CN115879371A - 一种基于深度学习修正的混合气体浓度检测方法 - Google Patents
一种基于深度学习修正的混合气体浓度检测方法 Download PDFInfo
- Publication number
- CN115879371A CN115879371A CN202211503643.9A CN202211503643A CN115879371A CN 115879371 A CN115879371 A CN 115879371A CN 202211503643 A CN202211503643 A CN 202211503643A CN 115879371 A CN115879371 A CN 115879371A
- Authority
- CN
- China
- Prior art keywords
- mixed gas
- concentration
- gas concentration
- measured
- controller
- 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
Images
Classifications
-
- 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
Abstract
本发明公开了一种基于深度学习修正的混合气体浓度检测方法；该方法如下：1、搭建混合气体检测系统；混合气体检测系统包括控制器、AD采集电路、传感器阵列模块和上位机。传感器阵列模块包括能够检测不同气体浓度的多个传感器。2、混合气体检测系统对各被测气体进行检测。3、上位机将各被测气体组分的测量浓度值输入至混合气体浓度修正网络；混合气体浓度修正网络输出混合气体中是否存在各被测气体组分的判断，并输出各被测气体组分浓度的修正值。本发明通过神经网络对混合气体中不同组分的浓度测量值进行修正，从而获得更加精准的混合气体浓度，减少了因传感器交叉响应导致的误差。
Description
技术领域
本发明属于混合气体浓度分析技术领域，具体涉及一种基于深度学习修正的混合气体浓度检测方法。
背景技术
随着科技的发展，越来越多的移动设备被应用于生活之中，气体传感器也越来越精小，检测精度也越来越高。使用气体传感器进行单气检测时，检测结果具有良好线性和准确度。但是对于混气之后，由于传感器的交叉响应，故存在线性干扰，不利于浓度判定。因此，在混合气体检测方面，由于混合气体之间有互相影响，导致所测的数据受到了极大干扰，导致难以精准获得混合气体中不同组分的浓度。
目前在测量气体方面，大多使用电化学传感器，这是由于电化学传感器具有轻便、便宜、易开发等优点。单个传感器测量单种气体时，具有很好的选择性，而且测量准确性很高，但在现实情况中，大多存在的是混合气体，当传感器在测量混合气体时会存在很大干扰，这是因为传感器具有交叉灵敏度，导致在混合气体时，多种气体对它具有响应。这就难治难以准确地确定不同组分的浓度。
发明内容
本发明的目的在于提供一种基于深度学习修正的混合气体浓度检测方法。
本发明一种基于深度学习修正的混合气体浓度检测方法，包括以下步骤：
步骤1、搭建混合气体检测系统
混合气体检测系统包括控制器、AD采集电路、传感器阵列模块和上位机。传感器阵列模块包括能够检测不同气体浓度的多个传感器。控制器与上位机通信。上位机中搭载有混合气体浓度修正网络。
步骤2、将步骤1搭建的混合气体检测系统放置在被测环境中。传感器阵列模块对各被测气体进行检测。所得模拟信号经过模数转换传输至控制器。控制器再将所得数字信号发送给上位机。
步骤3、上位机将接收到的数字信号转化为各被测气体组分的测量浓度值，并输入至混合气体浓度修正网络；混合气体浓度修正网络输出混合气体中是否存在各被测气体组分的判断，并输出各被测气体组分浓度的修正值。
作为优选，步骤1中构建的混合气体检测系统还包括WiFi模块。WiFi模块的型号为esp8266；控制器与云端服务器通过WiFi模块通信。
作为优选，步骤1中构建的混合气体检测系统还包括显示模块；显示模块采用lcd显示屏。显示模块由控制器进行控制，用于显示测得的混合气体数据。
作为优选，所述的控制器采用stm32系列单片机。
作为优选，传感器阵列模块包括检测四种气体浓度的传感器；该四种气体分别为一氧化碳、二氧化氮和二氧化硫和甲醛。
