[发明专利]基于PNN神经网络的复合型气体传感器的气体识别方法

说明书

本发明公开了一种基于PNN神经网络的复合型气体传感器的气体识别方法，本发明涉及计算机神经网络技术领域，工业气体检测领域。该基于PNN神经网络的复合型气体传感器的气体识别方法可以识别催化裂化塔内不同时刻危险气体和氧气的含量；通过大量数据收集与识别，对石油炼制工业的安全和效率问题起到一定帮助，节省成本与时间；通过大量训练，该模型将会自学习到裂化塔内气体的定性和定量，在塔内起到实时监测作用，有很大的工业价值。

技术领域

本发明涉及计算机神经网络技术领域，工业气体检测领域。

背景技术

石油炼制工业对于国民经济的发展具有十分重要的意义，无论是工业、农业还是交通运输和国防建设都离不开石油制品。催化裂化是石油炼制过程中的重要一步。在冶炼厂中用于进行催化裂化的反应塔通常都很高大，而位于塔内的催化剂又需每隔一段时间清理出来。但即便是旧的催化剂移除后，塔内仍然会产生硫化氢和一氧化碳等易燃和危险性的气体；在裂化塔内采用氮气“净化”后，理论上来说里面暂时是不含氧气的，但并不能就此保证万无一失。为了保证氮气的纯净度，必须利用氧气传感器对其中氧浓度含量加以监测和报警。一般氧浓度报警范围设定在2％到4％之间，所以必须使用气体传感器进行实时测量。气体电子鼻是模拟动物嗅觉器官开发出的一种系统气体的检测仪器，主要由气体传感器阵列，预处理模块和模式识别系统三部分组成。电子鼻识别气味的主要机理是在阵列中的每个传感器对被测气体都有不同的灵敏度，整个传感器阵列对不同气体的响应图案是不同的，正是这种区别，才使系统能根据传感器的响应图案来识别气味。由于气体传感普遍存在着交叉敏感特性和选择性差异特点，使用单一传感器很难实现多种气体的检测分析。目前比较有效的方法是通过多个敏感度不同的气体传感器阵列，再结合神经网络的方法进行多气体的分析。本文致力于通过复合型气体传感器即智能电子鼻与多层神经网络结合的方法来识别裂化塔内中硫化氢和一氧化碳等易燃和危险性的气体。是通过检测塔内不同的气体产生的不同的阵列和信号，再结合PNN神经网络对信号归一化后的气体进行训练识别。继而通过训练神经网络模型得到最优参数来产生最优训练模型。

发明内容

本发明致力于识别裂化塔中危险气体，提出了一种基于多特征，多层神经网络与复合型传感器即电子鼻气体识别方法。传感器检测气体产生响应信号转化为数字信号，经过归一化处理，进入PNN多层神经网络训练测试。输出结果最后被送入显示系统显示，显示电路采用LCD数字显示方式。

本发明需要用到复合型传感器，即复合型传感器电子鼻，而当今电子鼻发挥作用最大的就是气敏传感器阵列，这一单元充当嗅觉系统中的受体细胞，又细分为小的气敏元件。它们不仅气味敏感，能够灵活的做出响应，而且还能够对不同的气体具有不同的敏感程度。气体传感器根据原理的不同，可以分为金属氧化物型、复合型型、导电聚合物型、质量型、光离子化型等很多类型。本实验运用氧气和复合型传感器相结合的复合型传感器。电子鼻通过传感器阵列把不同气体响应信号进行归一化处理，通过神经网络提取特征，对裂化塔内中危险气体进行定性和定量分析。

PNN神经网络是一种是常用于模式分类的神经网络。PNN网络通过下面的方式进行训练：首先将训练样本归一化。第一个归一化后的样本x₁被置于输入层单元上，同时将连接输入单元和模式层单元的连接初始化为w₁＝x₁，然后从模式层的第一单元到类别层中代表x₁所属类别的那个单元之间建立一个连接。概率神经网络是基于统计原理的神经网络模型，在分类功能上与最优贝叶斯分类器等价，其实质是基于贝叶斯最小风险准则发展而来的一种并行算法，同时它不像传统的多层前向网络那样需要用BP算法进行反向误差传播的计算，而是完全前向的计算过程。它训练时间短、不易产生局部最优，而且它的分类正确率较高。无论分类问题多么复杂只要有足够多的训练数据，可以保证获得贝叶斯准则下的最优解。