基于改进BP神经网络的汽车尾气检测系统设计*

2018-09-27黄伟军吴晨辉

传感器与微系统 2018年10期

黄伟军, 华猛, 吴晨辉

(1.苏州科技大学电子信息工程学院，江苏苏州215009； 2.苏州市智能测控工程技术研究中心，江苏苏州 215009)

0 引言

随着世界汽车总量的不断增多，汽车尾气给环境带来严峻的挑战[1,2]。目前,尾气检测方法主要包括红外吸收法，电化学分析法，氢火焰离子化法，化学发光法等[3～5]，各检测方法均针对不同的气体选用单一的传感器进行检测。单一离散的气体传感器均有交叉敏感区[6]，对于尾气这种混合气体，以上方法具有局限性。

本文利用混合气体电子鼻检测技术[7]，可有效地解决上述问题。将传感器阵列技术[8]与神经网络模型相结合设计了一种尾气定量检测系统[9]，主要检测GB18352.5—2013要求的O2，HC，CO，CO2，NO气体浓度。在模拟汽车尾气环境下，采用彼奥德电子研发的MFC—08高精度配气系统，配置不同浓度的混合气体，通入气泵，在OMEGA的高精度流量计控制下通入电子传感器阵列测试腔，对各传感器阵列信号预处理后，采集得到样本实验数据，用于建立尾气分析神经网络模型，并进行测试分析。为了缩短了网络收敛时间，提高了模型预测精度，本文采用附加动量法和自适应学习速率法对基本反向传播(back propagation,BP)神经网络模型进行改进[10]，并建立基本神经网络模型和改进型BP神经网络模型，进行实验对比分析。

1 检测系统设计和实验测量

系统采用传感器阵列检测汽车尾气，传感器信号经调数据送给神经网络模型理电路调理至合适范围，使用高精度信号采集卡采集，再将中分析，最终得到各气体成分浓度信息，总的系统检测原理如图1所示。

图1 系统检测原理

1.1 检测系统

检测系统根据GB18352.5—2013要求，主要检测尾气中的五种气体(O2，HC，CO，CO2， NO)浓度。系统根据不同气体特点选择不同的传感器进行测量，同时需要考虑温度和湿度对传感器的影响[11]，因此系统选用TGH3151温湿度传感器对气体传感器工作环境进行测量。

根据规定[12],测量CO，CO2，HC采用非分光红外线(non-dispersive infrared,NDIR)吸收测量法，其原理是基于大多数非对称分子对红外波段具有一定的吸收能力，其吸收能力强弱与被测气体浓度和气室长度有关。如果被测气体浓度不同，出射红外线光强会变化，由朗伯—比尔定律得

I=I0e-KCL

(1)

式中I为初始红外光强度；I0为入射红外光的强度；C为被测气体浓度；L为气室长度；K为吸收系数。光强的测量由感光探测器测量，将输出信号处理后再由采集卡采集，最后计算出气体浓度

本系统要求CO,CO2,HC气体特征波长和吸收系数分别为：4.68 μm,8.5;4.35 μm,109;3.40 μm,90。

测量NO，O2的含量，采用NO-AE传感器和O2-A2传感器。由于传感器信号输出信号多为电流，且较小，不能直接采集，需要进行I/V转换，电路原理如图2、图3。图2中的NO-AE传感器为三电极化学传感器，电极易产生极化问题，为此由运算放大器和电阻电容及MOS管构成上半部分电路避免传感器极化现象，下半部分为I/V电路且有放大功能，调整传感器输出信号，C3为米勒电容器，具有稳定电路功能。

O2的分子结构特点和化学特性具有独特性，尾气中O2浓度检测与NO和CO传感器和预处理电路不同，通过O2-A2传感器检测O2浓度，将信号进行预处理再送入采集端，其中预处理电路直接关系到检测准确性。图3中的预处理电路不仅具有放大作用，还在不同部位设计了滤波电容器，确保传感器信号稳定且不失真。

