CN111476278A - 一种气体浓度智能化检测系统 - Google Patents

Abstract

本发明公开了一种气体浓度智能化检测系统，其特征在于：所述系统由基于无线传感器网络的气体环境参数采集平台和气体多级预警模块两部分组成，基于无线传感器网络的气体环境参数采集平台实现对气体环境参数检测、气体浓度调节和预警，气体多级预警模块由气体区间数神经网络模型、区间数预测模型和区间数GRNN神经网络气体等级分类器组成；本发明有效解决了现有气体浓度检测系统没有根据气体变化的非线性、大滞后和工况面积大气体浓度变化复杂等特点，对气体浓度的进行检测，从而极大的影响气体浓度检测精确性问题。

Description

一种气体浓度智能化检测系统

技术领域

本发明涉及气体检测自动化装备的技术领域，具体涉及一种气体浓度智能 化检测系统。

背景技术

在煤炭、石油和天然气等生产过程中,快速和准确地对易燃、易爆、有毒 和有害气体进行监测预报和自动控制已成为当前亟待解决的重要问题之一。环 境污染的有效监测与控制需要一系列新型的传感与测量技术,特别是能够连续 监测大气中有害污染气体含量的检测仪器和系统。为了有效地减少事故发生和 对环境的污染,必须设置能在线实时快速检测气体的仪器和设备。本专利根据 工农业生产过程的实际需要设计一种气体智能检测系统可以实现对气体浓度的 测量、预测和超限报警功能。

发明内容

本发明提供了一种气体浓度智能化检测系统，本发明有效解决了现有气体 浓度检测系统没有根据气体变化的非线性、大滞后和工况面积大气体浓度变化 复杂等特点，对气体浓度的进行检测，从而极大的影响气体浓度检测精确性问 题。

本发明通过以下技术方案实现：

一种气体浓度智能化检测系统，其特征在于：所述系统由基于无线传感器 网络的气体环境参数采集平台和气体多级预警模块两部分组成，基于无线传感 器网络的气体环境参数采集平台实现对气体环境参数检测、气体浓度调节和预 警，气体多级预警模块由气体区间数神经网络模型、区间数预测模型和区间数 GRNN神经网络气体等级分类器组成；多个气体传感器的输出作为气体区间数 神经网络模型的输入，气体区间数神经网络模型的输出作为区间数预测模型的 输入，区间数预测模型的输出作为区间数GRNN神经网络气体等级分类器的输 入，区间数GRNN神经网络气体等级分类器的输出代表对被检测环境的气体浓 度等级的区间数，气体多级预警模块实现对被检测环境的气体进行检测、预测 和分类。

本发明进一步技术改进方案是：

所述气体区间数神经网络模型由多个RR时间递归神经网络、区间数Jordan 神经网络模型和2个按拍延迟线TDL组成，气体区间数神经网络模型把一段时 间被检测环境多个气体传感器感知被测量气体值转换为被检测环境气体的动态 区间数值，每个检测点气体传感器的输出为对应的各个RR时间递归神经网络的 输入，各个RR时间递归神经网络模型的输出为区间数Jordan神经网络模型的 输入，2个按拍延迟线TDL的输出为区间数Jordan神经网络模型的输入，区间 数Jordan神经网络模型的输出为代表一段时间内被检测环境气体大小的上下限 值构成的区间数，区间数Jordan神经网络输出区间数的上下限值分别作为对应 的2个按拍延迟线TDL的输入。

本发明进一步技术改进方案是：

所述区间数预测模型包括2个小波分解模型、2组多个小波神经网络气体预 测模型、2个DRNN神经网络气体融合模型和2个ARIMA自动回归滑动平均气 体残差预测模型组成，气体区间数值神经网络模型输出区间数的上下限值分别 作为对应的2个小波分解模型的输入，2个小波分解模型输出气体区间数值神经 网络模型输出区间数的上下限值分成2组低频趋势部分和多个高频波动部分分 别作为对应的2组多个小波神经网络气体预测模型的输入，2组多个小波神经网 络气体预测模型的输出分别作为对应的2个DRNN神经网络气体融合模型的输 入，气体区间数值神经网络模型输出区间数的上下限值与对应的2个DRNN神 经网络气体融合模型输出的残差分别作为对应的2个ARIMA自动回归滑动平均 气体残差预测模型的输入，2个DRNN神经网络气体融合模型的输出与分别与 对应的2个ARIMA自动回归滑动平均气体残差预测模型输出的和分别作为区间 数GRNN神经网络气体等级分类器的2个按拍延迟线TDL输入和区间数预测模 型值的区间数的上下限值。

本发明进一步技术改进方案是：

所述区间数GRNN神经网络气体等级分类器包括2个按拍延迟线TDL和区 间数GRNN神经网络，区间数预测模型输出区间数的上下限值分别为对应的2 个按拍延迟线TDL输入，2个按拍延迟线TDL的输出作为区间数GRNN神经 网络的输入，区间数GRNN神经网络的输出为代表被检测气体浓度等级大小的 区间数值；根据被检测气体对环境的影响的工程实践和《作业环境气体检测报 警仪通用技术要求》(GB12358-90)，区间数GRNN神经网络气体等级分类器 构建气体5种浓度等级与5个区间数的对应关系表，气体5种浓度等级分别为 浓度很低、浓度较低、正常状态、浓度较高和浓度很高，计算区间数GRNN神 经网络气体等级分类器输出的区间数与代表气体5种浓度等级的5个区间数的 相似度，其中相似度最大的区间数对应的气体浓度等级确定为被检测气体浓度 等级。

本发明进一步技术改进方案是：

所述基于无线传感器网络的气体环境参数参数采集平台由检测节点、控制 节点和现场监控端组成，以自组织方式通过无线通信模块NRF2401构建成气体 环境参数采集与气体浓度智能预测平台，检测节点分别由传感器组模块、单片 机MSP430和无线通信模块NRF2401组成，传感器组模块负责检测气体环境的 气体浓度、温度、风速和湿度的气体环境参数，由单片机控制采样间隔并通过 无线通信模块NRF2401发送给现场监控端。

本发明进一步技术改进方案是：

所述控制节点实现气体环境参数的调节设备进行控制；现场监控端由一台 工业控制计算机组成，实现对检测节点检测气体环境参数进行管理和对气体浓 度进行分类。

本发明与现有技术相比，具有以下明显优点：

一、本发明针对气体参数测量过程中，气体传感器精度误差、干扰和测量 参数异常等问题存在的不确定性和随机性，本发明专利将气体传感器测量的参 数值通过区间数神经网络模型转化为区间数形式表示，有效地处理了气体传感 器测量参数的模糊性、动态性和不确定性，提高了气体传感器测量参数的客观 性和可信度。

二、本发明RNN时间递归神经网络是一种用于处理气体的时序数据的神 经网络，在该网络中，循环结构会保留当前时刻隐藏神经元的气体状态值，并 将其作为下一次循环输入的一部分气体输入信号输入到下一时刻的隐藏层神经 元中。RNN的输入信号采取的是气体浓度时序输入，每输入一步，每一层都共 享网络权重和偏置，大大减少了网络中需要学习的参数，降低了网络的复杂度。

三、本发明RNN时间递归神经网络充分利用基于时间序列气体数据之间 的相关性，是一种在隐含层内部加入了定向循环结构的神经网络，其特殊的 结构能够较好地处理基于时间序列气体数据的问题，通过表征输入气体浓度数 据的分布式表示，展现出较强的学习气体浓度数据集的本质特征的能力，实现 复杂函数的逼近，更好地刻画出气体浓度数据的丰富内在信息，具有较强的泛 化能力，提高计算气体大小的准确性和可靠性。

四、本发明RNN时间递归神经网络是一种引入了“时序”概念的神经网 络，其具有反馈机制，广泛应用于气体浓度时间序列数据建模。RNN可以使学 习到的信息在网络内储存，使模型能够学习到气体浓度当前时刻与过去气体浓 度信息的依赖关系。给定一输入序列，RNN时间递归神经网络在任意时刻t，的 隐藏层状态ht均是基于当前时刻的气体浓度输入Xt以及过去时刻的气体浓度隐 藏层状态h_t－1映射得到的，且RNN时间递归神经网络可以将每个时刻的气体浓 度隐藏层状态输出传入下一时刻；最终RNN时间递归神经网络通过输出层将一 段时间气体浓度映射得到气体浓度的输出量。

五、本发明采用2个ARIMA自动回归滑动平均气体残差预测模型预测气 体区间数上下限值残差整合了气体区间数上下限值残差变化的趋势因素、周期 因素和随机误差等因素的原始时间序列变量，通过差分数据转换等方法将非平 稳序列转变为零均值的平稳随机序列，通过反复识别和模型诊断比较并选择理 想的模型进行气体区间数上下限值残差数据拟合和预测。该方法结合了自回归 和移动平均方法的长处，具有不受数据类型束缚和适用性强的特点，是一种对 气体区间数上下限值残差进行短期预测效果较好的模型。

六、本发明采用区间数GRNN神经网络气体等级分类器较具有很强的非线 性映射能力和柔性网络结构以及高度的容错性和鲁棒性，GRNN在逼近能力和 学习速度上较RBF网络有更强的优势，网络最后收敛于样本量积聚较多的优化 回归面并且在样本数据较少时，网络还可以处理不稳定数据，预测效果也较好。 区间数GRNN神经网络泛化能力强，预测精度高，算法稳定，区间数GRNN神 经网络气体等级分类器还具有收敛速度快、调整参数少和不易陷入局部极小值 等优点和具有良好的应用前景。

七、本发明通过区间数预测模型的小波分解模型将气体区间数上下限值参 数序列分解为不同频段的分量，每一个分量都显示出隐含在原序列中的不同特 征信息，以降低序列的非平稳性。高频部分数据关联性不强，频率比较高，代 表原始序列的波动成分，具有一定的周期性和随机性，这与气体区间数上下限 值的周期性变化相符合；低频成分代表原序列的变化趋势。可见气体小波分解 模型能够逐级分解出气体区间数上下限值的波动成分、周期成分和趋势成分， 分解出的每一个分量自身包含相同的变形信息，在一定程度上减少了不同特征 信息之间的相互干涉，且分解出的各分量变化曲线比原始气体区间数上下限值 变形序列曲线光滑。可见气体小波分解模型能有效分析多因素共同作用下的气 体区间数上下限值变形数据，分解得到的各分量有利于多个小波神经网络气体 预测模型的建立和更好地预测。使用对各分量分别建立小波神经网络气体预测 模型，为避免极限学习机输入维数选取的随意性和分量信息丢失等问题，先对 各分量重构相空间，最后将各分量预测结果输入对应的DRNN神经网络气体融 合模型得到最终融合预测结果。实例研究表明，所提的区间数预测模型具有较 高的气体区间数上下限值的预测精度。

附图说明

图1为本发明基于无线传感器网络的气体环境参数采集平台；

图2为本发明气体多级预警模块；

图3为本发明检测节点功能图；

图4为本发明控制节点功能图；

图5为本发明现场监控端软件功能图；

图6为本发明气体区间数神经网络模型。

具体实施方式

结合附图1-6，对本发明技术方案作进一步描述：

1、系统总体功能的设计

本发明一种气体智能检测系统实现对气体环境参数进行检测和根据被检测 环境气体浓度对生产过程的影响进行分类预警，该系统由基于无线传感器网络 的气体环境参数采集平台和气体多级预警模块两部分组成。基于无线传感器网 络的气体环境参数采集平台包括气体环境参数的检测节点1和调节气体浓度的 控制节点2，它们以自组织方式构建成无线测控网络来实现检测节点1、控制节 点2和现场监控端3之间的无线通信；检测节点1将检测的气体环境参数发送 给现场监控端3并对传感器数据进行初步处理；现场监控端3把控制信息传输 到检测节点1和控制节点2。整个系统结构见图1所示。

2、检测节点的设计

采用大量基于无线传感器网络的检测节点1作为气体环境参数感知终端， 检测节点1和控制节点2通过自组织无线网络实现现场监控端3之间的信息相 互交互。检测节点1包括采集气体环境气体浓度、温度、风速和湿度参数的传 感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块；检 测节点的软件主要实现无线通信和气体环境参数的采集与预处理。软件采用C 语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程 序代码的可靠性、可读性和可移植性。检测节点结构见图3。

3、控制节点的设计

控制节点2在输出通路设计了4路D/A转换电路实现对气体环境参数的调 节输出量的数模转换、MSP430微处理器和无线通信模块接口，实现对气体环境 参数控制设备进行控制，控制节点见图4。

4、现场监控端软件

现场监控端3是一台工业控制计算机，现场监控端3主要实现对气体环境 参数进行采集、气体浓度预警和调节气体浓度，实现与检测节点1与控制节点2 的信息交互，现场监控端3主要功能为通信参数设置、数据分析与数据管理、 预警气体浓度和调节气体浓度。该管理软件选择了Microsoft Visual++6.0作为开 发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能 见图5。气体多级预警模块由气体区间数神经网络模型、区间数预测模型和区间 数GRNN神经网络气体等级分类器组成；多个气体传感器的输出作为气体区间 数神经网络模型的输入，气体区间数神经网络模型的输出的上下限值作为区间 数预测模型的输入，区间数预测模型的输入的输出作为区间数GRNN神经网络 气体等级分类器的输入，区间数GRNN神经网络气体等级分类器的输出代表对 被检测环境的气体浓度等级的区间数，气体多级预警模块实现对被检测环境的 气体进行检测、预测和分类；气体多级预警模块设计过程如下：

(1)、气体区间数神经网络模型设计

气体区间数神经网络模型如图6所示，气体区间数神经网络模型由多个RR 时间递归神经网络、区间数Jordan神经网络模型和2个按拍延迟线TDL(Tapped Delay Line)组成，气体区间数神经网络模型把一段时间被检测环境的多个气体传 感器感知气体值转换为气体的动态区间数值，每个检测点气体传感器的输出为 对应的RR时间递归神经网络的输入，RR时间递归神经网络的输出为区间数 Jordan神经网络模型的输入，2个按拍延迟线TDL的输出为区间数Jordan神经 网络模型的输入，区间数Jordan神经网络模型的输出为代表一段时间内气体大 小的上下限值构成的区间数，区间数Jordan神经网络模型输出区间数的上下限 值分别作为对应的2个按拍延迟线TDL的输入；区间数Jordan神经网络模型的 输出为u₁(k)和u₂(k)，u₁(k)和u₂(k)分别作为对应的按拍延迟线TDL的输入，u₁(k) 和u₂(k)分别代表检测点气体区间数值神经网络模型输出的区间数的上限值和下 限值，构成气体传感器在一段时间内被检测气体的输出区间数值为[u₂,u₁]，气 体区间数神经网络模型辨识结构如图1所示，X(l)，…，X(n)为多个RR 时间递归神经网络输出的数据，U₁(k-1)，…，U₁(k–d)为气体区间数神经 网络模型输出值的上限值的历史数据，U₂(k-1)，…，U₂(k–d)为气体区间数值神经网络模型输出值的下限值的历史数据，u₁(k)和u₂(k)为区间数Jordan神 经网络模型的输出值代表气体区间数值神经网络模型的输出，k表示当前时刻， d分别表示U的滞后点，气体区间数神经网络模型可以描述为：

U(k)＝[u₂(k),u₁(k)]＝F[X(1),X(2),…,X(n)；u₁(k),…,u₁(k-d)；u₂(k),…,u₂(k-d)](1)

RNN时间递归神经网络可以处理气体大小的顺序信息，RNN时间递归神经 网络使用气体传感器前一状态的输出作为预测后一气体大小输入的一部分，具 备一般意义上的“记忆”气体大小的功能。RNN时间递归神经网络可以保留前 一序列气体作为输出，下一序列的气体输入和保留的前一序列气体输出共同计 算得到下一序列的气体输出。x_t是t时刻的输入，s_t表示网络的记忆单元t时 刻的状态，st通过前一步的状态s_t-1以及当前时刻的输入x_t共同计算得到：

s_t＝f(Ux_t+Ws_t-1) (2)

激励函数f是RNN神经网络中非线性函数tanh，通常第一个隐藏状态s_t-1的 值会用0进行初始化，但实际使用极小值进行初始化会使梯度下降的更快。o_t是t时刻的输出,通常是由归一化指数函数计算出的概率向量：

o_t＝softmax(Vs_t) (3)

本发明专利所采用的区间数Jordan神经网络模型除了输入层、隐层、输出 层外，还有一个用来记忆系统前一时刻输出值的特殊单元层，可以认为是时延 算子，并将隐层状态反馈；区间数Jordan神经网络模型具有输出反馈环节，可 以反映系统的输出特性，通过将隐层的状态反馈，使其能够反映状态特性，这 样使得区间数Jordan神经网络模型具有更丰富的性质，适用范围更广泛，更适 于动态系统辨识，相对于前向网络具有明显的优势。输入层有n个节点，隐层 有m个节点，数出层有2个节点，区间数Jordan神经网络模型的隐含层和目标 层的输出为：

o_t＝f(x_i(k)-θ_i) (5)

其中f是sigmoid函数，是阈值。其中：

一段时间多个RNN时间递归神经网络的输出作为区间数Jordan神经网络模型 的输入，区间数Jordan神经网络模型输出为气体大小的区间数，气体传感器在 一段时间内检测气体的输出区间数值为区间数Jordan神经网络模型值为 [u₂,u₁]。

(2)、区间数预测模型设计

区间数预测模型包括2个小波分解模型、2组多个小波神经网络气体预测模 型、2个DRNN神经网络气体融合模型和2个ARIMA自动回归滑动平均气体残 差预测模型组成，区间数预测模型的设计过程如下：

A、2个小波分解模型设计

气体区间数神经网络模型输出区间数的上限和下限值分别作为2个对应的 小波分解模型的输入，2个小波分解模型把上限和下限值分别分解成2组低频分 量和多个高频分量，2每组低频分量和高频分量分别作为对应的2组多组小波神 经网络气体预测模型的输入。本发明专利用小波分解模型方法对检测气体参数 的区间值的时间序列上下限值进行分解，小波分解对气体区间数上下限值的各 层信息进行自相关和互相关分析，小波分解过程中对气体区间数上下限值信号 做了平滑处理，因此，气体区间数上下限值经过小波处理后的数据要平滑很多。 根据气体区间数上下限值各层信号分析后的特点分别建立2组相应的上限和下 限多个小波神经网络气体预测模型来分别预测气体区间数的上下限值，最后将 各层预测结果分别作为对应的DRNN神经网络气体融合模型的输入，2个DRNN 神经网络气体融合模型的输出作为对气体区间数上下限值预测值的融合值。小 波多分辨率分解过程一般采用算法，该算法的分解关系表示如下:

式(7)中h₀、h₁分别为低通分解滤波器和高通分解滤波器,m_p、n_p分别是分辨率 为2^-p下的低频系数和高频系数。该算法重构关系如下:

式(8)中g₀、g₁分别为低通重构滤波器和高通重构滤波器,A_p、D_p分别是分辨 率2^-p下的低频分量和高频分量。Mallat算法将每一层分解后的低频信号部分再 次分解成高频和低频，这样进行层层分解。原始本检测的历史数据X进行p层分 解后得到的结果为:

X＝D₁+D₂+…D_p+A_p (9)

式(9)中A_p为第p层分解后的低频信号部分，D_p为第p层分解后的高频部分。2 个小波分解模型可以将被检测气体区间数的上下限值的历史数据序列信号分解 到不同的分辨率空间中，这样处理后的效果是分解到各分辨率空间中的被检测 气体区间数上下限值的历史数据序列比被检测气体区间数的历史数据序列简单 并且预测被检测气体区间数的上下限值更加精确。

B、2组多个小波神经网络气体预测模型设计

2个小波分解模型把上限和下限值分别分解成2组低频分量和多个高频分 量，2每组低频分量和高频分量分别作为对应的2组多组小波神经网络气体预测 模型的输入；2组多个小波神经网络气体预测模型的输出分别作为对应的2个 DRNN神经网络气体融合模型的输入，小波神经网络气体预测模型的小波神经 网络WNN(Wavelet Neural Networks)是在小波理论基础上结合人工神经网络而 提出的一种前馈型网络。小波神经网络是以小波函数为神经元的激励函数,在预 测气体气体区间数的上下限值时误差能量函数的优化过程中自适应调整小波的 伸缩、平移因子以及连接权重。设本发明专利的小波神经网络气体预测模型的 输入信号可以表示为一维向量x_i(i＝1,2,…,n)，输出信号表示为y_k(k＝1,2,…,m)，小 波神经网络融合模型的输出层的计算公式为：

公式中ω_ij输入层i节点和隐含层j节点间的连接权值，

为小波基函数，b_j为小波基函数的平移因子，a_j小波基函数的伸缩因子，ω_jk为隐含层j节点和输 出层k节点间的连接权值。本专利中的小波神经网络气体预测模型的权值和阈 值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使小波 神经网络气体预测模型的输出不断逼近期望输出。

C、2个DRNN神经网络气体融合模型设计

2个DRNN神经网络气体融合模型分别对2组多个小波神经网络气体预测模型 进行融合得到气体区间数预测值的上限值，每个DRNN神经网络气体融合模型是 一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接 生动地反映气体区间数上下限值的动态变化性能，可以更加精确预融合气体区 间数上下限值的预测值，DRNN神经网络气体融合模型包括输入层、隐含层和输 出层的3层网络结构，其隐层为回归层。在本发明DRNN神经网络气体融合模型 中，设I＝[I₁(t),I₂(t),…,I_n(t)]为网络输入向量，其中I_i(t)为第i个小波神经网络气 体预测模型的输出为DRNN神经网络气体融合模型输入层第i个神经元t时刻的输 入，回归层第j个神经元的输出为X_j(t)，S_j(t)为第j个回归神经元输入总和，f(·) 为S的函数，则O(t)为DRNN神经网络气体融合模型的输出，则DRNN神经网络 气体融合模型的输出层输出为：

2组多个小波神经网络气体预测模型分别作为每个DRNN神经网络气体融 合模型的输入，每个DRNN神经网络气体融合模型实现对2组多个小波神经网 络气体预测模型输出值的融合，2个DRNN神经网络气体融合模型输出分别为 气体区间数上下限值的预测值。

D、2个ARIMA自动回归滑动平均气体残差预测模型设计

气体区间数神经网络模型输出区间数的上下限值与对应的2个DRNN神经 网络气体融合模型的残差分别作为对应的2个ARIMA自动回归滑动平均气体残 差预测模型的输入，2个ARIMA自动回归滑动平均气体残差预测模型的输出分 别与对应的2个DRNN神经网络气体融合模型的和作为气体区间数神经网络模 型输出的上下限值的预测值，2个ARIMA自动回归滑动平均气体残差预测模型 提高了气体区间数神经网络模型输出的上下限值预测精确度。ARIMA自动回归 滑动平均气体残差预测模型是一种根据气体区间数的上下限值残差历史数据预 测未来气体区间数的上下限值残差的建模方法,它对被预测气体区间数的上下 限值残差的时间序列进行分析。本专利采用气体区间数的上下限值残差历史参 数来分析气体区间数的上下限值残差的时间序列对ARIMA自动回归滑动平均 气体残差预测模型的时间序列特征的自回归阶数(p)、差分次数(d)和移动平均阶 数(q)进行研究。ARIMA自动回归滑动平均气体残差预测模型被写作为： ARIMA(p,d,q)。以p、d、q为参数的ARIMA动态预测气体区间数的上下限值残 差的方程可以表示如下:

Δ^dy_t表示y_t经d次差分转换之后的序列，ε_t是随机误差，方差为常量σ²的 正态分布，φ_i(i＝1,2,…,p)和θ_j(j＝1,2,…,q)为ARIMA自动回归滑动平均气体残差 预测模型的待估计参数，p和q为ARIMA动态预测气体区间数的上下限值残差模 型的阶。ARIMA动态预测气体区间数的上下限值残差模型的阶。ARIMA动态预测 气体区间数的上下限值残差本质上属于线性模型，建模与预测包含4个步骤:Ⅰ、 序列平稳化处理，如果气体区间数的上下限值残差的历史数据序列是非平稳的, 如存在一定的增长或下降趋势等,则需对气体区间数的上下限值残差的历史数 据进行差分处理；Ⅱ、模型识别，通过自相关系数和偏自相关系数来确定ARIMA 动态预测气体区间数的上下限值残差模型的阶数p，d和q；Ⅲ、估计模型的参数和模型诊断，用极大似然估计得到ARIMA动态预测气体区间数的上下限值残差 模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验, 然后判断所建气体区间数的上下限值残差模型是否可取，利用选取合适参数的 ARIMA动态预测气体区间数的上下限值残差模型进行气体区间数的上下限值残 差的预测；并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估 计参数；Ⅳ、利用具有合适参数模型进行气体区间数的上下限值残差的预测， 本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块 实现气体区间数的上下限值残差预测的整个建模过程。

(3)、区间数GRNN神经网络气体等级分类器设计

区间数GRNN神经网络气体等级分类器包括包括2个按拍延迟线TDL和区 间数GRNN神经网络，区间数预测模型输出区间数的上下限值分别为对应的2 个按拍延迟线TDL输入，2个按拍延迟线TDL的输出作为区间数GRNN神经 网络的输入，区间数GRNN神经网络的输出为代表被检测气体浓度等级大小的 区间数值；根据被检测气体对环境的影响的工程实践和《作业环境气体检测报 警仪通用技术要求》(GB12358-90)，区间数GRNN神经网络气体等级分类器 构建气体5种浓度等级与5个区间数的对应关系表1，气体5种浓度等级分别为 浓度很低、浓度较低、正常状态、浓度较高和浓度很高，计算区间数GRNN神 经网络气体等级分类器输出的区间数与代表气体5种浓度等级的5个区间数的 相似度，其中相似度最大的区间数对应的气体浓度等级确定为被检测气体浓度 等级。

表1气体浓度等级与区间数数对应关系表

序号	沉降坍塌危险度	区间数
			1	浓度很低	[0.00，0.20]
2	浓度较低	[0.20，0.40]
			3	正常状态	[0.40，0.60]
4	浓度较高	[0.60，0.80]
			5	浓度很高	[0.80，1.0]

区间数GRNN神经网络气体等级分类器是一种局部逼近网络GRNN (GeneralizedRegression Neural Network)输出为代表一段时间内被检测环境气 体动态变化的等级区间数。区间数GRNN神经网络气体等级分类器是建立在数 理统计的基础上，具有明确的理论依据，学习样本确定后网络结构和连接值也 随之确定，在训练过程中只需要确定平滑参数一个变量。区间数GRNN神经网 络气体等级分类器的学习全部依赖数据样本，在逼近能力和学习速度上较BRF 网络有更强的优势，具有很强的非线性映射和柔性网络结构以及高度的容错性 和鲁棒性，特别适用于函数的快速逼近和处理不稳定的数据。区间数GRNN神 经网络气体等级分类器的人为调节参数很少，网络的学习全部依赖数据样本， 这一特性使得网络可以最大限度地减少人为主观假定对预测结果的影响。区间 数GRNN神经网络气体等级分类器具有小样本下强大的预测能力，还具有训练 快速、鲁棒性强等特征，基本不受输入数据多重共线性的困扰。本专利的区间 数GRNN神经网络气体等级分类器由输入层、模式层、求和层和输出层构成， 区间数GRNN神经网络气体等级分类器的输入向量X为n维向量，网络输出 向量Y为k维向量X＝{x₁,x₂,…,x_n}^T和Y＝{y₁,y₂,…,y_k}^T。模式层神 经元数目等于训练样本的数目m，各个神经元与训练样本一一对应，模式层神 经元传递函数p_i为：

p_i＝exp{-[(x-xi)^T(x-x_i)]/2σ},(i＝1,2,…,m) (13)

上式中的神经元输出进入求和层进行求和，求和层函数分为两类，分别为:

其中，y_ij为第i个训练样本输出向量中的第j个元素值。根据前述区间数 GRNN神经网络气体等级分类器算法，则网络输出向量Y的第j个元素的估计 值为:

y_j＝s_Nj/s_D,(j＝1,2,…k) (16)

区间数GRNN神经网络气体等级分类器建立在数理统计基础之上，能够根 据被检测环境气体区间数的上下限值的历史数据样本数据逼近其隐含的映射关 系，网络的输出结果能够收敛于最优回归面，特别是在检测环境气体区间数的 上下限值历史数据样本数据稀少的情况下，也能获得满意的分类效果。区间数 GRNN神经网络气体等级分类器的输入层、模式层、求和层和输出层分别为20、 30、10和2个节点，区间数GRNN神经网络气体等级分类器输出层为代表气体 浓度等级的区间数值。

5、气体智能检测系统的设计举例

根据被检测环境气体浓度的状况，该系统设计了检测节点1和控制节点2 和现场监控端3于被检测环境中的布置图，其中检测节点1均衡布置在气体环 境中，通过该系统实现对气体环境参数的采集与气体浓度检测、预测和预警。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段， 还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领 域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进 和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (3)

1.一种气体浓度智能化检测系统，其特征在于：所述系统由基于无线传感器网络的气体环境参数采集平台和气体多级预警模块两部分组成，基于无线传感器网络的气体环境参数采集平台实现对气体环境参数检测、气体浓度调节和预警，气体多级预警模块由气体区间数神经网络模型、区间数预测模型和区间数GRNN神经网络气体等级分类器组成；多个气体传感器的输出作为气体区间数神经网络模型的输入，气体区间数神经网络模型的输出作为区间数预测模型的输入，区间数预测模型的输出作为区间数GRNN神经网络气体等级分类器的输入，区间数GRNN神经网络气体等级分类器的输出代表对被检测环境的气体浓度等级的区间数，气体多级预警模块实现对被检测环境的气体进行检测、预测和分类；

所述气体区间数神经网络模型由多个RR时间递归神经网络、区间数Jordan神经网络模型和2个按拍延迟线TDL组成，气体区间数神经网络模型把一段时间被检测环境多个气体传感器感知被测量气体值转换为被检测环境气体的动态区间数值，每个检测点气体传感器的输出为各个对应的RR时间递归神经网络的输入，各个RR时间递归神经网络的输出为区间数Jordan神经网络模型的输入，2个按拍延迟线TDL的输出为区间数Jordan神经网络模型的输入，区间数Jordan神经网络模型的输出为代表一段时间内被检测环境气体大小的上下限值构成的区间数，区间数Jordan神经网络模型输出区间数的上下限值分别作为对应的2个按拍延迟线TDL的输入；

所述区间数预测模型包括2个小波分解模型、2组多个小波神经网络气体预测模型、2个DRNN神经网络气体融合模型和2个ARIMA自动回归滑动平均气体残差预测模型组成，气体区间数值神经网络模型输出区间数的上下限值分别作为对应的2个小波分解模型的输入，2个小波分解模型输出气体区间数值神经网络模型输出区间数的上下限值分成2组低频趋势部分和多个高频波动部分分别作为对应的2组多个小波神经网络气体预测模型的输入，2组多个小波神经网络气体预测模型的输出分别作为对应的2个DRNN神经网络气体融合模型的输入，气体区间数值神经网络模型输出区间数的上下限值与对应的2个DRNN神经网络气体融合模型输出的残差分别作为对应的2个ARIMA自动回归滑动平均气体残差预测模型的输入，2个DRNN神经网络气体融合模型的输出与分别与对应的2个ARIMA自动回归滑动平均气体残差预测模型输出的和分别作为区间数GRNN神经网络气体等级分类器的2个按拍延迟线TDL输入和区间数预测模型值的区间数的上下限值；

所述区间数GRNN神经网络气体等级分类器包括2个按拍延迟线TDL和区间数GRNN神经网络，区间数预测模型输出区间数的上下限值分别为对应的2个按拍延迟线TDL输入，2个按拍延迟线TDL的输出作为区间数GRNN神经网络的输入，区间数GRNN神经网络的输出为代表被检测气体浓度等级大小的区间数值；根据被检测气体对环境的影响的工程实践和国家关于环境气体检测的认定标准，区间数GRNN神经网络气体等级分类器构建气体5种浓度等级与5个区间数的对应关系表，气体5种浓度等级分别为浓度很低、浓度较低、正常状态、浓度较高和浓度很高，计算区间数GRNN神经网络气体等级分类器输出的区间数与代表气体5种浓度等级的5个区间数的相似度，其中相似度最大的区间数对应的气体浓度等级确定为被检测气体浓度等级。

2.根据权利要求1所述的一种气体浓度智能化检测系统，其特征在于：所述基于无线传感器网络的气体环境参数参数采集平台由检测节点、控制节点和现场监控端组成，以自组织方式通过无线通信模块NRF2401构建成气体环境参数采集与气体浓度智能预测平台，检测节点分别由传感器组模块、单片机MSP430和无线通信模块NRF2401组成，传感器组模块负责检测气体环境的气体浓度、温度、风速和湿度的气体环境参数，由单片机控制采样间隔并通过无线通信模块NRF2401发送给现场监控端。

3.根据权利要求2所述的一种气体浓度智能化检测系统，其特征在于：所述控制节点实现气体环境参数的调节设备进行控制；现场监控端由一台工业控制计算机组成，实现对检测节点检测气体环境参数进行管理和对气体浓度进行分类。

Images