楊勝男， 吳偉國(guó)

(哈爾濱工業(yè)大學(xué) 機(jī)電工程學(xué)院, 哈爾濱 150001)

?

人工肺-嗅覺(jué)系統(tǒng)集成與混合氣體識(shí)別方法

楊勝男， 吳偉國(guó)

(哈爾濱工業(yè)大學(xué) 機(jī)電工程學(xué)院, 哈爾濱 150001)

針對(duì)仿人機(jī)器人的嗅覺(jué)及多種混合氣體識(shí)別問(wèn)題，提出一種人工肺-嗅覺(jué)系統(tǒng)(HAL&OS-I)及基于主動(dòng)呼吸的氣體識(shí)別方法.該系統(tǒng)硬件主要集成了微型真空泵、酒精/硫化氫/氨氣/煙霧/甲烷5種氣體傳感器、單片機(jī)以及信號(hào)采集與處理電路；分別用K-均值聚類分析法、遺傳算法結(jié)合神經(jīng)網(wǎng)絡(luò)(GA+BP)、三級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)(GA+3BP)進(jìn)行了5種單一氣體及4種混合氣體的識(shí)別實(shí)驗(yàn)，結(jié)果表明：GA+BP算法僅對(duì)5種單一氣體識(shí)別率達(dá)到90%以上，加入混合氣體后識(shí)別率較低；GA+3BP算法除對(duì)硫化氫和煙霧的混合氣體識(shí)別率為70%以外，對(duì)其余8種氣體識(shí)別率均在90%以上，表明GA與多級(jí)級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)相結(jié)合方法對(duì)多種單一及混合氣體具有較高的識(shí)別率.

人工肺；嗅覺(jué)系統(tǒng)；混合氣體；遺傳算法；級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)

混合氣體的檢測(cè)識(shí)別廣泛地被用于環(huán)境保護(hù)、化工控制、廠房環(huán)境檢測(cè)、家用報(bào)警等領(lǐng)域.在化學(xué)物品繁雜環(huán)境中，混合氣體檢測(cè)顯得尤為重要.國(guó)內(nèi)外有關(guān)混合氣體檢測(cè)識(shí)別的研究較多，氣體識(shí)別率也較理想，但實(shí)驗(yàn)氣體種類較少，單一氣體識(shí)別一般不超過(guò)4種，混合氣體組份也不超過(guò)兩種[1].氣體識(shí)別算法主要有K-近鄰法(KNN)，支持向量機(jī)(SVM)[2]、人工神經(jīng)網(wǎng)絡(luò)[3]及諸如遺傳算法(GA)與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的多模式識(shí)別算法[4]等等，對(duì)特定氣體識(shí)別率都在70%以上.如上海交通大學(xué)汪丹等[5]利用支持向量機(jī)算法并結(jié)合4個(gè)氣體傳感器對(duì)3種不同體積分?jǐn)?shù)的有機(jī)溶劑乙醇、丙酮、乙二醇進(jìn)行定性識(shí)別，識(shí)別率在80%以上.吉林大學(xué)石春燕等[6]將6個(gè)氣體傳感器與BP神經(jīng)網(wǎng)絡(luò)算法結(jié)合對(duì)甲烷、氫氣、一氧化碳3種氣體進(jìn)行定量檢測(cè)，預(yù)測(cè)誤差控制在10%以內(nèi).韓國(guó)慶北大學(xué)Cho等[7]結(jié)合模糊自適應(yīng)共振映射分類器與基于模糊自適應(yīng)諧振理論的濃度估計(jì)器，對(duì)氨氣、硫化氫氣體及其混合氣體進(jìn)行定性識(shí)別和定量估計(jì)，定性識(shí)別率達(dá)到100%，定量估計(jì)精度也很高.Chowdhury等[8]利用5個(gè)氣體傳感器并結(jié)合前饋多層感知器算法對(duì)印度東部及東北部?jī)蓚€(gè)不同地區(qū)采摘的紅茶香味進(jìn)行定性識(shí)別，識(shí)別率達(dá)70%以上.Siadat等[9]利用5個(gè)氣體傳感器并用人工神經(jīng)網(wǎng)絡(luò)對(duì)有無(wú)酒精的啤酒進(jìn)行定性識(shí)別，識(shí)別率達(dá)100%[9].

