CN111948273B - 气体传感器温度补偿模型建立、气体浓度测量方法及装置 - Google Patents
气体传感器温度补偿模型建立、气体浓度测量方法及装置 Download PDFInfo
- Publication number
- CN111948273B CN111948273B CN202010848562.7A CN202010848562A CN111948273B CN 111948273 B CN111948273 B CN 111948273B CN 202010848562 A CN202010848562 A CN 202010848562A CN 111948273 B CN111948273 B CN 111948273B
- Authority
- CN
- China
- Prior art keywords
- gas
- temperature compensation
- temperature
- voltage signal
- gas sensor
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
- G01N27/4163—Systems checking the operation of, or calibrating, the measuring apparatus
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
- G01N27/4162—Systems investigating the composition of gases, by the influence exerted on ionic conductivity in a liquid
-
- 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
- G06N3/045—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种气体传感器温度补偿模型建立、气体浓度测量方法及装置,包括:采集由样本标准气体触发的气体传感器的工作电极和辅助电极输出的双电压信号;将双电压信号和样本标准气体当前温度作为采集样本集输入至BP神经网络中,以样本标准气体的浓度为输出目标,采用基于改进的粒子群优化PSO算法对BP神经网络进行优化、训练,得到温度补偿模型。并针对温度补偿模型设计相应的测试系统及测试方法,基于温度补偿模型对气体传感器进行温度补偿,实现对被测气体浓度的测量。
Description
技术领域
本发明涉及气体浓度测量技术领域,特别是涉及一种气体传感器温度补偿模型建立、气体浓度测量方法及装置。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
电化学气体传感器具有测量灵敏度高、性能稳定、线性度高、寿命长、选择性好等特点,被广泛的应用于低浓度有毒有害气体、可燃气体和环境空气等定量监测领域。
但是电化学气体传感器在工作时,输出信号易受环境温度影响,存在温度漂移问题,传感器的灵敏度和零点电流随环境温度变化,其测量值与实际值会产生一定误差,从而降低了气体浓度的检测精度。
另外,气体传感器的温度补偿从结构上可分为硬件补偿和软件补偿两种方法,对于硬件补偿方法,由于温度补偿电流调试需要调节电阻值,在电路上受电子元件漂移和元件焊接的精密度等因素影响,实现过程复杂且只能实现粗略的温度补偿,导致整个测量电路的可靠性低。
对于软件补偿方法有查表法、曲线拟合法及BP神经网络等方法,基于神经网络的补偿方法虽然精度较高,但存在初始权值及阈值难以确定、收敛速度慢、易陷入局部极小等缺点,同样由于计算量大、拟合度低,无法精准实现温度补偿。
发明内容
为了解决上述问题,本发明提出了一种气体传感器温度补偿模型建立、气体浓度测量方法及装置,并针对温度补偿模型设计相应的测试系统及测试方法,基于温度补偿模型对气体传感器进行温度补偿,实现对被测气体浓度的测量。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种气体传感器温度补偿模型建立方法,包括:
采集由样本标准气体触发的气体传感器的工作电极和辅助电极输出的双电压信号;
将双电压信号和样本标准气体当前温度作为采集样本集输入至BP神经网络中,以样本标准气体的浓度为输出目标,采用基于改进的粒子群优化PSO算法对BP神经网络进行优化、训练,得到温度补偿模型。
第二方面,本发明提供一种气体传感器温度补偿模型建立装置,包括:
接收模块,用于采集由样本标准气体触发的气体传感器的工作电极和辅助电极输出的双电压信号;
