[0028] 结合附图1‑6，对本发明技术方案作进一步描述：
[0029] 一、系统总体功能的设计
[0030] 本发明由参数采集与控制平台和物质混合调节子系统组成，参数采集与控制平台包括气瓶1、气瓶2、气瓶3、减压阀1、减压阀2、质量流量控制器1、质量流量控制器2、气体混合室、参数检测节点、温度检测节点、控制节点、输气管和现场监控端；参数检测节点、温度检测节点、控制节点和现场监控端之间通过构建CAN现场总线网络来实现参数检测节点、温度检测节点、控制节点和现场监控端之间的通信；温度检测节点和参数检测节点将检测的温度和相关参数通过CAN总线发送给现场监控端，现场监控端对温度和相关参数传感器数据进行理和预测；控制节点接受现场监控端的指令实现对减压阀和2个质量流量控制器的控制来调节实现两种气体混合配比的精确调节；参数采集与控制平台的结构见图1所示。
[0031] 二、温度检测节点设计
[0032] 温度检测节点由温度传感器、调理电路和STM32单片机和CAN总线接口组成，主要用于采集气瓶1、气瓶2和气瓶3环境中温度传感器参数，3组多个温度传感器分别分布在气瓶1、气瓶2和气瓶3中，气瓶1、气瓶2和气瓶3的环境温度数据信息将通过温度检测节点的CAN总线接口和现场监控端的 RS232/CAN接口实现温度检测节点与现场监控端之间信息的实时交互。温度检测节点结构功能见图3所示。
[0033] 三、参数检测节点设计
[0034] 参数检测节点由调理电路和STM32单片机和CAN总线接口组成，多个CO2浓度传感器分布在气瓶3中，CO2流量变送器安装在质量流量控制器1和气体混合室之间的输气管上，空气流量变送器安装在质量流量控制器2和气体混合室之间的输气管上，CO2流量变送器、空气流量变送器和多个CO2浓度传感器的输出作为参数检测节点的输入，该参数信息将通过参数检测节点的CAN总线接口和现场监控端的RS232/CAN接口实现参数检测节点与现场监控端之间信息的实时交互。参数检测节点结构功能见图4所示。
[0035] 四、控制节点设计
[0036] 控制节点由CAN总线接口、3个继电器、STM32单片机和3个D/A调理电路组成，通过调节减压阀、2个质量流量控制器的开度和通断来调控气瓶1和气瓶2的输气管中气体流量实现2种气体的混合配比控制与调节。控制节点的微处理器收到来现场监控端所发出的调节指令后，将通过继电器控制和调理电路的输出量来控制减压阀和2个质量流量控制器的工作，完成对气瓶3中混合气体浓度的调控，控制节点与现场监控端之间通过CAN总线接口为双向数据通信，控制节点的结构图见图5所示。
[0037] 五、现场监控端软件设计
[0038] 现场监控端包括一台工业控制计算机和RS232/CAN接口，现场监控端主要实现对参数采集与控制平台采集的温度、流量和二氧化碳浓度进行检测与处理，实现与温度检测节点、参数检测节点和控制节点之间信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和物质混合调节子系统。物质混合调节子系统结构见图2。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图 6。物质混合调节子系统由DRNN神经网络模型、时延神经网络模型、3个CNN 卷积神经网络模型、NARX神经网络模型、PID二氧化碳控制器、PID空气控制器、2个积分回路、2个T‑S模糊神经网络制器和参数扰动控制模块组成，3个 CNN卷积神经网络模型分别为CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3，由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为对应的T‑S 模糊神经网络制器的2个对应输入；物质混合调节子系统结构见图2所示。
[0039] 1、DRNN神经网络模型的设计
[0040] CO2浓度期望值作为DRNN神经网络模型的对应输入，时延神经网络模型的输出值分别作为DRNN神经网络模型的输入，参数扰动控制模块的时延神经网络模型输出分别作为DRNN神经网络模型的对应输入，DRNN神经网络模型输出与参数扰动控制模块的时延神经网络模型输出的差值作为CO2浓度的期望值误差；每个DRNN网络3‑11‑1的3层网络结构，其隐层为回归层。设 I＝[I1(t),I2(t),…,In(t)]为DRNN神经网络输入向量，其中Ii(t)为DRNN神经网络模型输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t) 为第j个回归神经元输入总和，f(·)为S的函数，则O(t)为DRNN神经网络模型的输出。则DRNN神经网络模型输出层输出为：
