基于神经网络的气体预警穿戴系统的温度补偿

于　浩，许武军,2，袁方红，范　红,2

(1.东华大学 信息科学与技术学院，上海201620; 2.数字化纺织服装技术教育部工程研究中心，上海201620)



基于神经网络的气体预警穿戴系统的温度补偿

于浩1，许武军1,2，袁方红1，范红1,2

(1.东华大学 信息科学与技术学院，上海201620; 2.数字化纺织服装技术教育部工程研究中心，上海201620)

气体预警穿戴系统采用电化学气体传感器检测作业现场的危害气体浓度，通常采用一元非线性回归模型对单一浓度下气体检测进行补偿来减少温度对浓度检测的影响，但此方法在特定浓度范围内工作就会有失其检测的准确性。该文采用BP神经网络模型对气体和温度传感器进行有效的数据融合，在特定浓度范围内消除温度对气体传感器交叉敏感的影响，从而改善气体预警系统的检测精度。通过MATLAB构建BP神经网络并仿真，发现数据融合后气体浓度线性度得到提升，温度稳定性有明显改善，使得气体预警穿戴系统的危害气体浓度的检测值比常规的一元非线性回归模型更加准确。

气体预警穿戴系统；电化学气体传感器；BP神经网络；数据融合

0　引言

在当今快速发展的信息化时代，传感器技术是信息获取的核心技术。传感器作为信息的源头和基础，被应用于各种不同的信息系统中。气体预警穿戴系统使用电化学气体传感器来检测作业现场中的危害气体浓度进行安全预警以降低作业人员的伤亡，但电化学气体传感器输出的电流信号会随着温度的变化而呈指数增长，通常温度每上升10℃，电流信号将会明显增大，这样就会因为温度的变化影响气体测量的准确性[1]。

气体预警系统配置有温度传感器，原采用一元非线性回归模型对单一气体浓度下进行温度补偿来减少温度对浓度检测的影响，但在准确性和浓度检测范围方面存在不足，所以在温度补偿的方法上需要做进一步改进。

1　系统特点及算法分析

为改善传感器的检测性能，多传感器智能化技术迅速发展。将多个传感器与计算机(或微处理器)组建成智能化传感器系统可以提高单点位置处单参量的测量准确度；将多个传感器获得的多种信息的数据进行融合处理，采用BP神经网络模型来实现数据融合，在抑制交叉敏感、改善传感器稳定性的同时，线性度也得到改善[2]。

1.1智能传感器系统

气体预警穿戴系统除配置电化学气体传感器外还有温度传感器，可对气体浓度的检测值进行温度补偿，消除交叉敏感，以保证气体浓度的检测精度。智能传感器系统的数据融合框图如图1所示。

图1　智能传感器系统的数据融合

1.2人工神经网络概述

图2　神经元模型

人工神经网络(ArtificialNeuralNetwork，ANN)是由大量简单的高度互联的处理元素(神经元)所组成的复杂网络计算系统。将大量功能简单的基本神经元通过一定的拓扑结构组织起来，构成群体并行分布式处理的计算结构，这种结构就是人工神经网络[3-4]。人工神经网络的基本单元是神经元，其模型如图2所示。

p1,p2,…，pR表示神经元的R个输入； wli表示该神经元与前层i个神经元的连接权值；b为阈值；a为神经元的输出;f表示神经元输入输出关系的函数。

1.3BP神经网络结构

图3　BP网络模型

BP神经网络因其权值采用反向传播的学习算法而得名，通常有一个或多个隐层，三层BP神经网络在实际中应用最广泛，其模型如图3所示。

(1)输入层神经元作用函数。输入层神经元作用函数选用纯线性函数，节点i的输出为:

Oi=pi

(1)

pi为第i个节点的输入。

(2)隐层神经元作用函数。隐层神经元作用函数选用对数S型函数，故节点j的输出为:

(2)

(3)节点j的总输入：

表1　不同温度下氧气传感器的静态标定数据

(3)

(4) 输出层神经元作用函数。输出层神经元作用函数选用对数S型函数。节点k的输出为：

(4)

(5)节点k的总输入为：

(5)

1.4BP神经网络学习流程

BP网络样本学习流程如图4所示。

图4　BP网络训练过程

网络初始化后随机设定节点间的连接权值Iwji和Lwkj、阈值b1i和b2k、学习因子η、势态因子α。将学习样本输入到网络中，先后经过隐层和输出层的计算，得出输出层和隐层训练误差δ2k和δ1j，判断误差是否满足给定允许误差ε，若不满足就修正权值再次进行训练，直到满足要求。