國(guó)內(nèi)外在機(jī)器人嗅覺(jué)功能方面的研究有很多，但集成度不高.如瑞典厄勒布魯大學(xué)的Loutfi等[10]教授為Pippi機(jī)器人研制了一個(gè)立體電子鼻,用一個(gè)Cyranose320電子鼻來(lái)識(shí)別乙醇、己醇、芳香醇、氨氣和潔凈空氣5種氣體，并用2個(gè)測(cè)距傳感器、1個(gè)固定色CCD照相機(jī)以確定味源.日本早稻田大學(xué)的WE-4仿人頭機(jī)器人能識(shí)別酒精、氨氣和香煙煙霧3種氣體[11]，其“人工肺”是利用絲杠螺母機(jī)構(gòu)實(shí)現(xiàn)氣缸抽氣和排氣運(yùn)動(dòng).本文作者在專利文獻(xiàn)[12]中提出的仿人頭像機(jī)器人用“人工肺”也是利用絲杠螺母?jìng)鲃?dòng)實(shí)現(xiàn)呼吸.但以上這些“人工肺”體積較大，難以集成在仿人頭像機(jī)器人中.

本文面向仿人頭像機(jī)器人系統(tǒng)集成化，設(shè)計(jì)一種體積小、質(zhì)量輕的仿人主動(dòng)呼吸人工肺-嗅覺(jué)系統(tǒng)，對(duì)多種單一及混合氣體識(shí)別方法及算法進(jìn)行實(shí)驗(yàn)研究.由于KNN算法運(yùn)算速度較慢，抗干擾能力差，而SVM難以實(shí)施大規(guī)模的樣本訓(xùn)練,且解決多分類問(wèn)題存在困難,因此本文從人工神經(jīng)網(wǎng)絡(luò)著手進(jìn)行混合氣體氣味識(shí)別算法研究.

1 人工肺-嗅覺(jué)系統(tǒng)硬件設(shè)計(jì)與集成

1.1 集成化的人工肺-嗅覺(jué)系統(tǒng)

人工肺-嗅覺(jué)系統(tǒng)硬件由電動(dòng)微型真空泵、嗅覺(jué)傳感器集成體系統(tǒng)、電源和“呼吸道”導(dǎo)氣管組成.其中真空泵為VM6005型真空泵，實(shí)現(xiàn)嗅覺(jué)系統(tǒng)的抽排氣，抽氣速率為5 L/min；嗅覺(jué)傳感器集成體系統(tǒng)集成有酒精/硫化氫/氨氣/煙霧/甲烷5種分立嗅覺(jué)傳感器和單片機(jī)及多路A/D轉(zhuǎn)換器、電壓轉(zhuǎn)換模塊等器件，選擇日本費(fèi)加羅公司TGS系列5種傳感器TGS822、TGS825、TGS826、TGS2600、TGS2611分別作為酒精、硫化氫、氨氣、煙霧、甲烷傳感器.但這些傳感器對(duì)不同氣體存在交叉響應(yīng)，即對(duì)每種氣體都有響應(yīng)甚至于相近難以區(qū)分，集成在一起時(shí)給準(zhǔn)確識(shí)別對(duì)應(yīng)氣體帶來(lái)難度.圖1為設(shè)計(jì)的人工肺-嗅覺(jué)系統(tǒng)實(shí)物圖，依靠真空泵主動(dòng)呼吸，仿人頭像機(jī)器人從鼻孔處實(shí)現(xiàn)對(duì)象氣體的吸入，使其進(jìn)入嗅覺(jué)傳感器集成體系統(tǒng)的進(jìn)氣口1，流經(jīng)內(nèi)部的傳感器檢測(cè)部后由2口流出至真空泵進(jìn)氣口3，最后由4口排出.嗅覺(jué)傳感器集成體系統(tǒng)結(jié)構(gòu)如圖2所示，包括安裝在電路板上的5種嗅覺(jué)傳感器、集氣容腔殼體、兩塊電路板及端蓋；其內(nèi)部的單片機(jī)通過(guò)RS232串口實(shí)現(xiàn)與上位機(jī)(仿人機(jī)器人主控計(jì)算機(jī))通信.真空泵所需電源電壓為12 V，傳感器集成體系統(tǒng)所需電源電壓為5 V.圖3所示為嗅覺(jué)系統(tǒng)部件實(shí)物圖.