优化模块,用于将双电压信号和样本标准气体当前温度作为采集样本集输入至BP神经网络中,以样本标准气体的浓度为输出目标,采用基于改进的粒子群优化PSO算法对BP神经网络进行优化、训练,得到温度补偿模型。
第三方面,本发明提供一种采用气体传感器的气体浓度测量方法,包括:
采集气体传感器输出的工作电极电压信号和辅助电极电压信号,以及采用温度传感器采集所在位置的温度;
将工作电极电压信号、辅助电极电压信号和温度输入到第一方面所述的温度补偿模型中,获得补偿后的工作电极电压信号;
采用补偿后的工作电极电压信号、辅助电极电压信号和气体传感器灵敏度系数得到被测气体浓度。
第四方面,本发明提供一种采用气体传感器的气体浓度测量装置,包括:
采集模块,用于采集气体传感器输出的工作电极电压信号和辅助电极电压信号,以及采用温度传感器采集所在位置的温度;
补偿模块,将工作电极电压信号、辅助电极电压信号和温度输入到第一方面所述的温度补偿模型中,获得补偿后的工作电极电压信号;
计算模块,用于采用补偿后的工作电极电压信号、辅助电极电压信号和气体传感器灵敏度系数得到被测气体浓度。
第五方面,本发明提供一种计算机可读存储介质,该存储介质用于存储计算机指令,所述计算机指令被处理起执行时,完成第一方面或者第三方面所述的方法。
第六方面,本发明提供一种电子设备,该电子设备包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面或者第三方面所述的方法。
第七方面,本发明提供一种气体传感器温度补偿模型测试方法,包括:
采用配气系统配置固定浓度的样本标准气体,所述样本标准气体以固定流速输送至密闭气室;
采集密闭气室中的气体传感器和温度传感器输出的双电压信号和温度,并通过信号调理电路输出至控制器的温度补偿模型;
所述控制器根据温度补偿模型输出的补偿后的气体传感器工作电极电压信号得到气体浓度;
将气体浓度、密闭气室中的恒温温度以及样本标准气体的固定浓度同时显示输出,获得温度补偿模型的补偿效果。
第八方面,本发明提供一种气体传感器温度补偿模型测试系统,包括:配气系统、密闭气室、信号调理电路、控制器和PC机;
所述配气系统用于将标准气体和零点空气混合后输出固定浓度的样本标准气体,并以固定流速输送至密闭气室;
所述密闭气室设有气体传感器和温度传感器,采集气体传感器和温度传感器输出的双电压信号和温度,并通过信号调理电路输出至控制器;
所述控制器内嵌入有温度补偿模型,根据温度补偿模型输出的补偿后的气体传感器工作电极电压信号得到气体浓度后传输至PC机;
所述PC机将气体浓度、密闭气室中的恒温温度以及样本标准气体的固定浓度同时显示输出,获得温度补偿模型的补偿效果。
与现有技术相比,本发明的有益效果为:
本发明所公开的气体传感器温度补偿模型建立方法采用神经网络的补偿方法(软件技术)解决硬件测量电路精密度的问题,解决硬件测量电路调试的复杂性问题,以及测量精密度问题,避免高复杂度造成的成本,提高对气体浓度检测的准确性,实现对气体传感器的精准温度补偿。
本发明通过改进粒子群优化方法对神经网络的权值和阈值进行优化,利用PSO强大的全局搜索能力、收敛速度快、稳定性好等特点针对BP神经网络参数进行改进和筛选,使优化后的BP神经网络具有克服局部极小、更快收敛等问题;采用优化后的BP神经网络对四电极电化学气体传感器进行温度补偿,可显著提高补偿精度,提高对不同温度环境的适应性,有效解决电化学气体传感器测量精度易受环境温度影响的问题。
采用本发明所述的测试系统对温度补偿方法进行测试验证,能够确定:首先,本发明所述的温度补偿方法能够在100次迭代以内就达到全局最优,收敛速度比现有同类方法更快;其次,本发明的温度补偿方法能够显著提高补偿精度,补偿总体误差能够控制在0.1%以内,远远高于现有同类的温度补偿方法。
本发明所述的温度补偿模型适用于对四电极电化学传感器进行温度补偿,进而克服该种传感器受温度影响的缺陷。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的一种电化学气体温度传感器的温度补偿模型建立方法的流程图;
图2为本发明实施例3提供的针对本发明所述的温度补偿模型的测试系统的原理示意图;
图3为本发明实施例3提供的H2S-B4传感器输出-温度特性曲线图;
图4为本发明实施例3提供的本发明所使用的基于粒子群优化BP神经网络算法(MPSO-BP)与现有传统的PSO-BP算法、BP神经网络的收敛速度比较示意图;
图5为本发明实施例5提供的采用气体传感器的气体浓度测量方法流程图。
具体实施方式:
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实施例提供一种气体传感器温度补偿模型建立方法,包括:
S1:采集由样本标准气体触发的气体传感器的工作电极和辅助电极输出的双电压信号;
S2:将双电压信号和样本标准气体当前温度作为采集样本集输入至BP神经网络中,以样本标准气体的浓度为输出目标,采用基于改进的粒子群优化PSO(Particle SwarmOptimization)算法对BP神经网络进行优化、训练,得到温度补偿模型。
气体传感器在气体中的电阻值与温度和湿度有关,当温度和湿度较低时,气体传感器的电阻值较大;温度和湿度较高时,气体传感器的电阻值较小;因此,即使气体浓度相同,在不同的温湿度环境下,电阻值也会不同,故需要进行温度补偿。
本实施例所述的电化学气体传感器为四电极电化学气体传感器,该种传感器与常规的三电极电化学气体传感器相比较,四电极电化学传感器除了工作电极WE(WorkerElectrode)、对电极CE(Counter Electrode)和参考电极RE(Reference Electrode)三个电极之外,还有辅助电极AE(Auxiliary Electrode),该电极用于补偿零点电流。四电极传感器工作时,工作电极WE与对电极CE之间发生氧化或还原反应形成的电流与被测气体浓度成线性关系;参考电极RE维持稳定工作电压;辅助电极AE不参加反应,不会产生基线漂移;将工作电极WE信号值与辅助电极AE信号值相减,再与灵敏度系数相乘即可计算出被测气体浓度;四电极电化学传感器具有较高的测量精度和分辨率,广泛用于低浓度的大气环境监测。
但是,该种四电极电化学气体传感器存在一个缺陷,就是该种传感器的测量精度易受环境温度影响,这也限制了该种传感器的应用环境。本实施例针对该种传感器的缺陷,提出一种基于粒子群优化-BP神经网络算法(PSO-BP)的温度补偿方法;该方法获得的温度补偿模型,能够对该种传感器测量获得的结果进行温度补偿处理,进而达到克服该类传感器受环境温度影响的缺陷,提高测试精度及测试的稳定性,拓展了该种传感器的应用环境。
所述步骤S1中样本标准气体浓度是根据需求进行配制,其配制过程可以由现有的配气系统完成,例如:可以采用青岛佳明制造的配气系统,该种样本标准气体是采用零点空气与标准气体混合配制获得的固定浓度的混合气体。
所述步骤S2中采用基于改进的粒子群优化PSO算法对BP神经网络进行优化、训练,具体流程如下:
(1)构建BP神经网络,设定BP神经网络的初始权值和阈值;输入为温度传感器采集的样本标准气体的温度T和四电极化学传感器输出的经调理后输出的2路电压,输出为补偿后的电压;输入维数n=3,输出维数m=2,隐层神经元个数选择l=5,初始化权值矩阵和阈值矩阵W1,B1,W2,B2,并变换为一维数组作为PSO算法的初始种群;
(2)初始化PSO算法的种群个数,每个粒子的维数为n*l+l+l*m+m,此处为32;设定粒子的初始位置和速度,惯性权重范围等参数;
(3)针对每个采集样本计算神经网络各层的实际输出和节点误差,并根据实际输出和节点误差修正权值和阈值;具体为将BP神经网络的训练误差函数作为适应度函数,输入样本数据,计算每个粒子的适应度值,记录个体极值和群体极值,并更新粒子位置和速度,继续迭代直到满足性能要求;
(4)采集新的样本输入到BP神经网络中重复前述步骤再次修正权值和阈值,直至神经网络的输出目标误差达到预设的最小值为止,具体为将PSO算法优化后得到的W1,B1,W2,B2,作为BP神经网络的初始参数对样本进行训练,进而构建完成基于MPSO-BP的温度补偿模型。
所述初始化权值和阈值是指初始化神经网络权值矩阵和阈值矩阵,并变换为一维数组作为粒子群算法的初始种群,并对初始种群的粒子种群个数和每个粒子的维数进行初始化,设定粒子的初始位置、速度;
上述优化过程是将神经网络的训练误差函数作为适应度函数,输入样本集,计算每个粒子的适应度值,以个体极值和群体极值迭代更新粒子位置和速度;然后将粒子群算法优化后得到的权值矩阵和阈值矩阵作为神经网络的初始参数对样本集进行训练。
上述补偿后的电压是指补偿后的四电极化学气体传感器的工作电极电压。
上述描述的BP神经网络包含输入层、隐层和输出层;以3层神经网络为例描述优化过程:BP网络在训练时会随机设定初始权值和阈值;
设输入矢量X=(x0,x1,…,xn)T,输出矢量为Y=(y0,y1,…,ym)T,隐层输出矢量为O=(o0,o1,…,ol)T,期望输出矢量D=(d0,d1,…,dm)T;其中n,l,m分别表示输入层,隐层和输出层的神经元个数;
输入层至隐层的权值矩阵为:
输入层至隐层的阈值矩阵为:
B1=(b0,b1,…,bl),
隐层至输出层的权值矩阵为:
隐层至输出层的阈值矩阵为:,
B2=(b0,b1,…,bm);
现有BP神经网络训练的一般步骤为:
1、网络初始化:选择结构合理的网络,设置随机分布的权值和阈值;
2、给定输入样本和期望输出,对每个样本计算各层的实际输出和节点误差;
3、修正权值和阈值;
4、输入新的样本,直至目标函数误差最小。
粒子群优化算法PSO源于对鸟群捕食行为的研究,基本思想是通过群体中个体之间的协作和信息共享来寻找最优解,粒子群优化算法PSO具有实现容易、收敛速度快、精度高等优点;
假设在一个m维搜索空间中,由n个粒子组成的种群X=(X0,X1,…,Xn),第i个粒子表示为一个m维的矢量Xi=(xi1,xi2,…,xim)T,即在m维搜索空间中的位置;根据目标函数计算每个粒子的适应度值,第i个粒子的速度为vi=(vi1,vi2,…,vim)T,个体极值为pi=(pi1,pi2,…,pim)T,种群的群体极值为pg=(pg1,pg2,…,pgm)T。
PSO算法的粒子速度和位置的更新公式为:
其中:和/>为下一时刻和当前时刻粒子位置,/>和/>为下一时刻和当前时刻粒子速度,ω为惯性权重,t是迭代次数,c1和c2是加速度因子,非负数,r1和r2是分布于[0,1]区间的随机数。
传统的PSO算法在后期存在收敛速度慢、易陷入局部极小值问题,为了解决这些问题,本实施例提出PSO的改进算法MPSO(Modified Particle Swarm Optimization),即引入位置增量项和惯性权重全局修正因子,具体形式如下:
其中,粒子位置更新公式由3部分构成,为传统PSO算法中当前时刻粒子的位置,ω2为惯性权重全局修正因子,/>为粒子位置增量项,α是增量因子,|α|∈[0,1);
ω2参数在保留了传统PSO算法的全局搜索能力和局部搜索能力的同时,对速度的修正量进行全局微调,其动态变化采用二次曲线,如下式:
粒子位置增量项与粒子前一时刻的位置修正量线性相关,当/>与前次方向相同,在稳定调节的基础上,可适当增加位置的修正量,使算法的进化速度更快;否则说明算法存在较大振荡,需要减小位置的修正量以稳定算法性能。位置增量项的引入,考虑了位置修正量的历史变化趋势,实现了粒子优化的多样性。
本实施例正是利用了改进的PSO算法(MPSO)对BP神经网络的权值和阈值进行优化,构造一种气体传感器的温度补偿模型。
实施例2
本实施例还提供一种气体传感器温度补偿模型建立装置,包括:
接收模块,用于采集由样本标准气体触发的气体传感器的工作电极和辅助电极输出的双电压信号;
优化模块,用于将双电压信号和样本标准气体当前温度作为采集样本集输入至BP神经网络中,以样本标准气体的浓度为输出目标,采用基于改进的粒子群优化PSO算法对BP神经网络进行优化、训练,得到温度补偿模型。
此处需要说明的是,本实施例中所述的上述模块对应于本实施例2的“方法”中的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于本实施例所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例3
本实施例提供一种气体传感器温度补偿模型测试系统,对实施例1中所获得的温度补偿模型的性能进行测试,包括:
如图2所示是本实验验证所使用的测试系统,该测试系统的结构为,标准气体和零点空气通过配气系统混合后输出配比好浓度的样本标准气体,该样本标准气体输送进入密闭气室中,该密闭气室中设置有四极电化学气体传感器,该四极电化学气体传感器输出的双电压信号通过信号调理电路调理之后输出给控制器,温度传感器采集密封气室内部的样本标准气体的温度输出给控制器,该控制器通过串行通信端口与PC上位机实现数据交互。
本实施例获得的温度补偿模型嵌入在该测试系统的控制器内。
为了保证被测量的气体与四电极化学气体传感器充分接触,进而发挥气体传感器的最佳性能,在测试过程中,采用泵吸式方法控制配气系统输出的气体以0.5升/分钟的流速从密封气室流过,达到使被测气体与密封气室内的化学气体传感器充分接触的效果。
在验证过程中,选用英国Alphasense公司的B4系列四电极电化学气体传感器H2S-B4作为补偿对象,该传感器的量程为0-100ppm(经信号调理电路变换后实际量程为0-15ppm),灵敏度1450~2050nA/ppm,工作温度-30℃~50℃。该传感器的输出-温度曲线如图3所示,可见该传感器的输出受温度变化的影响较大。
在验证过程中通过加热装置或制冷装置控制密闭气室中的温度配合验证。
测试系统中,信号调理电路中设置有二级运放电路,采用3片高精度运放OPA233构成。该信号调理电路将四电极化学气体传感器的工作电极WE和辅助电极AE输出的微弱的纳安级电流信号放大为0~3V电压信号。
测试系统中的温度传感器采用瑞士Sensirion的SHT30数字传感器。
测试系统的控制器采用STM32F103VET6微处理器,扩展24位高分辨率AD转换芯片AD7190;由ADC采集信号,信号经放大、滤波后,在控制器内进行温度补偿,通过串口发送PC上位机。PC上位机用于显示温度传感器经过温度补偿模型后的测试结果。
验证过程为采用上述测试系统对温度模型进行测试验证,具体过程为:
在不同温度下,利用上述测试系统采集不同浓度标准H2S(硫化氢)气体输入的响应值,表1、表2和表3分别列出了4ppm、6ppm、8ppm三种浓度下的部分实测样本数据;从表中看出,样本数据符合传感器输出-温度特性曲线,表明测试系统采集的数据是可靠的。
表1 H2S-B4气体传感器的测试数据(4ppm)
表2 H2S-B4气体传感器的测试数据(6ppm)
表3 H2S-B4气体传感器的测试数据(8ppm)
采用随机法产生训练集样本和测试集样本,即从全部样本中随机产生50组作为训练集,5组作为测试集,将样本中传感器在20℃时的测量数据作为目标输出,为了加快训练速度,同时消除不同输入之间数值的差异,将样本数据归一化到[0,1]区间:
为了验证MPSO-BP算法的稳定性、收敛速度等性能,同时采用BP神经网络和PSO-BP算法进行性能对比;设BP神经网络的结构为3-5-2,最大迭代次数100,目标误差1e-4;MPSO-BP和PSO-BP算法的种群规模为30,进化次数100次。其余参数初始化如表4所示:
表4 MPSO-BP和PSO-BP初始参数
将测试样本输入到训练好的神经网络进行温度补偿,实验结果如表5所示。
表5三种补偿方法精度比较
从表5可以明显看出,基于MPSO-BP算法的温度补偿精度要高于BP神经网络和传统的PSO-BP网络。经过多次重复实验,所得结果几乎完全相同,这表明本发明提出的一种气体传感器的温度补偿方法具有较强的稳定性和鲁棒性,补偿总体误差能够控制在0.1%以内。
采集量程范围内其它浓度的样本数据输入到训练完毕的MPSO-BP网络进行测试,与该浓度在20℃下的数据进行比对,也取得了较理想的补偿效果,这证明了本文提出的温度补偿方法具有较强的泛化能力,能够有效消除温度变化对传感器输出的影响。
如图4所示为三种算法的训练过程比较图。未经PSO算法优化过的BP网络未能在100次迭代以内达到全局最优,存在较大的训练误差;而PSO-BP算法和MPSO-BP算法在100次迭代以内均能达到全局最优,但MPSO-BP算法明显收敛速度更快一些。
实施例4
基于实施例3所提供的气体传感器温度补偿模型测试系统,本实施例提供一种气体传感器温度补偿模型测试方法,包括:
采用配气系统配置固定浓度的样本标准气体,所述样本标准气体以固定流速输送至密闭气室;所述固定流速为大于或等于0.5升/分钟、且小于1升/分钟;所述置固定浓度数据输出给PC机;
控制密闭气室内部的温度为恒温状态,所述恒温的温度输出给PC机;
采集密闭气室中的气体传感器和温度传感器输出的双电压信号和温度,并通过信号调理电路输出至控制器的温度补偿模型;
所述控制器根据温度补偿模型输出的补偿后的气体传感器工作电极电压信号得到气体浓度后输出给PC机;
PC机将将气体浓度、密闭气室中的恒温温度以及样本标准气体的固定浓度同时显示输出,获得温度补偿模型的补偿效果。
实施例5
本实施例提供一种采用气体传感器的气体浓度测量方法,采用实施例1获得的温度补偿模型实现气体浓度检测的方法,如图5所示,该方法包括:
S1:采集四电极电化学传感器输出的双电压信号,以及采用温度传感器采集气体浓度位置的气体温度;所述双电压信号为工作电极WE的电压和辅助电极AE的电压;
S2:将采集的双电压信号和气体温度输入到实施例1获得的温度补偿模型中,获得补偿后的工作电极WE电压信号;所述温度补偿模型对被测气体触发得到的工作电极WE电压信号进行温度补偿;
S3:根据辅助电极AE电压信号、四电极电化学传感器的灵敏度系数以及补偿后的工作电极WE电压信号获得被测气体浓度。
上述依据辅助电极AE的电压和四电极电化学传感器的灵敏度系数获得被测气体浓度的方法是四电极电化学传感器测量气体浓度的常用方法,即:将补偿后的工作电极WE的电压信号与对应的辅助电极AE的电压信号相减,然后在于所述四电极化学传感器的灵敏度系数相乘,获得该四电极电化学传感器所检测的气体浓度。
实施例6
本实施例提供一种采用气体传感器的气体浓度测量装置,包括:
采集模块,用于采集气体传感器输出的工作电极电压信号和辅助电极电压信号,以及采用温度传感器采集所在位置的温度;
补偿模块,将工作电极电压信号、辅助电极电压信号和温度输入到第一方面所述的温度补偿模型中,获得补偿后的工作电极电压信号;
计算模块,用于采用补偿后的工作电极电压信号、辅助电极电压信号和气体传感器灵敏度系数得到被测气体浓度。
此处需要说明的是,上述模块对应于本实施例5的“方法”中的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于本实施例所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成本实施例1或实施例5中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成本实施例1或实施例5中所述的方法。
本实施例中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种气体传感器温度补偿模型建立方法,其特征在于,包括:
采集由样本标准气体触发的气体传感器的工作电极和辅助电极输出的双电压信号;所述样本标准气体采用零点空气与标准气体混合配制获得的固定浓度的混合气体;
将双电压信号和样本标准气体当前温度作为采集样本集输入至BP神经网络中,以样本标准气体的浓度为输出目标,采用基于改进的粒子群优化PSO算法对BP神经网络进行优化、训练,包括:设定BP神经网络的初始权值和阈值;对每个采集样本计算BP神经网络各层的实际输出和节点误差,根据实际输出和节点误差修正权值和阈值;将新的采集样本输入到BP神经网络中重复前述步骤再次修正权值和阈值,直至BP神经网络的输出目标误差达到预设的最小值;得到温度补偿模型;
其中,所述的改进的粒子群优化PSO算法引入位置增量项和惯性权重全局修正因子,具体形式如下:
,
,
其中,粒子位置更新公式由3部分构成,为传统PSO算法中当前时刻粒子的位置,/>为惯性权重全局修正因子,/>为粒子位置增量项,/>是增量因子,/>;/>参数在保留了传统PSO算法的全局搜索能力和局部搜索能力的同时,对速度的修正量进行全局微调,其动态变化采用二次曲线,如下式:
,
粒子位置增量项与粒子前一时刻的位置修正量线性相关,当/>与前次方向相同,在稳定调节的基础上,适当增加位置的修正量,使算法的进化速度更快;否则说明算法存在较大振荡,需要减小位置的修正量以稳定算法性能;
所述气体传感器为四电极电化学气体传感器。
2.一种使用如权利要求1所述的气体传感器温度补偿模型建立方法的装置,其特征在于,包括:
接收模块,用于采集由样本标准气体触发的气体传感器的工作电极和辅助电极输出的双电压信号;所述样本标准气体采用零点空气与标准气体混合配制获得的固定浓度的混合气体;
优化模块,用于将双电压信号和样本标准气体当前温度作为采集样本集输入至BP神经网络中,以样本标准气体的浓度为输出目标,采用基于改进的粒子群优化PSO算法对BP神经网络进行优化、训练,包括:用于设定BP神经网络的初始权值和阈值;用于对每个采集样本计算BP神经网络各层的实际输出和节点误差,并根据实际输出和节点误差修正权值和阈值;用于将新的采集样本输入到BP神经网络中重复前述步骤再次修正权值和阈值,直至BP神经网络的输出目标误差达到预设的最小值,得到温度补偿模型。
3.一种采用气体传感器的气体浓度测量方法,其特征在于,包括:
采集气体传感器输出的工作电极电压信号和辅助电极电压信号,以及采用温度传感器采集所在位置的温度;
将工作电极电压信号、辅助电极电压信号和温度输入到如权利要求1所述方法构建的温度补偿模型中,获得补偿后的工作电极电压信号;
采用补偿后的工作电极电压信号、辅助电极电压信号和气体传感器灵敏度系数得到被测气体浓度。
4.一种采用气体传感器的气体浓度测量装置,其特征在于,包括:
采集模块,用于采集气体传感器输出的工作电极电压信号和辅助电极电压信号,以及采用温度传感器采集所在位置的温度;
补偿模块,将工作电极电压信号、辅助电极电压信号和温度输入到如权利要求1所述方法构建的温度补偿模型中,获得补偿后的工作电极电压信号;
计算模块,用于采用补偿后的工作电极电压信号、辅助电极电压信号和气体传感器灵敏度系数得到被测气体浓度。
5.一种气体传感器温度补偿模型测试方法,其特征在于,包括:
采用配气系统配置固定浓度的样本标准气体,所述样本标准气体以固定流速输送至密闭气室;
采集密闭气室中的气体传感器和温度传感器输出的双电压信号和温度,并通过信号调理电路输出至控制器的温度补偿模型中;所述温度补偿模型为采用权利要求1所述的方法构建获得的;
所述控制器根据温度补偿模型输出的补偿后的气体传感器工作电极电压信号得到气体浓度;
将气体浓度、密闭气室中的恒温温度以及样本标准气体的固定浓度同时显示输出,获得温度补偿模型的补偿效果。
6.一种气体传感器温度补偿模型测试系统,其特征在于,包括:配气系统、密闭气室、信号调理电路、控制器和PC机;
所述配气系统用于将标准气体和零点空气混合后输出固定浓度的样本标准气体,并以固定流速输送至密闭气室;
所述密闭气室设有气体传感器和温度传感器,采集气体传感器和温度传感器输出的双电压信号和温度,并通过信号调理电路输出至控制器;
所述控制器内嵌入有温度补偿模型,根据温度补偿模型输出的补偿后的气体传感器工作电极电压信号得到气体浓度后传输至PC机;所述温度补偿模型为采用权利要求1所述的方法构建获得的;
所述PC机将气体浓度、密闭气室中的恒温温度以及样本标准气体的固定浓度同时显示输出,获得温度补偿模型的补偿效果。
7.一种计算机可读存储介质,其特征在于,该存储介质用于存储计算机指令,所述计算机指令被处理起执行时,完成权利要求1所述的方法或权利要求3所述的方法。
8.一种电子设备,其特征在于,该电子设备包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1所述的方法或权利要求3所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010848562.7A CN111948273B (zh) | 2020-08-21 | 2020-08-21 | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010848562.7A CN111948273B (zh) | 2020-08-21 | 2020-08-21 | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111948273A CN111948273A (zh) | 2020-11-17 |
CN111948273B true CN111948273B (zh) | 2023-08-08 |
Family
ID=73358903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010848562.7A Active CN111948273B (zh) | 2020-08-21 | 2020-08-21 | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111948273B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640465A (zh) * | 2020-11-26 | 2021-11-12 | 深圳市安室智能有限公司 | 温度补偿方法和装置、电子设备和介质产品 |
CN112683836B (zh) * | 2021-01-12 | 2022-11-01 | 杭州麦乐克科技股份有限公司 | 基于bp神经网络的二氧化碳传感器的标定方法及其系统 |
CN115994491B (zh) * | 2023-03-24 | 2023-06-30 | 湖南光华防务科技集团有限公司 | 一种灭火弹挂飞温度补偿方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105572192A (zh) * | 2016-01-15 | 2016-05-11 | 国家电网公司 | 一种sf6电化学气体传感器温度补偿方法 |
CN105938055A (zh) * | 2016-02-22 | 2016-09-14 | 江苏信息职业技术学院 | 炉内水蒸气爆炸监测系统 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
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 |
-
2020
- 2020-08-21 CN CN202010848562.7A patent/CN111948273B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105572192A (zh) * | 2016-01-15 | 2016-05-11 | 国家电网公司 | 一种sf6电化学气体传感器温度补偿方法 |
CN105938055A (zh) * | 2016-02-22 | 2016-09-14 | 江苏信息职业技术学院 | 炉内水蒸气爆炸监测系统 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
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 |
Non-Patent Citations (1)
Title |
---|
徐雨 等.SO2电化学传感器温度特性及温度补偿研究.仪表技术与传感器.2018,(第4期),第14-19页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111948273A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111948273B (zh) | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 | |
Spinelle et al. | Field calibration of a cluster of low-cost commercially available sensors for air quality monitoring. Part B: NO, CO and CO2 | |
JP7119930B2 (ja) | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム | |
CN111458395B (zh) | 一种改变q值的卡尔曼滤波方法、装置及可读存储介质 | |
CN108982915A (zh) | 一种加速度传感器温度补偿方法 | |
CN106093134B (zh) | 金属氧化物传感器阵列响应漂移的补偿方法 | |
CN115809427B (zh) | 基于混合策略优化bp神经网络的混合气体识别方法 | |
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN105806915B (zh) | 一种营养液钾、钠离子浓度检测装置及检测方法 | |
CN108614071A (zh) | 分布式室外大气质量监测精度校正系统及参数更新方法 | |
CN103983278A (zh) | 一种测量影响卫星姿态确定系统精度的方法 | |
CN112326882B (zh) | 空气质量传感器处理方法和装置 | |
De Vito et al. | Global calibration models match ad-hoc calibrations field performances in low cost particulate matter sensors | |
AU2019100348A4 (en) | A specified gas sensor correction method based on locally weighted regression algorithm | |
CN110146575B (zh) | 基于三电极化学体系的温度、浓度检测及自动控制装置 | |
CN108627560B (zh) | 利用加热器电流变化的气体传感器模块的温度补偿方法 | |
Marinov et al. | Analog front end multiplexing for amperometric gas sensors | |
CN114879126A (zh) | 一种精准用电调控终端校准方法、装置和设备 | |
Laref et al. | Calibration Transfer to Address the Long Term Drift of Gas Sensors for in Field NO 2 Monitoring | |
US20120000796A1 (en) | Measurement Device and Method Utilizing the Same | |
CN111123406A (zh) | 手持气象仪温度数据拟合方法 | |
Yu et al. | Optimization of linearity of piezoresistive pressure sensor based on pade approximation | |
CN106525923B (zh) | 水中氟离子快速检测系统及其方法 | |
US20170131250A1 (en) | Device and method for detecting a gas component | |
Chiu et al. | A novel gas sensor signal drift adjustment method based on controlled measurement |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |