人工肺-嗅覺系統集成與混合氣體識別方法

楊勝男， 吳偉國

(哈爾濱工業大學 機電工程學院, 哈爾濱 150001)

?

人工肺-嗅覺系統集成與混合氣體識別方法

楊勝男， 吳偉國

(哈爾濱工業大學 機電工程學院, 哈爾濱 150001)

針對仿人機器人的嗅覺及多種混合氣體識別問題，提出一種人工肺-嗅覺系統(HAL&OS-I)及基于主動呼吸的氣體識別方法.該系統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、單片機以及信號采集與處理電路；分別用K-均值聚類分析法、遺傳算法結合神經網絡(GA+BP)、三級級聯神經網絡(GA+3BP)進行了5種單一氣體及4種混合氣體的識別實驗，結果表明：GA+BP算法僅對5種單一氣體識別率達到90%以上，加入混合氣體后識別率較低；GA+3BP算法除對硫化氫和煙霧的混合氣體識別率為70%以外，對其余8種氣體識別率均在90%以上，表明GA與多級級聯BP神經網絡相結合方法對多種單一及混合氣體具有較高的識別率.

人工肺；嗅覺系統；混合氣體；遺傳算法；級聯BP神經網絡

混合氣體的檢測識別廣泛地被用于環境保護、化工控制、廠房環境檢測、家用報警等領域.在化學物品繁雜環境中，混合氣體檢測顯得尤為重要.國內外有關混合氣體檢測識別的研究較多，氣體識別率也較理想，但實驗氣體種類較少，單一氣體識別一般不超過4種，混合氣體組份也不超過兩種[1].氣體識別算法主要有K-近鄰法(KNN)，支持向量機(SVM)[2]、人工神經網絡[3]及諸如遺傳算法(GA)與人工神經網絡相結合的多模式識別算法[4]等等，對特定氣體識別率都在70%以上.如上海交通大學汪丹等[5]利用支持向量機算法并結合4個氣體傳感器對3種不同體積分數的有機溶劑乙醇、丙酮、乙二醇進行定性識別，識別率在80%以上.吉林大學石春燕等[6]將6個氣體傳感器與BP神經網絡算法結合對甲烷、氫氣、一氧化碳3種氣體進行定量檢測，預測誤差控制在10%以內.韓國慶北大學Cho等[7]結合模糊自適應共振映射分類器與基于模糊自適應諧振理論的濃度估計器，對氨氣、硫化氫氣體及其混合氣體進行定性識別和定量估計，定性識別率達到100%，定量估計精度也很高.Chowdhury等[8]利用5個氣體傳感器并結合前饋多層感知器算法對印度東部及東北部兩個不同地區采摘的紅茶香味進行定性識別，識別率達70%以上.Siadat等[9]利用5個氣體傳感器并用人工神經網絡對有無酒精的啤酒進行定性識別，識別率達100%[9].

國內外在機器人嗅覺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的Loutfi等[10]教授為Pippi機器人研制了一個立體電子鼻,用一個Cyranose320電子鼻來識別乙醇、己醇、芳香醇、氨氣和潔凈空氣5種氣體，并用2個測距傳感器、1個固定色CCD照相機以確定味源.日本早稻田大學的WE-4仿人頭機器人能識別酒精、氨氣和香煙煙霧3種氣體[11]，其“人工肺”是利用絲杠螺母機構實現氣缸抽氣和排氣運動.本文作者在專利文獻[12]中提出的仿人頭像機器人用“人工肺”也是利用絲杠螺母傳動實現呼吸.但以上這些“人工肺”體積較大，難以集成在仿人頭像機器人中.

本文面向仿人頭像機器人系統集成化，設計一種體積小、質量輕的仿人主動呼吸人工肺-嗅覺系統，對多種單一及混合氣體識別方法及算法進行實驗研究.由于KNN算法運算速度較慢，抗干擾能力差，而SVM難以實施大規模的樣本訓練,且解決多分類問題存在困難,因此本文從人工神經網絡著手進行混合氣體氣味識別算法研究.

1 人工肺-嗅覺系統硬件設計與集成

1.1 集成化的人工肺-嗅覺系統

人工肺-嗅覺系統硬件由電動微型真空泵、嗅覺傳感器集成體系統、電源和“呼吸道”導氣管組成.其中真空泵為VM6005型真空泵，實現嗅覺系統的抽排氣，抽氣速率為5 L/min；嗅覺傳感器集成體系統集成有酒精/硫化氫/氨氣/煙霧/甲烷5種分立嗅覺傳感器和單片機及多路A/D轉換器、電壓轉換模塊等器件，選擇日本費加羅公司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.但這些傳感器對不同氣體存在交叉響應，即對每種氣體都有響應甚至于相近難以區分，集成在一起時給準確識別對應氣體帶來難度.圖1為設計的人工肺-嗅覺系統實物圖，依靠真空泵主動呼吸，仿人頭像機器人從鼻孔處實現對象氣體的吸入，使其進入嗅覺傳感器集成體系統的進氣口1，流經內部的傳感器檢測部后由2口流出至真空泵進氣口3，最后由4口排出.嗅覺傳感器集成體系統結構如圖2所示，包括安裝在電路板上的5種嗅覺傳感器、集氣容腔殼體、兩塊電路板及端蓋；其內部的單片機通過RS232串口實現與上位機(仿人機器人主控計算機)通信.真空泵所需電源電壓為12 V，傳感器集成體系統所需電源電壓為5 V.圖3所示為嗅覺系統部件實物圖.

圖1 用于仿人頭像機器人的人工肺-嗅覺系統實物圖

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 嗅覺傳感器集成體實物照片

1.2 嗅覺傳感器數據采集及處理軟硬件系統

選用STC12C5A60S2單片機實現嗅覺系統的數據采集及控制，其內置8路10位精度的ADC模塊，最高轉換速度可達25萬次/s.各氣體傳感器工作時需要進行加熱，且其采樣端的電阻值隨氣體濃度增加而減小，測量電路如圖4(a)所示為分壓電路，滿量程輸出5 V電壓.傳感器信號經過測量電路后送入模/數轉換器ADC，再通過程序控制將生成的數字信號經RS232串口傳給上位機.由于通訊的異步電路和單片機芯片的電平不一致，因此采用多通道RS232驅動/接收器MAX3232芯片進行電平轉換.上位機通過串口接收單片機采集上傳數據，并在MATLAB中進行數據處理，信號采集系統組成如圖4(b)所示.

(a) 嗅覺傳感器測量電路

(b) 單片機數據采集系統

2 傳感器信號預處理

5種實驗用氣體中，除香煙煙霧自制外，其余4種均為購置的體積分數為1%的氣體產品，實驗氣體與空氣以隨機比混合，由人工肺主動吸入嗅覺系統.在實驗室條件下針對酒精/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次實驗(每次5種傳感器響應為1組數據)，共得到270組數據.圖5所示為各氣體傳感器對實驗氣體的響應數據曲線(此處僅列3種).

為書寫簡便起見，作如下約定：分別取單一氣體全稱第一個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.嗅覺系統實驗數據的處理方法對氣味識別結果的影響很大.經串口傳輸的十六進制采樣數據轉化為十進制數后經卷積濾波器濾波后得到實驗曲線(如圖5所示).由于實驗氣體在人工肺腔壁、管道內有附著殘留現象(如煙霧)，因此未通入實驗氣體時傳感器采樣值不為0，其大小受殘留氣體種類和濃度的影響.

(a)甲烷氣體實驗曲線(30組中的1組)

(b)硫-煙混合氣體實驗曲線(30組中的1組)

(c)硫-煙-甲混合氣體實驗曲線(30組中的1組)

濾波原理：對各實驗氣體產生響應的每個傳感器實驗數據進行7個連續數值取加權平均運算，采樣前3個值和后3個值不變.下面僅對甲烷、硫-煙混合、硫-煙-甲混合3種氣體各隨機抽取1組實驗曲線進行分析.

由聚類分析及訓練識別結果易知，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重，從數據曲線也可看出這種現象.硫化氫傳感器對甲烷氣體有響應，最大電壓在2～3 V;而對硫-煙混合氣體和硫-煙-甲混合氣體響應的最大電壓均在4～5 V.同理，酒精傳感器和煙霧傳感器對甲烷氣體響應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別出來.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，所有傳感器響應曲線的趨勢都是一致的.交叉比較嚴重，需要通過有效的模式識別算法利用特征值來區分.

在選用合適的模式識別算法之前，需要進行特征值提取和特征值歸一化.經過比較，本文選取最能代表氣體傳感器對實驗氣體的響應電壓隨時間變化曲線特征的兩個值(最大值和最大微分值)作為特征值.最大值體現各傳感器對各對象氣體響應的最大限度，而最大微分值體現各傳感器對各對象氣體響應的最大靈敏度.