作为优选，所述的混合气体浓度修正网络采用BP神经网络，以四种气体的检测浓度为输出；四种气体是否存在以及校准浓度为输出。该混合气体浓度修正网络包括三个卷积层和和两个全连接层。三个卷积层依次相连，且每个卷积层的后侧均设置有一层ReLU函数；两个全连接层设置在最后一个卷积层的后侧，分别用于输出为种类类别和预测浓度值。
作为优选，所述的混合气体浓度修正网络的损失函数如下：
TotalLoss＝SigmoidCrossEnropyLoss+SmoothL1Loss
其中，TotaLoss为总损失；SigmoidCrossEntropyLoss为概率损失；SmoothL1Loss为浓度损失；pi表示真实分类；
表示预测类别，N表示样本个数，概率损失即是求真实分类值和预测值之间的差异大小。yi表示第i个样本的检测浓度，f(xi)表示第i个样本的预测浓度。N表示总样本数。
本发明具有的有益效果是：
本发明通过神经网络对混合气体中不同组分的浓度测量值进行修正，从而获得更加精准的混合气体浓度，减少了因传感器交叉响应导致的误差。
附图说明
图1为本发明中混合气体检测系统的示意图；
图2为本发明进行混合气体浓度检测信号传输图；
图3为本发明中使用的混合气体浓度修正网络的结构图。
具体实施方式
以下结合附图对本发明作进一步说明。
一种基于深度学习修正的混合气体浓度检测方法，包括以下步骤：
步骤1、搭建混合气体检测系统
如图1和2所示，混合气体检测系统包括控制器1、AD采集电路2、WiFi模块3、显示模块4、传感器阵列模块5和上位机6。WiFi模块3的型号为esp8266；显示模块4采用lcd显示屏。控制器1采用stm32系列单片机。传感器阵列用于与各类被测气体发生反应，并分别产生电信号，是整个系统的数据来源。传感器阵列模块5中包含有阿尔法公司Apollo四电极电化学传感器和三电极传感器；具体包括型号分别为CO-B4，NO2-B4，SO2-B4，ETO-A1的四个传感器(分别用于检测一氧化碳、二氧化氮、二氧化硫和甲醛)。
WiFi模块3和显示模块4均与控制器1连接；控制器1与云端服务器通过WiFi模块3通信，实现混合气体数据的上传；显示模块4用于显示测得的混合气体数据。AD采集电路2将传感器阵列模块5输出的模拟信号进行模数转换后，传输至控制器1。控制器1将所得数字信号发送给上位机6。上位机6对气体浓度信号的测量值进行修正后发送至控制器1。混合气体检测系统需要和搭载在上位机6的混合气体浓度检测方法相配合，才能够混合气体浓度的精准监控预测。
步骤2、将步骤1搭建的混合气体检测系统放置在被测环境中。传感器阵列模块5对各被测气体进行检测。所得模拟信号经过模数转换传输至控制器1。控制器1再将所得数字信号发送给上位机6。控制器1发送给上位机6的数据为txt格式，包括八个文件，分别为文件O0-O7；每一个或两个文件对应一类气体的浓度。文件O0、O1对应的气体为CO(一氧化碳)；文件O2、O3对应的气体是NO2(二氧化氮)；文件O4、O5对应的气体是SO2(二氧化硫)；文件O7对应的气体是HCHO(甲醛)，文件O6悬空。
除甲醛外，检测每种气体的传感器均有两个电极；其中一个电极为参照极，另一个电极为工作极。因此，在数据处理时，取工作极的数据减去参照极的数据，工作极对应的数据文件分别是文件O1、O3、O5、O7；甲醛无参照极，所以文件O7不需要相减。
对于一氧化碳、二氧化氮和二氧化硫将工作极与参照极输出的数据相减，得到该三种气体的检测浓度；对于甲醛将工作极输出的数据直接作为检测浓度。
步骤3、构建用于修正四类气体浓度的混合气体浓度修正网络。
如图3所示，混合气体浓度修正网络采用卷积神经网络，以四种气体的检测浓度为输出；四种气体是否存在以及校准浓度为输出。该混合气体浓度修正网络包括三个卷积层和两个全连接层。卷积层的核大小为3*3；三个卷积层依次相连，且每个卷积层的后侧均设置有一层ReLU函数；两个全连接层设置在最后一个卷积层的后侧，分别用于输出为种类类别和预测浓度值。
混合气体浓度修正网络的数据构造具体为：数据长度通过数值插值方式，调整一致，调节成32个值，构造8*32作为网络输入。经过三个卷积层，卷积层核大小3*3，分出两个支路，各经过两个全连接层，分别输出类别和浓度。
ReLU函数用于将加快收敛，在大于0的时候不会有梯度消失和梯度饱和的情况出现。混合气体浓度修正网络输出两组数据内容，其中一组是四种气体的分类结果，即是否四种气体分别是否存在；另一组是四种气体的预测浓度值。
混合气体浓度修正网络在进行10000个echo迭代后，收敛成最终模型，得到损失函数；总损失TotaLoss，由两部分构成，分别是概率损失SigmoidCrossEntropyLoss和浓度损失SmoothL 1Loss。总损失TotaLoss、概率损失SigmoidCrossEntropyLoss和浓度损失SmoothL1Loss的表达式如下：
TotalLoss＝SigmoidCrossEnropyLoss+SmoothL1Loss
其中，pi表示真实分类，即0或者1，当气体存在为1，不存在为0；
表示预测类别，N表示样本个数，概率损失即是求真实分类值和预测值之间的差异大小。yi表示第i个样本的检测浓度，f(xi)表示第i个样本的预测浓度。N表示总样本数。当yi-f(xi)的绝对值小于1时，取其平方的0.5倍，其余时候取绝对值减去0.5，作为浓度损失SmoothL1Loss。
步骤4、将步骤二得到的四种气体的检测浓度输入混合气体浓度修正网络；混合气体浓度修正网络输出四种气体是否存在，以及四种气体经过混合气体浓度修正网络修正的浓度值。
步骤5、上位机6将所得四种气体的修正浓度值发送至控制器1；控制器1控制显示模块4显示出四种气体的修正浓度值。
使用四种气体的气源将不同体积的气体送入混气缸中进行充分混合；混气缸中的混合气体输出至传感器阵列，发生反应后产生模拟信号；经过本实施例中提供的方法进行四种气体浓度的检测和修正，所得浓度值相较于传感器直接测得的数值更为接近真实浓度值。
Claims (7)
1.一种基于深度学习修正的混合气体浓度检测方法，其特征在于：包括以下步骤：
步骤1、搭建混合气体检测系统
混合气体检测系统包括控制器(1)、AD采集电路(2)、传感器阵列模块(5)和上位机(6)；传感器阵列模块(5)包括能够检测不同气体浓度的多个传感器；控制器(1)与上位机(6)通信；上位机(6)中搭载有混合气体浓度修正网络；
步骤2、将步骤1搭建的混合气体检测系统放置在被测环境中；传感器阵列模块(5)对各被测气体进行检测；所得模拟信号经过模数转换传输至控制器(1)；控制器(1)再将所得数字信号发送给上位机(6)；
步骤3、上位机(6)将接收到的数字信号转化为各被测气体组分的测量浓度值，并输入至混合气体浓度修正网络；混合气体浓度修正网络输出混合气体中是否存在各被测气体组分的判断，并输出各被测气体组分浓度的修正值。
2.根据权利要求1所述的一种基于深度学习修正的混合气体浓度检测方法，其特征在于：步骤1中构建的混合气体检测系统还包括WiFi模块(3)；WiFi模块(3)的型号为esp8266；控制器(1)与云端服务器通过WiFi模块(3)通信。
3.根据权利要求1所述的一种基于深度学习修正的混合气体浓度检测方法，其特征在于：步骤1中构建的混合气体检测系统还包括显示模块(4)；显示模块(4)采用lcd显示屏；显示模块(4)由控制器(1)进行控制，用于显示测得的混合气体数据。
4.根据权利要求1所述的一种基于深度学习修正的混合气体浓度检测方法，其特征在于：所述的控制器(1)采用stm32系列单片机。
5.根据权利要求1所述的一种基于深度学习修正的混合气体浓度检测方法，其特征在于：传感器阵列模块(5)包括检测四种气体浓度的传感器；该四种气体分别为一氧化碳、二氧化氮和二氧化硫和甲醛。
6.根据权利要求5所述的一种基于深度学习修正的混合气体浓度检测方法，其特征在于：所述的混合气体浓度修正网络采用BP神经网络，以四种气体的检测浓度为输出；四种气体是否存在以及校准浓度为输出；该混合气体浓度修正网络包括三个卷积层和和两个全连接层；三个卷积层依次相连，且每个卷积层的后侧均设置有一层ReLU函数；两个全连接层设置在最后一个卷积层的后侧，分别用于输出为种类类别和预测浓度值。
7.根据权利要求6所述的一种基于深度学习修正的混合气体浓度检测方法，其特征在于：所述的混合气体浓度修正网络的损失函数如下：
TotalLoss＝SigmoidCrossEntropyLoss+SmoothLlLoss
其中，TotaLoss为总损失；SigmoidCrossEntropyLoss为概率损失；SmoothL1Loss为浓度损失；pi表示真实分类；
表示预测类别，N表示样本个数，概率损失即是求真实分类值和预测值之间的差异大小；yi表示第i个样本的检测浓度，f(xi)表示第i个样本的预测浓度；N表示总样本数。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211503643.9A CN115879371A (zh) | 2022-11-28 | 2022-11-28 | 一种基于深度学习修正的混合气体浓度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211503643.9A CN115879371A (zh) | 2022-11-28 | 2022-11-28 | 一种基于深度学习修正的混合气体浓度检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115879371A true CN115879371A (zh) | 2023-03-31 |
Family
ID=85764377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211503643.9A Pending CN115879371A (zh) | 2022-11-28 | 2022-11-28 | 一种基于深度学习修正的混合气体浓度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879371A (zh) |
-
2022
- 2022-11-28 CN CN202211503643.9A patent/CN115879371A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105651939B (zh) | 电子鼻系统中基于凸集投影的浓度检测精度校正方法 | |
| CN1129782C (zh) | 自动检测和自动控制风洞风速的方法及装置 | |
| CN110146215B (zh) | 一种带有温度补偿与参数整定措施的气压传感器 | |
| CN108614071B (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 | |
| CN106525928A (zh) | 一种基于电化学传感器的大气no2探测系统 | |
| CN116720078A (zh) | 一种智能传感器的连续采集和数据模型构建系统及方法 | |
| CN112710701B (zh) | 空气浓度智能监测系统、方法 | |
| CN115879371A (zh) | 一种基于深度学习修正的混合气体浓度检测方法 | |
| CN211627551U (zh) | 一种集成型土壤及周围环境检测系统 | |
| CN205786182U (zh) | 一种便携式空气密度测量装置 | |
| CN107576695A (zh) | 电化学气体传感器及其校准方法、空调器 | |
| CN106442680A (zh) | 一种便携式电化学法溶解氧测定仪检定方法 | |
| CN215338566U (zh) | 一种无实物自适应称重衡器砝码标定系统 | |
| Bowen | Research on nonlinear calibration of mine catalytic-combustion-based combustible-gas sensor based on RBF neural network | |
| CN2804861Y (zh) | 空气质量检测装置 | |
| CN113804833A (zh) | 基于凸集投影和极限学习机的电子鼻漂移通用校准方法 | |
| CN102749368A (zh) | 一种溶解氧测量系统 | |
| CN107607143A (zh) | 一种传感器基线漂移校正的方法以及检测设备 | |
| CN203011610U (zh) | 基于avr单片机的新型数字气压计 | |
| CN111528797A (zh) | 水产品无水保活个体应激水平无损动态监测方法及系统 | |
| CN206362737U (zh) | 一种便携式电化学法溶解氧测定仪检定装置 | |
| CN206095311U (zh) | 一种基于Petri网的食品加工智能质量检测设备 | |
| CN109613102B (zh) | 确定变送器参数的方法及装置 | |
| Zhang et al. | Sensor Array Design for Toxic Gas Detection in Electronic nose System | |
| CN116087131B (zh) | 一种紫外差分气体分析仪的数据处理方法及系统 |
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 |