GA-RBF在煤礦機器人檢測井下混合氣體的應(yīng)用

煤礦井下的環(huán)境比較復(fù)雜，諸如甲烷、一氧化碳等有毒有害氣體的存在致使煤礦的生產(chǎn)環(huán)節(jié)尚有安全問題的存在，嚴(yán)重影響了工作人的身心健康。煤礦救援機器人代替人進入煤礦井下實施環(huán)境探測和救援工作的首要前提是能夠準(zhǔn)確檢測出混合氣體中的這些有毒有害氣體，為井下環(huán)境信息的評估以及相應(yīng)策略的制度提供依據(jù)。所以，能否準(zhǔn)確檢測這些有毒有害氣體已成為救援機器人環(huán)境感知系統(tǒng)的一項關(guān)鍵技術(shù)。

煤礦井下的有毒有害氣體是混合的，氣體之間存在著干擾，氣體的主成分特征會因此而弱化或者丟失，給煤礦機器人對有毒有害氣體的感知帶來挑戰(zhàn)，影響了煤礦機器人的自動檢測和控制。目前很多學(xué)者對混合氣體的檢測方法做了一些研究，主要有彌補或補償算法 、差分吸收光譜、陣列傳感器模式識別、定量檢測算法等檢測混合氣體，這些研究雖在某種程度上檢測出混合氣體中的主要成分，但未考慮混合氣體的在線檢測的要求，也未考慮比如溫度、濕度等可變因素帶來的影響，從而導(dǎo)致這些方法不能應(yīng)用到煤礦機器人實現(xiàn)對混合氣體的檢測。針對上述問題的存在，本文采用雙氣體傳感器減少對部分氣體的交叉靈敏度，同時結(jié)合煤礦救援機器人實際應(yīng)用提出基于GA優(yōu)化和k聚類算法結(jié)合 的RBF神經(jīng)網(wǎng)絡(luò)，提高RBF的性能及系統(tǒng)的預(yù)測精度實現(xiàn)對混合氣體的檢測。

混合氣體檢測工作原理及系統(tǒng)構(gòu)成

如圖1所示為煤礦機器人的混合氣體檢測系統(tǒng)結(jié)構(gòu)原理圖，主要有傳感器陣列環(huán)節(jié)，信號調(diào)理環(huán)節(jié)、多通道同步信號采集處理環(huán)節(jié)、模式識別環(huán)節(jié)等。傳感器陣列是煤礦救援機器人感知混合氣體系統(tǒng)的“感官”，它由多種不同類型傳感器組成，對各自敏感的氣體輸出響應(yīng)信號；信號調(diào)理則對傳感器陣列輸出的響應(yīng)信號進行預(yù)處理，如濾波、交換、特征提取等；多通道同步信號采集處理則對信號調(diào)理環(huán)節(jié)調(diào)理好的各通道信號進行采集和進一步處理，最后經(jīng)由模式識別環(huán)節(jié)識別后輸出。本文選用雙氣體傳感器COH-A1（一氧化碳和硫化氫）、雙氣體傳感器MSH-DP-HC/CO2（甲烷和二氧化碳）和HTG3515 溫濕度傳感器構(gòu)成陣列傳感器，采用雙氣傳感器可在硬件上消除部分氣體的交叉靈敏度，圖2為混合氣體檢測系統(tǒng)氣體檢測硬件。

混合氣體檢測算法原理

R BF神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF）是一種前饋式神經(jīng)網(wǎng)絡(luò)，它具有很多優(yōu)點和特性，具有最佳逼近模型的特性，避免了因復(fù)雜網(wǎng)絡(luò)引起的較慢的訓(xùn)練速度和較長的反應(yīng)時間。對RBF來講，其隱含層的基函數(shù)非常重要，選擇的好壞直接影響了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練速度，對網(wǎng)絡(luò)的輸出效果也有一定程度的影響，本文選擇高斯函數(shù)作為RBF的基函數(shù)，利用了高斯函數(shù)的簡單形式，對稱的徑向基，任意階可導(dǎo)能優(yōu)點。

遺傳算法

圖1　混合氣體檢測系統(tǒng)原理結(jié)構(gòu)圖

群體是遺傳算法（GA）的主要對象，它是由M個個體的集合。遺傳算法的運算過程同自然界生物的進化過程相似，是反復(fù)迭代運算的過程。為表述上的方便，將群體的第t 代記作p（t），交叉變異和進化后成為第t+1代，用p（t+1）標(biāo)記。群體是不間斷的進行遺傳和進化的，依據(jù)優(yōu)勝劣汰的法則適應(yīng)度較高的個體更多的被遺傳到下一代，于是，群體中得到的將會是一個個優(yōu)良的個體X ，個體對應(yīng)的表現(xiàn)型X′將達(dá)到或非常接近于問題的最優(yōu)解X*。

圖2　混合氣體檢測系統(tǒng)氣體檢測的硬件

圖3　改進 RBF 神經(jīng)網(wǎng)絡(luò)算法流程

R BF 進習(xí)方法的改進

本文用K-means 聚類方法作為 RBF 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，假設(shè)樣本的輸入為X1， X2，…Xn，相應(yīng)的目標(biāo)輸出為Y1， Y2，…Yn，RBF 神經(jīng)網(wǎng)絡(luò)中的第j 個隱節(jié)點的激活函數(shù)為Φj（*），記第k 次迭代時的聚類中心為h1（k），h2（k），…h(huán)n（ k），相應(yīng)的聚類域為w1（k），w2（k），…wn（k）。本文采用遺傳算法優(yōu)化優(yōu)化RBF的權(quán)值和偏移，以達(dá)到提高 RBF 神經(jīng)網(wǎng)絡(luò)識別率以及減少RBF隱含層神經(jīng)元個數(shù)的目的，步驟如圖3所示。

實驗及分析

實驗過程

實驗所用的氣體是根據(jù)實際檢測的需要和依據(jù)《煤礦安全規(guī)程》的規(guī)定選定氣體體積分?jǐn)?shù)的范圍分別為CH4［0～5000 ppm］，H2S［0～200ppm］，CO［0～1000ppm］，CO2［0～5000 ppm］。為盡可能滿足被測氣體濃度空間，給神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和檢測提供適合的樣本，配置了165組不同濃度不同氣體成分的混合氣體進行實驗。實驗所用的傳感器陣列有5個氣體傳感器組成見圖2。首先配合好氣體組分后，通過流量控制裝置供給密閉容器并檢測，然后采集檢測數(shù)據(jù)并作歸一化處理，接著訓(xùn)練神經(jīng)網(wǎng)絡(luò)，通過重復(fù)的訓(xùn)練對神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，建立GA-RBF神經(jīng)網(wǎng)絡(luò)，最后，將余下的訓(xùn)練樣本輸入給GA-RBF神經(jīng)網(wǎng)絡(luò)，經(jīng)過對比修正測試結(jié)果和真實值之間的誤差提高對混合氣體的檢測準(zhǔn)確度。RBF 神經(jīng)網(wǎng)絡(luò)和GA-RBF 神經(jīng)網(wǎng)絡(luò)迭代過程中的誤差曲線如圖4所示，很明顯經(jīng)過改進的RBF 神經(jīng)網(wǎng)絡(luò)很快收斂并達(dá)到目標(biāo)誤差。

圖4　RBF 神經(jīng)網(wǎng)絡(luò)和改進的RBF神經(jīng)網(wǎng)絡(luò)迭代過程中的誤差曲線對比

實驗結(jié)果與分析

實驗中氣體傳感器陣列對應(yīng)的輸出為4種氣體濃度值和溫度、濕度，所以，構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)，輸入層為6 個，輸出層神經(jīng)元為4 個，隱含層神經(jīng)元個數(shù)為13個；優(yōu)化的目標(biāo)誤差為0.001，最大迭代次數(shù)為1000。將采集的165組樣本數(shù)據(jù)進行歸一化，隨機取150 組樣本數(shù)據(jù)作為訓(xùn)練樣本輸入分別對RBF 神經(jīng)網(wǎng)絡(luò)和GA-RBF 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù)，完成網(wǎng)絡(luò)的建立，將余下的15組數(shù)據(jù)作為測試樣本輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中，來檢測神經(jīng)網(wǎng)絡(luò)預(yù)測的準(zhǔn)確程度，測試結(jié)果分別見表1和表2。實驗中氣體傳感器陣列對應(yīng)的輸出為4種氣體濃度值和溫度、濕度，所以，構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)，輸入層為6 個，輸出層神經(jīng)元為4 個，隱含層神經(jīng)元個數(shù)為13個；優(yōu)化的目標(biāo)誤差為0.001，最大迭代次數(shù)為1000。將采集的165組樣本數(shù)據(jù)進行歸一化，隨機取150 組樣本數(shù)據(jù)作為訓(xùn)練樣本輸入分別對RBF 神經(jīng)網(wǎng)絡(luò)和GA-RBF 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù)，完成網(wǎng)絡(luò)的建立，將余下的15組數(shù)據(jù)作為測試樣本輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中，來檢測神經(jīng)網(wǎng)絡(luò)預(yù)測的準(zhǔn)確程度，測試結(jié)果分別見表1和表2。

對比表1和表2 的數(shù)據(jù)不難發(fā)現(xiàn)，在相同的訓(xùn)練樣本的情況下，GA-RBF神經(jīng)網(wǎng)絡(luò)較RBF神經(jīng)網(wǎng)絡(luò)具有更小的預(yù)測誤差，GA-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的平均相對誤差均小于5%，GA-RBF神經(jīng)網(wǎng)絡(luò)收斂性明顯好于RBF神經(jīng)網(wǎng)絡(luò)，有效避免訓(xùn)練時進入局部最優(yōu)解，提高了預(yù)測系統(tǒng)的穩(wěn)定性。

為更清晰直觀表示優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)的檢測誤差，分別繪制了CO2與H2S、CO與CH4兩種混合氣體的定量檢測誤差，分別如圖5和圖6所示。兩圖中 x、y 軸分別為兩種氣體濃度，z 軸為測量誤差值。通過對誤差曲面的分析可知，系統(tǒng)對 CO與CH4混合氣體的檢測更為準(zhǔn)確。整體來看系統(tǒng)測試誤差滿足設(shè)計要求，即在規(guī)定的檢測范圍內(nèi)，本系統(tǒng)可以擔(dān)負(fù)CO2、H2S、CO與CH4四種氣體及其混合氣體的定量檢測任務(wù)。

表1　RBF神經(jīng)網(wǎng)絡(luò)測試結(jié)果

表2　改進RBF神經(jīng)網(wǎng)絡(luò)測試結(jié)果

圖5　GA-RBF對CO2與H2S混合氣體的濃度誤差曲面

圖6　GA-RBF對CO與CH4混合氣體的濃度誤差曲面

結(jié)語

針對煤礦機器人檢測煤礦井下有毒有害混合氣體的問題，本文采用雙氣體傳感器減少對部分氣體的交叉靈敏度，考慮了溫度、濕度等可變因素帶來的影響，同時結(jié)合煤礦救援機器人實際應(yīng)用提出基于k聚類算法作為學(xué)習(xí)算法的GA優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)，提高了RBF的性能及混合氣體檢測系統(tǒng)的預(yù)測精度。從實驗結(jié)果可以得到如下結(jié)論：將GA-RBF神經(jīng)網(wǎng)絡(luò)和傳感器陣列技術(shù)組合的檢測系統(tǒng)對煤礦井下有毒有害混合氣體檢測取得了良好的效果，提高RBF的性能及系統(tǒng)的預(yù)測精度。在規(guī)定的檢測范圍內(nèi)，本系統(tǒng)可以擔(dān)負(fù)CO2、H2S、CO與CH4四種氣體及其混合氣體的定量檢測任務(wù)。

10.3969/j.issn.1001- 8972.2016.18.023