特征值歸一化法是利用神經網絡預測前對數據常用的一種處理方法，它將所有數據都轉換為[0，1]之間的數，目的是取消各維數據間的數量級差別，避免因輸入輸出數據間的數量級相差較大而影響網絡預測精度.特征值歸一化方法選擇應用廣泛的最大最小法.表1為氨氣實驗數據在特征值歸一化后的樣本數據，共30組.本文并未嚴格控制實驗氣體的濃度和體積，實驗數據相對比較離散.

表1 氨氣實驗特征值歸一化數據

3 氣味識別算法及程序設計

3.1 K-均值聚類分析方法

首先利用統計學的K-均值聚類分析方法對5種單一氣體的各15組實驗數據進行分析，目標種類設為5類.用SPSS 19.0軟件對實驗結果進行K-均值聚類分析的分析結果如表2所示.

表2 5種氣體K-均值聚類分析

從聚類結果可知，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.對于5種單一氣體,K-均值聚類分析方法是無效的，如果將該方法運用于9種氣體，結果會更不理想.因此，需要采用更適合、更智能的模式識別算法來進行氣體識別.

3.2 單一氣體氣味識別的GA+BP神經網絡算法

目前,氣體識別的模式識別方法中應用最廣泛的是BP神經網絡算法，但其有學習收斂速度慢、易陷入局部極小點等缺陷[13].此外，網絡的初始權值和閾值的選擇對網絡訓練的影響很大，但是又無法準確獲得.而遺傳算法(GA)全局搜索能力強，局部搜索能力弱[14].因此可利用GA對BP-ANN進行優化，訓練時先用GA對網絡的權值和閾值進行尋優，將搜索范圍縮小后，再利用BP-ANN來精確求解.使算法既有神經網絡的學習能力和魯棒性，又有遺傳算法的全局搜索能力[15].

根據遺傳算法和BP神經網絡理論，在MATLAB環境中利用相關功能函數編程.針對5種單一氣體(氨氣、酒精、硫化氫、煙霧、甲烷),訓練識別參數設置如下：

1)遺傳算法參數設置.種群大小50，最大遺傳100代，個體長度10，代溝0.95，交叉概率0.7，變異概率0.01.編碼方式為二進制編碼.

2)BP神經網絡參數設置.選定隱含層數為1.輸入層神經元數等于因子數，5個傳感器的5條電壓響應曲線都有2個特征值.因此，輸入層神經元數為10.輸出層神經元數為輸出量數，有5種目標氣體則輸出層神經元數為5.隱含層神經元數為21(根據經驗公式：n=2×m+1，其中m為輸入層神經元數，n為隱含層神經元數).因此，BP神經網絡結構為10-21-5.在訓練過程中設置最大迭代次數為100萬次，目標誤差為0.01.

3.3 混合氣體氣味識別的GA+3級BP神經網絡算法

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，僅運用GA與BP神經網絡相結合的算法得到的識別結果中氨氣、硫化氫、硫-煙混合、硫-甲混合、硫-煙-甲混合這5種氣體的識別正確率較低，其中硫化氫和硫-煙混合識別正確率只有50%.此外，雖然煙-甲混合氣體識別正確率高，但其它8種氣體中有4種氣體被誤識別為煙-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種氣體的訓練樣本輸入第2級BP神經網絡中進行訓練，然后將第1級和第2級神經網絡級聯起來，得出9種氣體的識別結果.再將識別率略低的氨氣、硫-煙混合、硫-甲混合和硫-煙-甲混合這4種氣體的訓練樣本輸入到第3級BP神經網絡中進行訓練識別，這3級神經網絡級聯起來的識別結果比較理想.因此，本文對于混合氣體氣味識別采用GA與3級級聯BP神經網絡相結合的算法，圖6為所設計3級級聯神經網絡的結構.

圖6 GA+3級級聯BP神經網絡(GA+3BP)結構

在MATLAB環境中利用相關功能函數編程實現級聯神經網絡設計.第1級遺傳算法與BP神經網絡算法相結合，第2級、第3級為BP神經網絡算法，即GA+BP+BP+BP簡記為GA+3BP算法.圖7所示為級聯神經網絡氣體識別流程圖.參與第1級神經網絡訓練的有9種氣體，參與第2級神經網絡訓練的有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級神經網絡訓練的有4種氣體(氨氣、硫-煙混合、硫-甲混合、硫-煙-甲烷混合).

圖7 氣體識別GA+3BP-ANN算法流程

各級算法參數設置：

1)第1級GA+BP神經網絡.遺傳算法的種群大小為50，最大遺傳代數100，個體長度10，代溝0.95，交叉概率0.7，變異概率0.01.編碼方式為二進制編碼；BP神經網絡的結構為10-21-9，最大迭代次數250萬次，目標誤差為0.01.

2)第2級BP神經網絡.結構為10-21-6，最大迭代次數200萬次，目標誤差為0.01.

3)第3級BP神經網絡.結構為10-21-4，最大迭代次數160萬次，目標誤差為0.01.

4 實驗結果及評價

4.1 單一氣體實驗結果

5種單一氣體每種氣體做30組實驗，隨機選擇其中20組為訓練樣本，10組為測試樣本.因此，網絡總的訓練樣本數為5×20=100，測試樣本數為5×10=50.網絡訓練完成后，逐次輸入各測試樣本進行測試.表3列出氨氣、酒精、硫化氫、煙霧、甲烷5種氣體在GA-BP算法下的識別結果.

表3 5種單一氣體識別結果

4.2 混合氣體實驗結果與統計分析

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組實驗，20組作為訓練樣本，10組為測試樣本.結合5種單一氣體，訓練樣本、測試樣本總數分別為180、90.

表4列出9種氣體在單級神經網絡算法下的識別結果.由表4及其識別錯誤統計可知：9種氣體中酒精、煙霧、甲烷和煙-甲混合氣體識別率較高，本不必參與第2級神經網絡訓練，但由于其它氣體易錯識別為煙-甲混合氣體(5組)，致使煙-甲混合氣體識別結果受到影響.因此，煙-甲混合氣體也參與第二級神經網絡訓練.

參與到第2級神經網絡的氣體有氨氣、硫化氫、硫-煙混合、硫-甲混合、煙-甲混合，硫-煙-甲混合6種氣體，且網絡總訓練樣本數為6×20=120，測試樣本數為6×10=60.將兩個神經網絡聯接起來進行識別，表5為9種氣體在兩級級聯神經網絡(GA+BP+BP，即GA+2BP)下的氣體識別結果.對表5中9種氣體進行識別錯誤統計：氨氣錯識別為酒精(1組)，錯識別為硫-煙-甲混合(2組)；煙霧錯識別為酒精(1組)；硫-煙混合錯識別為煙-甲混合(1組)，錯識別為硫-煙-甲混合(2組)；硫-甲混合錯識別為煙-甲混合(1組)，錯識別為硫-煙-甲混合(3組)；煙-甲混合錯識別為硫-甲混合(1組)；硫-煙-甲混合錯識別為煙霧(1組)，錯識別為硫-煙混合(1組)，錯識別為硫-甲混合(2組).

表4 GA+單級BP-ANN算法下9種氣體識別結果

表5 兩級級聯BP網絡下的9種氣體識別結果

為進一步提高氣體識別率，識別率低的氨氣、硫-煙混合、硫-甲混合和硫-煙-甲混合4種氣體參與第3級神經網絡訓練.第3級神經網絡總的訓練樣本數為4×20=80，測試樣本數為4×10=40.將這3個神經網絡聯接起來進行識別，表6為9種氣體在3級級聯神經網絡(GA-BP+BP+BP，即GA+3BP)訓練下的識別結果.由識別結果可知：僅有硫-煙混合氣體識別率為70%，其余氣體識別率均為90%或100%，具有較高可信度；隨著級聯神經網絡級數增加，氣體識別率逐漸提高，證明了多級級聯神經網絡算法是有效的.

表6 3級級聯BP網絡下9種氣體識別結果

與其它研究結果相比，級聯神經網絡識別率至少相當，但實驗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)多于現有研究.

5 結 論

1)研制了一種仿人機器人用集成化人工肺-嗅覺系統HAL&OS-I型軟硬件系統，該系統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數據采集軟硬件為一體的“電子鼻”，可對這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種混合氣體進行有效識別.

2)用遺傳算法與神經網絡結合的GA+BP算法對酒精/硫化氫/氨氣/煙霧/甲烷5種單一氣體進行識別實驗,結果表明識別率為90%或100%.

3)用遺傳算法與多級級聯BP神經網絡模式識別算法GA+3BP對酒精/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種氣體進行識別實驗，除硫化氫-煙霧混合氣體識別率為70%外，其余混合氣體識別率為90%或100%，識別結果理想，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研究及其在氣體定量分析中的應用[D].杭州：浙江大學，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.基于支持向量機算法的氣體識別研究[J].傳感器技術, 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.混合氣體定量檢測系統的研究[J].測控技術, 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.具有人機交互功能的仿人頭像機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

機器人系統與技術國家重點實驗室自主課題(SKLRS 200802A04)

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

吳偉國wuwg@hit.edu.cn.

TP242.6

A

0367-6234(2017)01-0053-07