CN106153567B - 基于bp神经网络压力补偿的红外气体传感器及检测方法 - Google Patents
基于bp神经网络压力补偿的红外气体传感器及检测方法 Download PDFInfo
- Publication number
- CN106153567B CN106153567B CN201610456984.3A CN201610456984A CN106153567B CN 106153567 B CN106153567 B CN 106153567B CN 201610456984 A CN201610456984 A CN 201610456984A CN 106153567 B CN106153567 B CN 106153567B
- Authority
- CN
- China
- Prior art keywords
- neural network
- particle
- filter
- double base
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 33
- 230000003287 optical effect Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 49
- 238000005259 measurement Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000002209 hydrophobic effect Effects 0.000 claims description 5
- 239000012528 membrane Substances 0.000 claims description 5
- 230000005616 pyroelectricity Effects 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000013011 mating Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 125000001475 halogen functional group Chemical group 0.000 claims 2
- 239000007789 gas Substances 0.000 description 93
- 238000010521 absorption reaction Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000004867 photoacoustic spectroscopy Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于BP神经网络压力补偿的红外气体传感器及检测方法，包括红外气体传感器、压力传感器和嵌有BP神经网络算法的微处理系统，红外气体传感器包括采样气室，采样气室的顶部的左端设置有进气口，采样气室的顶部的右端设置有出气口，采样气室内部的左端设置有电调制红外光源，采样气室内部的右端设置有滤光轮，滤光轮的左侧表面的中间位置设置有滤光片组，滤光片组包括两个不同波长的滤光片且两个滤光片上下对称，滤光轮的右侧表面的中间位置设置有双元热释电探测器；本发明具有精度高、结构简单、适用性更强、网络训练速度快、可实现全额补偿等特点。
Description
技术领域
本发明属于红外气体传感器技术领域，具体涉及一种基于BP神经网络压力补偿的红外气体传感器及检测方法，属于红外气体传感器检测技术、基于粒子群优化BP神经网络的带有压力补偿功能的气体浓度检测方法。
背景技术
红外气体检测技术是目前广泛应用的一种非直接接触式实时气体检测技术，凭借其测量范围宽、灵敏度高、响应速度快、选择性好、稳定性高、可连续分析和自动控制等诸多优点，在石油化工、电力系统、环境气体监测及煤炭开采等众多领域，具有不可替代的优势，得到了广泛的重视和应用。
现阶段，市场上常见的光学气体检测技术有光干涉技术、光声光谱技术、光离子化技术和非色散红外检测技术，其中，基于特征光谱吸收理论的非色散红外气体传感器的结构最为简单、调校周期长、性能稳定、不易中毒、性噪比高且易于集成，具有巨大的市场前景和商业价值。其基本原理是由于不同的气体分子具有不同的特征吸收谱线，气体分子结构的不同使得分子间的能级也不相同，致使不同的气体分子对红外光的吸收具有频率选择特性，且气体对红外辐射的吸收关系服从朗伯-比尔定律。韩国的Younghwan Park等人设计了一种优化了光路和光强的非色散二氧化碳气体传感器，其光程得到了很大的提高，精度也已超出现有工业气体检测标准。淮南师范学院研制出基于非色散红外吸收原理的井下多组分气体检测仪，通过转动滤光轮，能够实现同时检测甲烷、一氧化碳和二氧化碳三种气体的浓度。
然而，在利用非色散红外气体传感器对气体浓度进行检测时，其精度受到很多环境因素的影响。在大气压力变化范围较大的特殊场所，单位体积内的气体被压缩，导致气体的分子间距发生改变，从而使红外辐射被吸收的能量增多，但气体检测的浓度并未发生改变，因此，测出的浓度值和真实值相比，有较大的偏差。由标准气体状态方程PV＝nRT可知，当气体体积V一定时，在温度T不变的情况下，随着压强P的升高，气体分子摩尔数将增加，从而导致传感器测量值的增大，反之亦然。
目前，对于由检测环境压力变化引起的测量误差进行补偿的方法主要有两种。一是经验公式法，即采用最小二乘法对同一浓度气体在不同压力下引起的误差进行直线拟合，通过迭代法确定经验公式的相关系数,建立数学模型来进行压强补偿，但此种方法计算量较大，在压力变化较大的场合效果不尽如人意，且经验公式的使用场合有局限性；二是压力控制法，即采用硬件电路模块使检测环境压力保持动态平衡，从而避免因压力改变引起的测量误差，但硬件电路模块的加入不仅增加了功耗、提升了制造成本而且不利于设备小型化。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足提供一种基于BP神经网络压力补偿的红外气体传感器及检测方法，本发明是基于粒子群优化BP神经网络压力补偿的红外气体传感器及检测方法，具有非线性映射能力强、训练速度快、自学习能力好、结构简单、不存在局部最优问题等特点，能够简化压力补偿的过程，使得红外气体传感器具有更高的测量精度。
为实现上述技术目的，本发明采取的技术方案为：
基于BP神经网络压力补偿的红外气体传感器，包括红外气体传感器、压力传感器和嵌有BP神经网络算法的微处理系统，所述红外气体传感器采用单光束双波长结构，所述红外气体传感器包括采样气室，所述采样气室的顶部的左端设置有进气口，所述采样气室的顶部的右端设置有出气口，所述采样气室内部的左端设置有电调制红外光源，所述采样气室外部的左端设置有光源驱动模块，所述光源驱动模块与所述电调制红外光源电连接，所述采样气室左端的内壁上还设置有球面反射镜，所述采样气室内部的右端设置有滤光轮，所述滤光轮为镂空状，所述滤光轮的左侧表面的中间位置设置有滤光片组，所述滤光片组包括两个不同波长的滤光片且两个滤光片上下对称，所述滤光轮的右侧表面的中间位置设置有双元热释电探测器，所述双元热释电探测器包括两个接收面，所述电调制红外光源的发射面、滤光片组中的一个滤光片和所述双元热释电探测器的一个接收面设置在同一水平面上，所述滤光片组中的另一个滤光片和所述双元热释电探测器的另一个接收面设置在同一水平面上，所述滤光轮的右侧还连接有电驱动马达，所述电驱动马达用于带动滤光轮转动，所述采样气室的内部安装有聚光透镜且所述聚光透镜位于电调制红外光源和滤光轮之间，所述压力传感器位于所述采样气室内部的底面，所述红外气体传感器、压力传感器同微处理系统相连接，所述微处理系统还连接有显示单元。
作为本发明进一步解决的技术方案，所述进气口的表面安装有疏水防尘膜。
作为本发明进一步解决的技术方案，所述采样气室的内部设置有一层反光材料。
作为本发明进一步解决的技术方案，所述滤光轮为圆柱形镂空状。
本发明采取的另一个技术方案为：基于BP神经网络压力补偿的红外气体传感器的检测方法，包括以下步骤：
(1)设定微处理系统中的BP神经网络拓扑结构，即设定BP神经网络的输入层的神经元个数、隐含层的神经元个数和输出层的神经元个数,所述输入层和隐含层的激活函数为tansig型函数，所述输出层的激活函数为pureline型线性函数；
(2)双元热释电探测器将其测量通道的输出电压值和参考通道的输出电压值发送到微处理系统，压力传感器将其输出电压值发送到微处理系统，微处理系统对双元热释电探测器的测量通道的输出电压值、双元热释电探测器的参考通道的输出电压值和压力传感器的输出电压值进行数据归一化处理，公式为：其中x,xmax,xmin分别为数据的标定值、最大值和最小值；
(3)将步骤(2)中归一化处理后的数据X＝(x1,x2,x3)作为微处理系统中的BP神经网络的输入层的输入向量，其中x1表示双元热释电探测器的测量通道的输出电压值经过归一化处理后的数据，x2表示双元热释电探测器的参考通道输出电压值经过归一化处理后的数据；x3表示压力传感器的输出电压值经过归一化处理后的数据；
(4)将BP神经网络的输入层中所有神经元之间的连接权值与阈值、隐含层中所有神经元之间的连接权值与阈值和输出层中所有神经元之间的连接权值与阈值分别按照次序排列成向量形式，并将其作为粒子群中的个体粒子；
(5)初始化粒子群，设定最大迭代次数和精度误差；
(6)计算每个粒子的适应度，适应度的公式为：其中，L为学习样本数，p(t)为网络实际输出，q(t)为样本函数输出，通过训练获得最佳适应度的粒子；
(7)粒子群算法中的粒子位置和速度与BP神经网络中待优化的权值和阈值对应，比较粒子的适应度，寻找并且更新每个粒子的个体极值和全局极值，粒子位置的更新方程为：粒子速度的更新方程为：其中和分别表示粒子i在第k次迭代中第d维的速度和位置，c1表示粒子跟踪自身最优值的权重系数，c2表示粒子跟踪群体最优值的权重系数，r1和r2均是[0,1]区间内均匀分布的随机数，pid k为第i个粒子迄今为止找到的最佳位置，Gid k为整个粒子群所寻找到的最佳位置，ω为惯性权重；
(8)查看全局适应度最优解是否满足设定的精度误差，若满足，执行步骤(9)，若不满足，再查看迭代次数是否大于设定的最大迭代次数，若不满足则返回步骤(6)，若满足则执行步骤(9)；
(9)输出粒子群算法中全局粒子最优的位置和速度，并将其作为BP网络的初始权值和阈值并进行训练；
(10)在训练的过程中，选取M组样本数据，按照步骤(1)到(9)进行数据的预处理、网络的创建，以此确定了微处理系统中的BP神经网络模型；
(11)微处理系统对基于BP神经网络压力补偿的红外气体传感器的双元热释电探测器的测量通道的输出电压值、双元热释电探测器的参考通道的输出电压值和压力传感器的输出电压值进行数据归一化处理，归一化处理后的数据作为BP神经网络模型的输入层的输入向量，BP神经网络模型对输入向量进行算法处理，在BP神经网络模型的输出层输出带有压力补偿的待测气体浓度信息，微处理系统发送气体浓度信息到显示单元，显示单元显示气体浓度信息。
本发明的优点是：疏水防尘膜阻止气体中灰尘和水汽进入采样气室，测量无误差；球面反射镜防止了电调制红外光源发出的红外光线的损失，聚光透镜也进一步防止了红外光线的损失，因此本发明具有性能稳定、精度高、寿命长、结构简单等特点。通过将BP神经网络的局部快速搜索能力与粒子群算法的全局搜索能力相结合，提高网络的训练速度，通过寻求粒子最佳位置不断优化网络权值和阈值，使得网络结构的预测值与样本期望输出值的误差达到最小。与现有技术相比，弥补了经验公式法适配性不好以及压力控制法不能实现全额补偿，存在零点漂移等方面的不足，双元热释电探测器的测量通道的输出电压值、双元热释电探测器的参考通道的输出电压值和压力传感器的输出电压值分别在进行数据归一化处理后，处理后的数据送入已创建好的BP神经网络模型的输入层，经BP神经网络模型处理后，由输出层得到具有压力补偿功能的待测气体浓度信息。使压力补偿变得更加简便、适用性更强，有利于设备的小型化和低成本。
附图说明
图1为本发明的红外气体传感器的结构示意图。
图2为本发明的BP神经网络拓扑结构示意图。
图3为本发明的工作流程图。
图4为本发明的电路原理示意图。
具体实施方式
下面根据图1对本发明的具体实施方式作出进一步说明：
参见图1，基于BP神经网络压力补偿的红外气体传感器，包括红外气体传感器、压力传感器13和嵌有BP神经网络算法的微处理系统，红外气体传感器采用单光束双波长结构，红外气体传感器包括采样气室4，采样气室4的顶部的左端设置有进气口5，采样气室4的顶部的右端设置有出气口6，采样气室4内部的左端设置有电调制红外光源2，采样气室4外部的左端设置有光源驱动模块1，光源驱动模块1与电调制红外光源2电连接，采样气室4左端的内壁上还设置有球面反射镜3，采样气室4内部的右端设置有滤光轮9，滤光轮9为镂空状，滤光轮9的左侧表面的中间位置设置有滤光片组10，滤光片组10包括两个不同波长的滤光片且两个滤光片上下对称，滤光轮9的右侧表面的中间位置设置有双元热释电探测器11，双元热释电探测器11包括两个接收面，电调制红外光源2的发射面、滤光片组10中的一个滤光片和所述双元热释电探测器11的一个接收面设置在同一水平面上，滤光片组10中的另一个滤光片和双元热释电探测器11的另一个接收面设置在同一水平面上，滤光轮9的右侧还连接有电驱动马达12，电驱动马达12用于带动滤光轮9转动，采样气室4的内部安装有聚光透镜8且所述聚光透镜8位于电调制红外光源2和滤光轮9之间，压力传感器13位于采样气室4内部的底面，红外气体传感器、压力传感器13同微处理系统相连接，微处理系统还连接有显示单元。
进一步地，进气口5的表面安装有疏水防尘膜7。
进一步地，采样气室4的内部设置有一层反光材料。
进一步地，滤光轮9为圆柱形镂空状。
待测气体通过进气口5进入采样气室4内，疏水防尘膜7阻止气体中灰尘和水汽进入采样气室4，待测气体只对特定波长的光线的红外辐射具有吸收作用，其余波长光线的红外辐射没有吸收作用，待测气体最终通过出气口6出去。
光源驱动模块1控制电调制红外光源2，电调制红外光源2发出红外光线，气室内部的球面反射镜3能将红外光线聚焦到同一点上，防止了红外光线的损失，红外光线经过聚光透镜8后，再经过滤光轮9左侧表面的滤光片组10的其中一个滤光片，当电驱动马达12带动滤光轮9转动180度时，由于两个滤光片的位置上下对称，因此红外光线就会经过滤光轮9左侧表面的滤光片组10的另一个滤光片，两个滤光片的波长不同，最后通过两个滤光片出来后形成两路不同的信号，分别为测量光路和参考光路，待测气体对具有特定波长的测量光路的红外辐射具有吸收作用，待测气体对参考光路的红外辐射没有吸收作用，测量光路通过双元热释电探测器11的其中一个接受面后形成了双元热释电探测器11的测量通道14，参考光路通过双元热释电探测器11的另一个接受面后形成了双元热释电探测器11的参考通道15。所述红外气体传感器还采用了单光束双波长结构，由于参考通道15和测量通道14严格对称且处在同一环境下，因此能够有效地消除因光源抖动、环境温度等因素带来的干扰，提高了待测气体浓度测量的精度。
