汽车尾气检测系统设计分析

导语：汽车尾气检测系统设计分析一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：汽车使用量的快速增长，在很大程度上解决了人们的出行问题，但同时也向环境保护提出了更大的挑战。为检测车辆排放的尾气中污染物的种类与数量，设计汽车尾气检测系统，介绍了系统中软件与硬件组成，基于C#语言开发上位机软件对采集数据进行处理与显示，并在检测系统中加入基于BP神经网络的预测模型。通过实验结果分析可知，该测量系统具有较强的检测能力和较高的检测精度，能够对5种气体进行准确测量，此外，将BP神经网络模型应用在该尾气检测系统中，使得预测系统具有更高的预测精度，收敛速度大幅度增加，能够较好地适应汽车尾气预测系统，解决实际预测难题。

关键词：BP神经网络；汽车尾气；检测系统；C#语言

1引言

汽车尾气中包含的有毒化合物对大气污染的影响程度极高，检测和控制汽车尾气污染，已成为目前众多学者关注的焦点[1]。在整治机动车尾气污染的过程中，首先需要对污染物进行检测与分析。除了在怠速和高怠速条件下对废气污染物测量方式的规定以外，国家标准还确定了不同型号汽车的废气污染物排放最值。汽车尾气污染物检测时涉及的检测项目包括：CO、HC、CO2、O2、NO等[2]。

2检测系统设计

2.1检测系统硬件设计。本文设计的汽车尾气检测系统硬件组成方式如图1所示。检测系统硬件采用工业控制计算机作为上位机，工业控制计算机与LED显示屏相连进行参数显示，通过尾气分析仪初步检测尾气中各项气体含量并传输到工业控制计算机中进行数据处理，通过红外光电开关对I/O口进行开关控制[3]。尾气分析仪依据不同气体对红外光谱吸收能力不同来测定出汽车尾气的污染物种类与数量[4]。本文所设计的检测系统能够检测汽车尾气中CO、HC、CO2、O2和NO五种污染气体的含量，测量得到的数据在LED显示屏中显示，通过RS-485串行总线与工业控制计算机相连进行数据交换。实验过程中配制不同浓度的气体混合物进行实验，将气体与检测系统泵体相连，从而使气体通入传感器阵列测试腔内，将各传感器采集的信号进行初步处理后，得到实验数据初值，为缩短测量系统网络的收敛时间，提高模型预测精度，本文建立BP神经网络预测模型进行测量分析，并与设定值对比对该系统模型的测量精度进行验证[5]。2.2检测系统软件设计。本尾气检测系统采用C#语言编写上位机软件，能够显示不同怠速下汽车尾气有毒气体的浓度，汽车尾气检测系统的上位机软件界面如图2所示。

3神经网络学习

3.1神经网络学习基本原理。神经网络学习规则的训练算法可分为两大类别：有导师学习、无导师学习。本设计采用有导师学习的类型，即通过提供足够数量的正确输入、输出样本对预测模型进行训练，达到教学的目的。该学习规则的一般步骤为：先进行前向传播，系统输入值先后进入神经网络的输入层、隐藏层、输出层产生相应的输出数据，再反向传播，将通过神经网络的输出值与期望值即样本的输出值数据进行比对，根据学习规则调整预测的权重和临界值，反复多次，当输出结果和实际值之间的偏差在可接受范围中时，停止运行。BP神经网络为一类采用有导师学习的训练算法、偏差反馈与调节的神经网络。其具体结构一般包括输入层、隐藏层（可多个）和输出层[6]。3.2神经网络模型。针对汽车尾气检测系统选定神经网络框架，首先选定输入输出层的数量。由于决策向量有两个，分别是尾气所含气体种类、尾气所含各种气体的数量。将这两个决策变量作为输入，以满足目标函数以及前2条约束条件的随机仿真值作为输出，由于各气体检测量为一个与气体总量N相关的数组，所以输入层的控制点数量是N+1，输出层的控制点数量是2。由于隐藏层控制点数量可能影响网络性能，因此确定隐藏层控制点个数较为重要。若隐层节点数过多，会降低网络运算效率。步骤1：选取各层激励函数。本文模型的输入层与隐藏层选择双曲正切函数tansig作为激扰输入，而将一次函数f(x)=x作为输出层的激扰输入。步骤2：BP神经网络的学习规则与运算步骤。对于正向传播：设样本为：X=[x1,x2,…,xm]，Y=[y1,y2,…,yn]（m,n分别为输入层、输出层控制点个数），当样本输入神经元时，输入样本x与权重矩阵W1（m×1矩阵，1为隐藏层神经元的数量），所得结果代入激励函数，得出隐藏层的输出参数J=[j1,j2,…,jl]。隐藏层的输出值再与隐藏层与输出层之间的权重矩阵W1（为n×1的矩阵）相乘，所得结果代入二者之间的传递函数，所得结果为神经网络输出值Z=[z1,z2,…,zn]。对于反向传播：通过网络输出值Z与期望值（输出样本）Y的比对，求出网络输出的误差E，一般E的求法是Z与Y差值的平方和，然后对误差进行分配，调整每一个权重和阈值。设定学习次数与精度要求，多次重复上述的训练过程，直到达到规定的次数或精度要求为止。至此，本文所需的神经网络的功能用神经网络估计来估计函数的任务已完成，不需进行下一步的回归拟合。

4实验验证与分析

在数据监测过程中，通过采用不同汽车类型进行测试，从而获得足够数量的实验结果，采用神经网络模型的预测误差表如表1所示。由表1数据可知，BP神经网络预测模型对O2、CH、CO和CO2气体浓度的预测数据误差都不超过2.4%，NO的预测数值不超过4.1%，NO的高度不稳定性是使得准确性降低的主要因素。

5结论

针对汽车尾气检测过程中所存在的技术难度大与测量精度低的问题，设计了一套基于BP神经网络预测模型的气体检测系统，对软件和硬件平台的搭建方法进行介绍，并开展现场实验。由实验数据可知，该测量模型拥有平稳性能强与测量误差小的优点，能够对5种气体进行准确识别与测量，此外，将BP神经网络模型应用在该尾气检测系统中，使得预测系统具有更高预测精度，收敛速度大幅度增加，能够较好地适应汽车尾气预测系统，解决实际预测难题。

参考文献

[1]李钢,谷威,刘进,等.在用汽车尾气遥测法检测及排放限值的研究[J].环境科学与技术,2016(S2):378-383.

[2]张坤,陈锋.非分光红外车辆尾气传感器系统设计[J].传感器与微系统,2016,35(2):130-132.

[3]徐亚丹,工俊,赵国军.检测掺假牛奶的电子鼻传感器阵列的优化[J].传感技术学报,2006(4):957-962.

[4]刘萍,简家文,陈志芸.基于集成神经网络的汽车尾气检测系统设计[J].环境工程学报,2016(4):1883-1887.

[5]张雪.城市轨道交通社会效益研究[D].哈尔滨:哈尔滨工业大学,2011.

[6]马超云.城市轨道交通换乘站列车时刻表的协调和优化[D].北京:北京交通大学,2010.

作者:周唤雄 单位:甘肃交通职业技术学院