一种基于神经网络的汽车尾气浓度检测系统

1.本发明涉及汽车尾气检测技术领域，具体涉及一种基于神经网络的汽车尾气浓度检测系统。


背景技术：

2.随着科技的发展与社会的进步，汽车保有量逐年增加；汽车、尤其是燃油汽车在行驶过程中会产生大量尾气，汽车尾气中含有上百种不同的化合物，其中污染物包括固体悬浮颗粒、一氧化碳、二氧化碳、碳氢化合物、氮氧化合物、铅与硫氧化合物等。汽车尾气在直接危害人体身体健康的同时，还会对自然生态环境造成影响；例如：汽车尾气中的二氧化硫具有强烈的刺激气味、易造成土壤和水源的酸化、进而影响农作物等植物的生长，汽车尾气中的一氧化碳易危害人体中枢神经系统、导致人体出现缺氧性等生命危害，汽车尾气中的氮氧化物易造成人体呼吸系统功能失调，汽车尾气中的碳氢化物在紫外线作用下、易产生刺激人体眼睛与上呼吸道粘膜的光化学烟雾。
3.目前，全球已经开始进行强制实施汽车发动机电喷化、即利用装备电子控制燃油汽车的喷射系统，其通过高温尾气传感器实时监测与反馈尾气中的氧浓度与氮氧化物浓度，从而利用控制系统通过相应的控制手段从源头上降低一氧化碳、氮氧化物、碳氢化物等典型污染物的排放，达到节能减排、保护环境的目的。然而，除初始启动外、汽车在实时行驶过程中尾气浓度值(即氧浓度、氮氧化合物浓度)改变极其微弱，导致传感器输出的电信号极其微弱，无法及时、有效进行检测；同时由于汽车的行驶状态不同(即汽车行驶过程中包括加速、减速等状态)、传感器输出信号与尾气浓度之间为非线性的函数关系，造成电信号与浓度转换时存在不可控的误差、进而造成浓度检测的精确度差，因此，现有的高温尾气传感器存在检测精度低、实时性差、响应慢、稳定性差的问题。


技术实现要素：

4.针对以上现有技术存在的问题，本发明的目的在于提供一种基于神经网络的汽车尾气浓度检测系统，以解决上述背景技术中存在的问题、实现汽车行驶过程中尾气浓度的精确检测。
5.本发明的目的通过以下技术方案实现：
6.一种基于神经网络的汽车尾气浓度检测系统，其特征在于：包括传感器探头、控制模块、温度控制电路、定时器模块、尾气浓度电势检测电路、热电偶测温补偿电路及模拟量输出电路；所述传感器探头与温度控制电路、尾气浓度电势检测电路、热电偶测温补偿电路电连接，所述温度控制电路与定时器模块电连接，所述定时器模块、尾气浓度电势检测电路、热电偶测温补偿电路与控制模块电连接，且尾气浓度电势检测电路、热电偶测温补偿电路与控制模块的adc接口连接，所述控制模块的dac接口与模拟量输出电路连接；
7.所述控制模块采用bp神经网络算法将采集的数字信号转化为尾气浓度信号、实现对尾气气体浓度的监测，包括数据预处理、数据网络构建、数据网络训练与数据网络检测。
8.作进一步优化，所述数据预处理为预先进行标定实验，其具体为：在模拟尾气环境下，控制尾气气体浓度变化，使得传感器探头由最小值v
min
到最大值v
max
进行变化，即v
min
，v1，v2，
……
，v
max
，其中v
min
～v
max
、一共n个值；
9.重复进行上述浓度变化过程m次，并且在变化过程中通过微控制器实时采集尾气浓度电势检测电路输出的模拟信号、记录依次对应的数字序列xi、其中i∈(0,n
×
m-1)，构成向量x；在同时刻使用专门的浓度检测装置记录尾气气体浓度值，构成数字序列yi、其中i∈(0,n
×
m-1)，构成向量y；然后，计算获得向量x与y中的最值，分别记为x
min
、x
max
、y
min
、y
max
；再使用归一法将数据映射到0～1的范围内，从而加快梯度下降时的求解速度与提高模型的训练精度，具体为：
[0010][0011]
式中，ti值取向量x、向量y的值，通过上述公式分别将这两组向量作归一化映射；
[0012]
最后将向量x与y构成一组2行、n
×
m-1列的向量、即(x,y)，并将其分成训练样本与测试样本，完成数据预处理；
[0013]
所述数据网络构建具体为：采用5层神经网络拓补结构，即输入层、第一隐藏层、第二隐藏层、第三隐藏层与输出层；从第一隐藏层开始，对应网络层连接系数向量为：w1、w2、w3、w4，网络层神经元阈值系数向量为：b1、b2、b3、b4，神经元输出向量为：z1、z2、z3、z4；
[0014]
网络层与网络层之间采用f(x)作为激活函数，其中，激活函数f(x)能够将每一层输入向量进行非线性的映射，使得网络层与网络层之间的数据为非线性关系，从而使网络模型具有非线性映射的能力、实现拟合复杂函数关系的目的，进而确保传感器输出信号与尾气浓度转换之间的精确性、避免出现不可控误差；
[0015]
所述数据网络训练具体为：
[0016]
首先根据网络模型，完成正向传播算法，从第一隐藏层开始，每一层的输出具体为：
[0017]
z1＝f(x*w1 b1)；
[0018]
z2＝f(z1*w2 b2)；
[0019]
z3＝f(z2*w3 b3)；
[0020]
z4＝f(z3*w4 b4)；
[0021]
得到神经网络的预测输出结果向量z4；
[0022]
然后采用均方误差优化网络参数，从而使得误差最小且最为优化，均方误差函数具体为：
[0023][0024]
神经网络算法基于梯度下降策略，以优化函数的负梯度方向进行网络参数的调整，选取神经网络中的任意一个参数v，获得其修正参数v’，具体为：
[0025][0026]
式中，u表示修正函数的强度；
[0027]
数据网络训练中预设训练次数为k次，且预设均方差函数阈值l’；
[0028]
在训练过程中，修正一次网络参数、便进行一次数据网络训练中的正向传播算法，然后计算均方误差的值是否满足预设阈值，若满足，保存网络中的参数、且退出循环；若不满足，则继续训练、直到达到相应的训练次数；
[0029]
所述数据网络检测为：利用训练完成的网络参数及传感器探头检测到的数字信号，利用数据网络构建中的正向传播算法完成对汽车尾气浓度的检测。
[0030]
作进一步优化，所述温度控制电路包括单片机(stm32h7系列)、双向可控硅(bta08)、加热丝与光电双向可控硅驱动器(moc3063)，所述单片机内部设置定时器、定时器的输出比较模式产生频率、占空比可变的脉冲波信号，即pwm信号，这个信号能够控制由双向可控硅构成的开关驱动电路、实现加热丝功率的调节；所述双向可控硅(bta08)与加热丝串接在交流回路中、用于控制加热回路的导通与截止，所述光电双向可控硅驱动器(moc3063)用于接收pwm信号，并运用pid控制模块中pid控制算法将检测到的温度控制在(750
±
3)℃。
[0031]
作进一步优化，所述pid控制算法具体为：
[0032][0033]
式中，p(t)为pid控制反馈量；k
p
、ki、kd分别为比例系数、积分系数、微分系数，它们的系数值均按照pid控制模块的整定方法得到；
[0034]
pid控制算法将偏差信号通过比例、积分、微分的线性组合后的数字信号作用到单片机内部产生的pwm信号的占空比上，实现加热功率进行控制；其中，所述偏差信号为设定的温度值与实际的温度值的差值信号。
[0035]
作进一步优化，所述尾气浓度检测系统还包括恒流输出电路，所述恒流输出电路包括运算放大器与三极管，其用于提高电路抗干扰能力、获得0～10ma的恒流输出。
[0036]
作进一步优化，所述尾气浓度电势检测电路采用放大器对传感器探头输出信号进行放大，从而有效避免高频电磁噪声对控制模块检测电路的影响。
[0037]
作进一步优化，所述热电偶测温补偿电路包括热电偶与温度传感器集成芯片。
[0038]
作进一步优化，所述数据预处理中采用向量(x,y)中的80％数据作为训练样本、20％数据作为测试样本。
[0039]
作进一步优化，所述数据网络构建中输入层、第一隐藏层、第二隐藏层、第三隐藏层与输出层的神经元个数分别为1、20、20、10、1。
[0040]
作进一步优化，所述数据网络训练中u取0.01。
[0041]
作进一步优化，所述数据网络训练中l'≤0.01。