将双元热释电探测器11的测量通道14的输出电压值、双元热释电探测器11的参考通道15的输出电压值和压力传感器13的输出电压值进行数据归一化处理后，送入已经创建好的的BP神经网络模型的输入层，经网络处理后，由输出层得到具有压力补偿功能的待测气体浓度信息。
参见图2，将双元热释电探测器11的测量通道14的输出电压值U1、双元热释电探测器11的参考通道15的输出电压值U0，压力传感器13的输出电压值U2记为一组输入样本数据，对应的待测气体浓度Y记为一组输出样本数据。
参见图3，基于BP神经网络压力补偿的红外气体传感器的检测方法，包括以下步骤：
(1)设定微处理系统中的BP神经网络拓扑结构，即设定BP神经网络的输入层的神经元个数、隐含层的神经元个数和输出层的神经元个数,所述输入层和隐含层的激活函数为tansig型函数，所述输出层的激活函数为pureline型线性函数；参见图2，ωij为输入层与隐含层之间的连接权值，bi为隐含层的阈值，ωjk为隐含层与输出层之间的连接权值，bq为输出层的阈值，其中i为输入层个数，j为隐含层节点数，i,j∈[1,3]；q为输出层节点数，q＝1；
(2)将N(N为正整数)组输入样本数据发送到微处理系统，输入样本数据为双元热释电探测器11的测量通道14的输出电压值、双元热释电探测器11的参考通道15的输出电压值和压力传感器13的输出电压值，微处理系统对双元热释电探测器11的测量通道14的输出电压值、双元热释电探测器11的参考通道15的输出电压值和压力传感器13的输出电压值进行数据归一化处理，公式为：其中x,xmax,xmin分别为输入样本数据的标定值、最大值和最小值；
(3)将步骤(2)中归一化处理后的数据X＝(x1,x2,x3)作为微处理系统中的BP神经网络的输入层的输入向量，其中x1表示双元热释电探测器11的测量通道14的输出电压值经过归一化处理后的数据，x2表示双元热释电探测器11的参考通道15输出电压值经过归一化处理后的数据；x3表示压力传感器13的输出电压值经过归一化处理后的数据；
(4)将BP神经网络的输入层中所有神经元之间的连接权值与阈值、隐含层中所有神经元之间的连接权值与阈值和输出层中所有神经元之间的连接权值与阈值分别按照次序排列成向量形式，并将其作为粒子群中的个体粒子；
(5)初始化粒子群，设定最大迭代次数和精度误差；
(6)计算每个粒子的适应度，适应度的公式为：其中，L为学习样本数，p(t)为网络实际输出，q(t)为样本函数输出，通过训练获得最佳适应度的粒子；
(7)粒子群算法中的粒子位置和速度与BP神经网络中待优化的权值和阈值对应，比较粒子的适应度，寻找并且更新每个粒子的个体极值和全局极值，粒子位置的更新方程为：粒子速度的更新方程为：其中vid k和xid k分别表示粒子i在第k次迭代中第d维的速度和位置，c1表示粒子跟踪自身最优值的权重系数，c2表示粒子跟踪群体最优值的权重系数，r1和r2均是[0,1]区间内均匀分布的随机数，pid k为第i个粒子迄今为止找到的最佳位置，Gid k为整个粒子群所寻找到的最佳位置，ω为惯性权重；当ω较大时，表示前一个迭代速度对后一个的影响较大，此时的全局搜索的能力比较强；当ω较小时，此时的局部搜索能力比较弱；
(8)查看全局适应度最优解是否满足设定的精度误差，若满足，执行步骤(9)，若不满足，再查看迭代次数是否大于设定的最大迭代次数，若不满足则返回步骤(6)，若满足则执行步骤(9)；
(9)输出粒子群算法中全局粒子最优的位置和速度，并将其作为BP网络的初始权值和阈值并进行训练；
(10)在训练的过程中，选取M组样本数据，按照步骤(1)到(9)进行数据的预处理、网络的创建，以此确定了微处理系统中的BP神经网络模型；
(11)参见图4，微处理系统对基于BP神经网络压力补偿的红外气体传感器的双元热释电探测器11的测量通道14的输出电压值、双元热释电探测器11的参考通道15的输出电压值和压力传感器13的输出电压值进行数据归一化处理，归一化处理后的数据作为BP神经网络模型的输入层的输入向量，BP神经网络模型对输入向量进行算法处理，在BP神经网络模型的输出层输出带有压力补偿的待测气体浓度信息，微处理系统发送气体浓度信息到显示单元，显示单元显示气体浓度信息。
在现有的经验公式中，首先得到红外气体传感器的输出模型：其中，u1为双元热释电探测器11的测量通道14的输出电压；u0为双元热释电探测器11的参考通道15的输出电压；k为与采样气室4长度及待测气体吸收系数、压力等因素相关的常数，具体的为其中gλ为待测气体在活跃光路上的气体吸收系数，l为光程长度。然后对该经验公式的输出模型进行压力补偿，其补偿公式为：
