基于改進BP神經網絡的汽車尾氣檢測系統設計*

黃偉軍, 華 猛, 吳晨輝

(1.蘇州科技大學 電子信息工程學院，江蘇 蘇州215009； 2.蘇州市智能測控工程技術研究中心，江蘇 蘇州 215009)

0 引 言

隨著世界汽車總量的不斷增多，汽車尾氣給環境帶來嚴峻的挑戰[1,2]。目前,尾氣檢測方法主要包括紅外吸收法，電化學分析法，氫火焰離子化法，化學發光法等[3～5]，各檢測方法均針對不同的氣體選用單一的傳感器進行檢測。單一離散的氣體傳感器均有交叉敏感區[6]，對于尾氣這種混合氣體，以上方法具有局限性。

本文利用混合氣體電子鼻檢測技術[7]，可有效地解決上述問題。將傳感器陣列技術[8]與神經網絡模型相結合設計了一種尾氣定量檢測系統[9]，主要檢測GB18352.5—2013要求的O2，HC，CO，CO2，NO氣體濃度。在模擬汽車尾氣環境下，采用彼奧德電子研發的MFC—08高精度配氣系統，配置不同濃度的混合氣體，通入氣泵，在OMEGA的高精度流量計控制下通入電子傳感器陣列測試腔，對各傳感器陣列信號預處理后，采集得到樣本實驗數據，用于建立尾氣分析神經網絡模型，并進行測試分析。為了縮短了網絡收斂時間，提高了模型預測精度，本文采用附加動量法和自適應學習速率法對基本反向傳播(back propagation,BP)神經網絡模型進行改進[10]，并建立基本神經網絡模型和改進型BP神經網絡模型，進行實驗對比分析。

1 檢測系統設計和實驗測量

系統采用傳感器陣列檢測汽車尾氣，傳感器信號經調數據送給神經網絡模型理電路調理至合適范圍，使用高精度信號采集卡采集，再將中分析，最終得到各氣體成分濃度信息，總的系統檢測原理如圖1所示。

圖1 系統檢測原理

1.1 檢測系統

檢測系統根據GB18352.5—2013要求，主要檢測尾氣中的五種氣體(O2，HC，CO，CO2， NO)濃度。系統根據不同氣體特點選擇不同的傳感器進行測量，同時需要考慮溫度和濕度對傳感器的影響[11]，因此系統選用TGH3151溫濕度傳感器對氣體傳感器工作環境進行測量。

根據規定[12],測量CO，CO2，HC采用非分光紅外線(non-dispersive infrared,NDIR)吸收測量法，其原理是基于大多數非對稱分子對紅外波段具有一定的吸收能力，其吸收能力強弱與被測氣體濃度和氣室長度有關。如果被測氣體濃度不同，出射紅外線光強會變化，由朗伯—比爾定律得

I=I0e-KCL

(1)

式中I為初始紅外光強度；I0為入射紅外光的強度；C為被測氣體濃度；L為氣室長度；K為吸收系數。光強的測量由感光探測器測量，將輸出信號處理后再由采集卡采集，最后計算出氣體濃度

本系統要求CO,CO2,HC氣體特征波長和吸收系數分別為：4.68 μm,8.5;4.35 μm,109;3.40 μm,90。

測量NO，O2的含量，采用NO-AE傳感器和O2-A2傳感器。由于傳感器信號輸出信號多為電流，且較小，不能直接采集，需要進行I/V轉換，電路原理如圖2、圖3。圖2中的NO-AE傳感器為三電極化學傳感器，電極易產生極化問題，為此由運算放大器和電阻電容及MOS管構成上半部分電路避免傳感器極化現象，下半部分為I/V電路且有放大功能，調整傳感器輸出信號，C3為米勒電容器，具有穩定電路功能。

O2的分子結構特點和化學特性具有獨特性，尾氣中O2濃度檢測與NO和CO傳感器和預處理電路不同，通過O2-A2傳感器檢測O2濃度，將信號進行預處理再送入采集端，其中預處理電路直接關系到檢測準確性。圖3中的預處理電路不僅具有放大作用，還在不同部位設計了濾波電容器，確保傳感器信號穩定且不失真。

圖2 NO-AE預處理電路

圖3 O2-A2信號預處理電路

根據設計的電路圖制作印刷電路板(printed circuit board,PCB)，并焊接電子元器件及傳感器陣列，為減小外界干擾誤差，將傳感器陣列固定在密閉的測試腔內，模擬汽車尾氣環境進行測試。

1.2 實驗測量

因為尾氣中不同氣體的濃度范圍不同且所選傳感器的敏感范圍也不同，所以根據其范圍，采用彼奧德電子研發的MFC—08高精度配氣系統，以N2為背景氣體配置不同濃度的混合氣體525組，其中，O2(18 %～22 %)，CH((0～500)×10-6)，CO((0～1 000)×10-6)，CO2((0～5 000)×10-6)，NO((0～250)×10-6)，且為了最小化人為干擾，配置比例由MATLAB隨機數生成。實驗中,氣體在OMEGA高精度流量計控制下通入電子傳感器陣列測試腔，對傳感器信號進行預處理和采用NI公司具有18位模/數轉換器的PCI6251采集得到實驗樣本數據。

2 改進BP神經網絡算法

BP神經網絡具有很強的學習能力，能解決內部機制很復雜的問題，但需要很長的學習時間和大量學習庫，且容易陷入局部極小值。為了提高BP神經網絡對本系統的適用性，本文采用附加動量法和自適應學習速率法，提高學習效率，減小陷入局部極小值的概率。使用附加動量法對網絡權值進行修正后，不僅考慮了梯度的問題還兼顧了梯度曲面的大小。其實質是將最后1次權值變化的影響通過一個動量因子來傳遞給新的權值，進而繼承傳遞；即將上一次的權值變化量通過動量因子傳遞疊加到本次誤差計算權值變化量上，作為本次的實際權值變化量實現繼承傳遞，即

(2)

w(k+1)=w(k)+Δw(k+1)

(3)

(4)

BP神經網絡中增加動量項后，權值會向著誤差曲面低洼且平坦方向調整，進入平坦區時，Δw(k+1)≈Δw(k)從而避免Δw(k)=0，有利于網絡跳出誤差曲面局部極小值。

若學習速率η能自動調整將對BP神經網絡的應用范圍是又一次的擴大。本設計的自適應學習速率的準則為：

1)判斷權值修正值對誤差函數的影響。

2)若修正值降低了誤差函數，說明η值偏小，適當增加1個量進行調整；反之，則產生過調，需減小η。

修改η不僅需要考慮提高收斂速度，還要兼顧增加學習穩定性，本文采用學習速率自適應調節機制為

(5)

3 改進型BP神經網絡模型應用與結果分析

根據上述分析，本文利用3層BP神經網絡建立汽車尾氣參數預測模型，將O2，HC，CO，CO2， NO及溫濕度作為輸入層神經節點，輸出層為5種氣體，模型結構如圖4所示。

圖4 尾氣各參數預測神經網絡結構

隱含神經元(Q)太多，不僅會導致學習時間長且無法識別沒學習過的樣本;若Q過小則網絡難以收斂，本文采用式(6)找出最佳隱含層節點數

(6)

式中n為輸入神經元數，m為輸出神經元數，a為常量，取值區間為[1,10]。

在525組數據中隨機選取500組數據進行歸一化處理作為模型的訓練樣本。為了驗證本文的改進型BP神經網絡的有效性，將剩余的25組數據作為預測樣本。并將預測結果與BP神經網絡模型的結果進行對比，結果如表1所示。其中，誤差=|網絡實際輸出-期望輸出|,相對誤差=(網絡實際輸出-期望輸出)/期望輸出×100 %。

表1 BP神經網絡與改進型BP神經網絡預測誤差比較

可知，改進型BP神經網絡模型對O2,CH,CO,CO2氣體濃度預測結果均小于2.5 %，NO的預測結果小于4 %，主要由于NO極不穩定性對準確性造成影響。整體上改進型的BP神經網絡能很好地處理傳感器陣列信號，與基本的BP神經網絡預測結果相比，改進型BP神經網絡模型對各氣體的預測結果準確性均有所提高，而且網絡收斂速度更是快了近1倍。

4 結 論

針對汽車尾氣檢測問題，設計了一套基于改進型BP神經網絡模型的汽車尾氣檢測系統，并進行實驗。實驗結果表明，與基本的BP神經網絡模型相比，該模型具有更高預測精度，更快的收斂速度，能夠高效地解決汽車尾氣預測問題，對大氣污染管制具有重要意義。