基于改進(jìn)BP網(wǎng)絡(luò)的甲烷傳感器溫度影響試驗(yàn)研究

金文志

（中煤科工集團(tuán)重慶研究院有限公司，重慶 400037）

基于改進(jìn)BP網(wǎng)絡(luò)的甲烷傳感器溫度影響試驗(yàn)研究

金文志

（中煤科工集團(tuán)重慶研究院有限公司，重慶 400037）

溫漂會(huì)影響催化甲烷傳感器檢測(cè)精度，為減小這種影響，提高傳感器檢測(cè)精度，本文在不同溫度環(huán)境下進(jìn)行甲烷傳感器環(huán)境影響實(shí)驗(yàn)，并利用一種基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，補(bǔ)償溫漂對(duì)檢測(cè)精度的影響，結(jié)果表明：本文提出的模型能提高甲烷傳感器的穩(wěn)定性和準(zhǔn)確性，減少溫漂的影響。

甲烷傳感器；溫度補(bǔ)償；主成分分析；BP神經(jīng)網(wǎng)絡(luò)

目前國(guó)內(nèi)外礦井中廣泛使用催化燃燒式甲烷傳感器來檢測(cè)瓦斯?jié)舛龋咂錂z測(cè)原理是利用甲烷與空氣中的氧氣混合，在貴金屬（載體）催化下發(fā)生氧化反應(yīng)引起電阻的變化來測(cè)量瓦斯?jié)舛龋瑴囟取穸取⒎蹓m等礦井環(huán)境對(duì)催化燃燒反應(yīng)有著直接或間接的影響，比如高溫的催化條件容易導(dǎo)致Al2O3載體顆粒和貴金屬催化劑的燒結(jié)，造成比表面積的減小，測(cè)量范圍變窄[7]，這大大降低了甲烷傳感器的穩(wěn)定性和可靠性，因此有必要研究環(huán)境因素對(duì)甲烷測(cè)定的影響規(guī)律，提高甲烷傳感器在礦井惡劣環(huán)境中的可靠性。

本文通過在實(shí)驗(yàn)環(huán)境中模擬一定條件下的礦井溫度環(huán)境，利用甲烷傳感器溫度影響實(shí)驗(yàn)，找出溫度影響甲烷測(cè)定的規(guī)律，最后將檢測(cè)數(shù)據(jù)輸送到BP神經(jīng)網(wǎng)絡(luò)模型來補(bǔ)償溫漂的影響，然而BP網(wǎng)絡(luò)本身收斂較慢，本文提出利用主成分分析法來提高BP神經(jīng)網(wǎng)絡(luò)收斂速度并區(qū)分出影響催化甲烷測(cè)定的主要因素和次要因素。

1 基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)是最基礎(chǔ)的網(wǎng)絡(luò)模型，其學(xué)習(xí)過程主要是通過檢驗(yàn)誤差值是否滿足要求來不斷調(diào)整各層參數(shù)。其訓(xùn)練的過程如下：首先對(duì)原始數(shù)據(jù)進(jìn)行初始化處理，確定需要的轉(zhuǎn)換函數(shù)，同時(shí)給定需要控制的精度值ε（ε>0）及其他訓(xùn)練參數(shù)；從原始數(shù)據(jù)中選取幾對(duì)樣本輸送到網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過驗(yàn)證輸出誤差是否滿足要求，來調(diào)整網(wǎng)絡(luò)的權(quán)值及閾值矩陣。

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法收斂速度很慢，效率不高，易出現(xiàn)過度擬合情況，針對(duì)這一情況我們對(duì)標(biāo)定數(shù)據(jù)進(jìn)行主成分分析，用幾個(gè)主成分來表達(dá)使原始數(shù)據(jù)的信息，以使得各權(quán)值的收斂速度大致相同，減少網(wǎng)絡(luò)過度擬合狀況[2]。

