一种基于神经网络的气体浓度漂移补偿方法

本发明属于气体浓度监测，具体涉及一种基于神经网络的气体浓度漂移补偿方法。

背景技术：

1、随着科技的快速发展和城市化进程的加快，释放的大量污染气体和有毒有害气体产生越来越严重的影响，因此对这种复杂的混合气体进行实时、准确的浓度检测是非常有必要的。

2、气体报警监测技术被广泛应用于天然气工业、电力、燃气输送、生化医药、室内气体污染物检测等领域，其中工业生产、化工合成、能源开采和工业废弃物等产生了种类繁多的气体污染物，对其进行实时、准确的监测是防治各类污染产生的重要保障。

3、气体泄露事故是煤矿生产的最大障碍之一，及时检测其产生泄露源及浓度，对工矿安全有着十分重要的作用。由于金属半导体氧化物传感器的输出信号是电阻值，而氧化物材料随着使用时间的增加，电阻值会发生漂移，从而导致金属半导体氧化物传感器探测的气体浓度不准，无法进行有效报警，造成环境污染和人员伤害。因此，需要对这种漂移现象进行有规律的补偿，包括基线电阻值的漂移和响应值的漂移，补偿之后就能够比较准确的预测气体浓度值，用于制作气体报警器，能够确保人员在有毒有害气体浓度过高的环境中得到预警。

4、目前对于气体传感器漂移问题的解决方案中，主流的处理方法有多项式回归、动态在线标定法、基于机器学习的神经网络方法、主成分分析方法(principal componentanalysis,pca)等。传统的数学分析方法能够比较直观的放映时间所引起的变化，但对于复杂的漂移问题，有时候不能采用一个表达式准确的表达时序关系，并且可能牵扯到很多非线性的函数关系，使得结果可信度不高。动态在线标定法是指对每个传感器下一时刻的输出进行预测和跟踪，目的是实现传感器特性漂移的判定和漂移补偿因子的获取，当某传感器特性漂移时，利用由神经网络预测器获得的漂移补偿因子，对传感器的样本进行修正。采用修正后的样本对系统再进行重新辨识，从而消除传感器漂移对气体的影响。这种方法主要的局限性是只能预测下一时刻的输出情况，对于稍长远的输出结果无法预测，且只使用了前一时刻的数据，对数据的利用率不够。基于机器学习的神经网络方法主要是采用神经网络学习数据特征，对数据进行分析，然后做分类和回归任务，也是目前应用最多的一种方法，例如循环神经网络(rnn)、深度信念网络(dbn)等。这些方法也达到了很好的效果，但是由于其提取特征的方法不优异，层数较深，导致算法复杂度高，从而对硬件化要求比较高，不利于工程化应用。

技术实现思路

1、针对上述现有技术中存在的技术问题，本发明提出了一种基于神经网络的气体浓度漂移补偿方法，实现对于长期使用的金属半导体氧化物传感器的漂移补偿，满足有毒有害气体报警器的长期使用工作要求。

2、本发明所采用的技术方案如下：

3、一种基于神经网络的气体浓度漂移补偿方法，包括以下步骤：

4、步骤1、从0时刻开始，利用金属半导体氧化物传感器，测试标准气体在n个不同真实浓度下的响应曲线，将真实浓度与对应的响应曲线作为一个样本点；定期进行重复性测试，在一共进行q次测试后，记录当前时刻为t，并得到q×n个样本点，构成数据集d；n个不同真实浓度构成浓度梯度向量；

5、步骤2、对数据集d进行时序数据提取，具体为：对各样本点的响应曲线，在固定采样间隔下，从产生响应的前一个数据点开始，依次采样n个数据点，认为采样的最后一个数据点之前的响应值已经达到响应峰值的90％，即t90，已经达到比较稳定的响应值；对n个数据点进行归一化处理，将n个归一化后数据点与其对应的响应时刻作为一组时间序列，进而得到q×n组时间序列；其中，n为正整数；

6、按照测试时间先后顺序，将时间段[0，t-δt]内的时间序列作为训练集，剩余时间段(t-δt，t]内的时间序列作为测试集；其中，δt为预设的预测时间间隔；

7、步骤3、构建包括编码器和解码器的自编码器神经网络(aen)，将训练集分别作为编码器的输入和解码器的输出，对自编码器神经网络进行训练，得到训练后自编码器神经网络，并提取训练后自编码器神经网络中瓶颈层的特征向量；

8、步骤4、构建包括两层全连接层的全连接人工神经网络，以瓶颈层的特征向量为输入，浓度梯度向量为输出，对全连接人工神经网络进行训练，得到训练后全连接人工神经网络；

9、步骤5、将测试集输入至训练后自编码器神经网络中的编码器，瓶颈层提取出特征向量后，输入至训练后全连接人工神经网络，输出测试集的预测浓度，进而建立时间段(t-δt，t]内的预测浓度与对应真实浓度之间函数关系；

10、步骤6、令预测次数k＝1；

11、步骤7、第k次预测时，在时间段(t+(k-1)×δt，t+k×δt]内，利用金属半导体氧化物传感器，测试待预测气体的响应曲线，采用与步骤2相同的固定采样间隔，对待预测气体的响应曲线进行采样，得到n个数据点，经归一化处理后，与对应的响应时刻一同作为待预测时间序列；将待预测时间序列输入至训练后自编码器神经网络中的编码器，瓶颈层提取出特征向量后，输入至训练后全连接人工神经网络，输出待预测气体的预测浓度，带入时间段(t+(k-2)×δt，t+(k-1)×δt]内的预测浓度与对应真实浓度之间函数关系，得到预测浓度对应的真实浓度，即时间段(t+(k-1)×δt，t+k×δt]内待预测气体的补偿后预测浓度；

12、其中，在k>1时，根据时间段(t+(k-2)×δt，t+(k-1)×δt]内待预测气体的预测浓度与补偿后预测浓度，建立时间段(t+(k-1)×δt，t+k×δt]内的预测浓度与对应真实浓度之间函数关系；

13、步骤8、判断是否停止浓度预测，若是，则输出第k次预测的补偿后预测浓度；否则，令k＝k+1，转回步骤7。

14、进一步地，步骤1中重复性测试的时间间隔为3～4天。

15、进一步地，8≤n≤10。

16、进一步地，步骤2中固定采样间隔的采样周期为0.5～1.5s。

17、进一步地，30≤n≤50。

18、进一步地，q≥20。

19、进一步地，δt≤0.5t。

20、进一步地，步骤3中编码器的输入层与解码器的输出层均包括n个神经元节点，瓶颈层包括5～15个神经元节点。

21、进一步地，步骤3中编码器和解码器的隐藏层包括10～20个神经元节点。

22、本发明的有益效果为：

23、本发明提出了一种基于神经网络的气体浓度漂移补偿方法，通过多次重复性测试，得到金属半导体氧化物传感器的响应曲线，提取其中最能反映出气体动态反应的时间序列，经自编码器神经网络进行特征提取后，输入至全连接人工神经网络进行浓度预测，结合预测前一段时间内预测浓度与真实浓度之间的函数关系，对待预测气体的预测浓度进行补偿，以修正因长期使用的金属半导体氧化物传感器的特性漂移导致的预测浓度误差；本发明可有效校正气体响应数据在时间维度上的变化，较准确的预测气体浓度值，满足有毒有害气体报警器的长期使用工作要求。