CN113702330A - 一种波长调制激光吸收光谱线型参数在线提取方法与系统 - Google Patents

一种波长调制激光吸收光谱线型参数在线提取方法与系统 Download PDF

Info

Publication number
CN113702330A
CN113702330A CN202110916241.0A CN202110916241A CN113702330A CN 113702330 A CN113702330 A CN 113702330A CN 202110916241 A CN202110916241 A CN 202110916241A CN 113702330 A CN113702330 A CN 113702330A
Authority
CN
China
Prior art keywords
neural network
laser
normalized
light intensity
signal
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.)
Granted
Application number
CN202110916241.0A
Other languages
English (en)
Other versions
CN113702330B (zh
Inventor
徐立军
曹章
王晨冉
黄昂
陆方皞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202110916241.0A priority Critical patent/CN113702330B/zh
Publication of CN113702330A publication Critical patent/CN113702330A/zh
Application granted granted Critical
Publication of CN113702330B publication Critical patent/CN113702330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种波长调制激光吸收光谱线型参数在线提取方法与系统。系统包括基于信号发生器、激光器、光纤、待测气体以及数据采集模块组成的调制光谱光强记录器与基于FPGA的在线神经网络计算模块。根据光强记录器记录的时间光强关系，计算机解调出归一化二次谐波峰值生成神经网络模型的训练集并训练。基于FPGA实现激光幅值信号的采集，输入神经网络模型，实现对调制吸收谱归一化二次谐波峰值的计算。本发明的特点在于利用了FPGA的在线计算优势以进行信号的在线谐波分析，不仅降低了调制吸收谱信号采集的复杂度，也结合神经网络的方法拓宽了波长调制方法对温度、浓度等气体参数的测量范围，具有广阔的应用前景。