文中通過主成分分析改進(jìn)BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)空間坐標(biāo)進(jìn)行轉(zhuǎn)換，能在保留原有信息前提下將數(shù)據(jù)變量簡(jiǎn)化成少數(shù)幾個(gè)不相關(guān)的變量，作為新的綜合指標(biāo)，使得原來的多維復(fù)雜問題得以簡(jiǎn)化。本文通過主成分分析法來改進(jìn) BP神經(jīng)網(wǎng)絡(luò)，具體實(shí)現(xiàn)步驟如下：

1)記錄數(shù)據(jù)資料并整理得到原始數(shù)據(jù)矩陣X

2)對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理

3)計(jì)算協(xié)方差矩陣

通過對(duì)原始實(shí)驗(yàn)數(shù)據(jù)整理建立協(xié)方差矩陣，以反映數(shù)據(jù)間的相關(guān)程度，計(jì)算矩陣特征根即各主成分的方差，其大小表明各主成分的價(jià)值，主成分方差大反映出的信息也越全面。

計(jì)算數(shù)據(jù)的協(xié)方差矩陣：Σ=(sij)p×p，其中

標(biāo)準(zhǔn)化后變量的協(xié)方差矩陣 （Covariance Matrix）Σ= (sij)p×p，即原變量的相關(guān)系數(shù)矩陣 （Correlation Matrix）R= (rij)p×p：

4)求出協(xié)方差矩陣Σ的特征值λ1≥λ2≥…λp＞0及相對(duì)應(yīng)的正交化單位特征向量

則記X的第i個(gè)主成分為Fi=ai′X i=1，2，…，p。

5)選擇主成分

根據(jù)各個(gè)主成分累計(jì)貢獻(xiàn)率的大小選取前k個(gè)主成分，這里貢獻(xiàn)率就是指主成分的方差與全部方差的比重，按特征值占全部特征值合計(jì)的比重計(jì)算得到。

通過累計(jì)貢獻(xiàn)率來確定m，以表達(dá)主成分Fi所反映元數(shù)據(jù)信息量的大小：

貢獻(xiàn)率越大，說明該主成分所包含的原始變量的信息越多。用方差貢獻(xiàn)率方法在已確定的全部p個(gè)主成分中合理選擇m個(gè)來實(shí)現(xiàn)，一般要求主成分的累計(jì)貢獻(xiàn)率達(dá)到85%以上，來決定主成分的個(gè)數(shù)，這樣能保證原始數(shù)據(jù)所包含的絕大多數(shù)信息。

6)主成分分析法就是將著P個(gè)觀測(cè)變量縮減綜合成為少數(shù)幾個(gè)新的變量（主成分），即

由于Xi和Fi都是q維向量，方程組可簡(jiǎn)寫

模型中Fi，F(xiàn)j互不相關(guān)（i≠j，i，j=1,2,…,p），F(xiàn)1的方差大于F2的方差大于F3的方差，依次類推

于是，稱為F1第一主成分，F(xiàn)2為第二主成分，依此類推，有第P個(gè)主成分。主成分又叫主分量。這里aij我們稱為主成分系數(shù)。

本文提出利用主成分分析方法來改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比補(bǔ)償效果更佳[3]，利用主成分分析方法能提取環(huán)境因素影響的主要信息同時(shí)剔除數(shù)據(jù)里的噪聲使BP網(wǎng)絡(luò)更加平滑擬合，同時(shí)也加快了網(wǎng)絡(luò)的訓(xùn)練速度[1]。

2 催化甲烷傳感器溫度影響實(shí)驗(yàn)

本次進(jìn)行標(biāo)定實(shí)驗(yàn)選用的儀器是礦井下廣泛使用的催化甲烷傳感器，本實(shí)驗(yàn)主要研究并掌握溫度變化對(duì)甲烷傳感器輸入-輸出特性的影響規(guī)律，獲取不同溫度下的甲烷傳感器的輸入-輸出樣本數(shù)據(jù)，計(jì)算溫度漂移引起的誤差并對(duì)數(shù)據(jù)進(jìn)行分析。

本實(shí)驗(yàn)進(jìn)行溫度模擬實(shí)驗(yàn)用的甲烷傳感器測(cè)量范圍：0～4.00%CH4；經(jīng)過實(shí)驗(yàn)所得實(shí)驗(yàn)數(shù)據(jù)如表1所示，Uc為被標(biāo)定甲烷傳感器的輸出值：

表1 甲烷傳感器標(biāo)定實(shí)驗(yàn)數(shù)據(jù)Tab.1 M ethane sensor calibration experim ent data

從標(biāo)定數(shù)據(jù)可以看出，催化甲烷傳感器輸出電壓Uc/mv隨著溫度t的變化而變化，對(duì)于同一個(gè)甲烷標(biāo)定濃度，甲烷傳感器的輸出隨著溫度的變化而變化，即溫度漂移能影響甲烷傳感器輸出（溫漂現(xiàn)象）。

3 M atlab仿真結(jié)果及分析

在Matlab中對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行主成分分析,各成分相關(guān)參數(shù)如表2所示。

由表2可以看出，前2個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)88.21%>85%，表示這2個(gè)主成分已經(jīng)概括了原變量的主要信息，故提取出2個(gè)主成分。

利用Matlab建立BP網(wǎng)絡(luò)模型：確定網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)（2個(gè)），隱含層及輸出節(jié)點(diǎn)數(shù)（1個(gè)），訓(xùn)練函數(shù)選擇trainlm函數(shù)，學(xué)習(xí)函數(shù)選擇learngdm函數(shù)；將表1中24組實(shí)驗(yàn)數(shù)據(jù)輸送到神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練，剩余6組數(shù)據(jù)樣本用于驗(yàn)證，相應(yīng)的訓(xùn)練相關(guān)參數(shù)設(shè)置如下：

epochs=500；%最大訓(xùn)練次數(shù)

goal=1e-6；% 最小目標(biāo)誤差

learnrate=0.01；%學(xué)習(xí)速率

mc=0.95；% 動(dòng)量因子

precision=0.000 01；%預(yù)設(shè)精度

經(jīng)過 50次訓(xùn)練后，最小目標(biāo)誤差達(dá)到 1e-6，訓(xùn)練后得到主成分分析的 BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償誤差如圖1所示。

表2 各主成分的累積貢獻(xiàn)率Tab.2 Cumulative contribution of each principal component

圖1 補(bǔ)償誤差Fig.1 Error compensation

由誤差曲線可以看出，基于主成分分析法的BP神經(jīng)網(wǎng)絡(luò)（PCA-BP）補(bǔ)償效果明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，這說明數(shù)據(jù)經(jīng)過主成分分析后的BP網(wǎng)絡(luò)去掉了冗余數(shù)據(jù)，降低了補(bǔ)償誤差，提高了網(wǎng)絡(luò)的補(bǔ)償度。

將經(jīng)主成分處理后的測(cè)試樣本代入訓(xùn)練好的網(wǎng)絡(luò)，得到溫度補(bǔ)償后的甲烷濃度及相對(duì)誤差，并與未校正情況及傳統(tǒng)BP補(bǔ)償進(jìn)行比較，得到表3所示。

表3 改進(jìn)BP網(wǎng)絡(luò)溫度補(bǔ)償效果Tab.3 Im proved BP Network temperature compensation effect

通過表3可以看出經(jīng)主成份分析法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)相對(duì)誤差明顯減小，相比傳統(tǒng)BP網(wǎng)絡(luò)最大相對(duì)誤差由1.13%下降為0.474%，這說明數(shù)據(jù)經(jīng)過主成分分析后的BP網(wǎng)絡(luò)去掉了冗余數(shù)據(jù)，提高了網(wǎng)絡(luò)的補(bǔ)償度，系統(tǒng)的非線性特性得到了很大的改善,處理后的傳感器檢測(cè)精度及穩(wěn)定性得到了很大的提升。

4 結(jié)束語

文中利用主成分分析方法來改進(jìn)BP神經(jīng)算法[8]，并將其應(yīng)用于甲烷傳感器以補(bǔ)償由溫度引發(fā)的漂移，提高甲烷傳感器的穩(wěn)定性。實(shí)驗(yàn)仿真結(jié)果表明：文中提出的主成分分析法，簡(jiǎn)化了原始數(shù)據(jù)指標(biāo)，降低了各指標(biāo)信息的重疊性，減小了數(shù)據(jù)處理的工作量，而且補(bǔ)償效果優(yōu)于傳統(tǒng)的BP網(wǎng)絡(luò)算法。在今后的研究中，我們會(huì)進(jìn)一步會(huì)研究其他環(huán)境因素（濕度、粉塵、風(fēng)速、電磁干擾等）的綜合影響，利用主成分分析去掉冗余信息提取數(shù)據(jù)的主要信息，找出影響甲烷傳感器輸入-輸出特性的主要因素。

[1]陳春花.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)模型的形變預(yù)測(cè)方法[J].海洋測(cè)繪,2010,30(1):468-471. CHEN Chun-hua.BP neural network model to predict the deformation of the method based on principal component analysis[J].Ocean Mapping,2010,30(1):468-471.

[2]孫艷梅.壓力傳感器溫度補(bǔ)償?shù)囊环N新方法[J].光通信研究,2011(1):62-64. SUN Yan-mei.A new method for temperature compensation of the pressure sensor[J].Optical Communications Research, 2011(1):62-64.

[3]陳興權(quán).基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)在形變預(yù)測(cè)中的應(yīng)用[J].大地測(cè)量與地球動(dòng)力學(xué),2008,18(3):72-76. CHEN Xing-quan.Based on principal component analysis ofBP neural network in deformation prediction[J].Geodesy and Geodynamics,2008,18(3):72-76.

[4]方健，李自品，彭輝,等.基于主成分分析法的BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用[J].變壓器,2011;1:48-51. FANG Jian,LI Zi-ping,PENG Hui,et al.Based on principal component analysis of BP neural network application[J]. transformer,2011(1):48-51.

[5]司端鋒.基于BP神經(jīng)網(wǎng)傳感器特性補(bǔ)償新算法的研究[J].傳感器技術(shù),2000(1):11-16. SI Duan-feng.Based on BP neural network sensor characteristic compensation of the new algorithm [J]sensor technology,2000(1):11-16.

[6]孫艷梅.壓阻式壓力傳感器溫度補(bǔ)償方法研究[D]:黑龍江：齊齊哈爾大學(xué),2012.

[7]曹利波.煤礦井下環(huán)境對(duì)甲烷催化元件性能影響的探討[D].北京:煤炭科學(xué)研究總院,2008．

[8]魏江濤，陳方濤，姜美雷.BP神經(jīng)網(wǎng)絡(luò)在設(shè)備故障診斷方面的應(yīng)用[J].現(xiàn)代電子技術(shù)，2012(19):131-134. WEI Jiang-tao,CHEN Fang-tao,JIANG Mei-lei.Application of BP neural network in fault diagnosis of radar device[J]. Modern Electronics Technique,2012(19):131-134.

Application of BP neural network in temperature compensation of methane sensor

JIN Wen-zhi
（China Coal Technology and Engineering Group Corporation Chongqing Research Institute，Chongqing 400037，China）

Temperature drift will influence on the catalytic methane sensor detection accuracy,to reduce the influence of sensor,improve the detection accuracy,methane sensor environmental impact experiments were carried out in different temperature conditions,and using a BP neural network model of temperature compensation based on principal component analysis of the experimental data processing,compensation of temperature drift impact,on detection accuracy the results show that:the model proposed in this paper can improve the methane sensor's stability and accuracy,reduce the influence of temperature drift.

methane sensor;temperature compensation;principal component analysis;BP neural network

TD712

A

1674－6236（2015）07-0015-03

2014-07-01 稿件編號(hào)：201407008

中煤科工集團(tuán)重慶研究院有限公司青年基金項(xiàng)目（2013QNJJ37）

金文志(1990—)，男，安徽安慶人，碩士研究生。研究方向：礦井安全儀器儀表及監(jiān)控監(jiān)測(cè)技術(shù)。