文章编号:100021158(2002)0120069205
计 量 学 报ACTA METROLOGICA SINICAVol.
23,№1Jan.,2002
气体传感器特性漂移抑制的研究
丁 晖, 刘君华, 申忠如, 阎晓艳(西安交通大学电气工程学院,西安710049)
摘要:在对气体进行长期在线监测的场合,所要解决的关键问题之一就是气体传感器特性漂移的抑制。传感器特性漂移会给气体的测量和识别带来误差。对此,本文提出一种动态在线标定法。该方法能够对传感器漂移故障做出判定,同时可实现测量误差的修正。文中对该方法进行了详细的描述和论证。计算机仿真结果表明了该方法的有效性。
关键词:气体传感器;神经网络预测器;混合气体识别中图分类号:TH701 文献标识码:A
StudyontheDriftRejectionforGasSensor
DINGHui, LIUJun2hua, SHENZhong2ru, YANXiao2yan
(SchoolofElectricEngineering,Xi’anJiaotongUniversity,Xi’an710049,China)
Abstract:Thedriftshouldbeaddressedasoneofthemostseriousimpairmentsforgassensor.Whendriftexists,thegasmeasurementoridentificationresultmaycauseerror.Tosolvethis,ady2namicon2linecalibrationmethodisproposedinthispaper.Bythismethodthesensordriftcanbedetectedaccuratelyandthemeasurementerrorcausedbysensordriftmaybecorrectedatthesametime.Detaileddescriptionsofthismethodaregiven.Thesimulationresultsshowthatthemethodisvalid.
Keywords:Gassensor;Neuralnetworkpredictor;Mixedgasidentification
1 引言
气体传感器在实际应用中主要存在两个问题,必须予以解决。第一是交叉灵敏度问题,即一个传感器同时对几种气体敏感。显然,若这一问题不加以解决,则无法实现混合气体的测量。第二就是气体传感器的特性漂移问题,即输入-输出特性随时间不断发生缓慢变化。这一问题长期以来一直困扰着人们,尤其在一些需要对气体进行长期在线监测的场合,更是严重阻碍着人们的工作。如果人们能
收稿日期:2001-01-05;修回日期:2001-04-08
够通过实验观察等手段,掌握引起传感器特性漂移
的具体原因(如温度)以及漂移的规律,则可以通过很多方法,如回归分析法
[2]
[1]
、曲线拟合法及神经网
[1]
络法等,对传感器特性进行修正,以减小传感器特性漂移引起的测量误差。然而,对于气体传感器,导致其特性漂移的因素比较复杂,如传感器本身的老
化、受某种气体的“污染”、环境因素的变化等,都可能引起其特性漂移。而且漂移的规律也往往是随机的,人们很难对此建立一个在任何环境因素下都适用的数学模型,这就给漂移的抑制带来很大的困难。而且一旦传感器发生特性漂移,采用常规的方法很
70计量学报2002年1月
难准确判定传感器输出的变化是对实际输入信号变化的响应还是传感器本身特性漂移所致,从而使漂移的抑制无法进行。目前,越来越多的人开始关注
[3]
这一问题,但都未提出非常有效的办法。据有关文献介绍,可以通过给系统中引入一个标准参考传感器,比较参考传感器和工作传感器的输出来进行漂移的补偿。这就要求参考传感器的输出特性在任何条件下都保持稳定,否则就失去了存在的意义。但要达到这一条件,几乎是不可能的。本文针对混合气体测量中气体传感器特性漂移的抑制问题,提出一种基于神经网络预测器和系统辨识器的动态在线标定法,这种方法可实现传感器特性漂移的判定,同时还能对由此引起的测量误差进行在线修正。定法的实现原理如图1所示。
该方法包括两级神经网络。第1级为神经网络预测器,用以对每个传感器下一时刻的输出进行预测、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。第2级为一个多输入多输出非线性时变系统辨识器。系统输入为所有气体传感器的输出,输出为混合气体中各组分气体的浓度。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,对辨识器的样本进行修正。采用修正后的样本对系统再进行重新辨识,从而达到消除传感器漂移对混合气体测量的影响。2 传感器特性漂移抑制的动态在线标定法
本文提出的传感器特性漂移抑制的动态在线标
图1 动态在线标定法原理图
211 神经网络预测器对传感器输出的预测跟踪
鉴于径向基函数神经网络具有较优的函数逼近能力及学习速度快等特点,本文利用径向基函数神经网络对每个传感器都建立一个输出预测器,采用在线边学习边工作的运行方式,对各传感器输出进行在线实时预测、跟踪。预测器输出可表示为:
y(k)=f(y(k-1),y(k-2),…,y(k-n))即每个气体传感器在当前时刻的输出可用其在前n个时刻的输出值进行预测。
假定系统刚投入运行时,各传感器均处于正常运行状态,无漂移故障发生。这时,通过系统的数据
采集环节可得到某传感器的前m+2个时刻输出序列:yi(1),yi(2),…,yi(m+2)。将其分为两组,构成网络预测器的初始学习样本。即以yi(1),yi(2),…,yi(m)为网络输入,以yi(m+1)为网络输出,组成网络学习的第1组样本。再向前递推一步:以yi(2),yi(3),…,yi(m+1)为网络输入,以yi(m+2)
为输出,组成第2组学习样本。若以P表示网络输入向量,t表示网络输出向量,则有:
T
yi(1)yi(2)…yi(m)P=
yi(2)yi(3)…yi(m+1)
第23卷 第1期丁 晖等: 气体传感器特性漂移抑制的研究71
t=
yi(m+1)yi(m+2)
T
若只有某单个元素el大于阈值,而其余元素均小于阈值(假定在同一时刻只有一个传感器发生漂
移故障),则可判定该传感器输出特性发生了漂移。通常情况下,气体传感器的漂移速度较慢,即传感器特性在漂移后的一段时间内会保持相对稳定。这时,对发生漂移故障的传感器需再新建一个预测器,其学习样本用预测值取代当前传感器实际输出值加到原来的学习样本中。例如:若第l个传感器在n时刻的输出预测值为yl(n),则新建预测器的学习样本为:P=
yl(n-m-1)yl(n-m)
t=
yl(n-m)yl(n-m+1)yl(n-1)∧
T
用这两组样本在线训练RBF神经网络预测器,当训练达到一定精度后,预测器开始工作。以m个数据,即以yi(3),yi(4),…,yi(m+2)为网络输入,预测该传感器在下一时刻即m+3时刻的输出:Yi=
∧
∧
yi(m+3)。然后,与该时刻传感器的实际输出
∧
值:Yi=[yi(m+3)]比较,得到误差向量:
ei=Yi-Yi
∧
在正常工作状态下应当有ei yi(2)yi(3)…yi(m+1)P= yi(3)yi(4)…yi(m+2)t= yi(m+2)yi(m+3) T …yl(n-2)…yl(n-1)T yl(n) 依此类推,预测器一边不断学习新的数据样本, 一边对该传感器的下一时刻输出值做出预测。每个传感器的输出预测器都遵循同样的工作过程。在每个传感器工作均正常(无漂移)的情况下,或输入信号缓变时,每个传感器的输出预测器都应满足:ej(j=1,2,…,N) 与此同时,旧预测器在对新样本经过m步在线学习后,预测器的预测值又重新跟踪上传感器漂移后的输出,预测偏差又重新满足el 当误差向量e=[e1,e2,…,eN]中出现某元素 el>T,即预测值与传感器输出值发生显著偏差时, 分两种情况讨论: 第一种情况:传感器输入信号突变,导致传感器实际输出与预测器的预测值产生较大偏差。 由于测量混合气体时所用的传感器阵列中的每一个传感器除对某一种气体具有较强敏感性外,对混合气体中的其它气体也有不同程度的敏感,因此当某待测气体浓度产生突变时,所有传感器对此都应有响应,只是响应的强度有所不同而已。这样,每个传感器的输出预测器都有: ej(j=1,2,…,N)>T上式即为此种情况的判定条件。这时各传感器输出神经网络预测器的学习样本的构成方式仍采用上述方法,即不断将各传感器新的输出值加到学习样本中,冲掉旧的样本。通过下文叙述的仿真研究可以看到,本文构造的神经网络预测器能够实现传感器输出信号的快速准确的跟踪。 第二种情况:传感器特性漂移导致传感器实际输出与预测器的预测值产生较大偏差。 识别 测量混合气体时,人们通常采用多个气体传感 [5] 器构成传感器阵列(又称电子鼻)。每个传感器除分别对某一种气体具有较强敏感性外,对混合气体中的其它气体也有不同程度的敏感。建立一个系统,系统的输入为各传感器输出值,输出为混合气体各组分浓度,则有: X=F(Y)其中:X=[x1,x2,…,xN],Y=[y1,y2,…,yn],F(・)为未知函数关系,但输入输出数据可通过实验标 定获得。即:配备不同浓度的混合气体,对应产生不同的传感器阵列输出组。系统辨识的任务就是利用 72计量学报2002年1月 这些部分信息寻找确定函数来逼近这个未知函数。 鉴于神经网络具有较优的函数逼近能力,我们用其构成辨识器完成这一辨识任务。网络结构同样采用径向基函数神经网络,而工作方式则为离线训练方式。实际工作时,每输入一组传感器输出值,辨识器相应输出一组各组分气体的浓度值。但是由于气体传感器的特性不断发生漂移,系统的输入输出函数关系也在不断变化,因此在上一级各神经网络输出预测器发出某传感器特性漂移的信息后,必须对该系统重新进行辨识。步骤是(仍假定在同一时刻只有一个传感器发生漂移):在初始样本数据中,对发生漂移的传感器输出值(例如第l个传感器)加上由其输出预测器获得的漂移修正因子,形成新的样本数据。神经网络辨识器利用修改后的样本数据对系统重新辨识,建立时变后的系统输入-输出映射关系,该关系可表示为: X=G(Y) 其中:X=[x1,x2,…,xN],Y=[y1,y2,…,yl+Δa,…,yn]。 为1×5,输出向量维数为1×1。 图2为3个传感器的神经网络输出预测器对其各自的传感器输出的预测跟踪情况。从图2可以看出二者对应的曲线几乎完全重合,这说明文中所设计的径向基函数神经网络预测器对传感器输出信号具有较强的预测跟踪能力。 图3为当某传感器发生漂移故障时,漂移修正因子的获取方法。从图3可以看出当传感器发生漂移故障时,旧预测器在漂移发生的开始一段时间内输出与传感器的实际输出产生较大偏差(为观察到其余图线,此图中对偏差幅值进行了限幅处理,偏差的真实幅值见图4)。随着对新样本数据的在线学习,旧预测器很快跟踪上漂移后传感器的输出。这表现在图4偏差曲线上,偏差在漂移的开始一段时间达到峰值,经过3～4步在线学习后迅速减小,然后接近零值。图3中新建预测器对漂移传感器正常输出的恢复信号曲线与传感器的正常输出曲线在初始阶段较好地重合在一起,但随着外推步数的增加,二者逐渐发生偏离。但新建预测器对传感器正常信号正确恢复的这段时间足以保证原有传感器完成对漂移后传感器输出特性的在线学习。最后,两个预测器的输出之差即为漂移补偿因子(见图3)。需要说明的是,图2、3的纵坐标为传感器和预测器经归一化处理后的输出值。 图5为3种待测气体随时间的变化仿真曲线与神经网络系统辨识器对混合气体辨识曲线(二者几乎完全重合),从图中可以看出即使有传感器发生漂移故障,经漂移修正因子补偿后,辨识器依旧能对混合气体浓度做出正确的辨识。 3 仿真研究 选取3个气体传感器为研究对象,它们分别对3种气体:CO、H2、NO2有不同程度的敏感。本文设 计的径向基函数神经网络预测器结构为3层网络:输入层、隐含层(功能函数为径向基函数)及输出层(功能函数为线性函数)。若每个传感器输出预测器的预测步长m选定为5,则预测器的输入向量维数 图2 传感器实际输出与神经网络预测器预测曲线图3 漂移修正因子的获取原理 第23卷 第1期丁 晖等: 气体传感器特性漂移抑制的研究73 图4 旧预测器对传感器漂移输 图5 3种气体随时间变化曲线及 出曲线跟踪误差曲线 神经网络辨识器辨识曲线 4 结论 上述论证及仿真研究表明,本文提出的在线动态标定法不仅实现简单而且具有较好的实时性,可在线实现传感器漂移故障的判定以及误差修正。 文章论述时假定的前提条件是:在同一时刻只有一个传感器发生漂移故障。如果有多个传感器发生漂移故障,则要求系统所有的传感器中,必须有多数的传感器保持稳定,未发生漂移故障(采用以多胜少的原则)。通过对各传感器输出残差的综合逻辑判断,也可对同时发生漂移的多个传感器进行识别和修正。显然此时系统的硬件投入会显著增大。 值得指出的是,本文提出的方法对传感器发生漂移的幅度较大时比较有效。对极缓慢的漂移(幅度较小),在漂移起始点预测器输出与传感器实际输出的偏差幅度将有所降低,这样可能会降低系统对传感器漂移判定的及时性和准确性,此时必须降低 阈值的幅度。此外,也可考虑采用漂移累积检测或其它故障检测的方法,这也是笔者目前正在进行的工作。 参 考 文 献 [1] 刘君华.智能传感器系统[M].西安:西安电子科技大 学出版社,1999. [2] 汪晓东,等.基于神经网络的传感器静态误差综合修正 法[J].仪器仪表学报,1997,18(3):310-313. [3] MartinHolmberg.Driftcounteractioninodourrecognitionap2 plications:lifelongcalibrationmethod[J].SensorsandActu2ators,1997,B42:185-194. [4] 胡昌华,等.基于MATLAB的系统分析与设计———神经 网络[M].西安:西安电子科技大学出版社,1999. [5] 常柄国,等.基于径向基函数神经网络识别变压器油中 微量特征气体[J].西安交通大学学报,1999,33(12):13 -17. 因篇幅问题不能全部显示，请点此查看更多更全内容