红外甲烷传感器温度校正模型研究.pdf

第 3 O卷第 1 0期 2 0 0 9年 l 0月 煤 矿 机 械 Co a l Mi n e Ma c hi ne r y Vo J _ 3 O NO ． 1 0 0c t ． 2 0 0 9 红夕 卜 甲烷传感 器温度 正模型研 究 张帆 ，张 立 萍 2魏丽 ， 王 天 杰 ， 赵 晨 光 ， 刘 志 刚 ’ 1 ． 唐 山学 院，河北 唐山 0 6 3 0 0 0 2 ． 河北 能源职业 技术学院 。 河北 唐山 0 6 3 0 0 4 摘 要 采 用 B P神 经 网络 ． 建 立 了红 外 甲烷 传 感 器温度 校 正模 型 以隐层 节 点数 为 变量 ． 研 究了神经网络规模对训练速度和推广能力的影响 将 贝叶斯正规化方法与 L e v e n b e r g - Ma r q u a r d t 优 化算法相结合 ， 提 高了神 经网络训练的效率和推广能力。所建立的模型 网络规模 小， 运算速度快 ， 可 以对 温度 变化 引起 的 红外 甲烷 传感 器非 线性 误 差进行 自动校 正 关键 词 红 外 甲烷传 感 器 ； B P神 经 网络 ；温度校 正 贝叶 斯正 规化 中图分类 号 T D 7 7 ； T P 1 8 3 文 献标志码 A 文章 编号 1 0 0 30 7 9 4 2 0 0 9 1 00 0 4 30 3 Re s e a r c h o n Te mp e r a t u r e Re c t i fi c a t i o n M o d e l o f I R M e t h a n e De t e c t o r Z HAN G F a n ， Z HAN G L i - p i n g ， WE I L i ， WA NG T i a n - j i e ， Z HAO C h e n - g u a n g ，L I U Z h i - g a n g ’ 1 ． T a n g s h a n C o l l e g e ， T a n g s h a n 0 6 3 0 0 0， Ch i n a；2 ． He b e i E n e r g y Vo c a t i o n a n d T e c h n o l o gy I n s t i t u t e ， T a n g s h a n 0 6 3 0 0 4， C h i n a Abs t r a c t BP ne ur a l ne t wo r k h a s be e n a p p l i e d t o t h e d e v e l o p me n t o f t h e t e mpe r a t ur e r e c t i fic a t i o n mo d e l o f I R me t h a n e d e t e c t o r ．Th e nu mbe r o f ne u r o n s i n h i d d e n l a y e r i s a d o p t e d a s a n i n d e x t o t he s i z e o f t h e n e t wo r k ，w h o s e i n flu e n c e o n t h e l e a r n i n g s p e e d a n d g e n e r a l i z a t i o n c a p a c i t y o f t h e n e u r a l n e t wo r k h a s b e e n t h o r o u g h l y i n v e s t i g a t e d ．B a y e s i a n r e g u l a r i z a t i o n i n c o mb i n a t i o n w i t h L e v e n b e r g Ma r q u a r d t a l g o r i t hm h a s b e e n a pp l i e d t o a c h i e v i n g f a s t e r l e a r n i n g s pe e d a nd we l l g e n e r a l i z e d n e u r a l n e t wo r k ． T h e o b t a i n e d n e u r a l n e t wo r k i s s ma l l i n s i z e a n d e x h i b i t s f a s t c o mp u t i n g s p e e d ． T h e r e f o r e ．