GA-RBF在煤礦機器人檢測井下混合氣體的應用

GA-RBF在煤礦機器人檢測井下混合氣體的應用

煤礦井下的環境比較復雜，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環節尚有安全問題的存在，嚴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境探測和救援工作的首要前提是能夠準確檢測出混合氣體中的這些有毒有害氣體，為井下環境信息的評估以及相應策略的制度提供依據。所以，能否準確檢測這些有毒有害氣體已成為救援機器人環境感知系統的一項關鍵技術。

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，影響了煤礦機器人的自動檢測和控制。目前很多學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，從而導致這些方法不能應用到煤礦機器人實現對混合氣體的檢測。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，同時結合煤礦救援機器人實際應用提出基于GA優化和k聚類算法結合 的RBF神經網絡，提高RBF的性能及系統的預測精度實現對混合氣體的檢測。

混合氣體檢測工作原理及系統構成

如圖1所示為煤礦機器人的混合氣體檢測系統結構原理圖，主要有傳感器陣列環節，信號調理環節、多通道同步信號采集處理環節、模式識別環節等。傳感器陣列是煤礦救援機器人感知混合氣體系統的“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信號；信號調理則對傳感器陣列輸出的響應信號進行預處理，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理環節調理好的各通道信號進行采集和進一步處理，最后經由模式識別環節識別后輸出。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氣體檢測硬件。

混合氣體檢測算法原理

R BF神經網絡

徑向基函數神經網絡（RBF）是一種前饋式神經網絡，它具有很多優點和特性，具有最佳逼近模型的特性，避免了因復雜網絡引起的較慢的訓練速度和較長的反應時間。對RBF來講，其隱含層的基函數非常重要，選擇的好壞直接影響了神經網絡的結構和訓練速度，對網絡的輸出效果也有一定程度的影響，本文選擇高斯函數作為RBF的基函數，利用了高斯函數的簡單形式，對稱的徑向基，任意階可導能優點。

遺傳算法

圖1　混合氣體檢測系統原理結構圖

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）標記。群體是不間斷的進行遺傳和進化的，依據優勝劣汰的法則適應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良的個體X ，個體對應的表現型X′將達到或非常接近于問題的最優解X*。

圖2　混合氣體檢測系統氣體檢測的硬件

圖3　改進 RBF 神經網絡算法流程

R BF 進習方法的改進

本文用K-means 聚類方法作為 RBF 神經網絡的學習算法，假設樣本的輸入為X1， X2，…Xn，相應的目標輸出為Y1， Y2，…Yn，RBF 神經網絡中的第j 個隱節點的激活函數為Φj（*），記第k 次迭代時的聚類中心為h1（k），h2（k），…hn（ k），相應的聚類域為w1（k），w2（k），…wn（k）。本文采用遺傳算法優化優化RBF的權值和偏移，以達到提高 RBF 神經網絡識別率以及減少RBF隱含層神經元個數的目的，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實際檢測的需要和依據《煤礦安全規程》的規定選定氣體體積分數的范圍分別為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，給神經網絡的訓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，然后采集檢測數據并作歸一化處理，接著訓練神經網絡，通過重復的訓練對神經網絡的網絡結構和參數，建立GA-RBF神經網絡，最后，將余下的訓練樣本輸入給GA-RBF神經網絡，經過對比修正測試結果和真實值之間的誤差提高對混合氣體的檢測準確度。RBF 神經網絡和GA-RBF 神經網絡迭代過程中的誤差曲線如圖4所示，很明顯經過改進的RBF 神經網絡很快收斂并達到目標誤差。

圖4　RBF 神經網絡和改進的RBF神經網絡迭代過程中的誤差曲線對比

實驗結果與分析

實驗中氣體傳感器陣列對應的輸出為4種氣體濃度值和溫度、濕度，所以，構建RBF神經網絡，輸入層為6 個，輸出層神經元為4 個，隱含層神經元個數為13個；優化的目標誤差為0.001，最大迭代次數為1000。將采集的165組樣本數據進行歸一化，隨機取150 組樣本數據作為訓練樣本輸入分別對RBF 神經網絡和GA-RBF 神經網絡進行訓練，訓練完成后保存網絡參數，完成網絡的建立，將余下的15組數據作為測試樣本輸入到已經訓練好的網絡中，來檢測神經網絡預測的準確程度，測試結果分別見表1和表2。實驗中氣體傳感器陣列對應的輸出為4種氣體濃度值和溫度、濕度，所以，構建RBF神經網絡，輸入層為6 個，輸出層神經元為4 個，隱含層神經元個數為13個；優化的目標誤差為0.001，最大迭代次數為1000。將采集的165組樣本數據進行歸一化，隨機取150 組樣本數據作為訓練樣本輸入分別對RBF 神經網絡和GA-RBF 神經網絡進行訓練，訓練完成后保存網絡參數，完成網絡的建立，將余下的15組數據作為測試樣本輸入到已經訓練好的網絡中，來檢測神經網絡預測的準確程度，測試結果分別見表1和表2。

對比表1和表2 的數據不難發現，在相同的訓練樣本的情況下，GA-RBF神經網絡較RBF神經網絡具有更小的預測誤差，GA-RBF神經網絡預測的平均相對誤差均小于5%，GA-RBF神經網絡收斂性明顯好于RBF神經網絡，有效避免訓練時進入局部最優解，提高了預測系統的穩定性。

為更清晰直觀表示優化后的RBF神經網絡的檢測誤差，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，系統對 CO與CH4混合氣體的檢測更為準確。整體來看系統測試誤差滿足設計要求，即在規定的檢測范圍內，本系統可以擔負CO2、H2S、CO與CH4四種氣體及其混合氣體的定量檢測任務。

表1　RBF神經網絡測試結果

表2　改進RBF神經網絡測試結果

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，同時結合煤礦救援機器人實際應用提出基于k聚類算法作為學習算法的GA優化的RBF神經網絡，提高了RBF的性能及混合氣體檢測系統的預測精度。從實驗結果可以得到如下結論：將GA-RBF神經網絡和傳感器陣列技術組合的檢測系統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的性能及系統的預測精度。在規定的檢測范圍內，本系統可以擔負CO2、H2S、CO與CH4四種氣體及其混合氣體的定量檢測任務。

10.3969/j.issn.1001- 8972.2016.18.023