[发明专利]瓦斯检测装置的控制方法及控制系统

说明书

本发明提供的一种瓦斯检测装置的控制方法，包括以下步骤：S100，获取瓦斯检测信号；S200，对所述瓦斯检测信号进行小种群优化的粒子群神经网络算法动态补偿，输出瓦斯检测浓度。上述瓦斯检测装置的控制方法，引入小种群优化的粒子群神经网络动态补偿，解决了传统的瓦斯检测器存在的由于采样模拟电路漂移、参考电压有波动、元器件老化等问题降低检测精度，提高了瓦斯检测装置的检测精度。

技术领域

本发明涉及瓦斯检测技术领域，特别是涉及一种瓦斯检测装置的控制方法及控制系统。

背景技术

煤矿井下的安全生产是整个煤炭开采过程中的大前提，而危险可燃性气体-瓦斯气体的准确检测是其中最主要内容。一般地瓦斯检测以红外感应式瓦斯检测器为主，红外瓦斯检测器利用光的反射、干涉原理对瓦斯浓度进行检测，消除了电磁干扰。一种常见的瓦斯检测器的气室，采用单光路气室结构，红外光束经过气室只有一次，虽然单光路气室较长但是由于其结构简单稳定可靠所以具有普适意义。传统地，瓦斯检测器存在采样模拟电路漂移、参考电压有波动、元器件老化等问题，会影响瓦斯检测精度。此外，复杂工况下各种粉尘、气体以及不同湿度温度的检测条件对检测器存在干扰导致检测器的检测精度较低。

发明内容

基于此，有必要针对传统的瓦斯检测器存在采样模拟电路漂移以及存在各种干导致检测器的检测精度较低的问题，提供一种瓦斯检测装置的控制方法及控制系统。

本发明提供的一种瓦斯检测装置的控制方法，包括以下步骤：

S100，获取瓦斯检测信号；

S200，对所述瓦斯检测信号进行小种群优化的粒子群神经网络算法动态补偿，输出瓦斯检测浓度。

在其中一个实施例中，在所述小种群优化的粒子群神经网络算法中引入帐篷映射神经网络算法，产生混沌变量。

在其中一个实施例中，所述神经网络算法的模型包括第一层、第二层、第三层以及第四层；

所述第一层为输入层，所述输入层对应的输入信号包括所述瓦斯检测信号的电信号、外界环境温湿度信号、非瓦斯气体及粉尘干扰因素信号以及电磁干扰信号；

所述第二层用于描述所述输入层的隶属度函数以及中心参数；

所述第三层用于对应所述神经网络的节点数；

所述第四层用于对应输出的瓦斯浓度。

在其中一个实施例中，所述基于粒子群神经网络算法对所述瓦斯检测信号进行动态补偿步骤，包括以下子步骤：

S210，粒子种群初始化，包括种群粒子总数N，解空间维数D，所述粒子群神经网络的初始值为D维混沌变量，将最初的位置、速度、惯性权重赋予每个粒子；

S220，根据粒子群神经网络算法的速度更新公式和位置更新公式进行前E次迭代，根据适应度值选择位置最优的前F个粒子将其作为划分小种群的圆心并初始化F个小种群的半径，根据混沌变异公式得到第E次迭代之后的混沌变量，E、F为正整数；

其中，混沌变异公式为：

Z'_k＝βZ_k+(1-β)Ω^*；

式中，Ω^*为D维空间中最优解混沌向量，取值在0到1之间，X＝(x₁,x₂,...,x_D)为混沌向量，是在混沌扰动后的向量；β为影响因子，影响的是混沌变异对粒子的变异程度；

S230，使用小种群策略迭代算法，根据评价函数公式评价每个小种群粒子的局部最优值和全局最优值，比较位置的个体最优值和全局最优值，若个体最优值优于全局最优值则用个体最优值取代全局最优值；否则用全局最优值取代个体最优值；