CN110006838A - 一种可调节式红外气体传感器系统及温湿度补偿方法 - Google Patents
一种可调节式红外气体传感器系统及温湿度补偿方法 Download PDFInfo
- Publication number
- CN110006838A CN110006838A CN201910366244.4A CN201910366244A CN110006838A CN 110006838 A CN110006838 A CN 110006838A CN 201910366244 A CN201910366244 A CN 201910366244A CN 110006838 A CN110006838 A CN 110006838A
- Authority
- CN
- China
- Prior art keywords
- infrared
- sensor
- value
- baffle
- gas chamber
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 29
- 241000282461 Canis lupus Species 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 238000007789 sealing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 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
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种可调节式红外气体传感器系统，其特征在于：包括红外传感器单元、微处理器、无线通信模块和上位机，所述微处理器分别和红外传感器单元和无线通信模块连接，所述无线通信模块和上位机连接。本发明的红外传感器系统具有性能稳定、精度高、结构简单等特点，弥补了硬件电路功耗大，经验公式法适配性不好等方面的不足，且本发明的方法通过对各个气体传感器的测量通道与参比通道输出电压的比值、温湿度传感器电信号处理后，得到具有温湿度补偿功能的待测气体浓度信息。使温湿度补偿变得更加简便、适用性更强，有利于设备的小型化和低成本。
Description
技术领域
本发明涉及红外传传感器技术，具体涉及一种可调节式红外气体传感器系统及温湿度补偿方法。
背景技术
红外气体传感器因其具有极高的气体选择性在化工、电力、环境气体监测及煤炭开采等众多领域得到广泛的应用。这种检测技术在精度、价格、使用寿命、功耗、稳定性等方面具有明显的优势。
由于红外光谱吸收检测技术在气体检测领域具有诸多的优势，所以国内外科研机构对该技术的应用进行了较为深入的研究。受待测气体含水量的状态、热释电探测器的检测机理以及外围电路各元器件的温漂等影响，检测环境温湿度会从多个方面干扰非色散红外气体传感器的测量精度。
目前，市面上现存的采样气室大多是直射式，本设计提出了一种新型可调节气室，使气体与红外光充分接触，提高测量精度，便于系统小型化设计。
现阶段消除温湿度变化对非色散红外气体传感器的非线性影响主要有两种方法：硬件控制法以及经验公式补偿法。硬件控制法的主要思想是通过外置设备使气体传感器的气室温度处于动态平衡中，并使用防水装置，从而避免因检测环境温湿度变化所带来的测量误差。但硬件电路模块的加入增加了功耗、提升了制造成本且不利于设备小型化。而经验公式补偿法是采用最小二乘法对同一浓度气体在不同温湿度下引起的误差进行非线性拟合来确定相关系数。但此种方法计算量较大，且其使用场合有局限性。
发明内容
本发明所要解决的技术问题是提供一种可调节式红外气体传感器系统及温湿度补偿方法。
为解决以上技术问题，本发明的技术方案为：提供一种可调节式红外气体传感器系统，其创新点在于：一种可调节式红外气体传感器系统，其特征在于：包括红外传感器单元、微处理器、无线通信模块和上位机，所述微处理器分别和红外传感器单元和无线通信模块连接，所述无线通信模块和上位机连接；
所述红外传感器单元包括红外传感器的采样气室、温度传感器、湿度传感器、红外光源、热释电探测器、第一高反射镜、第二高反射镜和第三高反射镜，所述采样气室的截面为长方形两侧下半部分对称开设倒直角，所述采样气室两侧的倾斜部分分别为第一挡板和第二挡板，所述红外光源和热释电探测器分别对应安装于第一挡板和第二挡板上；所述第一高反射镜和第二高反射镜分别滑动对称安装于采样气室顶部两侧，所述第三高反射镜安装于采样气室内底部中间位置；所述采样气室内底部还安装温度传感器和湿度传感器；所述采样气室两侧上端还对称设有进气口和出气口。
进一步的，所述第一挡板和第二挡板均为活动式挡板，采样气室内底部两侧分别设有可固定第一挡板和第二挡板的第一卡扣和第二卡扣。
进一步的，所述无线通信模块采用的无线通信技术为无线技术LoRa。
进一步的，所述微处理器内部嵌有GWO-BP算法。
进一步的，所述温度传感器、湿度传感器和热释电探测器均通过引脚穿出采样气室与微处理器连接，所述引脚穿出采样气室的位置与采样气室密封。
为解决以上技术问题，本发明还提供了一种红外传感器的温湿度补偿方法，其特征在于：包括以下具体步骤：