c＝c1+Δc2 (1)
Δc2＝(AX+B)(Ph-p0) (2)
式(2)中，A、B为模型参数；ph为检测环境压力；p0为仪器标定时的环境压力。采用最小二乘法，由同一浓度的待测气体，在不同的压力下引起的误差进行直线拟合，求出直线斜率及模型参数A、B。由式(2)中存在两个变量，既有气体浓度，又有环境压强变量，很难直接求解，因此为了保证能够逼近其浓度真值，采用迭代原理进行求解因压力造成的浓度误差。
参见图2，本发明中，将测量光路通过双元热释电探测器11后形成双元热释电探测器11的测量通道14的输出电压值U1和参考光路通过双元热释电探测器11后形成双元热释电探测器11的参考通道15的输出电压值U0、压力传感器13在检测周围环境压力时的输出电压值U2经过归一化处理后的数据作为BP神经网络的输入层的输入向量，经过网络的不断训练，建立最终的网络模型，以确定测量通道14的输出电压值U1、参考通道15的输出电压值U0、压力传感器13的输出电压值U2及待测气体浓度Y之间的映射关系。
本发明相较于经验公式而言，无需进行大量实验以标定模型参数、结构简单、简化了压力补偿的过程，本发明在整个气体检测范围都进行了压力补偿，具有更好的适配性。
本发明的保护范围包括但不限于以上实施方式，本发明的保护范围以权利要求书为准，任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。
Claims (4)
1.基于BP神经网络压力补偿的红外气体传感器，其特征在于：包括红外气体传感器、压力传感器和嵌有BP神经网络算法的微处理系统，所述红外气体传感器采用单光束双波长结构，所述红外气体传感器包括采样气室，所述采样气室的顶部的左端设置有进气口，所述采样气室的顶部的右端设置有出气口，所述采样气室内部的左端设置有电调制红外光源，所述采样气室外部的左端设置有光源驱动模块，所述光源驱动模块与所述电调制红外光源电连接，所述采样气室左端的内壁上还设置有球面反射镜，所述采样气室内部的右端设置有滤光轮，所述滤光轮为镂空状，所述滤光轮的左侧表面的中间位置设置有滤光片组，所述滤光片组包括两个不同波长的滤光片且两个滤光片上下对称，所述滤光轮的右侧表面的中间位置设置有双元热释电探测器，所述双元热释电探测器包括两个接收面，所述电调制红外光源的发射面、滤光片组中的一个滤光片和所述双元热释电探测器的一个接收面设置在同一水平面上，所述滤光片组中的另一个滤光片和所述双元热释电探测器的另一个接收面设置在同一水平面上，所述滤光轮的右侧还连接有电驱动马达，所述电驱动马达用于带动滤光轮转动，所述采样气室的内部安装有聚光透镜且所述聚光透镜位于电调制红外光源和滤光轮之间，所述压力传感器位于所述采样气室内部的底面，所述红外气体传感器、压力传感器同微处理系统相连接，所述微处理系统还连接有显示单元；
基于BP神经网络压力补偿的红外气体传感器的检测方法，包括以下步骤：
(1)设定微处理系统中的BP神经网络拓扑结构，即设定BP神经网络的输入层的神经元个数、隐含层的神经元个数和输出层的神经元个数,所述输入层和隐含层的激活函数为tansig型函数，所述输出层的激活函数为pureline型线性函数；
(2)双元热释电探测器将其测量通道的输出电压值和参考通道的输出电压值发送到微处理系统，压力传感器将其输出电压值发送到微处理系统，微处理系统对双元热释电探测器的测量通道的输出电压值、双元热释电探测器的参考通道的输出电压值和压力传感器的输出电压值进行数据归一化处理，公式为：其中x,xmax,xmin分别为数据的标定值、最大值和最小值；
(3)将步骤(2)中归一化处理后的数据X＝(x1,x2,x3)作为微处理系统中的BP神经网络的输入层的输入向量，其中x1表示双元热释电探测器的测量通道的输出电压值经过归一化处理后的数据，x2表示双元热释电探测器的参考通道输出电压值经过归一化处理后的数据；x3表示压力传感器的输出电压值经过归一化处理后的数据；
(4)将BP神经网络的输入层中所有神经元之间的连接权值与阈值、隐含层中所有神经元之间的连接权值与阈值和输出层中所有神经元之间的连接权值与阈值分别按照次序排列成向量形式，并将其作为粒子群中的个体粒子；
(5)初始化粒子群，设定最大迭代次数和精度误差；
(6)计算每个粒子的适应度，适应度的公式为：其中，L为学习样本数，p(t)为网络实际输出，q(t)为样本函数输出，通过训练获得最佳适应度的粒子；
(7)粒子群算法中的粒子位置和速度与BP神经网络中待优化的权值和阈值对应，比较粒子的适应度，寻找并且更新每个粒子的个体极值和全局极值，粒子位置的更新方程为：粒子速度的更新方程为：其中和分别表示粒子i在第k次迭代中第d维的速度和位置，c1表示粒子跟踪自身最优值的权重系数，c2表示粒子跟踪群体最优值的权重系数，r1和r2均是[0,1]区间内均匀分布的随机数，pid k为第i个粒子迄今为止找到的最佳位置，Gid k为整个粒子群所寻找到的最佳位置，ω为惯性权重；
