CN109696412A - 基于agnes优化bp神经网络的红外气体传感器及气压补偿方法 - Google Patents
基于agnes优化bp神经网络的红外气体传感器及气压补偿方法 Download PDFInfo
- Publication number
- CN109696412A CN109696412A CN201811561955.9A CN201811561955A CN109696412A CN 109696412 A CN109696412 A CN 109696412A CN 201811561955 A CN201811561955 A CN 201811561955A CN 109696412 A CN109696412 A CN 109696412A
- Authority
- CN
- China
- Prior art keywords
- neural network
- atmospheric pressure
- agnes
- voltage
- infrared
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims description 36
- 238000005259 measurement Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 34
- 241000282461 Canis lupus Species 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 10
- 239000012528 membrane Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000005616 pyroelectricity Effects 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 108091006146 Channels Proteins 0.000 description 21
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
- G01N2021/3545—Disposition for compensating effect of interfering gases
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Air Conditioning Control Device (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于AGNES优化BP神经网络的红外气体传感器，包括红外传感器、气压传感器和微处理器系统；微处理器系统内设置有一气压补偿模块，气压补偿模块内配置有一基于AGNES‑BP神经网络模型；微处理器系统接收热释电探测器发送的测量电压和参比电压、以及气压传感器发送的气压电压，归一化处理后，发送至气压补偿模块进行气压补偿计算，以获取经气压补偿后的气体浓度。本发明利用AGNES优化BP神经网络对气体传感器进行气压补偿，减小了环境气压波动较大情况下的气体传感器测量误差，降低了检测设备的制造成本和后期维护成本，有利于缩减传感器的体积，同时，提出了一种新型多反射气室，使气体与红外光充分接触，提高测量精度，便于系统小型化设计。
Description
技术领域
本发明涉及红外气体传感器技术领域，具体而言涉及一种基于AGNES优化BP神经网络的红外气体传感器及气压补偿方法。
背景技术
红外气体传感器因其具有极高的气体选择性在化工、电力、环境气体监测及煤炭开采等众多领域得到广泛的应用。这种检测技术在精度、价格、使用寿命、功耗、稳定性等方面具有明显的优势。
由于红外光谱吸收检测技术在气体检测领域具有诸多的优势，所以国内外科研机构对该技术的应用进行了较为深入的研究。然而，非色散红外SF6气体传感器在实际使用过程中，其检测精度易受周围环境气压的影响，导致测量精度下降。目前，为了消除环境气压波动对非色散红外SF6气体传感器造成的影响，主要采用如下两种补偿方案：一是拟合公式法，即采用最小二乘迭代方法确定拟合公式的相关系数,建立数学公式模型实现对SF6气体传感器的气压补偿。但是此方法是在数据采集后利用系数标定的方法进行气压补偿，计算过程繁杂、使用局限性大；二是恒压补偿法，即采用硬件电路模块使检测环境气压保持动态平衡，消除气压变化引起的气体传感器测量误差。但是此方法是在系统中添加了硬件电路，不仅增加了功耗和制造成本，而且降低了设备的可靠性。
发明内容