（1）创建一个BP神经网络，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；
（2）将某一时刻的热释电探测器的各个测量通道和参考通道输出的电压值的比值及温湿度传感器的输出电压值进行数据归一化处理；
（3）将步骤（2）中归一化处理后的数据送至BP神经网络的输入端作为输入向量，其中，表示各个测量通道的输出电压和参考通道输出电压的比值，表示温度传感器的输出电压经过归一化处理后的数据；表示湿度传感器的输出电压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续权值与阈值、隐含层中所有神经元之间的连续权值与阈值和输出层中所有神经元之间的连续权值与阈值设定为狼群内的每个个体；
（5）在搜索空间中利用Logistic混沌映射初始化狼群，设定最大迭代次数和误差精度；
（6）采用BP神经网络的各个神经元节点的误差总和作为GWO优化算法衡量个体优劣的适应度函数，并通过适应度函数计算狼群内每个个体的适应度值并进行排序，进而确定历史适应度的最优解，优解和次优解；
（7）对每只灰狼，初步计算灰狼位置X且判断算法当前的迭代次数是否为最大迭代次数，若满足则进入步骤（8），否则返回执行步骤（6）；
（8）输出最优灰狼个体位置X，并将其作为BP网络的初始权值和阈值进行训练；
（9）在训练的过程中，选取M组样本数据，按照步骤（1）到（8）进行数据的预处理、网络的创建，当达到预定的误差精度时，训练模型完成；
（10）在实际的红外气体浓度测量过程中，微处理器对当前红外传感器单元的各个测量通道与参比通道的实际比值、温度传感器输出的实际电压值和湿度传感器输出的实际电压值进行数据归一化处理，并送入已训练完成的GWO-BP神经网络模型的输入层，经过训练完成的GWO-BP神经网络的算法处理后，输出层得到温度与湿度补偿后的气体浓度数据；
（11）微处理器再对补偿后的气体浓度数据进行反归一化处理，由无线技术LoRa17传入上位机进行显示。
进一步的，所述步骤（1）中所述隐含层的激励函数为Sigmoid函数。
进一步的，所述步骤（2）中进行归一化处理的公式如下：，式中：分别为输入数据的标定值、最大值和最小值。
进一步的，所述步骤（6）中的适应度函数的数学表达式为：，其中，为预测值，为实测值。
进一步的，所述步骤（7）中计算灰狼位置的公式为：，式中表示的权重系数，其计算公式为：，式中，表示第只狼在时刻的适应度值。
本发明和现有技术相比。产生的有益效果为：
（1）本发明提出了一种可调节的多次反射式气室，可以有效增加光程长度。通过调节气室两侧的活动挡板，来调节光线反射角度及光程长度以达到各个气体的最优长度测量值，使得气体传感器测量精度大大提高。
（2）相比于现有的带温湿度补偿功能的气体传感器，基于GWO-BP神经网络的气体传感器具有性能稳定、精度高、结构简单等特点。弥补了硬件电路功耗大，经验公式法适配性不好等方面的不足。本方法通过对各个气体传感器的测量通道与参比通道输出电压的比值、温湿度传感器电信号处理后，得到具有温湿度补偿功能的待测气体浓度信息。使温湿度补偿变得更加简便、适用性更强，有利于设备的小型化和低成本。
（3）本发明采用无线技术LoRa，使得气体浓度显示端可与测量端相距较远的距离，便于工作人员随时检测气体浓度而不需实地测量。
附图说明
为了更清晰地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种可调节式红外气体传感器系统的系统结构图。
图2为图1中的红外传感器单元的具体结构示意图。
图3为本发明的GWO-BP算法流程图。
具体实施方式
下面将通过具体实施方式对本发明的技术方案进行清楚、完整地描述。
本发明的一种可调节式红外气体传感器系统，其具体系统框图如图1所示，包括红外传感器单元、微处理器、无线通信模块和上位机，所述微处理器分别和红外传感器单元和无线通信模块连接，所述无线通信模块和上位机连接；无线通信模块采用的无线通信技术为无线技术LoRa，使得气体浓度显示端（上位机）可与测量端相距较远的距离，便于工作人员实时检测气体浓度而不需实地测量。微处理器内部嵌有GWO-BP算法。本发明的红外气体传感器采用单光束多波长结构，包括多气体测量通道16和参比通道17。
本发明发红外传感器单元的具体结构如图2所示，包括红外传感器的采样气室1、温度传感器2、湿度传感器3、红外光源4、热释电探测器5、第一高反射镜6、第二高反射镜7和第三高反射镜8，所述采样气室1的截面为长方形两侧下半部分对称开设倒直角，采样气室1两侧的倾斜部分分别为第一挡板9和第二挡板10，第一挡板9和第二挡板10均为活动式挡板，采样气室1内底部两侧分别设有可固定第一挡板9和第二挡板10的第一卡扣11和第二卡扣12，第一挡板9和第二挡板10可根据各个气体测量通道所要通过的滤光片位置来调节反射角度和光程长度，提高气体传感器的测量精度。红外光源4和热释电探测器5分别对应安装于第一挡板9和第二挡板10上；第一高反射镜6和第二高反射镜7分别滑动对称安装于采样气室1顶部两侧，第三高反射镜8安装于采样气室1内底部中间位置，三块高反射镜的设置使得红外光源4发出的红外光线经过多次反射后可被热释电探测器5接收。本发明的采样气室1内底部还安装温度传感器2和湿度传感器3；所述采样气室1两侧上端还对称设有进气口13和出气口14。温度传感器2、湿度传感器3和热释电探测器5均通过引脚15穿出采样气室1与微处理器连接，引脚15穿出采样气室1的位置与采样气室1密封。
