一种基于巡检机器人的电缆烧焦气味连续检测方法转让专利
申请号 : CN202210000870.3
文献号 : CN114047303B
文献日 : 2022-04-12
发明人 : 陈玖霖 , 刘爽 , 闵济海
申请人 : 南京天创电子技术有限公司
摘要 :
权利要求 :
1.一种基于巡检机器人的电缆烧焦气味连续检测方法,其特征在于:包括以下步骤:步骤1:气体传感器模组搭载于巡检机器人,使用200℃高温对电缆A进行3 5s灼烧,然~
后气体传感器模组对电缆A高温灼烧产生的气体进行检测,进而采集对应气味数据样本,采样时间为T且采样周期为t,每个周期t内采集的样本数据均包括TVOC、氨气和硫化氢三项气体的浓度值,并记录这三项气体的数据即为 ;其中, 和 分别对应一个采样周期T内的TVOC、氨气和硫化氢的浓度值;
步骤2:将步骤1中采样时间T内采集的样本按时间顺序进行排列,组成一组离散时序信号,该组离散时序信号记作一个样本序列 ,并为 打上相应种类的标签作为相应电缆的灼烧气味;
对另一种电缆B执行上述步骤1和步骤2得到对应样本序列 ; ;
步骤3、分别对电缆A和电缆B在其他不同气味环境重复步骤1至2,生成对应离散时序信号,并标注为该气味环境中相应电缆的烧灼气味;单独设置无灼烧时的正常空气环境为一对照组,用于空白环境对照;
步骤4、将步骤1至步骤3所得两种电缆的三种气味数据作为六种样本通过循环神经网络进行训练,然后结合训练方法让循环神经网络自拟合到能够突出检测气体特征随时间变化的信息状态,此时将在气体数据输入后提取浓度特征并作出分类决策;
上述步骤完成后,即得到基于电缆A和电缆B烧焦后产生混合气体以及正常空气环境的参数模型;
所述循环神经网络包括输入层、隐藏层和输出层,输入层有三个神经元,即采集的三种气体对浓度值,输出层为0、1、2,0代表预测类型为电缆A,1代表预测类型为电缆B,2为正常空气环境;
训练循环神经网络时,每一个时间步长需要输入的元素个数即为灼烧产生的不同种类的气体数n,即浓度指标 中特征向量的个数,时间步长为采样时间T,循环神经网络层数为
1,隐藏单元个数为一个样本序列的采样次数,表示为 ,当采样时间T不能整除一次采样周期 时,隐藏单元个数为二者之商并向下取整;输出层与隐藏层之间通过全连接神经网络进行连接;
训练循环神经网络中特征提取的具体方法为:提取特征的具体过程交由训练完成的循环神经网络模型自身,可以将其看做一个黑盒,其功能特征便是特征提取;特征提取结束后由循环神经网络最后几层的全连接层执行实现分类决策,该全连接层网络作为非线性分类器,其输入即为循环神经网络前几层的输出特征;
步骤5、封装上述所得参数模型,当需要检测某未知环境的气体数据时,连续收集相应电缆烧焦气味的特征,将其按时间顺序组成的时序信号输入循环神经网络,通过训练好的参数模型输出该离散时序信号随时间变化的特征,作为该类电缆烧焦气味的特征描述,并根据输出与标签的对应关系判断该气味所对应的电缆类型。
说明书 :
一种基于巡检机器人的电缆烧焦气味连续检测方法
技术领域
背景技术
膜材料、气体种类和浓度以及外界环境(如温度、湿度)等多种因素影响。对于采样得到的数
据,通常采用手工设计的特征,结合小波分解、支持向量机等方法进行识别;部分改良算法
独立设计特征提取与分类,提取特征的过程包括手工设计特征、小波分解以及主成分分析
等,识别算法则分别采用支持向量机、K近邻等方法,然后尝试使用近年来流行的深度学习
方法提高识别准确率。
诸如分类效果图为五点特征分布图则基于静态气体特征,对于连续变化的特征不能有较好
的提取效果与特征描述,且变化气体若用静态特征描述其适用范围也相对狭窄,在机器人
巡检过程中不能完整发现问题。
发明内容
烧,然后使用气体传感器模组对电缆A高温灼烧产生的气体进行检测,进而采集对应气味数
据样本,采样时间为T且采样周期为t,每个周期t内采集的样本数据均包括TVOC、氨气和硫
化氢三项气体的浓度值,并记录这三项气体的数据即为 , 分别对应
一个采样周期T内的TVOC、氨气和硫化氢的浓度值;
相应种类的标签作为相应电缆的灼烧气味;
间序列信号,作为循环神经网络的输入,然后结合相应训练方法让循环神经网络自拟合到
能够突出检测气体特征随时间变化的信息状态,此时将在气体数据输入后能够快速提取浓
度特征并作出分类决策,实现对气体的检测与分类;
对相对连续的信号进行特征提取;
好的参数模型输出该离散时序信号随时间变化的特征,作为该类电缆烧焦气味的特征描
述,并根据输出与标签的对应关系判断该气味的类型。
3),时间步长为采样时间T,RNN循环神经网络层数为1,隐藏单元个数为一个样本序列的采
样次数,表示为 ,当采样时间T不能整除一次采样周期 时,隐藏单元个数为二者之
商并向下取整;输出层与隐藏层之间通过全连接神经网络进行连接,输出层数为采集气体
种类数N,此处N取值3。
正常环境。
有技术相比,本发明具有以下优点:
的提取,且数据分析直接通过神经网络进行,大大降低人工分析的工作量。
点,可以根据时序信号提取气体随时间变化的特征,由此根据时序信号变化特征对气体类
别作出更加准确的判断。
附图说明
具体实施方式
维度同样足以描述气体特征,减少了对数据值进行预处理的步骤。并将数据样本结合时间
维度,将数据随时间变化趋势的特征提取出来,从而解决了孤立时间点数据特异性的问题,
且能更好地描述特征气味的不同变化趋势。
的的空间数据,使检测目标更加贴近真实目标,保证数据的真实性以及囊括空间范围内的
通用特征。
机器人)对电缆A高温灼烧产生的气体进行检测,进而采集对应气味数据样本,采样时间为T
(例如3min)且采样周期为t(例如3s),每个周期内采集的样本数据均包括TVOC、氨气和硫化
氢三项气体的浓度值,并记录这三项气体的数据即为 , 分别对应
TVOC、氨气和硫化氢的浓度值。
上相应种类的标签作为相应电缆的灼烧气味。
据增广。
间序列信号,作为循环神经网络的输入,然后结合数学算法让循环神经网络自拟合到能够
突出检测气体特征随时间变化的信息状态,此时将在气体数据输入后能够快速提取浓度特
征并作出分类决策,实现对气体的检测与分类;
长为采样时间t,RNN循环神经网络层数为1,隐藏单元个数为一个样本序列的采样次数,表
示为 ,当采样时间 不能整除一次采样周期 时,隐藏单元个数为二者之商并向下
取整;输出层与隐藏层之间通过全连接神经网络进行连接,输出层数为采集气体种类数N。
信号进行特征提取。
好的参数模型输出该离散时序信号随时间变化的特征,作为该类电缆烧焦气味的特征描
述,并根据输出与标签的对应关系判断该气味的类型。
行实现分类决策,该全连接层网络作为非线性分类器,其输入即为循环神经网络前几层的
输出特征。
致。
体进行检测,采样时间持续三分钟,且采样周期为3s,每个周期内采集的样本数据均包括
TVOC、氨气和硫化氢三项气体的浓度值,并记录这三项气体的数据,每个周期的数据设为
, 分别对应TVOC、氨气和硫化氢的浓度值。以上述相同方法、采样
时间、检测数据对十芯电缆进行灼烧并采集生成的气体,每个周期数据为 。
灼烧与数据采集部分实验结束。
签作为相应电缆的灼烧气味,即上述采集的 为三芯电缆灼烧气味样本
序列, 为十芯电缆灼烧气味样本序列。
时网络为一个分类网络模型,用于根据不同的样本输出不同的标签。此时输入为三种不同
种类气体的浓度值,输出为0、1、2,0代表预测类型为三芯电缆,1代表预测类型为十芯电缆,
2为正常空气环境,实验时单独设置无灼烧时的正常空气环境为一对照组,标签为2,用于空
白环境对照。在该过程中网络根据交叉熵损失函数的值进行迭代使其减小,由此逐渐增大
识别准确率,一定训练步数后达到最优解,此时得到循环神经网络的参数模型,此即为该循
环神经网络用于针对上述两种电缆烧焦时产生气味以及正常空气环境的检测模型。
机气体数值波动,平均为0.05。除此之外,硫化氢(H2S)为第二主要成分气体,质软的三芯电
缆在气体成分中TVOC越多于质硬的十芯电缆,但十芯电缆的H2S成分略高于三芯,且十芯电
缆灼烧后有氨气(NH3)成分产生,如图4和图5所示。
提取特征,以下即为两种电缆灼烧后气体的动态特征变化曲线图。
可以知道氨气在灼烧时几乎不成为参考值,TVOC在二者灼烧时均呈现无规则变化,初步分
析可能与采样时间有关。硫化氢的变化则是在二者灼烧4个时间单位后产生,但十芯电缆的
成分明显高于三芯。由此网络根据变化与量化的趋势,便能够直接拟合权重且排除阶跃变
化的影响得出正确分类所需要的网络参数。
散数据的变化特征有一定的记忆效果,能够从时间维度描述气体变化的特征,不受制于电
缆在灼烧过程中特征气体浓度值可能产生变化以及灼烧的不同阶段特征,从而实现连续检
测的功能,识别气体动态变化特征,解决静态识别的问题。