[0042]
本发明具有如下技术效果：
[0043]
本技术通过传感器探头、控制模块、温度控制电路、定时器模块、尾气浓度电势检
测电路、热电偶测温补偿电路、模拟量输出电路的配合，实现了传感器工作温度的恒定控制，同时有效解决了传感器输出信号微弱以及非线性输出的数据拟合误差大、精确性差的问题。本技术尾气浓度检测系统灵敏度高、响应快、稳定性好、实用性强，且安装简便、操作简单，能够广泛应用于汽车尾气浓度的实时监测，从而有效减少环境污染以及尾气对于人体的伤害。
附图说明
[0044]
图1为本技术实施例中检测系统的结构示意图。
[0045]
图2为本技术实施例中检测系统的温度控制电路图。
[0046]
图3为本技术实施例中尾气浓度电势检测电路图。
[0047]
图4为本技术实施例中热电偶测温补偿电路图。
[0048]
图5为本技术实施例中恒流输出电路图。
[0049]
图6为本技术实施例中检测系统的数据网络构建中网络结构示意图。
[0050]
其中，100、传感器探头；200、控制模块；300、温度控制电路；400、定时器模块；500、尾气浓度电势检测电路；600、热电偶测温补偿电路；700、模拟量输出电路。
具体实施方式
[0051]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0052]
实施例：
[0053]
如图1～6所示，一种基于神经网络的汽车尾气浓度检测系统，其特征在于：包括传感器探头100、控制模块200、温度控制电路300、定时器模块400、尾气浓度电势检测电路500、热电偶测温补偿电路600及模拟量输出电路700；传感器探头100与温度控制电路300、尾气浓度电势检测电路500、热电偶测温补偿电路600电连接，温度控制电路300与定时器模块400电连接，定时器模块400、尾气浓度电势检测电路500、热电偶测温补偿电路600与控制模块200电连接，且尾气浓度电势检测电路500、热电偶测温补偿电路600与控制模块200的adc接口连接，控制模块200的dac接口与模拟量输出电路700连接；
[0054]
温度控制电路300包括单片机(stm32h7系列、例如stm32h7vgt6)、双向可控硅(bta08)、加热丝(采用镍铬电热合金)与光电双向可控硅驱动器(moc3063)(如图2所示)，单片机内部设置定时器(与定时器模块400不等同)、定时器的输出比较模式产生频率、占空比可变的脉冲波信号，即pwm信号，这个信号能够控制由双向可控硅(bta08)构成的开关驱动电路、实现加热丝功率的调节；双向可控硅(bta08)与加热丝串接在交流回路中、用于控制加热回路的导通与截止，光电双向可控硅驱动器(moc3063)用于接收pwm信号，并运用pid控制模块中的pid控制算法将检测到的温度控制在(750
±
3)℃。
[0055]
pid控制算法具体为：
[0056][0057]
式中，p(t)为pid控制反馈量；k
p
、ki、kd分别为比例系数、积分系数、微分系数，它们的系数值均按照pid控制模块的整定方法得到；
[0058]
pid控制算法将偏差信号通过比例、积分、微分的线性组合后的数字信号作用到单片机内部产生的pwm信号的占空比上，实现加热功率进行控制；其中，偏差信号为设定的温度值与实际的温度值的差值信号。
[0059]
尾气浓度电势检测电路500采用放大器(如ad603)对传感器探头100输出信号进行放大，从而有效避免高频电磁噪声对控制模块200检测电路的影响，同时尾气浓度电势检测电路500中还设置阻值为4.7k、1m的两个电阻以及多个电容器(如图3所示)。
[0060]
热电偶测温补偿电路600包括热电偶(采用k型热电偶)与温度传感器集成芯片(ad8495)，同时热电偶测温补偿电路600中还设置阻值为20k、22k、200k、4.9k的四个基准电阻(如图4所示)。
[0061]
尾气浓度检测系统还包括恒流输出电路，恒流输出电路包括运算放大器(lm324)、三极管(9013)以及阻值分别为1k的两个电阻(如图5所示)，其用于提高电路抗干扰能力、获得0～10ma的恒流输出。
[0062]
控制模块200采用bp神经网络算法将采集的数字信号转化为尾气浓度信号、实现对尾气气体浓度的监测，包括数据预处理、数据网络构建、数据网络训练与数据网络检测。
[0063]
数据预处理为预先进行标定实验，其具体为：在模拟尾气环境下，控制尾气气体浓度变化，数据预处理为预先进行标定实验，其具体为：在模拟尾气环境下，控制尾气气体浓度变化，使得传感器探头由最小值v
min
到最大值v
max
进行变化，即v
min
，v1，v2，
……
，v
max
，其中v
min
～v
max
、一共n个值；
[0064]
重复进行上述浓度变化过程m次，并且在变化过程中通过微控制器采集尾气浓度电势检测电路500输出的模拟信号、记录依次对应的数字序列xi、其中i∈(0,n
×
m-1)，构成向量x；在同时刻使用专门的浓度检测装置记录尾气气体浓度值，构成数字序列yi、其中i∈(0,n
×
m-1)，构成向量y；然后，计算获得向量x与y中的最值，分别记为x
min
、x
max
、y
min
、y
max
；再使用归一法将数据映射到0～1的范围内，从而加快梯度下降时的求解速度与提高模型的训练精度，具体为：
[0065][0066]
式中，ti值取向量x、向量y的值，通过上述公式分别将这两组向量作归一化映射；
[0067]
最后将向量x与y构成一组2行、n
×
m-1列的向量、即(x,y)，并将其分成训练样本与测试样本，其中80％数据作为训练样本、20％数据作为测试样本，完成数据预处理；
[0068]
数据网络构建具体为：采用5层神经网络拓补结构，即输入层、第一隐藏层、第二隐藏层、第三隐藏层与输出层,它们的神经元个数分别为1、20、20、10、1；从第一隐藏层开始，对应网络层连接系数向量为：w1、w2、w3、w4，网络层神经元阈值系数向量为：b1、b2、b3、b4，神经元输出向量为：z1、z2、z3、z4；
[0069]
网络层与网络层之间采用f(x)作为激活函数，其中，激活函数f(x)能够将每一层输入向量进行非线性的映射，使得网络层与网络层之间的数据为非线性关系，从而使网络模型具有非线性映射的能力、实现拟合复杂函数关系的目的，进而确保传感器输出信号与尾气浓度转换之间的精确性、避免出现不可控误差；
[0070]
数据网络训练具体为：
[0071]
首先根据网络模型，完成正向传播算法，从第一隐藏层开始，每一层的输出具体为：
[0072]
z1＝f(x*w1 b1)；
[0073]
z2＝f(z1*w2 b2)；
[0074]
z3＝f(z2*w3 b3)；
[0075]
z4＝f(z3*w4 b4)；
[0076]
得到神经网络的预测输出结果向量z4；
[0077]
然后采用均方误差优化网络参数，从而使得误差最小且最为优化，均方误差函数具体为：
[0078][0079]
神经网络算法基于梯度下降策略，以优化函数的负梯度方向进行网络参数的调整，选取神经网络中的任意一个参数v，获得其修正参数v’，具体为：
[0080][0081]
式中，u表示修正函数的强度，u取0.01；
[0082]
数据网络训练中预设训练次数为k次，且预设均方差函数阈值l’、l'≤0.01；
[0083]
在训练过程中，修正一次网络参数、便进行一次数据网络训练中的正向传播算法，然后计算均方误差的值是否满足预设阈值，若满足，保存网络中的参数、且退出循环；若不满足，则继续训练、直到达到相应的训练次数；
[0084]
数据网络检测为：利用训练完成的网络参数及传感器探头100检测到的数字信号，利用数据网络构建中的正向传播算法完成对汽车尾气浓度的检测。
[0085]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。