本发明的一种可调节式红外气体传感器系统的工作原理为：首先根据需要调整好第一挡板9和第二挡板10的角度以及第一高反光镜6和第二高反光镜7的位置，调整之后打开红外光源4使其按预先设定的角度向第一高反射镜6发射红外光线，红外光线依次经过第三高反射镜8和第二高反射镜7的反射之后到达热释电探测器5，根据热释电探测器5探测的两边的光线频率，从红外光源4至热释电探测器5的光线路径分为测量通道16和参比通道17，热释电探测器5根据接收到的各通道的红热光线向微处理器传递各个测量通道16与参比通道17的比值，同时温度传感器2和湿度传感器3也分别向微处理器传递输出电压值，微处理器通过内部嵌有的GWO-BP算法对接收到的各个参数进行处理后，处理结果通过无线通信模块传递至上位机显示。
本发明还提供一种红外传感器的温湿度补偿方法，如图3所示，具体包括以下步骤：
（1）创建一个BP神经网络，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；所述隐含层的激励函数为Sigmoid函数；
（2）将某一时刻的热释电探测器的各个测量通道和参考通道输出的电压值的比值及温湿度传感器的输出电压值进行数据归一化处理；其中，进行归一化处理的公式如下：，式中：分别为输入数据的标定值、最大值和最小值。
（3）将步骤（2）中归一化处理后的数据送至BP神经网络的输入端作为输入向量，其中，表示各个测量通道的输出电压和参考通道输出电压的比值，表示温度传感器的输出电压经过归一化处理后的数据；表示湿度传感器的输出电压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续权值与阈值、隐含层中所有神经元之间的连续权值与阈值和输出层中所有神经元之间的连续权值与阈值设定为狼群内的每个个体；
（5）在搜索空间中利用Logistic混沌映射初始化狼群，设定最大迭代次数和误差精度；
（6）采用BP神经网络的各个神经元节点的误差总和作为GWO优化算法衡量个体优劣的适应度函数，并通过适应度函数计算狼群内每个个体的适应度值并进行排序，进而确定历史适应度的最优解，优解和次优解；其中，步骤（6）中的适应度函数的数学表达式为：，其中，为预测值，为实测值。
（7）对每只灰狼，初步计算灰狼位置X且判断算法当前的迭代次数是否为最大迭代次数，若满足则进入步骤（8），否则返回执行步骤（6）；其中，计算灰狼位置的公式为：，式中表示的权重系数，其计算公式为：，式中，表示第只狼在时刻的适应度值。
（8）输出最优灰狼个体位置X，并将其作为BP网络的初始权值和阈值进行训练；
（9）在训练的过程中，选取M组样本数据，按照步骤（1）到（8）进行数据的预处理、网络的创建，当达到预定的误差精度时，训练模型完成；
（10）在实际的红外气体浓度测量过程中，微处理器对当前红外传感器单元的各个测量通道与参比通道的实际比值、温度传感器输出的实际电压值和湿度传感器输出的实际电压值进行数据归一化处理，并送入已训练完成的GWO-BP神经网络模型的输入层，经过训练完成的GWO-BP神经网络的算法处理后，输出层得到温度与湿度补偿后的气体浓度数据；
（11）微处理器再对补偿后的气体浓度数据进行反归一化处理，由无线技术LoRa17传入上位机进行显示。
上面所述的实施例仅仅是本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计构思的前提下，本领域中普通工程技术人员对本发明的技术方案作出的各种变型和改进均应落入本发明的保护范围，本发明的请求保护的技术内容，已经全部记载在技术要求书中。
Claims (10)
1.一种可调节式红外气体传感器系统，其特征在于：包括红外传感器单元、微处理器、无线通信模块和上位机，所述微处理器分别和红外传感器单元和无线通信模块连接，所述无线通信模块和上位机连接；
所述红外传感器单元包括红外传感器的采样气室、温度传感器、湿度传感器、红外光源、热释电探测器、第一高反射镜、第二高反射镜和第三高反射镜，所述采样气室的截面为长方形两侧下半部分对称开设倒直角，所述采样气室两侧的倾斜部分分别为第一挡板和第二挡板，所述红外光源和热释电探测器分别对应安装于第一挡板和第二挡板上；所述第一高反射镜和第二高反射镜分别滑动对称安装于采样气室顶部两侧，所述第三高反射镜安装于采样气室内底部中间位置；所述采样气室内底部还安装温度传感器和湿度传感器；所述采样气室两侧上端还对称设有进气口和出气口。
2.根据权利要求1所述的一种可调节式红外气体传感器系统，其特征在于：所述第一挡板和第二挡板均为活动式挡板，采样气室内底部两侧分别设有可固定第一挡板和第二挡板的第一卡扣和第二卡扣。
3.根据权利要求1所述的一种可调节式红外气体传感器系统，其特征在于：所述无线通信模块采用的无线通信技术为无线技术LoRa。
4.根据权利要求1所述的一种可调节式红外气体传感器系统，其特征在于：所述微处理器内部嵌有GWO-BP算法。
5.根据权利要求1所述的一种可调节式红外气体传感器系统，其特征在于：所述温度传感器、湿度传感器和热释电探测器均通过引脚穿出采样气室与微处理器连接，所述引脚穿出采样气室的位置与采样气室密封。
6.一种红外传感器的温湿度补偿方法，其特征在于：包括以下具体步骤：
（1）创建一个BP神经网络，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；
（2）将某一时刻的热释电探测器的各个测量通道和参考通道输出的电压值的比值及温湿度传感器的输出电压值进行数据归一化处理；
（3）将步骤（2）中归一化处理后的数据送至BP神经网络的输入端作为输入向量，其中，表示各个测量通道的输出电压和参考通道输出电压的比值，表示温度传感器的输出电压经过归一化处理后的数据；表示湿度传感器的输出电压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续权值与阈值、隐含层中所有神经元之间的连续权值与阈值和输出层中所有神经元之间的连续权值与阈值设定为狼群内的每个个体；
（5）在搜索空间中利用Logistic混沌映射初始化狼群，设定最大迭代次数和误差精度；
（6）采用BP神经网络的各个神经元节点的误差总和作为GWO优化算法衡量个体优劣的适应度函数，并通过适应度函数计算狼群内每个个体的适应度值并进行排序，进而确定历史适应度的最优解，优解和次优解；
（7）对每只灰狼，初步计算灰狼位置X且判断算法当前的迭代次数是否为最大迭代次数，若满足则进入步骤（8），否则返回执行步骤（6）；
（8）输出最优灰狼个体位置X，并将其作为BP网络的初始权值和阈值进行训练；
（9）在训练的过程中，选取M组样本数据，按照步骤（1）到（8）进行数据的预处理、网络的创建，当达到预定的误差精度时，训练模型完成；
（10）在实际的红外气体浓度测量过程中，微处理器对当前红外传感器单元的各个测量通道与参比通道的实际比值、温度传感器输出的实际电压值和湿度传感器输出的实际电压值进行数据归一化处理，并送入已训练完成的GWO-BP神经网络模型的输入层，经过训练完成的GWO-BP神经网络的算法处理后，输出层得到温度与湿度补偿后的气体浓度数据；
（11）微处理器再对补偿后的气体浓度数据进行反归一化处理，由无线技术LoRa17传入上位机进行显示。
7.根据权利要求6所述的一种红外传感器的温湿度补偿方法，其特征在于：所述步骤（1）中所述隐含层的激励函数为Sigmoid函数。
8.根据权利要求6所述的一种红外传感器的温湿度补偿方法，其特征在于：所述步骤（2）中进行归一化处理的公式如下：，式中：分别为输入数据的标定值、最大值和最小值。
9.根据权利要求6所述的一种红外传感器的温湿度补偿方法，其特征在于：所述步骤（6）中的适应度函数的数学表达式为：，其中，为预测值，为实测值。
10.根据权利要求6所述的一种红外传感器的温湿度补偿方法，其特征在于：所述步骤（7）中计算灰狼位置的公式为：，式中表示的权重系数，其计算公式为：，式中，表示第只狼在时刻的适应度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910366244.4A CN110006838A (zh) | 2019-05-05 | 2019-05-05 | 一种可调节式红外气体传感器系统及温湿度补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910366244.4A CN110006838A (zh) | 2019-05-05 | 2019-05-05 | 一种可调节式红外气体传感器系统及温湿度补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110006838A true CN110006838A (zh) | 2019-07-12 |
Family
ID=67175516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910366244.4A Pending CN110006838A (zh) | 2019-05-05 | 2019-05-05 | 一种可调节式红外气体传感器系统及温湿度补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110006838A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2615600A (en) * | 2022-02-15 | 2023-08-16 | Gas Sensing Solutions Ltd | Gas sensor reference |
| US11827080B2 (en) | 2019-09-18 | 2023-11-28 | Carrier Corporation | Heated gas detector |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101592600A (zh) * | 2008-05-28 | 2009-12-02 | 北京市加华博来科技有限公司 | 高灵敏度快速响应红外瓦斯传感器 |