圖1 用于仿人頭像機(jī)器人的人工肺-嗅覺(jué)系統(tǒng)實(shí)物圖

Fig.1 Artificial lung-olfactory sense system for humanoid portrait robot

1—主外殼; 2—電路板; 3—O型圈; 4—緊定螺釘; 5—端蓋; 6—通孔螺釘; 7—密封塞; 8—硅膠管; 9—螺母; 10—螺釘

圖3 嗅覺(jué)傳感器集成體實(shí)物照片

1.2 嗅覺(jué)傳感器數(shù)據(jù)采集及處理軟硬件系統(tǒng)

選用STC12C5A60S2單片機(jī)實(shí)現(xiàn)嗅覺(jué)系統(tǒng)的數(shù)據(jù)采集及控制，其內(nèi)置8路10位精度的ADC模塊，最高轉(zhuǎn)換速度可達(dá)25萬(wàn)次/s.各氣體傳感器工作時(shí)需要進(jìn)行加熱，且其采樣端的電阻值隨氣體濃度增加而減小，測(cè)量電路如圖4(a)所示為分壓電路，滿量程輸出5 V電壓.傳感器信號(hào)經(jīng)過(guò)測(cè)量電路后送入模/數(shù)轉(zhuǎn)換器ADC，再通過(guò)程序控制將生成的數(shù)字信號(hào)經(jīng)RS232串口傳給上位機(jī).由于通訊的異步電路和單片機(jī)芯片的電平不一致，因此采用多通道RS232驅(qū)動(dòng)/接收器MAX3232芯片進(jìn)行電平轉(zhuǎn)換.上位機(jī)通過(guò)串口接收單片機(jī)采集上傳數(shù)據(jù)，并在MATLAB中進(jìn)行數(shù)據(jù)處理，信號(hào)采集系統(tǒng)組成如圖4(b)所示.

(a) 嗅覺(jué)傳感器測(cè)量電路

(b) 單片機(jī)數(shù)據(jù)采集系統(tǒng)

2 傳感器信號(hào)預(yù)處理

5種實(shí)驗(yàn)用氣體中，除香煙煙霧自制外，其余4種均為購(gòu)置的體積分?jǐn)?shù)為1%的氣體產(chǎn)品，實(shí)驗(yàn)氣體與空氣以隨機(jī)比混合，由人工肺主動(dòng)吸入嗅覺(jué)系統(tǒng).在實(shí)驗(yàn)室條件下針對(duì)酒精/硫化氫/氨氣/煙霧/甲烷5種單一氣體及其4種混合氣體(共9種氣體)各做30次實(shí)驗(yàn)(每次5種傳感器響應(yīng)為1組數(shù)據(jù))，共得到270組數(shù)據(jù).圖5所示為各氣體傳感器對(duì)實(shí)驗(yàn)氣體的響應(yīng)數(shù)據(jù)曲線(此處僅列3種).

為書(shū)寫(xiě)簡(jiǎn)便起見(jiàn)，作如下約定：分別取單一氣體全稱第一個(gè)字母作為混合氣體名稱組合，如硫化氫-甲烷記為硫-甲，以此類推.嗅覺(jué)系統(tǒng)實(shí)驗(yàn)數(shù)據(jù)的處理方法對(duì)氣味識(shí)別結(jié)果的影響很大.經(jīng)串口傳輸?shù)氖M(jìn)制采樣數(shù)據(jù)轉(zhuǎn)化為十進(jìn)制數(shù)后經(jīng)卷積濾波器濾波后得到實(shí)驗(yàn)曲線(如圖5所示).由于實(shí)驗(yàn)氣體在人工肺腔壁、管道內(nèi)有附著殘留現(xiàn)象(如煙霧)，因此未通入實(shí)驗(yàn)氣體時(shí)傳感器采樣值不為0，其大小受殘留氣體種類和濃度的影響.

(a)甲烷氣體實(shí)驗(yàn)曲線(30組中的1組)

(b)硫-煙混合氣體實(shí)驗(yàn)曲線(30組中的1組)

(c)硫-煙-甲混合氣體實(shí)驗(yàn)曲線(30組中的1組)

濾波原理：對(duì)各實(shí)驗(yàn)氣體產(chǎn)生響應(yīng)的每個(gè)傳感器實(shí)驗(yàn)數(shù)據(jù)進(jìn)行7個(gè)連續(xù)數(shù)值取加權(quán)平均運(yùn)算，采樣前3個(gè)值和后3個(gè)值不變.下面僅對(duì)甲烷、硫-煙混合、硫-煙-甲混合3種氣體各隨機(jī)抽取1組實(shí)驗(yàn)曲線進(jìn)行分析.

由聚類分析及訓(xùn)練識(shí)別結(jié)果易知，甲烷幾乎不與其它8種氣體交叉，而硫-煙混合氣體與硫-煙-甲混合氣體交叉比較嚴(yán)重，從數(shù)據(jù)曲線也可看出這種現(xiàn)象.硫化氫傳感器對(duì)甲烷氣體有響應(yīng)，最大電壓在2～3 V;而對(duì)硫-煙混合氣體和硫-煙-甲混合氣體響應(yīng)的最大電壓均在4～5 V.同理，酒精傳感器和煙霧傳感器對(duì)甲烷氣體響應(yīng)的最大電壓值也比另外兩種氣體小.因此，很容易從其它氣體中將甲烷氣體識(shí)別出來(lái).由于硫-煙混合氣體和硫-煙-甲混合氣體有兩種相同的組份硫化氫和煙霧，因此，所有傳感器響應(yīng)曲線的趨勢(shì)都是一致的.交叉比較嚴(yán)重，需要通過(guò)有效的模式識(shí)別算法利用特征值來(lái)區(qū)分.

在選用合適的模式識(shí)別算法之前，需要進(jìn)行特征值提取和特征值歸一化.經(jīng)過(guò)比較，本文選取最能代表氣體傳感器對(duì)實(shí)驗(yàn)氣體的響應(yīng)電壓隨時(shí)間變化曲線特征的兩個(gè)值(最大值和最大微分值)作為特征值.最大值體現(xiàn)各傳感器對(duì)各對(duì)象氣體響應(yīng)的最大限度，而最大微分值體現(xiàn)各傳感器對(duì)各對(duì)象氣體響應(yīng)的最大靈敏度.

特征值歸一化法是利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)前對(duì)數(shù)據(jù)常用的一種處理方法，它將所有數(shù)據(jù)都轉(zhuǎn)換為[0，1]之間的數(shù)，目的是取消各維數(shù)據(jù)間的數(shù)量級(jí)差別，避免因輸入輸出數(shù)據(jù)間的數(shù)量級(jí)相差較大而影響網(wǎng)絡(luò)預(yù)測(cè)精度.特征值歸一化方法選擇應(yīng)用廣泛的最大最小法.表1為氨氣實(shí)驗(yàn)數(shù)據(jù)在特征值歸一化后的樣本數(shù)據(jù)，共30組.本文并未嚴(yán)格控制實(shí)驗(yàn)氣體的濃度和體積，實(shí)驗(yàn)數(shù)據(jù)相對(duì)比較離散.

表1 氨氣實(shí)驗(yàn)特征值歸一化數(shù)據(jù)

3 氣味識(shí)別算法及程序設(shè)計(jì)

3.1 K-均值聚類分析方法

首先利用統(tǒng)計(jì)學(xué)的K-均值聚類分析方法對(duì)5種單一氣體的各15組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，目標(biāo)種類設(shè)為5類.用SPSS 19.0軟件對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行K-均值聚類分析的分析結(jié)果如表2所示.

表2 5種氣體K-均值聚類分析

從聚類結(jié)果可知，除甲烷氣體外，其他4種氣體均相互交叉，尤其是酒精氣體和硫化氫氣體.對(duì)于5種單一氣體,K-均值聚類分析方法是無(wú)效的，如果將該方法運(yùn)用于9種氣體，結(jié)果會(huì)更不理想.因此，需要采用更適合、更智能的模式識(shí)別算法來(lái)進(jìn)行氣體識(shí)別.

3.2 單一氣體氣味識(shí)別的GA+BP神經(jīng)網(wǎng)絡(luò)算法

目前,氣體識(shí)別的模式識(shí)別方法中應(yīng)用最廣泛的是BP神經(jīng)網(wǎng)絡(luò)算法，但其有學(xué)習(xí)收斂速度慢、易陷入局部極小點(diǎn)等缺陷[13].此外，網(wǎng)絡(luò)的初始權(quán)值和閾值的選擇對(duì)網(wǎng)絡(luò)訓(xùn)練的影響很大，但是又無(wú)法準(zhǔn)確獲得.而遺傳算法(GA)全局搜索能力強(qiáng)，局部搜索能力弱[14].因此可利用GA對(duì)BP-ANN進(jìn)行優(yōu)化，訓(xùn)練時(shí)先用GA對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行尋優(yōu)，將搜索范圍縮小后，再利用BP-ANN來(lái)精確求解.使算法既有神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和魯棒性，又有遺傳算法的全局搜索能力[15].

根據(jù)遺傳算法和BP神經(jīng)網(wǎng)絡(luò)理論，在MATLAB環(huán)境中利用相關(guān)功能函數(shù)編程.針對(duì)5種單一氣體(氨氣、酒精、硫化氫、煙霧、甲烷),訓(xùn)練識(shí)別參數(shù)設(shè)置如下：

1)遺傳算法參數(shù)設(shè)置.種群大小50，最大遺傳100代，個(gè)體長(zhǎng)度10，代溝0.95，交叉概率0.7，變異概率0.01.編碼方式為二進(jìn)制編碼.

2)BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置.選定隱含層數(shù)為1.輸入層神經(jīng)元數(shù)等于因子數(shù)，5個(gè)傳感器的5條電壓響應(yīng)曲線都有2個(gè)特征值.因此，輸入層神經(jīng)元數(shù)為10.輸出層神經(jīng)元數(shù)為輸出量數(shù)，有5種目標(biāo)氣體則輸出層神經(jīng)元數(shù)為5.隱含層神經(jīng)元數(shù)為21(根據(jù)經(jīng)驗(yàn)公式：n=2×m+1，其中m為輸入層神經(jīng)元數(shù)，n為隱含層神經(jīng)元數(shù)).因此，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為10-21-5.在訓(xùn)練過(guò)程中設(shè)置最大迭代次數(shù)為100萬(wàn)次，目標(biāo)誤差為0.01.

3.3 混合氣體氣味識(shí)別的GA+3級(jí)BP神經(jīng)網(wǎng)絡(luò)算法

由于9種氣體(5種單一氣體和4種混合氣體)氣體種類較多，且4種混合氣體中氣體組份重合，僅運(yùn)用GA與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的算法得到的識(shí)別結(jié)果中氨氣、硫化氫、硫-煙混合、硫-甲混合、硫-煙-甲混合這5種氣體的識(shí)別正確率較低，其中硫化氫和硫-煙混合識(shí)別正確率只有50%.此外，雖然煙-甲混合氣體識(shí)別正確率高，但其它8種氣體中有4種氣體被誤識(shí)別為煙-甲混合氣體.因此將氨氣、硫化氫、硫-煙混合、硫-甲混合、煙-甲混合、硫-煙-甲混合這6種氣體的訓(xùn)練樣本輸入第2級(jí)BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，然后將第1級(jí)和第2級(jí)神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)起來(lái)，得出9種氣體的識(shí)別結(jié)果.再將識(shí)別率略低的氨氣、硫-煙混合、硫-甲混合和硫-煙-甲混合這4種氣體的訓(xùn)練樣本輸入到第3級(jí)BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練識(shí)別，這3級(jí)神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)起來(lái)的識(shí)別結(jié)果比較理想.因此，本文對(duì)于混合氣體氣味識(shí)別采用GA與3級(jí)級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的算法，圖6為所設(shè)計(jì)3級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu).

圖6 GA+3級(jí)級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)(GA+3BP)結(jié)構(gòu)

在MATLAB環(huán)境中利用相關(guān)功能函數(shù)編程實(shí)現(xiàn)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì).第1級(jí)遺傳算法與BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，第2級(jí)、第3級(jí)為BP神經(jīng)網(wǎng)絡(luò)算法，即GA+BP+BP+BP簡(jiǎn)記為GA+3BP算法.圖7所示為級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)氣體識(shí)別流程圖.參與第1級(jí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的有9種氣體，參與第2級(jí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的有6種氣體(氨氣、硫化氫、硫-煙混合、硫-甲混合、煙-甲混合、硫-煙-甲混合)，參與第3級(jí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的有4種氣體(氨氣、硫-煙混合、硫-甲混合、硫-煙-甲烷混合).

圖7 氣體識(shí)別GA+3BP-ANN算法流程

各級(jí)算法參數(shù)設(shè)置：

1)第1級(jí)GA+BP神經(jīng)網(wǎng)絡(luò).遺傳算法的種群大小為50，最大遺傳代數(shù)100，個(gè)體長(zhǎng)度10，代溝0.95，交叉概率0.7，變異概率0.01.編碼方式為二進(jìn)制編碼；BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為10-21-9，最大迭代次數(shù)250萬(wàn)次，目標(biāo)誤差為0.01.

2)第2級(jí)BP神經(jīng)網(wǎng)絡(luò).結(jié)構(gòu)為10-21-6，最大迭代次數(shù)200萬(wàn)次，目標(biāo)誤差為0.01.

3)第3級(jí)BP神經(jīng)網(wǎng)絡(luò).結(jié)構(gòu)為10-21-4，最大迭代次數(shù)160萬(wàn)次，目標(biāo)誤差為0.01.

4 實(shí)驗(yàn)結(jié)果及評(píng)價(jià)

4.1 單一氣體實(shí)驗(yàn)結(jié)果

5種單一氣體每種氣體做30組實(shí)驗(yàn)，隨機(jī)選擇其中20組為訓(xùn)練樣本，10組為測(cè)試樣本.因此，網(wǎng)絡(luò)總的訓(xùn)練樣本數(shù)為5×20=100，測(cè)試樣本數(shù)為5×10=50.網(wǎng)絡(luò)訓(xùn)練完成后，逐次輸入各測(cè)試樣本進(jìn)行測(cè)試.表3列出氨氣、酒精、硫化氫、煙霧、甲烷5種氣體在GA-BP算法下的識(shí)別結(jié)果.

表3 5種單一氣體識(shí)別結(jié)果

4.2 混合氣體實(shí)驗(yàn)結(jié)果與統(tǒng)計(jì)分析

分別取4種混合氣體(硫-煙混合、硫-甲混合、煙-甲混合、硫-煙-甲混合)各做30組實(shí)驗(yàn)，20組作為訓(xùn)練樣本，10組為測(cè)試樣本.結(jié)合5種單一氣體，訓(xùn)練樣本、測(cè)試樣本總數(shù)分別為180、90.

表4列出9種氣體在單級(jí)神經(jīng)網(wǎng)絡(luò)算法下的識(shí)別結(jié)果.由表4及其識(shí)別錯(cuò)誤統(tǒng)計(jì)可知：9種氣體中酒精、煙霧、甲烷和煙-甲混合氣體識(shí)別率較高，本不必參與第2級(jí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，但由于其它氣體易錯(cuò)識(shí)別為煙-甲混合氣體(5組)，致使煙-甲混合氣體識(shí)別結(jié)果受到影響.因此，煙-甲混合氣體也參與第二級(jí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練.

參與到第2級(jí)神經(jīng)網(wǎng)絡(luò)的氣體有氨氣、硫化氫、硫-煙混合、硫-甲混合、煙-甲混合，硫-煙-甲混合6種氣體，且網(wǎng)絡(luò)總訓(xùn)練樣本數(shù)為6×20=120，測(cè)試樣本數(shù)為6×10=60.將兩個(gè)神經(jīng)網(wǎng)絡(luò)聯(lián)接起來(lái)進(jìn)行識(shí)別，表5為9種氣體在兩級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)(GA+BP+BP，即GA+2BP)下的氣體識(shí)別結(jié)果.對(duì)表5中9種氣體進(jìn)行識(shí)別錯(cuò)誤統(tǒng)計(jì)：氨氣錯(cuò)識(shí)別為酒精(1組)，錯(cuò)識(shí)別為硫-煙-甲混合(2組)；煙霧錯(cuò)識(shí)別為酒精(1組)；硫-煙混合錯(cuò)識(shí)別為煙-甲混合(1組)，錯(cuò)識(shí)別為硫-煙-甲混合(2組)；硫-甲混合錯(cuò)識(shí)別為煙-甲混合(1組)，錯(cuò)識(shí)別為硫-煙-甲混合(3組)；煙-甲混合錯(cuò)識(shí)別為硫-甲混合(1組)；硫-煙-甲混合錯(cuò)識(shí)別為煙霧(1組)，錯(cuò)識(shí)別為硫-煙混合(1組)，錯(cuò)識(shí)別為硫-甲混合(2組).

表4 GA+單級(jí)BP-ANN算法下9種氣體識(shí)別結(jié)果

表5 兩級(jí)級(jí)聯(lián)BP網(wǎng)絡(luò)下的9種氣體識(shí)別結(jié)果

為進(jìn)一步提高氣體識(shí)別率，識(shí)別率低的氨氣、硫-煙混合、硫-甲混合和硫-煙-甲混合4種氣體參與第3級(jí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練.第3級(jí)神經(jīng)網(wǎng)絡(luò)總的訓(xùn)練樣本數(shù)為4×20=80，測(cè)試樣本數(shù)為4×10=40.將這3個(gè)神經(jīng)網(wǎng)絡(luò)聯(lián)接起來(lái)進(jìn)行識(shí)別，表6為9種氣體在3級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)(GA-BP+BP+BP，即GA+3BP)訓(xùn)練下的識(shí)別結(jié)果.由識(shí)別結(jié)果可知：僅有硫-煙混合氣體識(shí)別率為70%，其余氣體識(shí)別率均為90%或100%，具有較高可信度；隨著級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)級(jí)數(shù)增加，氣體識(shí)別率逐漸提高，證明了多級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)算法是有效的.

表6 3級(jí)級(jí)聯(lián)BP網(wǎng)絡(luò)下9種氣體識(shí)別結(jié)果

與其它研究結(jié)果相比，級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)識(shí)別率至少相當(dāng)，但實(shí)驗(yàn)氣體有所不同且種類(包括單一氣體5種和混合氣體4種共9種)及混合氣體組份(3種氣體混合)多于現(xiàn)有研究.

5 結(jié) 論

1)研制了一種仿人機(jī)器人用集成化人工肺-嗅覺(jué)系統(tǒng)HAL&OS-I型軟硬件系統(tǒng)，該系統(tǒng)集成了作為人工肺的微型真空泵、集酒精/硫化氫/氨氣/煙霧/甲烷5種氣體傳感器及其單片機(jī)數(shù)據(jù)采集軟硬件為一體的“電子鼻”，可對(duì)這5種單一氣體及硫化氫-煙霧、硫化氫-甲烷、煙霧-甲烷、硫化氫-煙霧-甲烷等4種混合氣體進(jìn)行有效識(shí)別.

2)用遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合的GA+BP算法對(duì)酒精/硫化氫/氨氣/煙霧/甲烷5種單一氣體進(jìn)行識(shí)別實(shí)驗(yàn),結(jié)果表明識(shí)別率為90%或100%.

3)用遺傳算法與多級(jí)級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別算法GA+3BP對(duì)酒精/硫化氫/氨氣/煙霧/甲烷5種單一氣體和硫化氫-煙霧、硫化氫-甲烷、煙霧-甲烷、硫化氫-煙霧-甲烷等4種混合氣體共9種氣體進(jìn)行識(shí)別實(shí)驗(yàn)，除硫化氫-煙霧混合氣體識(shí)別率為70%外，其余混合氣體識(shí)別率為90%或100%，識(shí)別結(jié)果理想，具有較高的可信度.

[1] 孔春勝.基于混合陣列的氣敏電子鼻系統(tǒng)研究及其在氣體定量分析中的應(yīng)用[D].杭州：浙江大學(xué)，2015:17-25.

KONG Chunsheng.Study on gas electronic nose system based on mixing array and its application in gas quantitative determination[D].Hangzhou: Zhejiang University, 2015: 17-25.

[2] BEDOUI S, SAMET H, SAMET M, et al.Gases identification with Support Vector Machines technique (SVMs)[C]// International Conference on Advanced Technologies for Signal and Image Processing.Piscataway: IEEE Press, 2014:271-276.DOI:10.1109/ATSIP.2014.6834620.

[3] ZHANG L,TIAN F.A novel chaotic sequence optimization neural network for concentration estimation of formaldehyde by an electronic nose[C]// Fourth International Conference on Computational Intelligence and Communication Networks (CICN).Piscataway: IEEE Press, 2012:856-859.DOI: 10.1109/CICN.2012.28.

[4] WU B, WU S, LIU X.Optimization on GA-BP neural network of coal and gas outburst hazard prediction[C]// International Conference on Bio-Inspired Computing: Theories and Applications (Bic-Ta 2010).Piscataway: IEEE Press, 2010: 673-678.DOI: 10.1109/BICTA.2010.5645206.

[5] 汪丹, 張亞非.基于支持向量機(jī)算法的氣體識(shí)別研究[J].傳感器技術(shù), 2005, 24(2):19-21.

WANG Dan, ZHANG Yafei.Research of gas identification based on support vector machines[J].Journal of Transducer Technology, 2005, 24(2): 19-21.

[6] 石春燕, 王劍鋼.混合氣體定量檢測(cè)系統(tǒng)的研究[J].測(cè)控技術(shù), 2004, 23(8):5-6, 11.

SHI Chunyan, WANG Jiangang.Research on multi-gas quantitative analysis system[J].Measurement & Control Technology, 2004, 23(8): 5-6, 11.

[7] CHO J H, KIM Y W, NA K J, et al.Wireless electronic nose system for real-time quantitative analysis of gas mixtures using micro-gas sensor array andneuro-fuzzy network[J].Sensors & Actuators B Chemical, 2008, 134(1):104-111.DOI: 10.1106/j.snb.2008.04.019.

[8] CHOWDHURY S S, TUDU B, BANDYOPADHYAY R, et al.Portable electronic nose system for aroma classification of black tea[C]// IEEE Region 10 and the Third international Conference on Industrial and Information Systems.Piscataway: IEEE Press, 2008:1-5.DOI:10.1109/ICIINFS.2008.4798403.

[9] SIADAT M, LOSSON E, GHASEMI-VARNAMKHASTI M, et al.Application of electronic nose to beer recognition using supervised artificial neural networks[C]// International Conference on Control, Decision and Information Technologies, Codit 2014.Piscataway: IEEE Press, 2014:640-645.DOI:10.1109/CoDIT.2014.6996971.

[10]LOUTFI A, CORADESCHI S.Odor recognition for intelligent systems [J].IEEE Intelligent Systems, 2008, 23(1):41-48.DOI: 10.1109/MIS.2008.11.

[11]MIWA H,OKUCHI T, TAKANOBU H, et al.Development of a new human-like head robot WE-4[C]// Ieee/rsj International Conference on Intelligent Robots and Systems.Piscataway: IEEE Press, 2002:2443 - 2448.DOI:10.1109/IRDS.2002.1041634.

[12]吳偉國(guó).具有人機(jī)交互功能的仿人頭像機(jī)器人裝置及行為控制方法: ZL200910072405.5 [P].2010-01-06.

[13]CHENG L M, MAK H L, CHENG L L.Structured backpropagation network[C]// IEEE International Joint Conference on Neural Networks.Piscataway: IEEE Press, 1991:1641-1646.

[14]MAN K F, TANG K S,KWONG S.Genetic algorithms: concepts and applications[J].IEEE Transactions on Industrial Electronics, IEEE, 1996, 43(5):519-534.

[15]YUAN L, WANG Y.Quantitative detection for gas mixtures based on the adaptive genetic algorithm and BP network[C]// International Conference on Industrial Control and Electronics Engineering.Piscataway: IEEE Press, 2012:1341-1344.DOI:10.1109/ICICEE 2012.355

(編輯 楊 波)

Integration of artificial lung-olfactory sense system and identification method of gas mixtures

YANG Shengnan, WU Weiguo

(School of Mechatronics Engineering, Harbin Institute of Technology, Harbin 150001, China)

For olfactory sense and gas mixtures identification of humanoid robots, an artificial lung & olfactory sense system (HAL&OS-I) and its identification method through active breathing are proposed and researched.The integrated hardware of the system mainly consists of micro vacuum pump, five gas sensors for alcohol/hydrogen sulfide/ammonia/smoke/methane separately, and the single chip microcomputer along with the circuit boards for signal sampling and processing.Gas identification experiments of five pure gases and four gas mixtures were conducted by using K-mean cluster analysis method, genetic algorithm combined with neural network (GA+BP), cascade neural network (GA+3BP) separately.The experimental results show that the identification rate of five pure gases by the GA+BP algorithm is above 90%, but the identification rate is relatively low when the gas mixtures are included.Gas identification rate of all gases by the GA+3BP algorithm is more than 90% except the smog and hydrogen sulfide mixture gas of which the identification rate is 70%.It is revealed that the GA+nBP algorithm has higher identification rates for multiple pure and gas mixtures.

artificial lung; olfactory system; mixed gas; genetic algorithm; cascading BP neural network

10.11918/j.issn.0367-6234.2017.01.007

2016-06-20

機(jī)器人系統(tǒng)與技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室自主課題(SKLRS 200802A04)

楊勝男(1992—)，女，碩士研究生； 吳偉國(guó)(1966—)，男，教授，博士生導(dǎo)師

吳偉國(guó)wuwg@hit.edu.cn.

TP242.6

A

0367-6234(2017)01-0053-07