[0041]
[0042] 2、CNN卷积神经网络模型的设计
[0043] 3组多个温度传感器的输出分别作为对应的CNN卷积神经网络模型1、CNN 卷积神经网络模型2和CNN卷积神经网络模型3的输入，CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输出作为时延神经网络模型的3个对应的输入；
[0044] CNN卷积神经网络模型能够直接从大量的温度传感器值中自动挖掘提取出表征系统状态的敏感空间特征，CNN卷积神经网络模型结构主要包括4个部分：①输入层(Input)。输入层即为CNN卷积神经网络模型的输入，一般将温度传感器值或预处理后的信号进行归一化后直接输入。②卷积层(Conv)。由于输入层数据维度较大，CNN卷积神经网络模型难以直接全面感知所有温度传感器值输入信息，需要将输入数据分为若干部分进行局部感知，再通过权值共享得到全局信息，同时降低CNN卷积神经网络模型结构的复杂度，这一过程即卷积层的主要功能，具体流程是利用特定尺寸的卷积核以固定步长对温度传感器值输入信号进行遍历和卷积运算，从而实现对温度传感器值输入信号敏感特征的挖掘与提取。③池化层(Pool，又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大，需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合，因此，在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性，采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后，温度传感器值特征提取数据进入到全连接层，该层中的每个神经层与其前一层的所有神经元进行全连接，将卷积层和池化层提取到的温度传感器值的局部特征信息进行整合。同时，为避免过拟合现象，在该层中加入丢失数据(dropout)技术，经过最后一层全连接层的输出值会传递到输出层，将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层。
[0045] 3、时延神经网络模型设计
[0046] CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输出作为时延神经网络模型的3个对应的输入，时延神经网络模型输出的CO2流量温度校正系数和空气流量校正系数值分别作为DRNN神经网络模型和NARX神经网络模型的对应输入；时间延迟神经网络(Time Delay Neural Networks，TDNN神经网络)是一个自适应线性网络，它的输入从网络左边进入, 通过单步延时线D的作用,经过d步延时后成为d+1维向量的输入,该向量是由当前K个时刻多个CNN卷积神经网络模型输出的信号和K以前的d‑1个多个CNN 卷积神经网络模型输出的信号组合而成，神经元采用线性激活函数，时延神经网络属于传统人工神经网络的变种。时延神经网络结构由输入层、输出层和一个或若干个隐含层组成，由神经网络建立起“输入‑输出”之间的映射关系。不同于传统的神经网络，时延神经网络通过在输入层对输入进行延迟实现对前序输入的记忆，通过在输入层对多个CNN卷积神经网络模型输出值进行延迟，使网络可以利用之前的d步的多个CNN卷积神经网络模型值与当前的多个CNN 卷积神经网络模型输出值共同预测当前时间点的料重比输出，对于一个输入层延迟步数为d的时延神经网络，R为时延神经网络的前向传播算子，可以简单地把输入序列X与输出序列Y之间的关系表示成如下形式：
[0047] Y(t)＝R(X(t),X(t‑1),…,X(t‑d)) (2)
[0048] 4、PID二氧化碳控制器和PID空气控制器的设计
[0049] CO2浓度的期望值误差和误差变化率作为PID二氧化碳控制器的输入； NARX神经网络模型输出与空气流量变送器的差值作为空气流量误差，空气流量误差和误差变化率作为PID空气控制器的输入，PID二氧化碳控制器和PID 空气控制器的输出分别作为对应的积分回路输入和T‑S模糊神经网络制器的输入；PID闭环控制器主要是由比例P、积分I微分D所构成的，主要是基于被控制量误差，通过比例、积分、微分进行控制量计算从而实现有效控制。PID闭环控制的重要基础在于比例控制，而积分控制可有效缩小稳态误差，但是极有可能会导致超调增加，微分控制能够促进大惯性系统响应速度加快，并有效降低超调，PID输入与输出u(t)的关系即：
