基于改进BP网络的甲烷传感器温度影响试验研究

金文志

（中煤科工集团重庆研究院有限公司，重庆 400037）

基于改进BP网络的甲烷传感器温度影响试验研究

金文志

（中煤科工集团重庆研究院有限公司，重庆 400037）

温漂会影响催化甲烷传感器检测精度，为减小这种影响，提高传感器检测精度，本文在不同温度环境下进行甲烷传感器环境影响实验，并利用一种基于主成分分析的BP神经网络温度补偿模型对实验数据进行处理，补偿温漂对检测精度的影响，结果表明：本文提出的模型能提高甲烷传感器的稳定性和准确性，减少温漂的影响。

甲烷传感器；温度补偿；主成分分析；BP神经网络

目前国内外矿井中广泛使用催化燃烧式甲烷传感器来检测瓦斯浓度，催其检测原理是利用甲烷与空气中的氧气混合，在贵金属（载体）催化下发生氧化反应引起电阻的变化来测量瓦斯浓度，温度、湿度、粉尘等矿井环境对催化燃烧反应有着直接或间接的影响，比如高温的催化条件容易导致Al2O3载体颗粒和贵金属催化剂的烧结，造成比表面积的减小，测量范围变窄[7]，这大大降低了甲烷传感器的稳定性和可靠性，因此有必要研究环境因素对甲烷测定的影响规律，提高甲烷传感器在矿井恶劣环境中的可靠性。

本文通过在实验环境中模拟一定条件下的矿井温度环境，利用甲烷传感器温度影响实验，找出温度影响甲烷测定的规律，最后将检测数据输送到BP神经网络模型来补偿温漂的影响，然而BP网络本身收敛较慢，本文提出利用主成分分析法来提高BP神经网络收敛速度并区分出影响催化甲烷测定的主要因素和次要因素。

1 基于主成分分析的BP神经网络算法

BP神经网络是最基础的网络模型，其学习过程主要是通过检验误差值是否满足要求来不断调整各层参数。其训练的过程如下：首先对原始数据进行初始化处理，确定需要的转换函数，同时给定需要控制的精度值ε（ε>0）及其他训练参数；从原始数据中选取几对样本输送到网络进行训练，通过验证输出误差是否满足要求，来调整网络的权值及阈值矩阵。

传统BP神经网络算法收敛速度很慢，效率不高，易出现过度拟合情况，针对这一情况我们对标定数据进行主成分分析，用几个主成分来表达使原始数据的信息，以使得各权值的收敛速度大致相同，减少网络过度拟合状况[2]。

文中通过主成分分析改进BP神经网络对数据空间坐标进行转换，能在保留原有信息前提下将数据变量简化成少数几个不相关的变量，作为新的综合指标，使得原来的多维复杂问题得以简化。本文通过主成分分析法来改进 BP神经网络，具体实现步骤如下：

1)记录数据资料并整理得到原始数据矩阵X

2)对原始数据进行标准化处理

3)计算协方差矩阵

通过对原始实验数据整理建立协方差矩阵，以反映数据间的相关程度，计算矩阵特征根即各主成分的方差，其大小表明各主成分的价值，主成分方差大反映出的信息也越全面。

计算数据的协方差矩阵：Σ=(sij)p×p，其中

标准化后变量的协方差矩阵 （Covariance Matrix）Σ= (sij)p×p，即原变量的相关系数矩阵 （Correlation Matrix）R= (rij)p×p：

4)求出协方差矩阵Σ的特征值λ1≥λ2≥…λp＞0及相对应的正交化单位特征向量

则记X的第i个主成分为Fi=ai′X i=1，2，…，p。

5)选择主成分

根据各个主成分累计贡献率的大小选取前k个主成分，这里贡献率就是指主成分的方差与全部方差的比重，按特征值占全部特征值合计的比重计算得到。

通过累计贡献率来确定m，以表达主成分Fi所反映元数据信息量的大小：

贡献率越大，说明该主成分所包含的原始变量的信息越多。用方差贡献率方法在已确定的全部p个主成分中合理选择m个来实现，一般要求主成分的累计贡献率达到85%以上，来决定主成分的个数，这样能保证原始数据所包含的绝大多数信息。

6)主成分分析法就是将着P个观测变量缩减综合成为少数几个新的变量（主成分），即

由于Xi和Fi都是q维向量，方程组可简写

模型中Fi，Fj互不相关（i≠j，i，j=1,2,…,p），F1的方差大于F2的方差大于F3的方差，依次类推

于是，称为F1第一主成分，F2为第二主成分，依此类推，有第P个主成分。主成分又叫主分量。这里aij我们称为主成分系数。

本文提出利用主成分分析方法来改进BP神经网络算法，与传统BP神经网络相比补偿效果更佳[3]，利用主成分分析方法能提取环境因素影响的主要信息同时剔除数据里的噪声使BP网络更加平滑拟合，同时也加快了网络的训练速度[1]。