Description

一种波长调制激光吸收光谱线型参数在线提取方法与系统
技术领域
本发明涉及一种信号谐波信息求解方法，尤其涉及一种波长调制激光吸收光谱线型参数在线提取方法与系统，属于激光光谱及气体参数测量技术领域。
背景技术
可调谐二极管激光吸收光谱技术(Tunable Diode Laser AbsorptionSpectroscopy，TDLAS)，是一种建立在比尔朗伯吸收定律的基础上，利用激光器发出的光束，在经过待测区域中的气体分子吸收后，用探测器测量待测区域出射的激光光强，来计算待测区域的特定光谱气体吸收特性，进而分析出待测区域的浓度和气体分子浓度的光学测量手段。由于其非侵入性、测量速度快、灵敏度高的特点，TDLAS技术被广泛用于燃烧场的参数测量过程中。目前，TDLAS 的主要方法有直接吸收法(Direct AbsorptionSpectroscopy,DAS)和波长调制法(Wavelength Modulation Spectroscopy,WMS)，两种方法的目的是为了准确获取气体吸收线型函数的信息。直接吸收法通过扫描电流信号驱动激光器，使激光器的输出波长在窄带宽内变化，测量不同波长下透射光强与入射光强之比。获得高分辨率的气体吸收光谱后，联合基线拟合出气体吸收线型，用两条吸收线的线强比来反演温度。直接吸收法更适合于强吸收的条件，对于噪声比较敏感，易受测量场内颗粒物浓度、激光强度波动等因素影响。Reid.J等在1981年发表在《Applied Physics B》上的论文《Second-harmonic detection with tunable diode lasers—comparison ofexperiment and theory》提出了波长调制法，波长调制法对窄带激光扫描过程进行了高频调制，利用高频信号的二次谐波信息计算得到气体吸收率以及气体浓度、温度信息。波长调制法有效降低了背景信号对测量的干扰。针对波长调制方法的测量装置与方法，近年来国内的相关专利也有对相关技术的描述。中国专利CN107860726A《准分布式气体浓度检测二次谐波归一化方法》对气体吸收后的光强信号的二次谐波进行傅立叶分量表示，利用已知浓度的待测气体的一次谐波与二次谐波的交点来进行标定，标定后的查找表用来来计算待测气体的浓度。中国专利CN 109696415 A《一种基于快速傅里叶变换的气体吸收率在线测量方法》提出了一种基于快速傅里叶变换的气体吸收率的在线测量方法，其通过数据采集卡，将光电探测器探测到的光强信号数字化后进行快速傅里叶变换，进而获取相关的波长调制信号的高次谐波信号。这些方法的提出在很大程度上推动了波长调制方法技术尤其是对归一化二次谐波峰值信号的在线解算方面的发展，然而谐波信号的解算需要，其对波长调制方法信号的采集系统与信号传输系统的硬件资源要求较高。中国专利CN105866068B《一种基于递推最小二乘法的激光吸收光谱谐波信号峰值点提取方法》提出了一种基于递推最小二乘法的谐波信号峰值点提取方法，该方法用于FPGA的在线实现，为波长调制法的实时测量中国专利CN 104535528A《BP神经网络实时提取TDLAS气体吸收光谱吸光度的方法》提出了一种基于 FPGA(Field Programmable Gate Array)的嵌入式的BP(BackPropagation)神经网络实时提取TDLAS气体吸收光谱吸光度的方法，利用神经网络的技术对DAS信号进行拟合重建，获取线型函数的半宽、吸收面积与峰值的信息，进而提取气体的浓度、温度等参数信息，很好的利用了BP神经网络解决了DAS方法求解气体参数的非线性问题。而在进行波长调制方法信号的非线性求解气体参数的问题时，目前尚缺乏有效快速神经网络输入参数的有效快速提取方法以及融合高次谐波信号的快速、低资源消耗的求解方法。
本发明提出了一种波长调制激光吸收光谱线型参数在线提取方法与系统，用以解决上述中针对波长调制方法中的气体吸收光谱谐波提取问题。主要分为两个步骤，第一步是基于分布式反馈激光器的波长-强度调制特征下固定长度的光强信号序列，与其使用正交解调方法的归一化二次谐波峰值计算结果构造训练集，训练出基于BP神经网络的由原始光强信号序列映射到归一化二次谐波峰值数值的神经网络结构模型。第二步是使用基于FPGA的神经网络计算模块，移植并实现第一步中训练后的BP神经网络，利用FPGA从采集的波长调制法测得的信号序列中的部分点，计算出归一化二次谐波峰值信息。本发明的重点在于使用BP神经网络从原始信号序列中提取归一化二次谐波峰值值并实现FPGA片上神经网络的计算，将 BP神经网络的训练过程交给计算机预先实现。本发明的优点在于，使用波长调制法的归一化二次谐波峰值信号进行气体温度、浓度与压强等参数的计算，保证了传统波长调制测量方法免于标定的特性以及其归一化二次谐波信号的抗噪能力；利用FPGA片上并行计算能力，可以实现基于BP神经网络方法的谐波信号片上实时提取，有效降低了需要上传的数据量；相比较传统的正交解调方法片上实现而言，片上的神经网络具有更简洁的运算步骤，保证计算准确度的同时，大大简化了计算过程，占用更少的FPGA片上资源；可以更根据实际求解误差的需要与测试范围需要，定制合适规模的神经网络模型，具有较好的适应性与鲁棒性。
综上所述，本发明提出的一种基于波长调制激光气体吸收光谱的气体吸收谱线谐波分析方法与测量系统，在传统波长调制测量方法抗噪声以及免标定特性的基础上，利用FPGA在线BP神经网络计算方法，实现归一化二次谐波峰值的在线提取方法，具有较低的片上资源占用，且网络模型能够根据计算精度和速度目标灵活调整，对波长调制方法的使用具有较好的实际意义和价值。
发明内容
(一)要解决的技术问题
本发明的目的在于提供一种基于波长调制激光气体吸收光谱的线型参数提取方法与测量系统，用于解决波长调制方法的归一化二次谐波峰值在线提取问题，基于FPGA的神经网络在线计算方法能够对原始光强信号进行处理，解算出每个扫描周期内的归一化二次谐波峰值，在降低算法实现复杂度的同时保证了计算的快速性，具有广阔的应用前景
(二)技术方案
本发明，即一种波长调制激光吸收光谱线型参数在线提取方法与系统，包括下列步骤：
步骤一、结合递归解调方法，在计算机端，对以波长调制测量方法测得的激光经过某一温度、浓度等条件下的气体后的光强信号，提取出每个扫描周期的归一化二次谐波峰值，以构造出以波长调制法的光强调制信号为输入、归一化二次谐波峰值为输出的神经网络模型的训练集。
波长调制激光信号由激光器模块控制分布式反馈激光器产生。激光频率和波长分别满足：
Figure BDA0003204114960000031
Figure BDA0003204114960000032
其中，
Figure BDA0003204114960000033
为调制的中心频率，ν为被调制的激光光波频率，fm为调制谐波的基频，k为调制的谐波阶数，b是激光光强调制系数，
Figure BDA0003204114960000034
是入射激光波长调制与光强调制间的相位差，ak为不同倍频的调制幅度，与选取的吸收峰位置有关，一般与吸收峰半宽Δν之间的关系为：
Figure BDA0003204114960000035
被调制的激光经过分束光纤，其中一束激光接入光电探测器作为未经吸收的参考信号Vref，另一束激光经待测区域吸收后接入光电探测器作为吸收后的信号V。经采样后有如下表示形式：
Figure BDA0003204114960000036
透射系数τ(ν)即V/Vref是周期函数，对其进行傅里叶级数展开，可得到如下形式：
Figure BDA0003204114960000041
Figure BDA0003204114960000042
为τ(ν)的第k次谐波系数，表示为：
Figure BDA0003204114960000043
其中
Figure BDA0003204114960000044
其中，θ＝2πfm且k为正整数。在吸收光谱谱线的中心波长
Figure BDA0003204114960000045
处，归一化的二次谐波S2f/1f可以简化为
Figure BDA0003204114960000046
根据免标定的波长调制激光吸收光谱测量方法，归一化的二次谐波峰值S2f/1f满足：
Figure BDA0003204114960000047
归一化二次谐波峰值S2f/1f使用递归解调器计算得到，经过吸收的激光光强V[n]满足
V[n]＝un·z (10)
其中un和z分别表示测量矩阵
Figure BDA0003204114960000048
以及状态向量
Figure BDA0003204114960000049
式中f代表激光器的调制载波频率，fs是采集系统的采样率，信号序列中m个到第(m+N)个数据点用于解调时，预估的状态向量
Figure BDA00032041149600000410
可由下式得到：
Figure BDA00032041149600000411
其中
Figure BDA0003204114960000051
那么测量信号k次谐波分量的预估值可表示为：
Figure BDA0003204114960000052
当m在1到M之间变化时，令阶次k分别为1和2，可得到吸收谱线的一次和二次谐波分量，分别表示为
A1＝[A1(1) A1(2) … A1(M)] (16)
A2＝[A2(1) A2(2) … A2(M)] (17) 相应地，归一化二次谐波的峰值S2f/1f可由A2/A1的线型拟合结果得到。
一个扫描周期内的数字化的测量信号序列V[n]作为输入神经网络的样本矩阵V，每个扫描周期内提取出的归一化二次谐波峰值S2f/1f作为神经网络模型的输出。通过测量各个扫描周期的测量信号和谐波峰值解调结果，可形成一个神经网络的测试集。
步骤二、进行神经网络模型的训练
根据问题的复杂性初始化神经网络，设定网络的深度L，选取四层神经网络，即L＝3，ml为其中第l层的节点数目(l＝0,1,2,3)，m0是输入层的节点数目，m1是第一个隐含层的节点数目，m2是第二个隐含层的节点数目，m3为输出层的节点数目；初始化时，随机分配每一层的权值Wl和阈值βl，其中：
Figure BDA0003204114960000053
Figure BDA0003204114960000054
选取神经网络隐含层的激励函数φ，对于常见的Tan-Sigmoid函数，具有式(16)的形式，则对于上述的输入样本矩阵V，神经网络隐含层每个节点Hl的输出如式(17)：
Figure BDA0003204114960000061
Figure BDA0003204114960000062
当式(17)的l取1时，Hl-1代表一组样本输入V[n]；而当l取3时，Hl代表输出层的各个节点输出，即Y(b)。误差E(b)可以根据下式计算：
Figure BDA0003204114960000063
其中，
Figure BDA0003204114960000064
为每个输出节点上的期望输出，即正交解调方法得到的归一化二次谐波峰值。若实际误差不满足设定的误差下限，则根据下式更新矩阵W：
wl(a,b)＝wl(a,b)+η·H′l(b)·Hl-1(b) (23)
其中H′l(b)表示Hl(b)的导数，η表示神经网络的学习率。直到相邻两次计算误差小于神经网络的预设参数时，完成训练。
步骤三、基于FPGA在线神经网络方法的谐波峰值点提取
设计基于FPGA的矩阵乘加模块，参数存储模块，神经网络计算模块，以及数据上传模块。数据采集模块用于对光电探测器探测到的光强信号进行数字离散化采样，得到Vtest，参数存储模块存储计算机端训练后的神经网络各层的权值W和阈值β，神经网络计算模块从参数存储模块中期提取W和β，对Vtest进行式(17)中如V0的计算，得到归一化二次谐波峰值S2f/1f，后由数据上传模块上传到上位机。
(三)有益效果
本发明的有益效果是，利用了基于波长调制方法信号的进行温度、浓度与压强等参数的计算，保持并提高了传统波长调制方法信号的抗噪声与免标定的测试特性；充分发挥了FPGA 的并行在线计算能力，利用FPGA片上神经网络计算方法，进行实时的归一化二次谐波峰值信号的在线提取，大大降低了数据的上传量，降低了系统的复杂度，相比于传统的在线正交解调方法，大大降低了FPGA片上资源占用；利用BP神经网络的拟合模型进行训练，能够充分统合波长调制方法信号蕴含的信息，；可根据实际求解误差的需要与测试范围需要，定制合适规模的神经网络模型，具有更好的鲁棒性与更宽的吸收率适应范围。具有广阔的应用前景。
附图说明
附图1：基于波长调制激光气体吸收光谱的气体参数提取方法流程图
附图2：基于波长调制激光气体吸收光谱的气体参数提取方法的一种典型结构图
附图3：波长调制方法光电信号与归一化谐波信号
附图4：基于FPGA的在线神经网络计算器结构
具体实施方式
参考附图1为一种基于单路波长调制测量实验的神经网络训练与FPGA在线谐波分析的波长调制方法信号解算方法的流程图，参考附图2为系统的实验装置图。结合一个实例进行的操作步骤如下：
步骤一、由101信号发生器产生调制信号，经由102激光控制器控制103激光器发出在气体吸收峰附近的波长调制信号，激光经过104光纤，通过105待测气体区后由106光电探测器探测后经过107数据采集模块上传至计算机，记录波长调制后的激光光强与时间的关系。
步骤二、计算机根据如附图1中介绍的步骤，根据波长与时间的信息使用递归解调方法求解归一化二次谐波峰值S2f/1f。本实例中，选取的激光调制波段为7185.1—7186.6cm-1，测量对象为脉冲激励的本生灯火焰。激光调制的基础频率为100kHz的正弦波。选取的S2f/1f，为采样点的3500-5000之间的归一化二次谐波的峰值，选取峰值点为中心的400个采样点，与该扫描周期的S2f/1f，组成一组训练数据，实验共采集5000组数据，构成训练样本集。
步骤三、本实例中，将5000组400点的数据输入BP神经网络，这里的神经网络的输入层节点为400个，第一隐层节点数设置为400个，第二隐层节点数设置为200个，输出层节点设为1点。将每个节点的权和阈值置为-0.05到0.05之间均匀分布的随机数，完成神经网络的初始化。设定总平均误差E的阈值为ε＝10-6，当E＜ε时神经网络停止训练。
步骤四、如附图2中，107光电探测器的光电信号传入109FPGA在线神经网络计算模块，在线归一化二次谐波计算的部分由如附图3所示的基于FPGA的在线神经网络完成，光电信号由201光电信号接口高保真的传入202传入信号调理电路，将信号调整为配合203模数转换器ADC的信号，经由203数字化的信号进入206矩阵乘加模块，其与207参数存储模块，205激活函数模块，204峰值上传模块都在FPGA芯片上编程实现，从参数存储模块中提取神经网络的权值Wl和阈值βl，计算矩阵的乘法，并将结果输入到激活函数模块，一次计算得到的是神经网络单层计算结果，通过多次矩阵乘加模块和激活函数模块的使用，以实现神经网络的计算过程。之后经由204峰值上传模块上传到如附图2中的108计算机。本实例中，峰值上传模块选取的是基于UDP协议的以太网上传模块。
步骤五、在如附图1中，神经网络模型的估计误差小于设定的阈值之后，终止了模型的训练。并根据如附图2中所示的107FPGA在线神经网络计算模块上传的归一化高次谐波的峰值点信息，解算待测气体的温度与浓度信息。
以上对本发明及其实施方式的描述，并不局限于此，附图中所示仅是本发明的实施方式之一。在不脱离本发明创造宗旨的情况下，不经创造性地设计出与该技术方案类似的结构或实施例，均属本发明保护范围。

Claims (3)

1.一种基于波长调制激光气体吸收光谱的线型参数提取方法与系统，其特征在于，系统由光强记录器与在线神经网络计算模块组成，其中光强记录器由信号发生器，激光器，干涉仪，光纤分束器，光纤，待测气体以及数据采集模块组成，根据其采集到的调制激光幅值与时间的关系结合递归解调方法得到调制光谱的归一化二次谐波峰值，提取其每组的光强幅值信号和对应的归一化二次谐波峰值形成数据集，训练以光强幅值信号为输入，归一化二次谐波峰值为输出的神经网络模型，并根据训练函数误差确定网络模型参数，进而由基于FPGA的在线神经网络计算模块，将待测气体吸收后的激光光强信号输入神经网络模型，实现归一化二次谐波峰值的在线提取。
2.按照权利要求1所述的一种基于波长调制激光气体吸收光谱的线型参数提取方法与系统，其特征在于，所述的光强记录器由信号发生器，激光控制器、激光器、光纤、待测气体、光电探测器以及数据采集模块组成，根据其采集到的调制激光幅值与时间的关系结合递归解调方法提取其每组归一化的高次谐波峰值点数据形成数据集方法为：由101信号发生器产生正弦信号，102激光控制器模块控制103分布式反馈激光器产生波长调制的激光信号，被调制的激光经过104光纤后通过105待测气体，接入106光电探测器由107数据采集系统记录作为调制激光信号V[n]；归一化二次谐波峰值S2f/1f使用递归解调方法在计算机计算得到，经过吸收的激光光强V[n]满足
V[n]＝un·z (1)
其中un和z分别表示测量矩阵
Figure FDA0003204114950000011
以及状态向量
Figure FDA0003204114950000012
式中f代表激光器的调制载波频率，fs是采集系统的采样率，信号序列中m个到第(m+N)个数据点用于解调时，预估的状态向量
Figure FDA0003204114950000013
可由下式得到：
Figure FDA0003204114950000014
其中
Figure FDA0003204114950000015
那么测量信号k次谐波分量的预估值可表示为：
Figure FDA0003204114950000021
当m在1到M之间变化时，令阶次k分别为1和2，可得到吸收谱线的一次和二次谐波分量，分别表示为
A1＝[A1(1) A1(2)…A1(M)] (7)
A2＝[A2(1) A2(2)…A2(M)] (8)
相应地，归一化二次谐波的峰值S2f/1f可由A2/A1的线型拟合结果得到，一个扫描周期内的数字化的测量信号序列V[n]作为输入神经网络的样本矩阵V，每个扫描周期内提取出的归一化二次谐波峰值S2f/1f作为神经网络模型的输出，通过测量不同扫描周期的测量信号和谐波峰值解调结果，可形成一个神经网络的测试集。
3.按照权利要求1所述的一种基于波长调制激光气体吸收光谱的线型参数提取方法与系统，其特征在于，所述的训练以光强幅值信号为输入且以归一化二次谐波峰值为输出的神经网络模型并根据训练函数误差确定网络模型参数的方法为：
根据问题的复杂性初始化神经网络，设定网络的深度L，选取四层神经网络，即L＝3，ml为其中第l层的节点数目(l＝0，1，2，3)，m0是输入层的节点数目，m1是第一个隐含层的节点数目，m2是第二个隐含层的节点数目，m3输出层的节点数目；随机分配每一层的权值Wl和阈值βl，其中：
Figure FDA0003204114950000022
Figure FDA0003204114950000023
选取Tan-Sigmoid函数作为神经网络隐含层的激励函数φ，具有式(16)的形式，则对于上述的输入样本矩阵V，神经网络隐含层每个节点Hl的输出如式(17)：
Figure FDA0003204114950000024
Figure FDA0003204114950000025
当式(17)的l取1时，Hl-1代表一组样本输入V[n]；而当l取3时，Hl代表输出层的各个节点输出，即Y(b)，误差E(b)可以根据下式计算：
Figure FDA0003204114950000031
其中，
Figure FDA0003204114950000032
为每个输出节点上的期望输出，即正交解调方法得到的归一化二次谐波峰值，若实际误差不满足设定的误差下限，则根据下式更新矩阵W：
wl(a，b)＝wl(a，b)+η·H′l(b)·Hl-1(b) (14)
其中H′l(b)表示Hl(b)的导数，η表示神经网络的学习率，直到相邻两次计算误差小于神经网络的预设参数时，完成训练，后由FPGA在线神经网络计算模块将采集的光强幅值信号提取出归一化谐波峰值，上传到上位机，求解出气体参数。
CN202110916241.0A 2021-08-10 2021-08-10 一种波长调制激光吸收光谱线型参数在线提取方法与系统 Active CN113702330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110916241.0A CN113702330B (zh) 2021-08-10 2021-08-10 一种波长调制激光吸收光谱线型参数在线提取方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110916241.0A CN113702330B (zh) 2021-08-10 2021-08-10 一种波长调制激光吸收光谱线型参数在线提取方法与系统

Publications (2)

Publication Number Publication Date
CN113702330A true CN113702330A (zh) 2021-11-26
CN113702330B CN113702330B (zh) 2022-08-19

Family

ID=78652158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110916241.0A Active CN113702330B (zh) 2021-08-10 2021-08-10 一种波长调制激光吸收光谱线型参数在线提取方法与系统

Country Status (1)

Country Link
CN (1) CN113702330B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130163000A1 (en) * 2011-12-27 2013-06-27 Horiba, Ltd. Gas measurement apparatus and the setting method of width of wavelength modulation in gas measurement apparatus
CN104535528A (zh) * 2014-11-26 2015-04-22 东南大学 Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法
CN111579532A (zh) * 2020-06-03 2020-08-25 北京航空航天大学 一种基于频分复用和主峰扫描的激光吸收光谱层析成像方法
CN112729591A (zh) * 2020-12-22 2021-04-30 北京航空航天大学 一种基于低带宽光电探测器的激光吸收光谱温度测量系统与方法
CN112763454A (zh) * 2020-12-28 2021-05-07 中国科学院长春光学精密机械与物理研究所 一种多气体传感系统及检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130163000A1 (en) * 2011-12-27 2013-06-27 Horiba, Ltd. Gas measurement apparatus and the setting method of width of wavelength modulation in gas measurement apparatus
CN104535528A (zh) * 2014-11-26 2015-04-22 东南大学 Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法
CN111579532A (zh) * 2020-06-03 2020-08-25 北京航空航天大学 一种基于频分复用和主峰扫描的激光吸收光谱层析成像方法
CN112729591A (zh) * 2020-12-22 2021-04-30 北京航空航天大学 一种基于低带宽光电探测器的激光吸收光谱温度测量系统与方法
CN112763454A (zh) * 2020-12-28 2021-05-07 中国科学院长春光学精密机械与物理研究所 一种多气体传感系统及检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HENG XIE等: ""Ultra-Low Sampled and High Precision TDLAS Thermometry via Artificial Neural Network"", 《IEEE PHOTONICS JOURNAL》 *
LIJUN XU等: ""FPGA-Based Real-Time Implementation of Temperature Measurement via Tunable Diode Laser Absorption Spectroscopy"", 《IEEE SENSORS JOURNAL》 *

Also Published As

Publication number Publication date
CN113702330B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN108981953B (zh) 一种基于干涉调制原理的激光吸收光谱测温方法和系统
CN109100325B (zh) 一种基于光谱吸收率二次谐波特征提取的气体浓度测量方法
CN101105446B (zh) 差分吸收光谱空气质量检测系统
CN109991189B (zh) 一种基于波数漂移修正的固定点波长调制气体浓度测量装置及其测量方法
CN105548075A (zh) 一种玻璃药瓶内氧气含量的检测装置与方法
CN105388120B (zh) 基于wmrf模型的免定标波长调制光谱气体检测方法
CN104126106A (zh) 一种用于气体感测的免校准扫描波长调制光谱的方法
CN104535528A (zh) Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法
CN101718584B (zh) 一种基于多项式拟合的全光采样的线性度和转换效率计算方法
CN106990071A (zh) 一种全数字式气体检测仪
CN113447458A (zh) 一种基于激光吸收阻抗谱的气体温度与浓度参数测量方法
CN105784672A (zh) 一种基于双树复小波算法的毒品检测仪标准化方法
CN103852164B (zh) 一种获取光源光谱的方法
CN109556731A (zh) 一种基于神经网络和激光吸收光谱的路径温度直方图测量系统与方法
CN109696415A (zh) 一种基于快速傅里叶变换的气体吸收率在线测量方法
CN108333138A (zh) 多波长光谱同步测量方法及装置
CN114544547A (zh) 一种用于波长调制光谱信号在线递推解调的方法与系统
CN101949825B (zh) 光开放环境下的叶片水分近红外无损检测装置及方法
CN204008440U (zh) 用于差分气体检测的信号处理装置及其气体检测系统
CN106017533A (zh) 一种快速调谐实时校准光纤光栅解调装置及工作方法
CN109521437B (zh) 面向植被生化参数探测的多光谱激光雷达波长选择方法
CN107941467B (zh) 直接获取分布反馈半导体激光源电流调制波长响应的方法
CN113702330B (zh) 一种波长调制激光吸收光谱线型参数在线提取方法与系统
CN103558182A (zh) 一种用于激光气体在线分析仪确定气体浓度的方法
CN114548172A (zh) 一种波长调制激光气体吸收光谱的参数提取方法与系统

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