[0050]
[0051] 其中，e(t)代表输入；u(t)代表输出；KP代表比例系数；KI代表积分系数； KD代表微分系数；
[0052] 5、T‑S模糊神经网络制器设计
[0053] 由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为对应的T‑S模糊神经网络制器的2个对应输入；PID二氧化碳控制器和PID空气控制器的输出分别作为对应的积分回路输入和T‑S模糊神经网络制器的输入；T‑S模糊神经网络的模糊逻辑系统是复杂非线性系统模糊建模中一种经典的模糊动态模型，它是基于T‑S模糊逻辑系统和神经网络的融合，得到了一种结构简单的T‑S模糊神经网络，T‑S模糊神经网络为普通的模糊神经网络共有4层，分别为输入层、模糊化层、规则计算层和输出层，第一层为输入层，每个节点均与输入向量xi相连。第二层为模糊化层，本专利采用高斯函数作为T‑S模糊神经网络的隶属度函数，所采用的隶属度函数为：
[0054]
[0055] 第三层为规则计算层，每个节点代表一条模糊规则，采用隶属度的连乘作为模糊规则，通过
[0056] 下面公式求得ω：
[0057] 第四层为输出层，通过下面公式求得到T‑S模糊神经网络的输出：
[0058]
[0059] 6、NARX神经网络模型设计
[0060] 时延神经网络模型的输出值分别作为DRNN神经网络模型和NARX神经网络模型的对应输入，CO2流量变送器传感器的输出作为NARX神经网络模型的对应输入，参数扰动控制模块的时延神经网络模型输出分别作为DRNN神经网络模型和NARX神经网络模型的对应输入；NARX神经网络模型输出与空气流量变送器的差值作为空气流量误差；NARX神经网络模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于CNN卷积神经网络模型和 LSTM神经网络模型的输出作为NARX神经网络模型输入信号和NARX神经网络模型输出温度传感器值料重比反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对空气流量控制给定进行预测。x(t)表示NARX神经网络模型的外部输入，m表示外部输入的延迟阶数；y(t)是神经网络的输出，即下一时段的空气流量控制设定值预测值；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：
[0061]
[0062] 上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j 个隐含神经元的偏置值，网络的输出y(t+1)的值为：
[0063] y(t+1)＝f[y(t),y(t‑1),…,y(t‑n),x(t),x(t‑1),…,x(t‑m+1)；W] (7)[0064] 本发明专利的NARX神经网络模型是一种动态的前馈神经网络，NARX神经网络模型是一个有着外部输入值的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈空气流量控制设定输出值连接到网络输入的封闭网络的若干层，NARX神经网络模型是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。一个典型的NARX回归神经网络主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络模型的当时输出空气流量控制设定值不仅取决于过去y(t‑n)时刻的空气流量控制设定值，还取决于当时的空气流量控制设定值作为输入向量X(t)以及输入向量的延迟阶数等。其中 CNN卷积神经网络模型输出作为输入信号通过时延层传递给隐层，隐层对输入信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的 NARX神经网络模型输出空气流量控制设定值，时延层将NARX神经网络模型输出空气流量控制设定值反馈的信号和空气流量控制设定值的输出作为输入层的信号进行延时，然后输送到隐层。
[0065] 7、参数扰动控制模块设计
[0066] 参数扰动控制模块由2个LSTM神经网络模型、NARX神经网络控制器和时延神经网络模型组成，LSTM神经网络模型分别为LSTM神经网络模型1和 LSTM神经网络模型2；参数扰动控制模块结构见图2所示。