(8)查看全局适应度最优解是否满足设定的精度误差，若满足，执行步骤(9)，若不满足，再查看迭代次数是否大于设定的最大迭代次数，若不满足则返回步骤(6)，若满足则执行步骤(9)；
(9)输出粒子群算法中全局粒子最优的位置和速度，并将其作为BP网络的初始权值和阈值并进行训练；
(10)在训练的过程中，选取M组样本数据，按照步骤(1)到(9)进行数据的预处理、网络的创建，以此确定了微处理系统中的BP神经网络模型；
(11)微处理系统对基于BP神经网络压力补偿的红外气体传感器的双元热释电探测器的测量通道的输出电压值、双元热释电探测器的参考通道的输出电压值和压力传感器的输出电压值进行数据归一化处理，归一化处理后的数据作为BP神经网络模型的输入层的输入向量，BP神经网络模型对输入向量进行算法处理，在BP神经网络模型的输出层输出带有压力补偿的待测气体浓度信息，微处理系统发送气体浓度信息到显示单元，显示单元显示气体浓度信息。
2.根据权利要求1所述的基于BP神经网络压力补偿的红外气体传感器，其特征在于：所述进气口的表面安装有疏水防尘膜。
3.根据权利要求1所述的基于BP神经网络压力补偿的红外气体传感器，其特征在于：所述采样气室的内部设置有一层反光材料。
4.根据权利要求3所述的基于BP神经网络压力补偿的红外气体传感器，其特征在于：所述滤光轮为圆柱形镂空状。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610456984.3A CN106153567B (zh) | 2016-06-22 | 2016-06-22 | 基于bp神经网络压力补偿的红外气体传感器及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610456984.3A CN106153567B (zh) | 2016-06-22 | 2016-06-22 | 基于bp神经网络压力补偿的红外气体传感器及检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106153567A CN106153567A (zh) | 2016-11-23 |
| CN106153567B true CN106153567B (zh) | 2019-07-23 |
Family
ID=57353370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610456984.3A Active CN106153567B (zh) | 2016-06-22 | 2016-06-22 | 基于bp神经网络压力补偿的红外气体传感器及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106153567B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106767763A (zh) * | 2017-03-15 | 2017-05-31 | 北方工业大学 | 一种平面姿态测量传感器的环境补偿装置与方法 |
| CN109115716A (zh) * | 2018-07-12 | 2019-01-01 | 镇江市爱威尔电子有限公司 | 一种多功能红外气体传感器 |
| CN109709058A (zh) * | 2018-12-20 | 2019-05-03 | 南京信息工程大学 | 基于AGA-Elman算法的红外气体传感器及湿度补偿方法 |
| CN109632687A (zh) * | 2019-01-28 | 2019-04-16 | 国网重庆市电力公司电力科学研究院 | 四氟化碳气体浓度检测校正方法、装置、设备及存储介质 |
| CN111915691B (zh) * | 2019-05-07 | 2023-08-22 | 上海科技大学 | 基于神经网络的图像处理系统、方法、终端、及介质 |
| CN110070170A (zh) * | 2019-05-23 | 2019-07-30 | 福州大学 | 基于mcu的pso-bp神经网络传感器校准系统及方法 |
| CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
| CN110618102A (zh) * | 2019-09-25 | 2019-12-27 | 成都太阳神鸟智能控制有限公司 | 一种基于色散光谱分析与人工智能的气体检测方法及装置 |
| CN113358600A (zh) * | 2020-03-06 | 2021-09-07 | 山东大学 | 气体检测气室、基于人工神经网络的激光光谱气体检测系统及方法 |
| CN113406021B (zh) * | 2020-03-17 | 2022-09-02 | 山东大学 | 基于神经网络的光学频率梳气体检测系统及方法 |
