journal of Chongqing University,2010,33(1):61-66.

[5] 惠国华, 陈裕泉. 基于碳纳米管微传感器阵列和随机共振的气体检测方法研究[J]. 传感技术学报,2010,23(2):179-182. HUI Guohua, CHEN Yuquan. Study of novel gas detecting system based on carbon nanotubes miniaturization sensor array and stochastic resonance[J]. Chinese Journal of Sensors and Actuators,2010,23(2):179-182.

[6] 李洪涛,陈玮,朱国忠,等.针对香蕉品质检测的专用电子鼻系统[J].传感技术学报,2010,23(11):1541-1545. LI Hongtao, CHEN Wei, ZHU Guozhong, et al. Special electronic nose system for banana quality detection[J]. Chinese Journal of Sensors and Actuators,2010,23(11):1541-1545.

[7] HOU Changjun, LI Jiangjie, HUO Danqun, et al. A portable embedded toxic gas detection device based on a cross-responsive sensor array[J]. Sensors and Actuators B,2012(161):244-250.

[8] ZHANG Bo, XI Wanpeng, WEI Wenwen, et al. Changes in aroma-related volatiles and gene expression during low temperature storage and subsequent shelf-life of peach fruit[J]. Postharvest Biology and Technology,2011,60:7-16.

[9] 王磊,刘锦淮.基于气体传感器阵列的动态检测系统[J].传感器与微系统,2008,27(3):92-93. WANG Lei, LIU Jinhuai. Dynamic detection system based on gas sensor array[J]. Transducer and Microsystem Technologies,2008,27(3):92-93.

[10] LI Changying, KREWERB G W, SHENG Jiping, et al. Gas sensor array for blueberry fruit disease detection and classification[J]. Postharvest Biology and Technology,2010,55(3):144-149.

[11] 太惠玲,谢光忠,蒋亚东.基于气体传感器阵列的混合气体定量分析[J].仪器仪表学报,2006,27(7):666-670. TAI Huiling, XIE Guangzhong, JIANG Yadong. Gas quantitative analysis based on the gas sensor array[J]. Chinese Journal of Scientific Instrument,2006,27(7):666-670.

[12] 宋海声,赵晓林,苏小芸.基于虚拟仪器的智能电子鼻系统的设计[J].计算机测量与控制,2012,20(6):1596-1599. SONG Haisheng, ZHAO Xiaolin, SU Xiaoyun. Design of intelligent electronic nose system base on virtual instrument[J]. Computer Measurement & Control,2012,20(6):1596-1599.

[13] 祝诗平,李鸿征,朱杰斌.传感器与检测技术[M].北京:北京大学出版社,2006:18-22,65-69. ZHU Shiping, LI Hongzheng, ZHU Jiebin. Sensors and detection technology[M]. Beijing: Peiking University press,2006:18-22,65-69.

Design and experiments on the detection system for CO and H2S gas mixtures based on sensor array

LIANG Xifeng, LIU Lihao

(College of Mechanical and Electrical Engineering, China Jiliang University, Hangzhou 310018, China)

With single sensitivity and multi-sensitivity of gas sensors combined, a detection system for CO and H2S gas mixtures was designed based on sensor array and the neural network pattern recognition technology. The system used AT89C51 as the control core. The sensor array was composed of MQ135, MQ136 and TGS2602 to collect signals from the mixed gases. The communication between SCM and PC was realized by the RS232 serial interface. We adopted the improved BP neural network for pattern recognition and completed the experiments for gas concentration testing. The results show that the training error of the BP neural network is within 0.01; and the recognition rate is up to 95%. So the design on the detection system is rational and feasible, which provides a basis for further research and development of gas detection sensors.

gas detection; sensor array; CO and H2S gas mixtures; BP neural network

1004-1540(2015)01-0039-07

10.3969/j.issn.1004-1540.2015.01.007

2014-08-10 《中国计量学院学报》网址：zgjl.cbpt.cnki.net

国家高技术研究发展计划(863计划)课题(No.2012AA10A504),浙江省自然科学基金资助项目(No.LQ13E050003).

TP212

A