2　数据的标定及融合

2.1电化学气体传感器及其二维标定实验

电化学气体传感器是与待测气体发生氧化还原反应而产生微弱电流的传感器，电流的大小与待测气体的浓度值成正比，即气体浓度越大输出电流越大[5]。这里以英国Alphasense公司的O2-A1[6]为实验对象(检测氧气浓度以预警因其他危害气体浓度过高而使得氧气浓度过低导致人员窒息)，它是一款两电极的氧气传感器，在20.9 %的大气环境下输出200～240μA的电流。图5为该传感器在不同氧气浓度下的输出电流曲线。

图5　传感器在不同氧气浓度下的输出电流曲线

根据传感器的性能进行二维标定，实验数据如表1所示。

表1中16组样本数据对包含输入量与输出量两部分，每一组样本对有IG、UT、T三个输入量，对应的期望输出量为气体浓度C。

2.2样本数据处理

将样本数据对中的1/2～2/3作为神经网络训练样本，用于对神经网络训练，形成网络结构及权值；剩余的1/3～1/2样本数据对作为对神经网络的检验样本，对训练后的神经网络进行检验。

为达到更好的数据融合效果，在融合之前先对数据进行归一化处理。

(6)

2.3在MATLAB环境下数据融合流程

在MATLAB环境下进行数据融合主要分为构建BP神经网络和对样本进行融合并得出结构系数两部分，详细流程如图6所示。

图6　MATLAB环境下数据融合过程

根据样本数据可知BP神经网络应该设置3个输入节点，6个隐层节点，1个输出层节点。训练迭代次数为1 000。

3　融合结果及分析

经过训练样本的训练以及检测样本的测试，让BP神经网络多次学习，当检验结果与期望输出偏差很小，满足误差范围的一次学习，得到BP神经网络的结构参数。

输入层与隐层之间的3×6个连接权值如下：

-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

隐层的6个阈值为：

-12.262-14.174-18.4732.95918.20610.926

隐层与输出层的6个连接权值为：

14.9990.7730.441-5.1805.3324.808

输出层的一个阈值为：4.858

融合后的数据如表2所示。

表2　融合结果

用最小二乘法分别拟合融合前和融合后的数据，得到拟合方程为：

C=kI+b

(7)

其中，C为气体浓度，I为传感器输出电流，k、b为方程拟合系数。

将数据带入方程计算不同温度下的浓度，融合前后浓度计算情况如图7所示。

图7　融合前后气体浓度对比

图标为圆圈表示融合前的浓度计算值，三角表示融合后的浓度值。通过拟合方程计算出浓度的最大拟合偏差ΔCmax。

最小二乘法线性度为：

(8)

融合前浓度的最大拟合偏差ΔCmax=1.08%，则最小二乘法线性度为：

融合前温度灵敏度系数为：

(9)

=1.53×10-3(/℃)

融合后温度灵敏度系数为：

(10)

=2.67×10-7(/℃)

4　结论

从图7融合前后气体浓度检测值对比中可看出，在不同的温度下，融合后的检测浓度更加接近目标浓度值，并且稳定性良好。通过进一步计算线性度及温度灵敏度系数，可以看出数据经过BP神经网络融合后，线性度从3.6%减小到0.16%；温度灵敏度系数减少4个数量级，从而得出如下结论：经过神经网络的融合，电化学气体传感

器的检测结果的线性度以及温度灵敏度都有不同程度的改善，气体浓度的检测精度也有所提升。若将该训练结果的BP神经网络参数移植到危害气体预警穿戴系统内部的微控制器或微处理器中进行实时融合处理，则将有效提高危害气体预警穿戴系统的检测准确性。

[1] 曾凯.穿戴式作业现场毒害气体预警系统[D].上海：东华大学，2015.

[2] 刘君华.智能传感器系统(第二版)[M].西安：西安电子科技大学出版社，2010.

[3] 田景文，高美娟.人工神经网络算法研究及应用[M].北京：北京理工大学出版社，2006.

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

[5] 陈长伦，何建波.电化学式气体传感器的研究进展[J].传感器世界，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，FanHong1,2

(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,硕士研究生，主要研究方向：嵌入式系统及其应用。

许武军(1972-)，通信作者，男，博士，副教授，硕士生导师，主要研究方向：穿戴电子与智能服装，短距无线通信，嵌入式计算与机器视觉，卫星导航与组合定位。E-mail:wujun.hsu@gmail.com。

引用格式：于浩，许武军，袁方红，等. 基于神经网络的气体预警穿戴系统的温度补偿[J].微型机与应用，2016,35(15)：18-20,23.