| 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 |
-
2019
- 2019-05-05 CN CN201910366244.4A patent/CN110006838A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101592600A (zh) * | 2008-05-28 | 2009-12-02 | 北京市加华博来科技有限公司 | 高灵敏度快速响应红外瓦斯传感器 |
| 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 |
Non-Patent Citations (5)
| Title |
|---|
| 沈婉等: "便携式非分光红外SF6气体检测方法研究", 《应用光学》 * |
| 石峰等: "基于灰狼群智能最优化的神经网络PM2.5浓度预测", 《计算机应用》 * |
| 程跃等: "光程可调吸收气室气体传感器研究", 《传感器与微系统》 * |
| 陈远鸣等: "基于改进型BP神经网络的SF6气体传感器", 《电子测量与仪器学报》 * |
| 黄伟军等: "基于改进BP神经网络的汽车尾气检测系统设计", 《传感器与微系统》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11827080B2 (en) | 2019-09-18 | 2023-11-28 | Carrier Corporation | Heated gas detector |
| GB2615600A (en) * | 2022-02-15 | 2023-08-16 | Gas Sensing Solutions Ltd | Gas sensor reference |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN201331493Y (zh) | 一种红外气体分析仪 | |
| CN204855490U (zh) | 一种多功能气体传感器测试系统 | |
| US7743643B2 (en) | Innovative gas monitoring with spacial and temporal analysis | |
| CN110006838A (zh) | 一种可调节式红外气体传感器系统及温湿度补偿方法 | |
| CN104677792A (zh) | 便携式空气品质判断装置 | |
| CN101271084B (zh) | 集中循环式六氟化硫气体浓度的超声波检测系统及方法 | |
| CN108982396A (zh) | 一种红外co2气体传感器及其标定系统和温湿度补偿方法 | |
| CN106153567A (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 | |
| AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
| Tan et al. | Design of mini-multi-gas monitoring system based on IR absorption | |
| CN205808925U (zh) | 一种近红外原油含水率检测装置 | |
| CN109187667A (zh) | 环境气体浓度测量装置及其使用方法 | |
| CN206594053U (zh) | 一种自适应傅里叶红外气体分析仪 | |
| CN110057773A (zh) | 一种红外气体传感器系统及基于AACA-Elman算法的温度补偿方法 | |
| CN109855708A (zh) | 一种流量检查、校准装置及方法 | |
| CN105784606A (zh) | 一种基于光学特性的水质监控系统 | |
| CN110161115B (zh) | 一种基于声速频散强度变化率的气体成分探测方法和系统 | |
| CN209013413U (zh) | 一种基于云端控制的室内空调负荷预测系统 | |
| CN101078698B (zh) | 围护结构整体隔热性能的主动式检测方法 | |
| CN109632683B (zh) | 一种风洞实验同步自动化采样测量系统 | |
| CN109696412A (zh) | 基于agnes优化bp神经网络的红外气体传感器及气压补偿方法 | |
| CN203337541U (zh) | 一种气体分析仪 | |
| CN116626238A (zh) | 一种气流和气体组合感知的双通道检测罗盘系统、气体泄漏检测方法、数据融合及追踪方法 | |
| CN105717048A (zh) | 一种基于养殖水体光学特性的水质采集处理系统 | |
| CN206862869U (zh) | 一种针对复杂气体光谱分析的多气室结构 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |