CN115479976A - 基于pnn神经网络的复合型气体传感器的气体识别方法 - Google Patents
基于pnn神经网络的复合型气体传感器的气体识别方法 Download PDFInfo
- Publication number
- CN115479976A CN115479976A CN202110605904.7A CN202110605904A CN115479976A CN 115479976 A CN115479976 A CN 115479976A CN 202110605904 A CN202110605904 A CN 202110605904A CN 115479976 A CN115479976 A CN 115479976A
- Authority
- CN
- China
- Prior art keywords
- gas
- neural network
- composite
- pnn
- layer
- 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 35
- 239000002131 composite material Substances 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000007789 gas Substances 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005336 cracking Methods 0.000 claims abstract description 15
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 8
- 239000001301 oxygen Substances 0.000 claims abstract description 8
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000005504 petroleum refining Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims abstract description 3
- 238000012544 monitoring process Methods 0.000 claims abstract description 3
- 230000004044 response Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000003750 conditioning effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 229910000510 noble metal Inorganic materials 0.000 claims 2
- 231100001261 hazardous Toxicity 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000004523 catalytic cracking Methods 0.000 abstract description 4
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 229920001940 conductive polymer Polymers 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 210000003370 receptor cell Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/27—Association of two or more measuring systems or cells, each measuring a different parameter, where the measurement results may be either used independently, the systems or cells being physically associated, or combined to produce a value for a further parameter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Electrochemistry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于PNN神经网络的复合型气体传感器的气体识别方法,本发明涉及计算机神经网络技术领域,工业气体检测领域。该基于PNN神经网络的复合型气体传感器的气体识别方法可以识别催化裂化塔内不同时刻危险气体和氧气的含量;通过大量数据收集与识别,对石油炼制工业的安全和效率问题起到一定帮助,节省成本与时间;通过大量训练,该模型将会自学习到裂化塔内气体的定性和定量,在塔内起到实时监测作用,有很大的工业价值。
Description
技术领域
本发明涉及计算机神经网络技术领域,工业气体检测领域。
背景技术
石油炼制工业对于国民经济的发展具有十分重要的意义,无论是工业、农业还是交通运输和国防建设都离不开石油制品。催化裂化是石油炼制过程中的重要一步。在冶炼厂中用于进行催化裂化的反应塔通常都很高大,而位于塔内的催化剂又需每隔一段时间清理出来。但即便是旧的催化剂移除后,塔内仍然会产生硫化氢和一氧化碳等易燃和危险性的气体;在裂化塔内采用氮气“净化”后,理论上来说里面暂时是不含氧气的,但并不能就此保证万无一失。为了保证氮气的纯净度,必须利用氧气传感器对其中氧浓度含量加以监测和报警。一般氧浓度报警范围设定在2%到4%之间,所以必须使用气体传感器进行实时测量。气体电子鼻是模拟动物嗅觉器官开发出的一种系统气体的检测仪器,主要由气体传感器阵列,预处理模块和模式识别系统三部分组成。电子鼻识别气味的主要机理是在阵列中的每个传感器对被测气体都有不同的灵敏度,整个传感器阵列对不同气体的响应图案是不同的,正是这种区别,才使系统能根据传感器的响应图案来识别气味。由于气体传感普遍存在着交叉敏感特性和选择性差异特点,使用单一传感器很难实现多种气体的检测分析。目前比较有效的方法是通过多个敏感度不同的气体传感器阵列,再结合神经网络的方法进行多气体的分析。本文致力于通过复合型气体传感器即智能电子鼻与多层神经网络结合的方法来识别裂化塔内中硫化氢和一氧化碳等易燃和危险性的气体。是通过检测塔内不同的气体产生的不同的阵列和信号,再结合PNN神经网络对信号归一化后的气体进行训练识别。继而通过训练神经网络模型得到最优参数来产生最优训练模型。
发明内容
本发明致力于识别裂化塔中危险气体,提出了一种基于多特征,多层神经网络与复合型传感器即电子鼻气体识别方法。传感器检测气体产生响应信号转化为数字信号,经过归一化处理,进入PNN多层神经网络训练测试。输出结果最后被送入显示系统显示,显示电路采用LCD数字显示方式。
本发明需要用到复合型传感器,即复合型传感器电子鼻,而当今电子鼻发挥作用最大的就是气敏传感器阵列,这一单元充当嗅觉系统中的受体细胞,又细分为小的气敏元件。它们不仅气味敏感,能够灵活的做出响应,而且还能够对不同的气体具有不同的敏感程度。气体传感器根据原理的不同,可以分为金属氧化物型、复合型型、导电聚合物型、质量型、光离子化型等很多类型。本实验运用氧气和复合型传感器相结合的复合型传感器。电子鼻通过传感器阵列把不同气体响应信号进行归一化处理,通过神经网络提取特征,对裂化塔内中危险气体进行定性和定量分析。
PNN神经网络是一种是常用于模式分类的神经网络。PNN网络通过下面的方式进行训练:首先将训练样本归一化。第一个归一化后的样本x1被置于输入层单元上,同时将连接输入单元和模式层单元的连接初始化为w1=x1,然后从模式层的第一单元到类别层中代表x1所属类别的那个单元之间建立一个连接。概率神经网络是基于统计原理的神经网络模型,在分类功能上与最优贝叶斯分类器等价,其实质是基于贝叶斯最小风险准则发展而来的一种并行算法,同时它不像传统的多层前向网络那样需要用BP算法进行反向误差传播的计算,而是完全前向的计算过程。它训练时间短、不易产生局部最优,而且它的分类正确率较高。无论分类问题多么复杂只要有足够多的训练数据,可以保证获得贝叶斯准则下的最优解。
训练好的网络就可以用于分类:首先将归一化的测试样本x提供给输入节点,每一个模式层单元都计算一个净值,然后通过激励函数(通常为高斯函数) 映射到类别层单元,每一个类别单元把与它相连的模式层单元的输出结果相加,得到每一类的条件概率密度,根据概率密度的大小进行分类。PNN最大的优点是学习速度很快,因为每个样本仅需提供一遍,但对存储空间要求比较高。PNN算法的另一个优点是新的训练样本很容易加入到训练好的分类器中,这一特点对于在线的应用特别有意义。
基于PNN神经网络的复合型传感器气体识别设计主要如下:
将不同时刻裂化塔内气体数据进行收集,分为训练集与测试集两部分,划分比例为7∶3。
将训练集中的样本依次放入干净的电子鼻气室,用数据采集卡收集传感器产生的阵列响应;收集裂化塔内气体在不同气体浓度下传感器产生的阵列响应,然后将获得的样本对以7∶3的比例加入训练集和测试集中,
将收集到的信号响应进行归一化,加入PNN神经网络进行训练。此神经网络共计四层,第一层是输入层,以气体传感器检测的数据阵列作为输入节点神经元,第二层与第三层是隐藏层,第四层为输出层,输出层输出所含气体的成分。
采用以上设计达到的有益效果是,识别催化裂化塔内不同时刻危险气体和氧气的含量;通过大量数据收集与识别,对石油炼制工业的安全和效率问题起到一定帮助,节省成本与时间;通过大量训练,该模型将会自学习到裂化塔内气体的定性和定量,在塔内起到实时监测作用,有很大的工业价值。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的描述。
图1是复合型传感器系统的原理图。
图2是基于神经网络的复合型传感器气体识别的总设计原理图。
具体实施方式
下面结合附图详细说明本发明基于神经网络的复合型气体传感器的气体识别方法实施方式,主要分为两个步骤。图1至图2出示裂化塔内气体识别两个步骤的具体实施方式:
步骤一:根据图1,该复合型传感器系统由四部分组成
传感器阵列,包括8个不同的工作电极,一个辅助电极和一个参比电极。参比电极的加入提高了气体传感器测量的稳定性,同时针对温度变化的影响,辅助电极的加入能够有效进行补偿,大大提高了复合型气体传感器测量的准确性。
信号调理电路,用于控制三电极系统的恒压电势并完成采集信号的放大与滤波功能。
数据采集卡,通过其A/D模块产生电极激励信号并利用A/D模块采集传感器响应信号。
PC端,用于对检测过程进行操控,并对采集到的电极响应信号进行分析。
图中1.工作电极与辅助电极 2.参比电极 3.信号调理电路 4.数据采集卡 5.PC端上位机软件
步骤二:根据图2,输入的电极信号为一维,所以输入是一维信号。本多层人工神经网络共计四层,输入层,两个隐藏层每层18个神经元,输出层为16个神经元。
基于PNN神经网络的复合型传感器气体识别设计如下:
(1)将不同时刻裂化塔内气体数据进行收集,分为训练集与测试集两部分,划分比例为7∶3。
(2)将训练集中的样本依次放入干净的电子鼻气室,用数据采集卡收集传感器产生的阵列响应;收集裂化塔内气体在不同气体浓度下传感器产生的阵列响应,然后将获得的样本对以7∶3的比例加入训练集和测试集中,
(3)将收集到的信号响应进行归一化,加入PNN神经网络进行训练。此神经网络共计四层,第一层是输入层:输入测试样本,节点个数等于样本的特征维度。第二层是模式层:计算测试样本与训练样本中的每一个样本的Gauss 函数的取值。第三层是求和层:求取相同类别测试样本对应的模式层节点输出之和,节点个数等于训练样本的类别个数节点个数等于训练样本的个数。第四层是输出层:对上述求和层输出进行归一化处理求取测试样本对应不同类别的概率,输出层输出所含气体的浓度。以上的仅是本发明的方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.基于PNN神经网络的复合型气体传感器的气体识别其特征在于:将复合型传感器与四层全连接神经网络结合,复合型传感器是通过检测裂化塔内气体的成分与含量产生不同的阵列响应。
2.根据权利要求1所述的基于PNN神经网络的复合型气体传感器的气体识别,其特征在于:通过PNN神经网络的向前传播,使得该模型通过简单快速的方式可以对裂化塔内不同气体进行定性和定量识别。
3.根据权利要求2所述的基于PNN神经网络的复合型气体传感器的气体识别,其特征在于:所述基于PNN神经网络的复合型气体传感器的气体识别方法特征在于:
(1)识别裂化塔内危险气体和氧气的含量。
(2)通过大量数据收集与识别,对石油炼制工业的安全和效率问题起到一定帮助,节省成本与时间;通过大量训练,该模型将会自学习到裂化塔内气体的定性和定量,在塔内起到实时监测作用,有很大的工业价值。
4.根据权利要求3所述的基于PNN神经网络的复合型气体传感器的气体识别方法,其特征在于:所述的该复合型系统由四部分组成,分别为传感器阵列,信号调理电路,数据采集卡,PC端。包括8个不同的工作电极,一个辅助电极和一个参比电极。有研究发现,不同种类的贵金属电极对不同化学成分的敏感性不同,导致其表面的电化学信号经汇总后可形成被测溶液的“指纹图谱”。信号调理电路,用于控制三电极系统的恒压电势并完成采集信号的放大与滤波功能。
5.根据权利要求4所述的基于PNN神经网络的复合型气体传感器的气体识别方法,其特征在于:所述的该复合型系统中,数据采集卡,通过其A/D模块产生电极激励信号并利用A/D模块采集传感器响应信号。PC上位机软件,用于对检测过程进行操控,并对采集到的电极响应信号进行分析。
6.根据权利要求5所述的基于PNN神经网络的复合型气体传感器的气体识别方法,其特征在于:所述四层神经网络,输入的电极信号为一维,即通过复合型传感器得到的一维电流信号,所以输入是一维信号。本多层PNN神经网络共计四层,输入层,模式层,求和层,输出层。两个隐藏层每层18个神经元,输出层为16个神经元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605904.7A CN115479976A (zh) | 2021-05-31 | 2021-05-31 | 基于pnn神经网络的复合型气体传感器的气体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605904.7A CN115479976A (zh) | 2021-05-31 | 2021-05-31 | 基于pnn神经网络的复合型气体传感器的气体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115479976A true CN115479976A (zh) | 2022-12-16 |
Family
ID=84419432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110605904.7A Pending CN115479976A (zh) | 2021-05-31 | 2021-05-31 | 基于pnn神经网络的复合型气体传感器的气体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115479976A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400627A (zh) * | 2023-04-13 | 2023-07-07 | 深圳市丰源升科技有限公司 | 一种基于5g的工业远程控制系统及方法 |
-
2021
- 2021-05-31 CN CN202110605904.7A patent/CN115479976A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400627A (zh) * | 2023-04-13 | 2023-07-07 | 深圳市丰源升科技有限公司 | 一种基于5g的工业远程控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Classification of multiple indoor air contaminants by an electronic nose and a hybrid support vector machine | |
CN102192927B (zh) | 一种基于电子鼻技术的空气质量监测系统及其监测方法 | |
Wide et al. | The human-based multisensor fusion method for artificial nose and tongue sensor data | |
Zhang et al. | A novel background interferences elimination method in electronic nose using pattern recognition | |
CN111443165A (zh) | 一种基于气体传感器与深度学习的气味识别方法 | |
Wang et al. | Portable electronic nose system with elastic architecture and fault tolerance based on edge computing, ensemble learning, and sensor swarm | |
CN115479976A (zh) | 基于pnn神经网络的复合型气体传感器的气体识别方法 | |
CN109142494A (zh) | 一种针对电阻型电化学传感器最佳工作电压选取方法 | |
CN115563546A (zh) | 一种气体嗅觉智能识别方法、系统、介质、设备及终端 | |
CN109784390B (zh) | 一种人工智能嗅觉动态响应图谱气体检测识别方法 | |
Illahi et al. | Electronic Nose Technology and Application: A Review | |
Zhang et al. | Curriculum learning-based approaches for end-to-end gas recognition | |
Kurup | An electronic nose for detecting hazardous chemicals and explosives | |
CN115618927B (zh) | 一种基于时序-图融合神经网络的气体种类识别方法 | |
CN116933084A (zh) | 一种污染物排放的预测方法和装置 | |
Lowongtrakool et al. | Iot based water quality measurement using hybrid sensors and data mining | |
Ni et al. | Classification and concentration predictions of volatile organic compounds using an electronic nose based on XGBoost-random forest algorithms | |
Pornpanomchai et al. | Beer classification by electronic nose | |
Zhu et al. | Rapid freshness prediction of crab based on a portable electronic nose system | |
Bakar et al. | Development of application specific electronic nose for monitoring the atmospheric hazards in confined space | |
Li et al. | Intelligent diagnosis and recognition method of GIS partial discharge data map based on deep learning | |
Liu et al. | A novel densely connected neural network for proton exchange membrane fuel cell fault diagnosis | |
CN113378935A (zh) | 一种用于气体的嗅觉智能识别方法 | |
Bull et al. | A connectionist approach to fuel cell sensor array processing for gas discrimination | |
Hashem et al. | Neural Network based data analysis for chemical sensor arrays |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |