一种基于深度学习的氢气传感器离线标定方法技术

本发明专利技术提供一种基于深度学习的氢气传感器离线标定方法，包括以下步骤：采集双模氢气传感器输出数据；对采集的数据进行归一化；将归一化后的数据输入到极限学习机ELM中进行神经网络训练；达到一定的精度和迭代次数后，保存网络，以得到标定氢气传感器的输出函数；根据获得的输出函数预测氢气浓度并输出结果t。本发明专利技术的目的在于克服平均斜率法不适用于复杂变化趋势的缺点，以及最小二乘法计算繁复、效率较低、难以保证精度的缺点，提供一种利用神经网络的模式识别方法的氢气传感器离线标定方法，用以检测氢气浓度。用以检测氢气浓度。用以检测氢气浓度。

【技术实现步骤摘要】
一种基于深度学习的氢气传感器离线标定方法


[0001]本专利技术属于传感器标定领域，具体涉及一种氢气传感器的离线标定方法。

技术介绍

[0002]现阶段的氢气传感器的核心技术主要有：催化燃烧式、半导体式等发生技术，并且都在较高浓度的工况环境下(1％～4％浓度的氢气)发生较稳定的反应，但是在较低浓度下现阶段的传感器的性能表现就不够稳定。究其原因低浓度下发生反应不够充分、敏感元件对其它环境因素的变化盖过了本身与气体发生反应产生的阻值变化，使得在低浓度条件下的传感器的输出不够精确与稳定。如在0.1％以下的混合可燃性气体环境下，氢气敏感元件也会和一氧化碳等气体发生反应，使得输出的信号值难以辨别目标气体的实际含量、在不同的温度和湿度的环境下氢气传感器的输出也会出现误差。在实际的氢能使用中，所述低浓度的氢气泄露检测扮演着更为关键的作用，可以为氢安全方案争取到更长的处理时间。
[0003]温度传感器是通过热敏感材料感受温度并转换成可用输出信号的传感器。按测量方式可分为接触式和非接触式两大类，按照传感器材料及电子元件特性分为热电阻和热电偶两类，现阶段的温度传感器技术已经十分完备且性能稳定。
[0004]湿度传感器是一种装有湿敏元件，能够用来测量湿度的传感器装置，有的带有现场显示，有的不带有现场显示。
[0005]温湿度传感器由于体积小，性能稳定等特点，被广泛应用在生产生活的各个领域。
[0006]现阶段的传感器的标定手段有：
[0007]1.平均斜率法
[0008]标定工作直线为通过坐标原点斜率为k的直线(如果在零点时已经有信号产生，即零点输出；可将整条输出线移动，使起始点从零点出发)，其斜率可按以下步骤得到。
[0009]将对应于每一输入量等级每次测量的正反行程加以平均(正行程是指从0值开始，每次增加10％刻度进行测量，一直测到满量程100％；反行程便是从满量程开始，依次减少10％刻度进行测量，直到减到0值为止)，求得五次正反行程的实测平均值，即然后利用y＝kx+b的线性方程式和几个实测平均值求得的斜率数值，即k1，k2,
…
,k
n
。从而传感器标定工作直线的k值就为
[0010][0011]将k值代入后，即可求得每一输入量等级对应的线性标定值。
[0012]但是平均斜率法存在不适用于复杂变化趋势的缺点。
[0013]2.最小二乘法
[0014]利用最小二乘法时，通常作如下的两个假定：所有自变量(x)的各个给定值，均无误差，变量y的各值，则有误差；实际测量点有几个，重复测量有几次。对应的输出值是y，一般样本采样y
i
使用的是n次多项式拟合方程式，见下式：
[0015]y＝h0+h2x+h3x2+h4x3+
…
h
n
x
n
,(i＝1,2,3,...n)
[0016]h
i
为需要后期计算求得的参数。
[0017]设上述多项式为h(x)，
[0018]则第i次测量得到的校准数据与拟合直线上相应的偏差可表示为
[0019]Δ
i
＝y
i
‑
h(x)
[0020]因为误差值Δ
i
有正有负，所以为了方便统一计算，将误差Δ
i
平方，消除正负值的影响。每个测量点都存在着一个或大或小的误差Δ
i
，所以将所有的测量点的误差的平方相加便可得到总的误差值，如下式：
[0021][0022]最小二乘法就是找到一组参数，能使上述拟合方程式最小，拟合情况见图1所示。
[0023]将多项式h(x)用矩阵形式表示：
[0024]Y＝X*h
[0025]X为n
×
1的向量，h为m
×
1的向量，Y为样本对应的输出向量。
[0026]损失函数定义为损失函数定义为为常系数。根据最小二乘原理，损失函数L(h)对h求导，使其尽量的小。如下式：
[0027][0028]对上式整理得：
[0029]θ＝(X
T
X)
‑1X
T
Y
[0030]最小二乘法的局限性：
[0031]1)如上式所示，最小二乘法需要计算X
T
X的逆矩阵，有可能它的逆矩阵不存在，这样就没有办法直接用最小二乘法，需要对样本数据进行整理，去掉冗余特征。让X
T
X的行列式不为0，然后继续使用最小二乘法。
[0032]2)当样本特征n非常的大的时候，计算X
T
X的逆矩阵是一个非常耗时的工作(n
×
n的矩阵求逆)，甚至不可行。此时以梯度下降为代表的迭代法仍然可以使用。但是需要通过主成分分析等映射处理方式降低特征的维度后再用最小二乘法，计算复杂度增大并且效率较低。
[0033]3)如果拟合函数不是线性的，这时无法使用最小二乘法，需要通过一些技巧转化为线性才能使用，但是也会降低最终拟合的精度。
[0034]与传统的最小二乘法等方法相比，神经网络学习的方法能高效的提取非线性数据中的信息，计算复杂度也相对更小；本申请采用的是极限学习机(Extreme Learning Machine，ELM)的模式识别方法。

