基于神经网络的矿用催化类传感器失效数据过滤方法技术

本发明专利技术涉及一种基于神经网络的矿用催化类传感器失效数据过滤方法，属于传感器数据过滤领域，包括以下步骤：S1：获取矿用催化类传感器的响应曲线；S2：将响应曲线作为样本素材进行间隔采样，从中获取多个点作为一组样本数据，采样多组样本数据；S3：将样本数据输入神经网络，构建并训练失效数据识别模型；S4：对失效数据识别模型进行仿真；S5：将训练好的失效数据识别模型应用于传感器系统中，过滤失效数据。本发明专利技术利用神经网络应用于传感器系统中，判定失效数据并进行过滤，极大提高了传感器的检测精度。检测精度。检测精度。

【技术实现步骤摘要】
基于神经网络的矿用催化类传感器失效数据过滤方法


[0001]本专利技术属于传感器数据过滤领域，涉及一种基于神经网络的矿用催化类传感器失效数据过滤方法。

技术介绍

[0002]煤矿井下传感器诸如甲烷、氧气、硫化氢等传感器构成了煤矿安全系统的感知层，对煤矿生产安全起着至关重要的作用。当前矿用传感器大部分为电化学催化原理，传感器敏感元件与被监测气体接触后起电化学反应，从而引起电路输出电压的变化，根据输出电压的变化可以推导出被监测气体浓度。当气体浓度较大时，煤矿安全监控系统会立即执行断电操作断掉井下输电线路来避免瓦斯爆炸灾害。由于电化学原理的传感器在使用中会存在一定概率的误差导错误告警现象，而错误告警往往被安全监控系统当做危险信号去执行，这样就会造成井下输电电路中断，从而造成不必要的损失。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种基于神经网络的矿用催化类传感器失效数据过滤方法。
[0004]为达到上述目的，本专利技术提供如下技术方案：
[0005]一种基于神经网络的矿用催化类传感器失效数据过滤方法，包括以下步骤：
[0006]S1：获取矿用催化类传感器的响应曲线；
[0007]S2：将响应曲线作为样本素材按照一定时间间隔采样，从中获取多个点作为一组样本数据，采样多组样本数据；
[0008]S3：构建神经网络，将样本数据作为输入变量对该神经网络进行训练仿真，完成失效数据识别模型的构建；
[0009]S4：将失效数据识别模型应用于催化类传感器系统中，过滤失效数据。
[0010]进一步，步骤S1中，获取矿用催化类传感器在不同浓度可燃气体下的响应曲线。
[0011]进一步，步骤S2中，以步骤S1中所述的响应曲线作为样本素材，每间隔1秒做一次采样，每采集10个点作为一组样本数据，共采集9组样本数据。
[0012]进一步，步骤S3中所述神经网络为BP神经网络。
[0013]进一步，步骤S3中所述BP神经网络隐藏层数目为：
[0014][0015]其中h为隐藏层神经元个数，m为输入层神经元个数，n为输出层神经元个数，a为1～10之间的调节常数；
[0016]将甲烷传感器的响应时间参数作为输入样本的10个属性，输出的y
i
值作为该样本接近真实值的概率；
[0017]激活函数选取能反应二值概率的Sigmoid函数，该函数将负无穷到正无穷的数值映射到(0,1)的范围，能够有效的表示样本的概率；
[0018]X＝[x1,x2,x3,x4…
x
i
…
x
10
]T
，Wj＝[w
j1
,w
j2
,w
j3
…
w
ji
…
w
jm
]，若视x0＝1，w j1
＝b
j
，则
[0019]X＝[x0,x1,x2,x3,x4…
x
i
…
x
10
]T
，Wj＝[w
j0
,w
j1
,w
j2
,w
j3
…
w
ji
…
w
jm
]；
[0020]隐藏层节点j的输入Z
j
表示为：
[0021]j＝0,1,2...5
[0022]输出节点y表示为：
[0023][0024]y＝[y1,y2,y3,...y
p
，...y
12
]T
，集合将上述12个样本作为输入，用x1,x2,x3,...,x
p
,x
12
表示，第p个样本输入神经网络后得到的y
p
采用平方误差的方式计算第p个样本的误差E
p
：
[0025][0026]全局误差E等于：
[0027][0028]式中t
p
为期待输入，t＝[0.9,0.9,0.9,...0.9,0.1,0.1,0.1]T
，为使得全局误差E最小，调整w
ij
和v
j
权值，使正常矿用催化类传感器响应曲线样本输出逼近0.9，而异常响应曲线样本输出逼近0.1。
[0029]进一步，步骤S3中，将输入样本X做归一化处理后再进行仿真。
[0030]进一步，步骤S4中，利用训练好的失效数据识别模型，每次检测一定浓度的可燃气体时，对矿用催化类传感器的响应曲线进行采样，然后将采样数据作为样本输入网络进行识别，当输出结果接近0.1时，误差小于0.1％，则判定为失效数据进行过滤。
[0031]本专利技术的有益效果在于：本专利技术利用神经网络应用于传感器系统中，判定失效数据并进行过滤，极大提高了传感器的检测精度。
[0032]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0033]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：
[0034]图1(a)(b)(c)分别为甲烷传感器在1000ppm、8000ppm、6000ppm浓度甲烷气体下的响应曲线图；
[0035]图2为BP神经网络结构图；
[0036]图3为Sigmoid函数曲线图；
[0037]图4为Matlab仿真向量及误差分析示意图,(a)是向量P，T的示意图；(b)是误差值
随训练次数的变化图。
具体实施方式
[0038]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0039]其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利技术的限制；为了更好地说明本专利技术的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0040]本专利技术实施例的附图中相同或相似的标号对应相同或相似的部件；在本专利技术的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的矿用催化类传感器失效数据过滤方法，其特征在于：包括以下步骤：S1：获取矿用催化类传感器的响应曲线；S2：将响应曲线作为样本素材按照一定时间间隔采样，从中获取多个点作为一组样本数据，采样多组样本数据；S3：构建神经网络，将样本数据作为输入变量对该神经网络进行训练仿真，完成失效数据识别模型的构建；S4：将失效数据识别模型应用于催化类传感器系统中，过滤失效数据。2.根据权利要求1所述的基于神经网络的矿用催化类传感器失效数据过滤方法，其特征在于：步骤S1中，获取矿用催化类传感器在不同浓度可燃气体下的响应曲线。3.根据权利要求1所述的基于神经网络的矿用催化类传感器失效数据过滤方法，其特征在于：步骤S2中，以步骤S1中所述的响应曲线作为样本素材，每间隔1秒做一次采样，每采集10个点作为一组样本数据，共采集9组样本数据。4.根据权利要求1所述的基于神经网络的矿用催化类传感器失效数据过滤方法，其特征在于：步骤S3中所述神经网络为BP神经网络。5.根据权利要求4所述的基于神经网络的矿用催化类传感器失效数据过滤方法，其特征在于：步骤S3中所述BP神经网络隐藏层数目为：其中h为隐藏层神经元个数，m为输入层神经元个数，n为输出层神经元个数，a为1～10之间的调节常数；将甲烷传感器的响应时间参数作为输入样本的10个属性，输出的y
i
值作为该样本接近真实值的概率；激活函数选取能反应二值概率的Sigmoid函数，该函数将负无穷到正无穷的数值映射到(0,1)的范围，能够有效的表示样本的概率；X＝[x1,x2,x3,x4…
x
i
…
x
10
]
T
，Wj＝[w
j1
,w
j2
,w
j3
…
w
ji
…
w
jm
]，若视x0＝1，w
j1
...

【专利技术属性】
技术研发人员：王博文，孙世岭，李军，李涛，王尧，周德胜，罗前刚，梁光清，张远征，
申请(专利权)人：中煤科工集团重庆研究院有限公司，
类型：发明
国别省市：