本发明目的在于提供一种基于AGNES优化BP神经网络的红外气体传感器及气压补偿方法，利用AGNES优化BP神经网络对气体传感器进行气压补偿，减小了环境气压波动较大情况下的气体传感器测量误差，降低了检测设备的制造成本和后期维护成本，有利于缩减传感器的体积，同时，提出了一种新型多反射气室，使气体与红外光充分接触，提高测量精度，便于系统小型化设计。
为达成上述目的，结合图1、图2，本发明提出一种基于AGNES优化BP神经网络的红外气体传感器，所述红外气体传感器包括红外传感器、气压传感器和微处理器系统；
所述红外传感器、气压传感器分别与微处理器系统电连接；
所述红外传感器包括采样气室、以及安装在采样气室内的红外光源、热释电探测器；
所述红外传感器采用具有单光束多波长结构的红外光源，其发出的光束至少包括两种不同的波长，这两种波长分别被定义成测量波长和参比波长；
所述红外光源发出的光束在采样气室内经多次反射后被热释电探测器接收，热释电探测器响应于接收到红外光源发出的光束，将其中属于测量波长的分量光转换成测量电压U0、属于参比波长的分量光转换成参比电压U1，再将转换生成的测量电压U0和参比电压U1发送至微处理器系统；
所述气压传感器安装在采样气室内，被设置成实时探测采样气室内气压值，并将探测的气压值转换成一气压电压U2发送至微处理器系统；
所述微处理器系统内设置有一气压补偿模块，气压补偿模块内配置有一基于AGNES-BP神经网络模型；
所述微处理器系统接收热释电探测器发送的测量电压U0和参比电压U1、以及气压传感器发送的气压电压U2，归一化处理后，发送至气压补偿模块进行气压补偿计算，以获取经气压补偿后的气体浓度。
进一步的实施例中，所述红外气体传感器还具有一无线传输模块和一显示终端；
所述无线传输模块电连接微处理器系统和显示终端，用以建立微处理器系统和显示终端之间的数据链路。
优选的，所述无线传输模块采用LoRa无线技术。
进一步的实施例中，所述采样气室沿纵长方向设置有第一端部和第二端部，第一端部和第二端部均为封闭端，采样气室顶部设置有一进气口；
所述采样气室包括红外光源、第一反光镜、第二反光镜、热释电探测器、旋风式抽气泵；
所述第一反光镜、第二反光镜为凹面镜，分别固定在第一端部、第二端部，两者镜面相对；
所述红外光源和热释电探测器均固定安装在采样气室的第一端部、并且朝向第二端部设置，红外光源发出的光束经第一反光镜和第二反光镜交替、并且至少两次反射后被热释电探测器接收；
所述红外光源和热释电探测器均与微处理器系统电连接；
所述旋风式抽气泵固定安装在进气口上，与微处理器系统电连接。
进一步的实施例中，所述采样气室的进气口内侧设置有防水透气膜。
进一步的实施例中，所述第一反光镜、第二反光镜的两端与采样气室连接处的外侧均设置有防水透气膜。
结合图3，基于前述红外气体传感器结构，本发明还提及一种基于AGNES优化BP神经网络的红外气体传感器气压补偿方法，所述气压补偿方法包括：
S1：创建以测量电压、参比电压、气压电压为参数的基于AGNES-BP神经网络模型；
S2：接收热释电探测器发送的测量电压U0和参比电压U1、以及气压传感器发送的气压电压U2，进行归一化处理；
S3：将归一化处理后的数据发送至已创建的基于AGNES-BP神经网络模型的输入层，基于AGNES-BP神经网络模型对其进行气压补偿计算后，由基于AGNES-BP神经网络模型的输出层输出计算结果，将输出的计算结果作为经气压补偿后的气体浓度。
进一步的实施例中，所述方法还包括：
将计算得出的经气压补偿后的气体浓度经无线网络发送至显示终端以显示。
结合图4，进一步的实施例中，步骤S1中，创建以测量电压、参比电压、气压电压为参数的基于AGNES-BP模型的方法包括以下步骤：
S101：创建一个BP神经网络，设定BP神经网络的输入层的神经元个数、隐含层的神经元个数和输出层的神经元个数；
S102：将热释电探测器的各个测量通道和参考通道输出的电压值的比值及气压传感器的输出电压值进行数据归一化处理；
S103：将步骤S102中经归一化处理后的测量通道与参考通道的比值、气压电压这2个参数发送至BP神经网络的输入端作为输入向量V＝(v1,v2)，其中，v1表示测量通道的输出电压和参考通道输出电压的比值，v2表示气压传感器的输出电压经过归一化处理后的数据；
S104：将归一化之后的输入数据进行AGNES算法聚类，找出每一类输入样本偏差最大的一组数据剔除；
S105：将BP神经网络的输入层中所有神经元之间的连续权值与阈值、隐含层中所有神经元之间的连续权值与阈值和输出层中所有神经元之间的连续权值与阈值设定为狼群内的每个个体；
S106：在搜索空间中利用Logistic混沌映射初始化狼群Xi,i＝1,2,…,N，设定最大迭代次数和精度误差；
S107：计算狼群内每个个体的适应度值并进行排序，进而确定历史最优解xα、优解xβ、次优解xδ；