| CN111579529A (zh) * | 2020-04-17 | 2020-08-25 | 汕头大学医学院 | 一种基于激光遥感的动态预检测试装置及方法 |
| CN111964846A (zh) * | 2020-09-28 | 2020-11-20 | 郑州斯倍思机电有限公司 | 一种利用co2进行工件密封性检测的系统 |
| CN112198134A (zh) * | 2020-10-13 | 2021-01-08 | 海南聚能科技创新研究院有限公司 | 一种便携式红外气体分析仪 |
| CN112730301A (zh) * | 2020-12-18 | 2021-04-30 | 宁波舜宇红外技术有限公司 | 一种红外燃气报警检测气体浓度方法 |
| CN113252571A (zh) * | 2021-04-23 | 2021-08-13 | 陕西省石油化工研究设计院 | 利用光谱法检测气体的方法 |
| CN113192569B (zh) * | 2021-05-11 | 2024-05-28 | 南京工程学院 | 基于改进粒子群和误差反馈神经网络的有害气体监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3958122A (en) * | 1974-12-19 | 1976-05-18 | United Technologies Corporation | Exhaust gas analyzer having pressure and temperature compensation |
| CN101470073A (zh) * | 2007-12-24 | 2009-07-01 | 深圳迈瑞生物医疗电子股份有限公司 | 一种气体浓度测量方法及装置 |
| CN104568806A (zh) * | 2013-10-28 | 2015-04-29 | 上海巨哥电子科技有限公司 | 一种气体检测装置 |
| CN105223241A (zh) * | 2015-09-18 | 2016-01-06 | 南京信息工程大学 | 一种湿度传感器的补偿方法 |
| CN105352907A (zh) * | 2015-11-27 | 2016-02-24 | 南京信息工程大学 | 基于径向基网络温度补偿的红外气体传感器及检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10221253A (ja) * | 1997-02-07 | 1998-08-21 | Fuji Electric Co Ltd | 赤外線ガス分析計及びガス濃度測定方法 |
| US7244939B2 (en) * | 2003-12-09 | 2007-07-17 | Dynament Limited | Gas sensor |
| CN201229299Y (zh) * | 2008-06-24 | 2009-04-29 | 郑州市光力科技发展有限公司 | 具备气压补偿功能的红外可燃碳氢化合物气体传感器 |
| CN204154642U (zh) * | 2014-06-04 | 2015-02-11 | 江南大学 | 一种红外油烟浓度传感器 |
-
2016
- 2016-06-22 CN CN201610456984.3A patent/CN106153567B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3958122A (en) * | 1974-12-19 | 1976-05-18 | United Technologies Corporation | Exhaust gas analyzer having pressure and temperature compensation |
| CN101470073A (zh) * | 2007-12-24 | 2009-07-01 | 深圳迈瑞生物医疗电子股份有限公司 | 一种气体浓度测量方法及装置 |
| CN104568806A (zh) * | 2013-10-28 | 2015-04-29 | 上海巨哥电子科技有限公司 | 一种气体检测装置 |
| CN105223241A (zh) * | 2015-09-18 | 2016-01-06 | 南京信息工程大学 | 一种湿度传感器的补偿方法 |
| CN105352907A (zh) * | 2015-11-27 | 2016-02-24 | 南京信息工程大学 | 基于径向基网络温度补偿的红外气体传感器及检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| GIS设备内SF6废气成分的定量分析方法;蔡涛等;《高电压技术》;20101031;第36卷(第10期);全文 |