[0067] (1)、LSTM神经网络模型设计
[0068] LSTM神经网络模型分别为LSTM神经网络模型1和LSTM神经网络模型2，2个T‑S模糊神经网络制器输出的CO2浓度控制值和空气浓度控制值分别与 NARX神经网络控制器输出的对应CO2浓度扰动控制值和空气浓度扰动控制值两两相加分别得到CO2浓度控制实际值和空气浓度扰动控制实际值，CO2浓度控制实际值和空气浓度扰动控制实际值分别作为LSTM神经网络模型1和 LSTM神经网络模型1的输入，LSTM神经网络模型1输出分别作为NARX神经网络控制器的1个对应输入和质量流量控制器1的调节量输入，LSTM神经网络模型2输出分别作为NARX神经网络控制器的1个对应输入和质量流量控制器2的调节量输入；LSTM神经网络模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM神经网络模型时间递归神经网络，通常也被称为LSTM神经网络模型网络。LSTM神经网络模型引入了记忆单元 (Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络模型神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元 (Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate) 组成。LSTM神经网络模型是可以持续较长时间短期记忆的模型适合用预测时间序列二氧化碳和控制流量控制实际值的动态变化，LSTM神经网络模型有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。 LSTM神经网络模型可以学习长期的依赖信息，同时避免梯度消失问题。LSTM 神经网络模型在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的二氧化碳和控制流量控制实际值动态变化信息，并增加了三种门(Input、Forget、Output)结构来控制二氧化碳和控制流量控制实际值历史信息的使用。设输入二氧化碳或者控制流量控制实际值的时间序列值为(x1,x2,…,xT)，隐含层状态为(h1,h2,…,hT)，则t时刻有：
[0069] it＝sigmoid(Whiht‑1+WxiXt) (8)
[0070] ft＝sigmoid(Whfht‑1+WhfXt) (9)
[0071] ct＝ft⊙ct‑1+it⊙tanh(Whcht‑1+WxcXt) (10)
[0072] ot＝sigmoid(Whoht‑1+WhxXt+Wcoct) (11)
[0073] ht＝ot⊙tanh(ct) (12)
[0074] 其中it、ft、ot代表input门、forget门和output门，ct代表cell单元， Wh代表递归连接的权重，Wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的LSTM神经网络模型来对进行预测二氧化碳和控制流量控制实际值，该方法首先建立LSTM神经网络模型，利用预处理的二氧化碳和控制流量控制实际值数据建立训练集并对模型进行训练，LSTM神经网络模型考虑了二氧化碳和控制流量控制实际值变化的时序性和非线性，具有较高二氧化碳和控制流量控制实际值的预测精度。
[0075] (2)、NARX神经网络控制器设计
[0076] LSTM神经网络模型1输出分别作为NARX神经网络控制器的1个对应输入和质量流量控制器1的调节量输入，LSTM神经网络模型2输出分别作为 NARX神经网络控制器的1个对应输入和质量流量控制器2的调节量输入；多个CO2浓度传感器的输出作为时延神经网络模型的输入，时延神经网络模型的输出作为NARX神经网络控制器的1个对应输入；NARX神经网络控制器的设计过程参照本专利的NARX神经网络模型的设计过程。
[0077] 六、一种物质混合智能系统的设计举例
[0078] 根据被检测对象的状况，系统设计了温度检测节点、参数检测节点、控制节点和现场监控端的平面布置安装图，其中参数检测节点的温度检测节点的CO2传感器、温度传感器均衡布置在气瓶3、气瓶1和气瓶2的环境中，通过该系统实现对象CO2和温度参数采集和处理，控制节点实现对被控制对象的调节，实现对两种气体的混合精确调剂。
[0079] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