S108：对每只灰狼，按照下述公式初步计算灰狼位置且判断算法当前的迭代次数是否为最大迭代次数，若满足则进入步骤S109，否则返回执行步骤S106：
其中，ωj(j＝α,β,δ)表示α,β,δ的权重系数，f(Xj(t))表示第j只狼在t时刻的适应度值；
S109：输出最优灰狼个体位置X，并将其作为BP网络的初始权值和阈值并进行训练。
S110：在训练的过程中，选取M组样本数据，按照步骤S101至步骤S108进行数据的预处理、网络的创建，当达到预定的误差精度时，训练模型完成；
进一步的实施例中，步骤S101中，所述隐含层的激励函数为Sigmoid函数。
进一步的实施例中，步骤S102中，采用premnmx函数对热释电探测器的各个测量通道和参考通道输出的电压值的比值及气压传感器的输出电压值进行数据归一化处理。
以上本发明的技术方案，与现有相比，其显著的有益效果在于：
1)本发明提出了一种多反射式气室，使得气体能够与红外光充分接触。通过旋风式抽气泵，使得待测气体充分进入检测系统，红外光经待测气体充分吸收后反射至热释电探测器，提高气体传感器的可靠性和精确性。
2)相比于现有的带气压补偿功能的气体传感器，本发明提及的基于AGNES优化BP神经网络的气体传感器具有性能稳定、精度高、结构简单等特点。与现有技术相比，弥补了硬件电路功耗大，经验公式法适配性不好等方面的不足。本方法将各个气体传感器的测量通道与参比通道输出电压的比值、气压传感器电信号经归一化处理后送入已创建好的神经网络的输入层，经网络处理后，由输出层得到具有气压补偿功能的待测气体浓度信息。使气压补偿变得更加简便、适用性更强，有利于设备的小型化和低成本。
3)本发明采用无线技术LoRa，使得气体浓度显示端可与测量端相距较远的距离，便于工作人员随时检测气体浓度而不需实地测量。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明的采样气室的结构示意图。
图2是本发明的红外传感器的结构示意图。
图3是本发明的气体补偿方法流程图。
图4是本发明的创建基于AGNES-BP神经网络模型的方法流程图。
图中各标号含义如下：
1为红外光源；2为热释电探测器；3为第一反光镜；4为第二反光镜；5为气压传感器；6为旋风式抽气泵；7为防水透气膜；8为吸气模块；9为气压传感模块；10为红外探测模块；11为微处理器系统；12为无线传输模块；13为气压补偿模块。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图2，本发明提出一种基于AGNES优化BP的红外气体传感器，所述红外气体传感器包括红外探测模块10、气压传感模块9和嵌有AGNES-BP算法的微处理器系统11。
所述红外探测模块10、气压传感模块9分别与微处理器系统11电连接。
结合图1，所述红外探测模块10包括一红外传感器，气压传感模块9包括一气压传感器5。
红外传感器包括采样气室、以及安装在采样气室内的红外光源1、热释电探测器2。
所述红外传感器采用具有单光束多波长结构的红外光源1，其发出的光束至少包括两种不同的波长，这两种波长分别被定义成测量波长和参比波长。
所述的采样气室是一种多反射式结构，红外光源1和热释电探测器2分别放在了采样气室的同一侧，气室的左右两端设置第一反光镜3和第二反光镜4，第一反光镜3和第二反光镜4均采用光面高反射镜。
将红外光源1发射出的红外光束以设定的角度照射进光面高反射镜，光束依次经过第二反射镜4和第一反射镜3，可以到达热释电探测器2被热释电探测器2接收。
如图1所示，红外光源1发出的红外光束首先到达第二反光镜4的下方区域，经第二反光镜4反射后水平返回至第一反光镜3下方区域，再由第一反光镜3反射回第二反光镜4的上方区域，经第二反光镜4反射后水平返回至第一反光镜3的上方区域，最后由第一反光镜3反射至第二反光镜4的中部区域，经第二反光镜4再次反射后回到第一反光镜表面附近被热释电探测器2接收，整个过程中，红外光束在采样气室内经过了5次反射，极大地增加了红外光束所经过的路径，采样结果更为精确。
所述红外光源1发出的光束在采样气室内经多次反射后被热释电探测器2接收，热释电探测器2响应于接收到红外光源1发出的光束，将其中属于测量波长的分量光转换成测量电压U0、属于参比波长的分量光转换成参比电压U1，再将转换生成的测量电压U0和参比电压U1发送至微处理器系统11。
所述气压传感器5安装在采样气室内，被设置成实时探测采样气室内气压值，并将探测的气压值转换成一气压电压U2发送至微处理器系统11。
所述微处理器系统11内设置有一气压补偿模块13，气压补偿模块13内配置有一基于AGNES-BP神经网络模型。
所述微处理器系统11接收热释电探测器2发送的测量电压U0和参比电压U1、以及气压传感器5发送的气压电压U2，归一化处理后，发送至气压补偿模块13进行气压补偿计算，以获取经气压补偿后的气体浓度。