图2 NO-AE预处理电路

图3 O2-A2信号预处理电路

根据设计的电路图制作印刷电路板(printed circuit board,PCB)，并焊接电子元器件及传感器阵列，为减小外界干扰误差，将传感器阵列固定在密闭的测试腔内，模拟汽车尾气环境进行测试。

1.2 实验测量

因为尾气中不同气体的浓度范围不同且所选传感器的敏感范围也不同，所以根据其范围，采用彼奥德电子研发的MFC—08高精度配气系统，以N2为背景气体配置不同浓度的混合气体525组，其中，O2(18 %～22 %)，CH((0～500)×10-6)，CO((0～1 000)×10-6)，CO2((0～5 000)×10-6)，NO((0～250)×10-6)，且为了最小化人为干扰，配置比例由MATLAB随机数生成。实验中,气体在OMEGA高精度流量计控制下通入电子传感器阵列测试腔，对传感器信号进行预处理和采用NI公司具有18位模/数转换器的PCI6251采集得到实验样本数据。

2 改进BP神经网络算法

BP神经网络具有很强的学习能力，能解决内部机制很复杂的问题，但需要很长的学习时间和大量学习库，且容易陷入局部极小值。为了提高BP神经网络对本系统的适用性，本文采用附加动量法和自适应学习速率法，提高学习效率，减小陷入局部极小值的概率。使用附加动量法对网络权值进行修正后，不仅考虑了梯度的问题还兼顾了梯度曲面的大小。其实质是将最后1次权值变化的影响通过一个动量因子来传递给新的权值，进而继承传递；即将上一次的权值变化量通过动量因子传递叠加到本次误差计算权值变化量上，作为本次的实际权值变化量实现继承传递，即

(2)

w(k+1)=w(k)+Δw(k+1)

(3)

(4)

BP神经网络中增加动量项后，权值会向着误差曲面低洼且平坦方向调整，进入平坦区时，Δw(k+1)≈Δw(k)从而避免Δw(k)=0，有利于网络跳出误差曲面局部极小值。

若学习速率η能自动调整将对BP神经网络的应用范围是又一次的扩大。本设计的自适应学习速率的准则为：

1)判断权值修正值对误差函数的影响。

2)若修正值降低了误差函数，说明η值偏小，适当增加1个量进行调整；反之，则产生过调，需减小η。

修改η不仅需要考虑提高收敛速度，还要兼顾增加学习稳定性，本文采用学习速率自适应调节机制为

(5)

3 改进型BP神经网络模型应用与结果分析

根据上述分析，本文利用3层BP神经网络建立汽车尾气参数预测模型，将O2，HC，CO，CO2， NO及温湿度作为输入层神经节点，输出层为5种气体，模型结构如图4所示。

图4 尾气各参数预测神经网络结构

隐含神经元(Q)太多，不仅会导致学习时间长且无法识别没学习过的样本;若Q过小则网络难以收敛，本文采用式(6)找出最佳隐含层节点数

(6)

式中n为输入神经元数，m为输出神经元数，a为常量，取值区间为[1,10]。

在525组数据中随机选取500组数据进行归一化处理作为模型的训练样本。为了验证本文的改进型BP神经网络的有效性，将剩余的25组数据作为预测样本。并将预测结果与BP神经网络模型的结果进行对比，结果如表1所示。其中，误差=|网络实际输出-期望输出|,相对误差=(网络实际输出-期望输出)/期望输出×100 %。

表1 BP神经网络与改进型BP神经网络预测误差比较

可知，改进型BP神经网络模型对O2,CH,CO,CO2气体浓度预测结果均小于2.5 %，NO的预测结果小于4 %，主要由于NO极不稳定性对准确性造成影响。整体上改进型的BP神经网络能很好地处理传感器阵列信号，与基本的BP神经网络预测结果相比，改进型BP神经网络模型对各气体的预测结果准确性均有所提高，而且网络收敛速度更是快了近1倍。