t h e n o n- l i n e a r e r r o r o f t h e I R me t h a n e d e t e c t o r i n r e s p e c t o f t e mpe r a t ur e d e v i a t i o n c a n be a ut o ma t i c a l l y r e c t i fie d ． Ke y wo r d s i n f r a r e d me t h a ne d e t e c t o r ； BP n e ur a l n e t wo r k； t e mp e r a t u r e r e c t i fic a t i o n； Ba y e s i a n r e g ul a r i z a t i o n 女唐山市科技攻关项 目 0 8 1 6 0 2 0 2 A 一 2 2 P L C系 统 A ／ D转 换 器可 以是 单 片机 内置 或外 加器 件 ．单 片机 或 P L C通过 A ／ D检 测 获得 数 字 量 D。 并 将其转化为实际被测温度 ￡ 1 ， 要实现此功能需要 找到 数字量 与 被测 温度 之 间的对 应关 系 由热敏 电阻测量 电路 及式f 2 1 可 以推 出 t D 1 方 程， 分别用 2种方法对 t D 1 曲线分段拟合 ， 表 3列出 了 2种拟合方法所得的各段方程及其对应的数字量 D的范围。 将 t f D 1 曲线分段二次拟合可以达到较高的 测量精度 ． 但是其二次项系数 a很小． 数量级为l O ． 而且计算量较大 ．因此在非高精度测量 的场合仍采 用分段线性化方法 将各段方程及其对应的数字量 范围存人单片机或 P L C ．当系统工作时．单片机或 P L C根据 检测 到 的数 字量 范 围选择 所要 调 用 的方程 系数 ． 从而获得实际被测温度 t 4结语 N T C热 敏 电阻分段 曲线 拟合 方法 避免 了传 统 的 分 段线性 化方 法 产生 的误 差 ．可应 用 于高 精度 测量 系统 中将单片机或 P L C作 为数据处理 的核心模 块 ．简化了电路结构 ．并且增强了系统运行的可靠 性 ． 可广泛应用于要求较高的测温控制系统 。 表 3 t D 1 曲线拟合方程 O l 0 3 6 2 0 9 7 0 _ 0 02 8 5 1 O乏0 3 21 孓3 6 2 0 _ 0 O2 4 7 2 ．3 0 2 7 8 2 0 2 1 5 ． 0 02 3 0 3 0 - 4 0 2 3 5l 2 7 8 2_ 坳2 3l 8 4 0 - 5 0 1 9 4 之 3 51 0 2 4 9 5 0 - 6 0 l 5 9 l 9 4 9 _ 0 02 8 l 6 0-7 0 1 2 9l ～ l 5 9 3 _ 0 03 3 1 7 O 培O 1 0 41 ～ 1 2 91 0 o 4 0 l 8 0 - 9 0 83 9 ～ l 04 l-- 0 0 4 9 5 9 0- 1 0 0 6 7 8 83 9_ 0 061 9 l l 3 4 5 6 6 _ 7 61 9 8 2 ．9 3 3 1 3 6 6 7 6 9 3 4 7 0 ． 3 2 4 3 7 4 7 4 61 4 7 4 5 9 4l 2 5 2 _ Q 7 8 6 l 1 ．8 3 3 l 8 7 D 68 6 9 445 5 5 1 D7 l 9 ．2 6 8 2 1 01 4 9 4 6 9 ＆3 6 2 4 3 o4 5 1 _ 3 -7 9 4 5 1 1 2 3 7 7 8 l 04 64 0 6 5 72 2 O 啦 3 4 6 1 2 2 4 9 3 O l 1 25 3 4 0 9 81 0 5 钳 3 2 6 l 3 2 8l O l 1 21 ． 5 5 6 4 l 6 3 3 2 7 ． 7 ．8l 0 8 1 43 6 2 0 1 l 31 ． 3 8 7 8 2 6 8 4l 4 - 9 9 9 2 8 1 5 4 9 6 4 4 1 41 ． 8 l 3 0 43 ．6 9 9 8一l 2 ． 8 1 5 9 l 6 68 0 0 l 参考文献 [ 1 ] Mo o n h o L e e ，Mi n a Yo o ．C h a r a c t e r i s t i c o f t h i n fi l m N T C t h e r ma l S e n s o r s[ J ] ．I E E E， J u n e 2 0 0 2 1 5 6 - 6 1 ． [ 2 ] 王俊杰． 检测技术与仪表[ M] ． 武汉 武汉理了大学出版社 ， 2 0 0 2 ． [ 3 ] 徐 海英． N T C热 敏电阻 B常数 [ J ] ．电子 器件 ， 2 0 0 4， 2 7 3 4 9 7 5 o 0 ． [ 4 ] 赵 军 ， 谢作 品 ， 吴珂 ． N T C热 敏电 阻线性化 新方法 [ J ] ．电测 与仪 表 ， 2 0 0 6， 4 3 4 8 1 l 2 一l 4 ． [ 5 ] 李桂成． 计算方法 [ M] ． j E 京 电子工业 出版社 ， 2 0 0 5 ． 作 者简 介 程 双双 1 9 8 4 一 ， 女 ， 江苏沛 县人 ， 硕 士生 ， 南 通大 学控制 理论 与控制工程专业 ．从 事智能检测 与控制技术 的研 究 ， 电 子信箱 j i a n g ．p n t u ． e d u ．c n ． ．．．． 43 收稿 日期 2 0 0 9 0 3 2 3 V 0 1 ． 3 0 N o ． 1 0 红外甲烷传感器温度校正模型研究张 帆 等 第 3 O 卷第 1 0 期 0 引 言 近年来 ． 红外吸收光谱法 已成 为测量气体浓度 的有 效手 段 ． 具有 精 度和 灵 敏度 高 ， 响应 速 度 快 ． 测 量范围大 ， 选择性 、 稳定性 和可靠性好 ， 可以快速和 连续监测等优点 ， 特别适于对有毒、 有害和易燃 、 易 爆气体 的浓度检测 ． 因此受到各 国广泛重视 ， 具有 良好 的 『 立用前 景 此 外 红 外光 源 和红 外 探测 器 获 得 了长 足的发 展 ， 特 别是 常 温 、 低 电压 、 小 体 积器 件 的不 断 出现 ． 为小 型 红外 气 体测 量 装 置 的开发 创造 了条件 。红外甲烷传感器不 中毒， 寿命长 ． 测量范围 更宽等突出优点 ． 为替代传统催化型传感器提供了 一 种 新 的可行性 途径 1 红外 气体 检测原 理及 温度 的影 响 当红外 光通 过 被测 气体 时 ． 气 体 分 子 吸收 了某 些 特定 频率 的 辐射 ， 从 而 透射 光 的强 度 变小 。其 吸 收关 系遵循 L a mb e r t B e e r 定律 ， A ， n f A e - k C L 1 式 中 红外 光 通过气 室 的长度 C 被测 气体 的浓 度 每克吸收气体吸收系数，是波长 A 的 函数 。 通过测量入射光和透射光的强度就能测 出气 体 浓度 在 实 际应用 中 ． 由于影 响气 体红 外 吸 收 的 因素 十分 复杂 ． 直 接应 用 L a mb e r t B e e r 定 律往 往 会产 生 较大的偏差 ． 一般采用查表和线性插值 的方法实现 浓度计算 此外 ． 环境温度的变化也会对气体 的红 外吸收产生较大影 响 ． 温度的变化 ． 不仅体现在对 气 体 分子 的旋 转 、 振 动 、 剪切 等 过程 的 影 响作 用 ， 从 而引起吸收系数的变化 还体现在对红外光源和红 外 探 测器 的影 响 目前 ． 我 国煤 矿 正在 逐 步进 人 深 部 开 采 阶段 ． 随着 煤 矿 开 采 深 度 的 增 加 ． 温 度 对 井 下作业环境的影响明显增加 温度对气体分析有较 大影 响 ． 且 是 复杂 的非 线 性 关 系 ． 必须 对 红 外 气 体 传感 器 因温 度变化 引起 的测量 误 差进行 校正 2基 于 B P网络 的温度 校正 模型 人工神经网络建模方法 ． 克服了机理建模存在 的困难 ．可 以较好地实现传感器 的非线性 自动校 正。 B P神经网络是基于误差反向传播算法的多层前 向神经 网络．神经元的传递函数通常是 S i g m o i d型 可微 函数 ． 所 以可 以实现 输 入 和输 出 间 的任 意非 线 性映射。因此． 选择 B P神经网络建立红外甲烷传感 器温度校正模型 ． 以提高其测量精度。 红 外 甲烷传 感 器 温度 校 正 模 型采 用 了单 隐 层 的 B P神 经 网络 。以红 外 甲烷 传感 器输 出值 和 温 度传感器输出值 为网络输入层节点的输人 ， 通过 B P网络神经元 的作用 ．将两传感器的信息融合 ． 从 而实现温度校正。 与其对应的甲烷浓度值 C f ％1 是网 络 输 出层 节 点 的输 出。B P网络输 出层有 1 个 节点 。 输出层神经元采用线性传递 函数 a p u r e l i n n n 2 隐层的节点数 ， n为待定参数 ． 其中隐层神经元采用 的传递 函数 为正切 S i g m o i d型 可微 函数 t a n s i g n 一 1 3 B P神经网络隐层的节点数 m反映了网络权值 的规模 ． m值不仅影响神经网络计算模型的推广能 力 ． 而且 还 影 响学 习计 算 的 复杂 性 。本 文 通 过选 择 不同的隐层节点数 目进行训练仿真 ． 从而分析不 同 隐层节点数对神经 网络性能的影 响． 为确定合适 网 络规模及相应网络的参数提供依据 3 B P神 经网络 训练 算法 标准的 B P算法存在收敛速度慢 、易陷入局部 极小值等缺点。实际中， 需要选择更快的算法 ， 以提 高 神经 网络训 练 的效 率 。对 于 “ 函数拟 合 ” 问题 ， 特 别 是 对 于 网络 权 值 规模 为几 百 个 以 下 的情 形 ． L e v e n b e r g Ma r q u a r d t 优化算法 具有很快 的收敛速 度 。作为一种专门用于误差平方和最小化的方法 ． 它将梯度下降法与牛顿法相结合 ． 通过在计算过程 中调节 的大小 ， 获得很快 的收敛速度 权值的调 节 原理 W l 一 ， ’ 一 W 4 其 中 ．，为 J a c o b i a n矩 阵 ， l ，的元素 为 ． ， 严 5 随误差函数 的减小而减小 ， 很大时 ， 为梯度 下降法 ， 当 很小时 ， 则变为牛顿法。 B P神 经 网络 的推 广能 力 ． 是 进行 网络训 练时 必 须考虑的另一个重要问题 ． 是衡量神经网络性能的 重要标志 。一个过度训练的网络 ． 可能对训练集以 外 的输入 样 本 产生很 大 的偏差 网 络 的推 广 能力 ． 与网络规模直接相关 B P神经网络隐层的节点数 m 越小 ， 网络的推广能力越好 ， 减小网络权值 ． 可获得 更 平 滑 的网络输 出 贝叶 斯 正 规 化 方 法将 网 络 权 值 的 平 方 和 引 入 网络性能指标函数 ， 可表示为权值 包括 阈值 平方 和与误差平方和的线性组合 F w D a E 6 当 时 ， 可使 网络误差更小 ， 当 仅 时 ， 可 使网络输出更光滑 ， 推广能力更好。实际应用时． 需 要找到 O L 的最优值 以及最优 的权值 。一种可 一 4 4 第 3 0卷第 1 O 期 红外甲烷传感器温度校正模型研究张帆． 等 V o 1 ． 3 0 N o ． 1 0 行 的方法是用迭代训练法求 ’ ． ， 肿．并且周期性地更 新 ， 7 y W一 2 a t r H- 8 式 中 神 经 网络有 效参 数个 数 ； 神经网络参数总个数 日_一 w 在最 小点 ’ ． ， 处 的 H e s s i a n矩 阵 ， 日 V E 7 2 E 9 贝 叶斯 正 规化 方 法 改进 了 网络 性 能 函数 ． 在 提 高 网络 推广 能 力 的 同时 ． 复杂 的 网 络性 能 函数 也 增 加了网络计算的复杂性 ． 因此采用常规 的 B P算法 ， 很难 获得 较快 的收 敛速 度 本文 涉及 的 神经 网络 建 模本质上属 于函数拟合 问题 ． 综合 考虑样本集大小 和 网络 规模 ． 可知 网络 隐层 节 点 数 应 不会 大 于 几 十 个 ． 因此 I v e n b e r g Ma r q u a r d t 优化算法可以获得较 快的收敛速度 。在贝叶斯正规化方法 中， 权值 包括 阈值 的调整根据 L e v e n b e r g M a r q u a r d t 优化算法进 行 ． 可得 W w 一 [． ／ 3 f r J ／ x I 3 [ J w ’ ． ， ] 1 O 4 B P神 经 网络 训 练仿真 结 果 训练精度与测试精度 以 B P神经 网络输 出的均 方根 误差 度量 o 。 1 1 式中 Ⅳ 一训练样本或测试样本的样本总数 厂一 相应样本集中第 i 个样本的理想输出 y 一相应 的 实 际输 出 在不同的初始条件下 ． 训练后的网络会得到不 同 的结 果 ． 网络 精度 也 会 不 同 随着 隐层 节 点数 m 的增加 ．训练次数 n明显增加 ． B P神经网络的训练 计算量迅速增大。可见 ． 随着隐层 的节点数 m增加 ， 网 络 收敛 速 度 变 慢 ． 往 往 需 要 多 次 训 练 ． 才 能 获 得 较 好 的结 果 ． L e v e n b e r g Ma r q u a r d t 优 化 算 法 的快 速 收敛优势随之减小 随着隐层 的节点数 m增加 ． 需 要调整的参数总数 随之明显增加 ． 神经 网络的有 效参数个数也逐渐增加 但增加的速度明显小于 的增加速度 ，尤其是 m 8之后 ， 的增加速度 已经 很小 ．说明新增 的隐层神经元并没有被充分利用 ． 更多 的隐层神经元对提高精度意义不大 ． 反而增加 了网络训练的计算量 B P神经网络的训练误差与测试 误差如 图 1所 示 ． 当隐层的节点数 m在 6 ～ 1 4内时 ． 训 练精度与测 试 精 度在 一 个很 小 的范 围 内变化 ．随着 m 的增加 ． 训练误差略呈下降 ．而测试误差并无 明显的上升 。 说 明采用 贝叶斯正规化方法获得的 B P神经网络模 型 具 有 较好 的推 广 能力 。可 见 ， 贝 叶斯 正 规化 方 法 对 网络权值 的调整机制 ． 保证 了网络权值的最小化 和权值分布的合理性 ． 从而控制 了网络规模 。虽然 随着 m 的增 加 ． 网络 规 模 也 随 之 增 大 ． 但 并 未 出过 度 训 练 的问 题 对 于 m 5的情 形 ． 网络 的训练 误差 与测试误差较大 这说明 ， B P神经网络 中， 可供调 整 的参数不足 以表示 温度 校正问题 中的非线性关 系 ， 图 1 BP神经 网络 的训练误差与测试误差 1 ． 训练误差2 ． 测试误 差 参考文献 『 1 ] 王汝琳 ， 王咏涛． 红 外检测 技术 『 M] ． 北京 化学 工业 出版社， 2 0 0 6 ． [ 2 ] 王一 丁， 钟宏杰 ， 金钦汉 ， 等 ． 红 外 C l { 4 检测仪 [ J ] ． 吉林大 学 自然 科学学报 ， 2 0 0 1 f 4 1 6 9 7 0 ． [ 3 ] 方 惠群， 于俊生 ， 史坚． 仪 器分 析[ M] ． 北京 科学 出版社， 2 0 0 2 ． [ 4 ] 程文楷， 刘永平． 法 国防爆型红 外 C O 检测仪 的剖析 [ J ] ． 煤 炭科 学技术 ， 1 9 9 7 ． 2 5 3 1 7 1 0 ． f 5 ] 刘刚 ， 刘学仁 ， 嵇 英华 ， 等 ． 基 于改进 型 B P神经 网络的瓦斯 传感 器的非线性校正 [ J ] ． 传感器与微系统， 2 0 0 7， 2 6 1 1 5 1 7 ． [ 6] 刘 阔 ， 刘 杰 ， 尹力 ， 等． 基 于 多传 感器 数据 融合记 忆截 割 的研 究 [ J ] ． 煤矿机械 ， 2 0 0 8 ， 2 9 5 5 0 5 l 『 7] 李春华 。 张生 ， 杨智 慧． 基 于 B P神经 网络 电路故 障诊断系统研究 [ J ] ． 煤 矿机械， 2 0 0 9 ， 3 0 3 1 9 6 1 9 8 f 8 ] 阎平 凡 ， 张长水．人工神经 网络与模 拟进化计 算 [ M] ． 北京 清华 大学 出版社． 2 0 0 0 ． 『 9 ] 吴方 良。 石仲垄 ， 杨 向晖 ． 等． 基 于 L M 贝叶斯正 则化方法 的 B P 神经 网络在潜艇声纳部 位 自噪声 预报中 的应 用 『 J ] ． 船 舶力学 ， 2 0 0 7 ， l 1 1 1 3 6 1 4 2 ． 作者简介 张帆 1 9 7 3 一 ， 河北唐 山人 ， 硕士 ， 2 0 0 4年毕业于东 北大 学机 械电子 工程 专业 ． 讲师 ． 主要 从事 测控 技术 研究 ， 电子信 箱 z h a n g f a n 一31 5 1 63 ．c o n． 铁路信号联锁逻辑形式化描述的研究 收稿 E t 期 2 0 0 9 0 5 0 4 同济大学和兖州矿业 集团 公司东滩煤矿 在以 H C P N为基 础进行形 式化描述 的同时 ， 引入 U ML建模技 术的部分 概念和方法 ， 使其融入 H C P N建模技术中 ． 从而能更好地对铁路信号联锁逻辑进行更深层次 的描述 。 铁路车站控制 系统 主要包 括进路建立和解 锁。建立进路就是 把进路上的道 岔转 换到进路要求 的位置上 ， 再将该进路 的防护信号机开放 如道岔位置不对 ． 则不准信号机开放 但一旦信号 机开放 ， 就不准进路 上的道岔再变换 位置 ， 直至信号 机关 闭。根据 建立进路的命令 ， 这种联 锁关系的形式化 建模可分解为“ 选路 岔 ” 、 “ 道岔转换 ” 、 “ 进路 闭锁 ” 和“ 开放信号 ” 4个 阶段 。 除这 几个最主要联锁关 系外 ， 还有一些更 细节 逻 辑关系 ． 如办理 调车进路时信号机须 南远 至近开放 、 道岔转 换和进路闭锁 及开放信号 过程 中出现故障 的情况 、 有关 线路绝缘对 建立进路 的影 响等都需考虑 到模 型中 铁路车站信 号联锁系统 的联锁逻 辑关系是非常 复杂的 ， 此项研究仅 以建立进路 和解锁说 明联锁设 备之间逻辑关 系 的形式化描述方 法 李剑峰 一 4 5 一