进一步的实施例中，所述红外气体传感器还具有一无线传输模块12和一显示终端。
所述无线传输模块12电连接微处理器系统11和显示终端，用以建立微处理器系统11和显示终端之间的数据链路。目的是增大传输距离与安全性，便于人员操控。
优选的，所述无线传输模块12采用LoRa无线技术。
进一步的实施例中，所述采样气室沿纵长方向设置有第一端部和第二端部，第一端部和第二端部均为封闭端，采样气室顶部设置有一进气口，进气口外侧设置有一吸气模块8，用以将外部气体泵进采样气室进行气体检测。
所述采样气室包括红外光源1、第一反光镜3、第二反光镜4、热释电探测器2、旋风式抽气泵6。
所述第一反光镜3、第二反光镜4为凹面镜，分别固定在第一端部、第二端部，两者镜面相对。
所述红外光源1和热释电探测器2均固定安装在采样气室的第一端部、并且朝向第二端部设置，红外光源1发出的光束经第一反光镜3和第二反光镜4交替、并且至少两次反射后被热释电探测器2接收。
所述红外光源1和热释电探测器2均与微处理器系统11电连接。
所述旋风式抽气泵6固定安装在进气口上，与微处理器系统11电连接。
进一步的实施例中，所述采样气室的进气口内侧设置有防水透气膜7。
进一步的实施例中，所述第一反光镜3、第二反光镜4的两端与采样气室连接处的外侧均设置有防水透气膜7。
通过设置防水透气膜7以减少空气湿度对采样结果的干扰。
基于前述红外气体传感器结构，本发明还提及一种基于AGNES优化BP的红外气体传感器气压补偿方法，所述气压补偿方法包括：
S1：创建以测量电压、参比电压、气压电压为参数的基于AGNES-BP神经网络模型。
S2：接收热释电探测器2发送的测量电压U0和参比电压U1、以及气压传感器5发送的气压电压U2，进行归一化处理。
S3：将归一化处理后的数据发送至已创建的基于AGNES-BP神经网络模型的输入层，基于AGNES-BP神经网络模型对其进行气压补偿计算后，由基于AGNES-BP神经网络模型的输出层输出计算结果，将输出的计算结果作为经气压补偿后的气体浓度。
进一步的实施例中，所述方法还包括：
将计算得出的经气压补偿后的气体浓度经无线网络发送至显示终端以显示。
进一步的实施例中，步骤S1中，创建以测量电压、参比电压、气压电压为参数的基于AGNES-BP模型的方法包括以下步骤：
S101：创建一个BP神经网络，设定BP神经网络的输入层的神经元个数、隐含层的神经元个数和输出层的神经元个数。
优选的，所述隐含层的激励函数为Sigmoid函数。
S102：将热释电探测器2的各个测量通道和参考通道输出的电压值的比值及气压传感器的输出电压值进行数据归一化处理。
优选的，采用premnmx函数对热释电探测器2的各个测量通道和参考通道输出的电压值的比值及气压传感器的输出电压值进行数据归一化处理。
S103：将步骤S102中经归一化处理后的测量通道与参考通道的比值、气压电压这2个参数发送至BP神经网络的输入端作为输入向量V＝(v1,v2)，其中，v1表示测量通道的输出电压和参考通道输出电压的比值，v2表示气压传感器5的输出电压经过归一化处理后的数据。
S104：将归一化之后的输入数据进行AGNES算法聚类，找出每一类输入样本偏差最大的一组数据(某一时间点的2个参数)剔除，这样做有助于减少个别离散值对BP神经网络带来的影响，对提高网络的精确性有帮助。
S105：将BP神经网络的输入层中所有神经元之间的连续权值与阈值、隐含层中所有神经元之间的连续权值与阈值和输出层中所有神经元之间的连续权值与阈值设定为狼群内的每个个体。
S106：在搜索空间中利用Logistic混沌映射初始化狼群Xi,i＝1,2,…,N，设定最大迭代次数和精度误差。
S107：计算狼群内每个个体的适应度值并进行排序，进而确定历史最优解xα、优解xβ、次优解xδ。
S108：对每只灰狼，按照下述公式初步计算灰狼位置且判断算法当前的迭代次数是否为最大迭代次数，若满足则进入步骤S109，否则返回执行步骤S106：
其中，ωj(j＝α,β,δ)表示α,β,δ的权重系数，f(Xj(t))表示第j只狼在t时刻的适应度值。
S109：输出最优灰狼个体位置X，并将其作为BP网络的初始权值和阈值并进行训练。
S110：在训练的过程中，选取M组样本数据，按照步骤S101至步骤S108进行数据的预处理、网络的创建，当达到预定的误差精度时，训练模型完成。
在实际的气体测量过程中，微处理器系统11对AGNES优化BP神经网络气压补偿的气体探测器的各个测量通道与参比通道的比值、气压传感器5输出的电压值进行数据归一化处理，送入已确定的基于灰狼算法优化后的BP神经网络模型的输入层，经过算法处理后，输出层得到气压补偿后的气体浓度，微处理器系统11对补偿后的数据进行反归一化处理，最终由无线传输模块12传入上位机端，便于人员查看气体浓度。