2 催化甲烷传感器温度影响实验

本次进行标定实验选用的仪器是矿井下广泛使用的催化甲烷传感器，本实验主要研究并掌握温度变化对甲烷传感器输入-输出特性的影响规律，获取不同温度下的甲烷传感器的输入-输出样本数据，计算温度漂移引起的误差并对数据进行分析。

本实验进行温度模拟实验用的甲烷传感器测量范围：0～4.00%CH4；经过实验所得实验数据如表1所示，Uc为被标定甲烷传感器的输出值：

表1 甲烷传感器标定实验数据Tab.1 M ethane sensor calibration experim ent data

从标定数据可以看出，催化甲烷传感器输出电压Uc/mv随着温度t的变化而变化，对于同一个甲烷标定浓度，甲烷传感器的输出随着温度的变化而变化，即温度漂移能影响甲烷传感器输出（温漂现象）。

3 M atlab仿真结果及分析

在Matlab中对实验数据进行主成分分析,各成分相关参数如表2所示。

由表2可以看出，前2个主成分的累计贡献率达88.21%>85%，表示这2个主成分已经概括了原变量的主要信息，故提取出2个主成分。

利用Matlab建立BP网络模型：确定网络的输入节点数（2个），隐含层及输出节点数（1个），训练函数选择trainlm函数，学习函数选择learngdm函数；将表1中24组实验数据输送到神经网络用于训练，剩余6组数据样本用于验证，相应的训练相关参数设置如下：

epochs=500；%最大训练次数

goal=1e-6；% 最小目标误差

learnrate=0.01；%学习速率

mc=0.95；% 动量因子

precision=0.000 01；%预设精度

经过 50次训练后，最小目标误差达到 1e-6，训练后得到主成分分析的 BP神经网络与BP神经网络补偿误差如图1所示。

表2 各主成分的累积贡献率Tab.2 Cumulative contribution of each principal component

图1 补偿误差Fig.1 Error compensation

由误差曲线可以看出，基于主成分分析法的BP神经网络（PCA-BP）补偿效果明显优于传统BP神经网络，这说明数据经过主成分分析后的BP网络去掉了冗余数据，降低了补偿误差，提高了网络的补偿度。

将经主成分处理后的测试样本代入训练好的网络，得到温度补偿后的甲烷浓度及相对误差，并与未校正情况及传统BP补偿进行比较，得到表3所示。

表3 改进BP网络温度补偿效果Tab.3 Im proved BP Network temperature compensation effect

通过表3可以看出经主成份分析法改进的BP神经网络相对误差明显减小，相比传统BP网络最大相对误差由1.13%下降为0.474%，这说明数据经过主成分分析后的BP网络去掉了冗余数据，提高了网络的补偿度，系统的非线性特性得到了很大的改善,处理后的传感器检测精度及稳定性得到了很大的提升。

4 结束语

文中利用主成分分析方法来改进BP神经算法[8]，并将其应用于甲烷传感器以补偿由温度引发的漂移，提高甲烷传感器的稳定性。实验仿真结果表明：文中提出的主成分分析法，简化了原始数据指标，降低了各指标信息的重叠性，减小了数据处理的工作量，而且补偿效果优于传统的BP网络算法。在今后的研究中，我们会进一步会研究其他环境因素（湿度、粉尘、风速、电磁干扰等）的综合影响，利用主成分分析去掉冗余信息提取数据的主要信息，找出影响甲烷传感器输入-输出特性的主要因素。

[1]陈春花.基于主成分分析的BP神经网络模型的形变预测方法[J].海洋测绘,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]孙艳梅.压力传感器温度补偿的一种新方法[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]陈兴权.基于主成分分析的BP神经网络在形变预测中的应用[J].大地测量与地球动力学,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，彭辉,等.基于主成分分析法的BP神经网络的应用[J].变压器,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]司端锋.基于BP神经网传感器特性补偿新算法的研究[J].传感器技术,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]孙艳梅.压阻式压力传感器温度补偿方法研究[D]:黑龙江：齐齐哈尔大学,2012.

[7]曹利波.煤矿井下环境对甲烷催化元件性能影响的探讨[D].北京:煤炭科学研究总院,2008．

[8]魏江涛，陈方涛，姜美雷.BP神经网络在设备故障诊断方面的应用[J].现代电子技术，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 稿件编号：201407008

中煤科工集团重庆研究院有限公司青年基金项目（2013QNJJ37）

金文志(1990—)，男，安徽安庆人，硕士研究生。研究方向：矿井安全仪器仪表及监控监测技术。