技术实现思路

[0035]本专利技术的目的在于克服平均斜率法不适用于复杂变化趋势的缺点，以及最小二乘法计算繁复、效率较低、难以保证精度的缺点，提供一种利用神经网络的模式识别方法的氢气传感器离线标定方法，用以检测氢气浓度。
[0036]一种基于深度学习的氢气传感器离线标定方法，包括以下步骤：
[0037]S1采集双模氢气传感器输出数据；
[0038]S2对采集的数据进行归一化；
[0039]S3将归一化后的数据输入到极限学习机ELM中进行神经网络训练，达到一定的精度和迭代次数后，保存网络，以得到标定氢气传感器的输出函数；
[0040]S4根据获得的输出函数预测氢气浓度并输出结果t。
[0041]其中，所述S1的双模氢气传感器输出数据的总个数为N；维度为3，三个信号分别为温度传感器的温度信号、湿度传感器的湿度信号和氢气传感器的输出信号经过采集板卡后的电压输出信号；单组输入数据以向量表示为x
i
＝(x
i1
,x
i2
,x
i3
)
T
，其中x
i
表示N个信号中第i个信号。
[0042]其中，所述S2为，
[0043]用到的方法为(0，1)归一化方法，此方法是通过找出每一类特征值中的最大值Max和最小值Min，然后以最大值和最小值的差值作为基数公式如下：
[0044][0045]其中，所述S3具体为，
[0046]以标定氢气气体浓度为标签值，单个标签值用向量表示为y
...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的氢气传感器离线标定方法，其特征在于，包括以下步骤：S1采集双模氢气传感器输出数据；S2对采集的数据进行归一化；S3将归一化后的数据输入到极限学习机ELM中进行神经网络训练，达到一定的精度和迭代次数后，保存网络，以得到标定氢气传感器的输出函数；S4根据获得的输出函数预测氢气浓度并输出结果t。2.根据权利要求1所述的方法，其特征在于，所述S1的双模氢气传感器输出数据的总个数为N；维度为3，三个信号分别为温度传感器的温度信号、湿度传感器的湿度信号和氢气传感器的输出信号经过采集板卡后的电压输出信号；单组输入数据以向量表示为x
i
＝(x
i1
,x
i2
,x
i3
)
T
，其中x
i
表示N个信号中第i个信号。3.根据权利要求1所述的方法，其特征在于，所述S2为，用到的方法为(0，1)归一化方法，此方法是通过找出每一类特征值中的最大值Max和最小值Min，然后以最大值和最小值的差值作为基数公式如下：4.根据权利要求1所述的方法，其特征在于，所述S3具体为，以标定氢气气体浓度为标签值，单个标签值用向量表示为y
i
＝(y
i1
)；设隐含层神经元个数为L，个数小于输入信号的数据量，则单个节点的隐含层输出如下式：N个输入数据，L个隐含节点得出的隐含层矩阵H见下式：ω
i
:隐含层矩阵中第i个权重因子b
i
:隐含层矩阵中第i个偏置因子β
i
:第i个隐含层节点对输出的权重值G
i
:隐含层中第i项计算式，G
i
＝ω
i
*x
i
+b
i
X
i

【专利技术属性】
技术研发人员：王磊，胡书豪，王远西，
申请(专利权)人：上海和璞电子技术有限公司，
类型：发明
国别省市：