将热释电探测器2测量通道与参比通道的输出电压值、气压传感器5的输出电压值归一化处理后的数据作为AGNES-BP神经网络输入层的输入向量，经过网络的不断训练来建立网络模型，而达到气压补偿的效果。本发明相较于传统方法而言，无需进行大量的实验以及繁杂的数学处理，简化了气压补偿的过程，在整个气体检测范围都进行了气压补偿，结构简单，精度较高，实用性较强。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种基于AGNES优化BP神经网络的红外气体传感器，其特征在于，所述红外气体传感器包括红外传感器、气压传感器和微处理器系统；
所述红外传感器、气压传感器分别与微处理器系统电连接；
所述红外传感器包括采样气室、以及安装在采样气室内的红外光源、热释电探测器；
所述红外传感器采用具有单光束多波长结构的红外光源，其发出的光束至少包括两种不同的波长，这两种波长分别被定义成测量波长和参比波长；
所述红外光源发出的光束在采样气室内经多次反射后被热释电探测器接收，热释电探测器响应于接收到红外光源发出的光束，将其中属于测量波长的分量光转换成测量电压U0、属于参比波长的分量光转换成参比电压U1，再将转换生成的测量电压U0和参比电压U1发送至微处理器系统；
所述气压传感器安装在采样气室内，被设置成实时探测采样气室内气压值，并将探测的气压值转换成一气压电压U2发送至微处理器系统；
所述微处理器系统内设置有一气压补偿模块，气压补偿模块内配置有一基于AGNES-BP神经网络模型；
所述微处理器系统接收热释电探测器发送的测量电压U0和参比电压U1、以及气压传感器发送的气压电压U2，归一化处理后，发送至气压补偿模块进行气压补偿计算，以获取经气压补偿后的气体浓度。
2.根据权利要求1所述的基于AGNES优化BP神经网络的红外气体传感器，其特征在于，所述红外气体传感器还具有一无线传输模块和一显示终端；
所述无线传输模块电连接微处理器系统和显示终端，用以建立微处理器系统和显示终端之间的数据链路。
3.根据权利要求1所述的基于AGNES优化BP神经网络的红外气体传感器，其特征在于，所述采样气室沿纵长方向设置有第一端部和第二端部，第一端部和第二端部均为封闭端，采样气室顶部设置有一进气口；
所述采样气室包括红外光源、第一反光镜、第二反光镜、热释电探测器、旋风式抽气泵；
所述第一反光镜、第二反光镜为凹面镜，分别固定在第一端部、第二端部，两者镜面相对；
所述红外光源和热释电探测器均固定安装在采样气室的第一端部、并且朝向第二端部设置，红外光源发出的光束经第一反光镜和第二反光镜交替、并且至少两次反射后被热释电探测器接收；
所述红外光源和热释电探测器均与微处理器系统电连接；
所述旋风式抽气泵固定安装在进气口上，与微处理器系统电连接。
4.根据权利要求1所述的基于AGNES优化BP神经网络的红外气体传感器，其特征在于，所述采样气室的进气口内侧设置有防水透气膜。
5.根据权利要求1所述的基于AGNES优化BP神经网络的红外气体传感器，其特征在于，所述第一反光镜和第二反光镜的两端与采样气室连接处的外侧均设置有防水透气膜。
6.一种基于AGNES优化BP神经网络的红外气体传感器气压补偿方法，其特征在于，所述气压补偿方法包括：
S1：创建以测量电压、参比电压、气压电压为参数的基于AGNES-BP神经网络模型；
S2：接收热释电探测器发送的测量电压U0和参比电压U1、以及气压传感器发送的气压电压U2，进行归一化处理；
S3：将归一化处理后的数据发送至已创建的基于AGNES-BP神经网络模型的输入层，基于AGNES-BP神经网络模型对其进行气压补偿计算后，由基于AGNES-BP神经网络模型的输出层输出计算结果，将输出的计算结果作为经气压补偿后的气体浓度。
7.根据权利要求6所述的基于AGNES优化BP神经网络的红外气体传感器气压补偿方法，其特征在于，所述方法还包括：
将计算得出的经气压补偿后的气体浓度经无线网络发送至显示终端以显示。
8.根据权利要求6所述的基于AGNES优化BP神经网络的红外气体传感器气压补偿方法，其特征在于，步骤S1中，创建以测量电压、参比电压、气压电压为参数的基于AGNES-BP模型的方法包括以下步骤：
S101：创建一个BP神经网络，设定BP神经网络的输入层的神经元个数、隐含层的神经元个数和输出层的神经元个数；
S102：将热释电探测器的各个测量通道和参考通道输出的电压值的比值及气压传感器的输出电压值进行数据归一化处理；
S103：将步骤S102中经归一化处理后的测量通道与参考通道的比值、气压电压这2个参数发送至BP神经网络的输入端作为输入向量V＝(v1,v2)，其中，v1表示测量通道的输出电压和参考通道输出电压的比值，v2表示气压传感器的输出电压经过归一化处理后的数据；
S104：将归一化之后的输入数据进行AGNES算法聚类，找出每一类输入样本偏差最大的一组数据剔除；
S105：将BP神经网络的输入层中所有神经元之间的连续权值与阈值、隐含层中所有神经元之间的连续权值与阈值和输出层中所有神经元之间的连续权值与阈值设定为狼群内的每个个体；
S106：在搜索空间中利用Logistic混沌映射初始化狼群Xi,i＝1,2,…,N，设定最大迭代次数和精度误差；
S107：计算狼群内每个个体的适应度值并进行排序，进而确定历史最优解xα、优解xβ、次优解xδ；
S108：对每只灰狼，按照下述公式初步计算灰狼位置且判断算法当前的迭代次数是否为最大迭代次数，若满足则进入步骤S109，否则返回执行步骤S106：
其中，ωj(j＝α,β,δ)表示α,β,δ的权重系数，f(Xj(t))表示第j只狼在t时刻的适应度值；
S109：输出最优灰狼个体位置X，并将其作为BP神经网络的初始权值和阈值并进行训练；
S110：在训练的过程中，选取M组样本数据，重复步骤S101至步骤S108进行数据的预处理、网络的创建，当达到预定的误差精度时，训练模型完成。
9.根据权利要求8所述的基于AGNES优化BP神经网络的红外气体传感器气压补偿方法，其特征在于，步骤S101中，所述隐含层的激励函数为Sigmoid函数。
10.根据权利要求8所述的基于AGNES优化BP神经网络的红外气体传感器气压补偿方法，其特征在于，步骤S102中，采用premnmx函数对热释电探测器的各个测量通道和参考通道输出的电压值的比值及气压传感器的输出电压值进行数据归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811561955.9A CN109696412A (zh) | 2018-12-20 | 2018-12-20 | 基于agnes优化bp神经网络的红外气体传感器及气压补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811561955.9A CN109696412A (zh) | 2018-12-20 | 2018-12-20 | 基于agnes优化bp神经网络的红外气体传感器及气压补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109696412A true CN109696412A (zh) | 2019-04-30 |
Family
ID=66232686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811561955.9A Pending CN109696412A (zh) | 2018-12-20 | 2018-12-20 | 基于agnes优化bp神经网络的红外气体传感器及气压补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109696412A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108896456A (zh) * | 2018-04-28 | 2018-11-27 | 南京信息工程大学 | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202018419U (zh) * | 2011-04-12 | 2011-10-26 | 朱坚磊 | 一种采用Herroitt多次反射样品室的气体检测平台 |
| CN105258839A (zh) * | 2015-10-30 | 2016-01-20 | 南京信息工程大学 | 基于量子粒子群小波神经网络的阵列式气压测量补偿装置及其方法 |
| CN108593587A (zh) * | 2018-07-03 | 2018-09-28 | 青岛海纳光电环保有限公司 | 一种非分散红外气体传感器 |
| CN108760667A (zh) * | 2018-07-16 | 2018-11-06 | 武汉敢为科技有限公司 | 一种单光源多通道组合式红外气体检测装置 |
| CN108805253A (zh) * | 2017-04-28 | 2018-11-13 | 普天信息技术有限公司 | 一种pm2.5浓度预测方法 |
-
2018
- 2018-12-20 CN CN201811561955.9A patent/CN109696412A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202018419U (zh) * | 2011-04-12 | 2011-10-26 | 朱坚磊 | 一种采用Herroitt多次反射样品室的气体检测平台 |
