1 引 言
气体传感器是检测气体的器件，由阵列式半导体气体传感器构成的人工嗅觉系统，在各个领域都有着广泛的应用，如空气质量检验、食品加工的自动检测、危险可燃性气体的监测、机器人嗅觉感知及各种民用及工业用气体净化等。因此智能人工嗅觉系统的研究引起了人们广泛的兴趣及重视。气体传感器构成的人工嗅觉系统的工作环境一般较为恶劣，实验研究表明气体传感器的输出不仅与被测气体的浓度有关，还与周围工作环境如温度、湿度、气压等相关。而且由于工作环境的影响，气体传感器极易受到环境灰尘等的污染，特别是长时间的使用将导致半导体气体传感器的参数发生漂移，影响人工嗅觉系统的使用效果，严重的还将误测、误判。因此为提高人工嗅觉系统的可靠性，进行气体传感器系统的故障诊断是必须的。为了实现所谓的智能传感器，在传感器一级用单一气体传感器输出信息进行
传感器故障的诊断就显得非常重要，为此本文提出利用人工神经网络对气体传感器输出信息建立传感器神经网络模型，并利用建立的传感器神经网络模型输出与气体传感器实际输出之差判断传感器是否发生故障诊断的新方法，在实际使用中取得了良好的效果。
2 气体传感器神经网络模型的建立
对于气体传感器的输出可用如下离散系统加以描述，即：
＝f［x（k－1），x（k－2），…，x（k－n）］ （2—1）
该式的实质就是利用气体传感器的输出序列x（k－1），x（k－2），…，x（k－n）来预测气体传感器新的输出 x（k）。我们完全可以根据此式利用人工神经网络来构造气体传感器的非线性输出预测模型，并可依据该模型实现故障的在线检测。对于式（2—1），我们可用一个具有n个输入结点，一个输出结点的神经网络来模拟［1］，并通过进化学习来实参阅参考文献［2］。其中神经网络权值调整按delta规则实现：
其中wij为神经元权值，zj为神经元输出，η为学习系数，δj为神经元的差值。
实现时我们选用一个性能良好的正常气体传感器作为神经网络模型的学习对象，将气体传感器输出信号数据输入给神经网络模型进行学习，初始时神经网络的权值设为随机数，当气体传感器的测试数据进入神经网络以后，将产生一个信号输出估计值
，该值与气体传感器的实际输出信号x（k）差值δj，将用于权值wij的更新算法中。只要气体传感器的输出数据不断进入网络进行运算学习，网络的连接权wij将不断由神经网络算法（式2—2）所刷新。这样的学习过程通过多次回归运算，当均方误差mse到达一个最小值时，就可结束学习过程。此时网络权值也到达一个稳定的系数，此时的人工神经网络模型已完成学习，进化为这个气体传感器的非线性输出模型。可见只要提供足够正确的训练例集，就可保证气体传感器动态非线性模型的准确性。
3 气体传感器故障诊断的实现
有了准确的气体传感器动态输出模型，我们就可在线地进行气体传感器的故障诊断，实现方法如图3—1所示。
由图可见气体传感器实际输出的前n步的采样数据序列x（k－1），x（k－2），…，x（k－n）进入神经网络，神经网络将预测出下一个第n步的输出
，若传感器的第k步输出x（k）与神经网络的预
测输出
之间的偏差低于设定阈值，则表明气体传感器工作正常，当传感器的实际输出x（k）与神经网络的预测输出
的偏差大于设定阈值时表明传感器出现了故障。
图中的故障检测算法，采用几何距离分类中的l2euclidean量度［3］，即：
作为故障检测标准。气体传感器在正常情况下，量度距离值应小于设定阈值；当量度距离值大于设定阈值时，可认为气体传感器出现了故障。由于神经网络模型与气体传感器处于并行位置，所以可以在线地实现故障测试诊断。
4 实验与小结
如上所述，文中用气体传感器的输出信息，建立了气体传感器输出的非线性动态神经网络模型，实现了对气体传感器的故障检测。实际使用中，我们用数据采集板共采集了210个数据，这些数据分为204组，每组6个数据，如表4—1所示。每组的6个数据将作为神经网络模型的输入，当神经网络的预测输出
与气体传感器的实际输出x（k）距离d超过设定阈值时，可判别为传感器发生了故障。神经网络模型的输入设定为n＝6，共6个输入端，使用中发现该神经网络具有良好的收敛性与稳定性。当学习系数η为0．23时，递归学习21 000次左右，即可使mse达到－90db。适当地调整改变学习系数η，可改变网络算法的收敛速度。
我们采用日本figaro公司的气体传感器tgs100作为实验用气体传感器，实验中我们模拟了传感器的加热丝故障，当气体传感器发生故障时，气体传感器的实际输出与神经网络的预测输出出现了明显的偏差，超过了设定阈值，表明气体传感器发生了故障。阈值的选取必须考虑气体传感器的输出噪声的影响，经实验本系统的阈值设定为0．034。
由图4—1可见，当气体传感器正常工作时，气体传感器的实际输出与神经网络的预测输出是一致的，当气体传感器发生故障时，传感器的实际输出与神经网络的预测输出发生偏差，通过检测算法中的
l2euclidean量度计算值与设定的阈值相比较，可以方便地实现传感器故障诊断。
通过实际使用证明，采用人工神经网络方法对气体传感器进行动态非线性建模实现在线故障测试，比传统方法具有更多的优点。该方法也同样适用于其它动态非线性系统的建模与故障诊断。
［参考文献］
［1］ k．s．narendra，k．parthasarathy．identification and control ofdynamicalsystems using neural networks［j］．ieee trans．neuralnetworks，1990，vol．l：4－27．
［2］ 张立明．人工神经网络的模型及其应用技术［m］．上海：复旦大学出版社，1994．8．
［3］ 卢文祥．工程测试与信息处理［m］．武汉：华中理工大学出版社，1994．