| 一种神经网络热导气体传感器的设计;田增国;《研究与开发》;20090430;第28卷(第4期);摘要，第58页"1.2 传感器电路设计" |
| 粒子群优化算法在混合气体红外光谱定量分析中的应用;李玉军等;《光谱学与光谱分析》;20090531;第29卷(第5期);全文 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106153567A (zh) | 2016-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106153567B (zh) | 基于bp神经网络压力补偿的红外气体传感器及检测方法 | |
| CN205374298U (zh) | 基于tdlas的痕量气体浓度检测装置 | |
| CN108106998B (zh) | 大气污染物检测装置及检测方法 | |
| CN110006837A (zh) | 一种ndir气体传感器系统及温湿度补偿方法 | |
| CN105158205B (zh) | 甲烷气团界面识别和可调量程激光遥测甲烷浓度的方法和装置 | |
| Shen et al. | Methane near-infrared laser remote detection under non-cooperative target condition based on harmonic waveform recognition | |
| CN106990065A (zh) | 一种用于多地区及多气体测量的非分光式红外气体传感器 | |
| CN105738309A (zh) | 一种甲烷检测器及方法 | |
| CN109709058A (zh) | 基于AGA-Elman算法的红外气体传感器及湿度补偿方法 | |
| CN205607852U (zh) | 一种基于红外吸收原理的小型化长光程甲烷气体传感器 | |
| CN103278489A (zh) | 荧光氧气传感器 | |
| CN113640203B (zh) | 一种多参数复杂极端环境模拟装置 | |
| CN203324188U (zh) | 荧光氧气传感器 | |
| Li et al. | Performance of a mid-infrared sensor for simultaneous trace detection of atmospheric CO and N2O based on PSO-KELM | |
| Sun et al. | Non-interference NDIR detection method for mixed gases based on differential elimination | |
| CN206479449U (zh) | 光学气体吸收池及光学气体传感器 | |
| CN104198348A (zh) | 基于光电融合的pm2.5浓度检测系统及检测方法 | |
| CN106979824A (zh) | 一种非分光红外乙烯气体传感器及其测量方法 | |
| Sun et al. | High accuracy wide range CO2 detection method based on difference optical path NDIR | |
| CN101281124A (zh) | 宽带腔增强吸收光谱大气环境光电监测系统 | |
| CN114397273B (zh) | 基于二次-四次谐波联用的气体浓度测量装置及测量方法 | |
| CN206515235U (zh) | 一种量子级联激光器的红外长光程气体检测装置 | |
| CN206725101U (zh) | 一种非分光红外乙烯气体传感器 | |
| CN116183537A (zh) | 基于差分消元的抗干扰ndir混合气体检测方法和系统 | |
| CN209542430U (zh) | 微型紫外吸收大气臭氧传感器 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 210044 No. 219 Ningliu Road, Jiangbei New District, Nanjing City, Jiangsu Province Patentee after: NANJING University OF INFORMATION SCIENCE & TECHNOLOGY Address before: The Olympic Avenue in Jianye District of Nanjing city of Jiangsu Province, No. 69 210019 Patentee before: NANJING University OF INFORMATION SCIENCE & TECHNOLOGY |