| CN105258839A (zh) * | 2015-10-30 | 2016-01-20 | 南京信息工程大学 | 基于量子粒子群小波神经网络的阵列式气压测量补偿装置及其方法 |
| CN108805253A (zh) * | 2017-04-28 | 2018-11-13 | 普天信息技术有限公司 | 一种pm2.5浓度预测方法 |
| CN108593587A (zh) * | 2018-07-03 | 2018-09-28 | 青岛海纳光电环保有限公司 | 一种非分散红外气体传感器 |
| CN108760667A (zh) * | 2018-07-16 | 2018-11-06 | 武汉敢为科技有限公司 | 一种单光源多通道组合式红外气体检测装置 |
Non-Patent Citations (3)
| Title |
|---|
| 姚宁 等: "基于AGNES算法优化BP神经网络和GIS系统的大气污染物浓度预测", 《中国环境监测》 * |
| 石峰 等: "基于灰狼群智能最优化的神经网络PM2.5浓度预测", 《计算机应用》 * |
| 陈远鸣 等: "基于改进型BP神经网络的SF6气体传感器", 《电子测量与仪器学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108896456A (zh) * | 2018-04-28 | 2018-11-27 | 南京信息工程大学 | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 |
| CN108896456B (zh) * | 2018-04-28 | 2020-07-31 | 南京信息工程大学 | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106153567B (zh) | 基于bp神经网络压力补偿的红外气体传感器及检测方法 | |
| CN105352907A (zh) | 基于径向基网络温度补偿的红外气体传感器及检测方法 | |
| CN109709058A (zh) | 基于AGA-Elman算法的红外气体传感器及湿度补偿方法 | |
| CN106769974B (zh) | 气体浓度二维分布在线检测系统及方法 | |
| CN105675511B (zh) | 透明介质膜层均匀性在线测量方法及其装置 | |
| CN102507496B (zh) | 光谱吸收型光纤传感器检测sf6分解气体的装置及方法 | |
| CN201909754U (zh) | 光学气体传感器 | |
| CN109781651A (zh) | 一种气体检测单元及红外燃气报警器 | |
| CN101701850A (zh) | 一种火焰温度和黑度的检测方法 | |
| CN109187667A (zh) | 环境气体浓度测量装置及其使用方法 | |
| CN110006838A (zh) | 一种可调节式红外气体传感器系统及温湿度补偿方法 | |
| CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、系统及装置 | |
| CN102507150A (zh) | Led灯具光、色、电参数在线实时检测装置 | |
| CN109696412A (zh) | 基于agnes优化bp神经网络的红外气体传感器及气压补偿方法 | |
| CN113237845A (zh) | 一种集成式so2交叉干扰补偿装置 | |
| CN116626238A (zh) | 一种气流和气体组合感知的双通道检测罗盘系统、气体泄漏检测方法、数据融合及追踪方法 | |
| CN102435558A (zh) | 基于试液颜色测量的co2传感器及其检测方法 | |
| CN113917287A (zh) | 一种变电站母线接头放电发热故障监测系统 | |
| CN104198348B (zh) | 基于光电融合的pm2.5浓度检测系统及检测方法 | |
| CN110057773A (zh) | 一种红外气体传感器系统及基于AACA-Elman算法的温度补偿方法 | |
| CN105784606A (zh) | 一种基于光学特性的水质监控系统 | |
| CN111398114A (zh) | 一种基于光散射原理的细颗粒物检测装置及方法 | |
| CN105717048A (zh) | 一种基于养殖水体光学特性的水质采集处理系统 | |
| CN108279194B (zh) | 雾滴浓度检测装置及检测方法 | |
| CN217542849U (zh) | 双光路红外热导气体传感器 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190430 |