基于人工智能的温湿度补偿方法在气体测量中的应用
摘要:针对气体传感器的温湿度效应,提出了两种基于人工智能的温湿度补偿方法,即模糊修正因子法和人工神经网络法,并阐述了其基本工作原理。实验结果表明,这两种方法软、硬件实现简单,补偿精度较高,因而具有一定的工程应用价值。
关键词:人工智能;温湿度补偿;模糊推理;神经网络中图分类号
半导体气体传感器具有结构简单、响应速度快、灵敏度高、使用方便、价格低廉等特点,在石油化工、环境监测、家用报警、航空航天等领域显示出良好的应用前景。其基本工作原理是:当接触被测气体时,元件的导电性能发生变化,从而引起电阻值相应改变。若气体的种类和元件的工作条件不变,则元件的电阻值与被测气体的浓度有对应关系。然而在实际应用中,传感器的响应通常受到环境温湿度的较大影响,因而很难从传感器的输出得到被测气体的精确浓度。气体传感器常用的温湿度补偿方法是在负载电路上并联或串联热、湿敏电阻。这种方法原理及电路简单,但是要求所选用的热、湿敏电阻的温、湿度系数与气体传感器的温、湿度系数相同或相反,而这在实际应用中是很难做到的,从而影响了气体的测量精度。本文提出了两种基于人工智能的温湿度补偿方法,即模糊修正因子法和人工神经网络法。
CO气体测量实验表明,这两种方法软、硬件实现简单,且具有较高的补偿精度,因而是可行的。温湿度补偿新方法 1.1 模糊修正因子法图1是利用模糊修正因子法进行温湿度补偿的气体测量系统原理图。图1中,气体传感器敏感被测气体经数学运算得到气体浓度的粗略信息C,C的大小对应的是气体传感器在标定条件下(如工作环境温度为20℃,相对湿度为50%RH)的输出。图中数学运算可以采用诸如插表、非线性拟合、模糊推理或神经网络等方法。温湿度传感器敏感气体传感器的实际工作环境, 经模糊推理得到修正系数α。http://www.youerw.com/α的大小反映了实际工作条件对气体传感器输出的影响。α=1,表示无影响,反之表示有影响。浓度粗略信息C与修正系数α 经乘积运算得到气体的实际浓度:C′=C·α。图1中,模糊推理系统的知识来源于实际经验和数据,其输入输出变量定义成若干模糊语言值,而推理规则采用“if…and…,then…”的形式,反映了人们在处理模糊或不精确信息时的推理机制,同时也具有较强的智能性。
人工神经网络法前馈神经网络可以通过学习已知样本而获得经 ·25·基于人工智能的温湿度补偿方法在气体测量中的应用图1 利用模糊修正因子法进行温湿度补偿的气体测量系统图2 利用人工神经网络进行温湿度补偿的气体测量系统验,从而对未知样本做出判别,显示了较强的数据处理和模式识别能力,可以应用到气体测量的温湿度补偿中。系统原理如图2所示。图2给出气体传感器敏感被测气体、温湿度传感器敏感气体传感器的工作环境。将气体传感器、温度传感器和湿度传感器的输出信号作为前馈神经网络的输入,并用足够数量的样本对网络进行训练,当网络的输出误差接近于0时,网络的连接权上便存储了由3个传感器的响应信号重建气体浓度的推理信息,可用于实际环境中气体浓度的判别。网络的训练样本应能覆盖整个被测空间,如浓度范围:100×10-6~ 950×10-6,温度范围:15~25℃,湿度范围:40%~ 60%RH。