GA-RBF在煤矿机器人检测井下混合气体的应用

GA-RBF在煤矿机器人检测井下混合气体的应用

煤矿井下的环境比较复杂，诸如甲烷、一氧化碳等有毒有害气体的存在致使煤矿的生产环节尚有安全问题的存在，严重影响了工作人的身心健康。煤矿救援机器人代替人进入煤矿井下实施环境探测和救援工作的首要前提是能够准确检测出混合气体中的这些有毒有害气体，为井下环境信息的评估以及相应策略的制度提供依据。所以，能否准确检测这些有毒有害气体已成为救援机器人环境感知系统的一项关键技术。

煤矿井下的有毒有害气体是混合的，气体之间存在着干扰，气体的主成分特征会因此而弱化或者丢失，给煤矿机器人对有毒有害气体的感知带来挑战，影响了煤矿机器人的自动检测和控制。目前很多学者对混合气体的检测方法做了一些研究，主要有弥补或补偿算法 、差分吸收光谱、阵列传感器模式识别、定量检测算法等检测混合气体，这些研究虽在某种程度上检测出混合气体中的主要成分，但未考虑混合气体的在线检测的要求，也未考虑比如温度、湿度等可变因素带来的影响，从而导致这些方法不能应用到煤矿机器人实现对混合气体的检测。针对上述问题的存在，本文采用双气体传感器减少对部分气体的交叉灵敏度，同时结合煤矿救援机器人实际应用提出基于GA优化和k聚类算法结合 的RBF神经网络，提高RBF的性能及系统的预测精度实现对混合气体的检测。

混合气体检测工作原理及系统构成

如图1所示为煤矿机器人的混合气体检测系统结构原理图，主要有传感器阵列环节，信号调理环节、多通道同步信号采集处理环节、模式识别环节等。传感器阵列是煤矿救援机器人感知混合气体系统的“感官”，它由多种不同类型传感器组成，对各自敏感的气体输出响应信号；信号调理则对传感器阵列输出的响应信号进行预处理，如滤波、交换、特征提取等；多通道同步信号采集处理则对信号调理环节调理好的各通道信号进行采集和进一步处理，最后经由模式识别环节识别后输出。本文选用双气体传感器COH-A1（一氧化碳和硫化氢）、双气体传感器MSH-DP-HC/CO2（甲烷和二氧化碳）和HTG3515 温湿度传感器构成阵列传感器，采用双气传感器可在硬件上消除部分气体的交叉灵敏度，图2为混合气体检测系统气体检测硬件。

混合气体检测算法原理

R BF神经网络

径向基函数神经网络（RBF）是一种前馈式神经网络，它具有很多优点和特性，具有最佳逼近模型的特性，避免了因复杂网络引起的较慢的训练速度和较长的反应时间。对RBF来讲，其隐含层的基函数非常重要，选择的好坏直接影响了神经网络的结构和训练速度，对网络的输出效果也有一定程度的影响，本文选择高斯函数作为RBF的基函数，利用了高斯函数的简单形式，对称的径向基，任意阶可导能优点。

遗传算法

图1　混合气体检测系统原理结构图

群体是遗传算法（GA）的主要对象，它是由M个个体的集合。遗传算法的运算过程同自然界生物的进化过程相似，是反复迭代运算的过程。为表述上的方便，将群体的第t 代记作p（t），交叉变异和进化后成为第t+1代，用p（t+1）标记。群体是不间断的进行遗传和进化的，依据优胜劣汰的法则适应度较高的个体更多的被遗传到下一代，于是，群体中得到的将会是一个个优良的个体X ，个体对应的表现型X′将达到或非常接近于问题的最优解X*。

图2　混合气体检测系统气体检测的硬件

图3　改进 RBF 神经网络算法流程

R BF 进习方法的改进

本文用K-means 聚类方法作为 RBF 神经网络的学习算法，假设样本的输入为X1， X2，…Xn，相应的目标输出为Y1， Y2，…Yn，RBF 神经网络中的第j 个隐节点的激活函数为Φj（*），记第k 次迭代时的聚类中心为h1（k），h2（k），…hn（ k），相应的聚类域为w1（k），w2（k），…wn（k）。本文采用遗传算法优化优化RBF的权值和偏移，以达到提高 RBF 神经网络识别率以及减少RBF隐含层神经元个数的目的，步骤如图3所示。

实验及分析

实验过程

实验所用的气体是根据实际检测的需要和依据《煤矿安全规程》的规定选定气体体积分数的范围分别为CH4［0～5000 ppm］，H2S［0～200ppm］，CO［0～1000ppm］，CO2［0～5000 ppm］。为尽可能满足被测气体浓度空间，给神经网络的训练和检测提供适合的样本，配置了165组不同浓度不同气体成分的混合气体进行实验。实验所用的传感器阵列有5个气体传感器组成见图2。首先配合好气体组分后，通过流量控制装置供给密闭容器并检测，然后采集检测数据并作归一化处理，接着训练神经网络，通过重复的训练对神经网络的网络结构和参数，建立GA-RBF神经网络，最后，将余下的训练样本输入给GA-RBF神经网络，经过对比修正测试结果和真实值之间的误差提高对混合气体的检测准确度。RBF 神经网络和GA-RBF 神经网络迭代过程中的误差曲线如图4所示，很明显经过改进的RBF 神经网络很快收敛并达到目标误差。

图4　RBF 神经网络和改进的RBF神经网络迭代过程中的误差曲线对比

实验结果与分析

实验中气体传感器阵列对应的输出为4种气体浓度值和温度、湿度，所以，构建RBF神经网络，输入层为6 个，输出层神经元为4 个，隐含层神经元个数为13个；优化的目标误差为0.001，最大迭代次数为1000。将采集的165组样本数据进行归一化，随机取150 组样本数据作为训练样本输入分别对RBF 神经网络和GA-RBF 神经网络进行训练，训练完成后保存网络参数，完成网络的建立，将余下的15组数据作为测试样本输入到已经训练好的网络中，来检测神经网络预测的准确程度，测试结果分别见表1和表2。实验中气体传感器阵列对应的输出为4种气体浓度值和温度、湿度，所以，构建RBF神经网络，输入层为6 个，输出层神经元为4 个，隐含层神经元个数为13个；优化的目标误差为0.001，最大迭代次数为1000。将采集的165组样本数据进行归一化，随机取150 组样本数据作为训练样本输入分别对RBF 神经网络和GA-RBF 神经网络进行训练，训练完成后保存网络参数，完成网络的建立，将余下的15组数据作为测试样本输入到已经训练好的网络中，来检测神经网络预测的准确程度，测试结果分别见表1和表2。

对比表1和表2 的数据不难发现，在相同的训练样本的情况下，GA-RBF神经网络较RBF神经网络具有更小的预测误差，GA-RBF神经网络预测的平均相对误差均小于5%，GA-RBF神经网络收敛性明显好于RBF神经网络，有效避免训练时进入局部最优解，提高了预测系统的稳定性。

为更清晰直观表示优化后的RBF神经网络的检测误差，分别绘制了CO2与H2S、CO与CH4两种混合气体的定量检测误差，分别如图5和图6所示。两图中 x、y 轴分别为两种气体浓度，z 轴为测量误差值。通过对误差曲面的分析可知，系统对 CO与CH4混合气体的检测更为准确。整体来看系统测试误差满足设计要求，即在规定的检测范围内，本系统可以担负CO2、H2S、CO与CH4四种气体及其混合气体的定量检测任务。

表1　RBF神经网络测试结果

表2　改进RBF神经网络测试结果

图5　GA-RBF对CO2与H2S混合气体的浓度误差曲面

图6　GA-RBF对CO与CH4混合气体的浓度误差曲面

结语

针对煤矿机器人检测煤矿井下有毒有害混合气体的问题，本文采用双气体传感器减少对部分气体的交叉灵敏度，考虑了温度、湿度等可变因素带来的影响，同时结合煤矿救援机器人实际应用提出基于k聚类算法作为学习算法的GA优化的RBF神经网络，提高了RBF的性能及混合气体检测系统的预测精度。从实验结果可以得到如下结论：将GA-RBF神经网络和传感器阵列技术组合的检测系统对煤矿井下有毒有害混合气体检测取得了良好的效果，提高RBF的性能及系统的预测精度。在规定的检测范围内，本系统可以担负CO2、H2S、CO与CH4四种气体及其混合气体的定量检测任务。

10.3969/j.issn.1001- 8972.2016.18.023