基于BP神经网络的红外可燃气体探测器温度补偿研究

陈迎春，赵建华

（中国科学技术大学火灾科学国家重点实验室，合肥，230026）

0 引言

对可燃气体泄漏进行监测，是预防因可燃气体泄漏引起火灾、爆炸事故，导致大量人员伤亡、财产损失的重要手段。近年来，随着红外应用技术研究不断的深入，红外气体浓度监测技术取得了长足发展，在石油、化工生产过程中得到广泛应用［1，2］。其中，非色散红外吸收（NDIR）气体浓度监测技术由于具有结构简单、体积小、重量轻和可靠性高等特点，便于广泛应用于生产过程和安全检测场所的气体浓度在线监测。

然而在实际应用中，由于电路元件、探测器等元件易受温度影响，而使得输出结果随温度波动［3］，影响了测量精度，甚至会得到错误的测量结果。以往的做法，通常是采用恒温或温度补偿电路来解决［4，5］，但是硬件解决的方法，使得探测器体积变大、重量增加，不符合探测器往小型化方向发展的趋势。于是，软件补偿措施就成为了人们研究的热点，其中采用最小二乘法和建立多参数温度补偿模型的做法已经见诸报道［4，6］，并取得了较好的效果。但是，NDIR气体传感器温度补偿缺乏合乎理论的补偿公式，已有的做法都是通过大量采集数据后，进行数据拟合，再经检验补偿效果，这样需确定多个参数以获得温度补偿模型，补偿工作繁重而数据利用率低。

随着计算机的普及和发展，人工神经网络方法的研究也受到越来越多的关注，已经发展得较为成熟并有多方面的应用［7－9］。采用人工神经网络方法，人们不需要知道确切的理论计算模型，通过计算机的快速运算，不断调整输入与输出之间的关系，建立一个黑匣子模型，即可得到较好的输出结果，非常适合处理非线性数学问题［10，11］。

本文通过采用BP人工神经网络对一种网络传输型红外可燃气体探测器进行温度补偿，通过对不同温度下采集的探测器输出数据进行训练，得到温度补偿模型，较好地解决了探测器的输出随温度漂移的难题。

1 原理与方法

1.1 红外测量原理

红外气体浓度监测技术是根据气体对其特征波长处的红外吸收强度，来确定被测气体的浓度，气体对于特征吸收波长的吸收强度服从Lambert－Beer定律公式如下［1］：

式中，I为出射光强，I0为入射光强，μ为气体的吸收系数，C为气体浓度，L为吸收长度。对红外气体浓度探测器而言，（1）式可改写为：

从公式（2）可知，对确定的红外气体探测器，吸收长度L与气体的吸收系数μ已知，就可以通过测量I和I0的比值计算出被测气体的浓度。

在实际应用中，由于红外光很容易受多种因素（如温度，电源电压波动，光源老化等）影响，仅通过单一光束透射光强的衰减不足以准确地监测气体的浓度。通过采用双波长红外监测原理，选择一个对红外光不具有吸收能力的波长为参比波长，选择被测气体对红外光吸收最强的吸收峰处的波长为测量波长，测量系统可以有不同的实现形式，主要都包括红外光源、气室和双通道红外探测器几个部分，基本的测量原理如图1所示。

图1 双波长红外测量系统原理图Fig.1 Schematic of dual wavelength infrared measurement system

由于参比波长不被气体吸收，参比信号Iref为光源发出的光的强度，它反映了由于光源本身的波动等因素所造成的光强变化，它与测量信号Im的比值即消除了这种光源不稳定所带来的误差。设未通入可燃气体时透过测量通道的光强为，参比通道的光强为；通入一定浓度可燃气体后测量通道的光强为，参比通道光强为；则可以得到一个反映气体浓度信息的吸收变量D为：

1.2 BP神经网络

BP（Back Propagation）神经网络即误差反向传输神经网络，网络结构包含一个输入层，一个输出层，若干个隐含层，每层由多个神经元组成，同层节点（神经元）间无任何连接。BP算法学习过程由正向传播和反向传播组成，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

由输入层向隐含层、输出层的传播为正向传播，若网络的输入数据为x1，x2，…，xn，隐含层节点j所接受的输入和为：

式中ω1ij为输入层节点i和隐含层节点j的连接权重；输入层第i个节点输出；节点j的输出为：

对于多个隐含层的情况，之后的隐含层同样接受上一层的输入和为：

如此逐层传递，直到输出层。正向信息传输完成后，接着计算输出与目标值之间的差，如果输出层得不到目标值，则进行误差方向传输，从输出层开始逐层修改连接权值，使网络误差平方和降到期望误差之下［10，11］。BP神经网络能学习和存贮大量的输入－输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。

1.3 实验方法

选择可燃气体（CH4）探测器作为测试探测器，其测量滤光片的中心波长为3.4μm±70nm，半带宽为180nm±20nm，参比滤光片的中心波长为3.93μm±20nm，半带宽为75nm±10nm。首先将可燃气体探测器放置于恒温箱内，对探测器通入高纯氮气。通过控制恒温箱内部温度，改变探测器所处环境的温度，由于探测器工作时内部发热，探测器工作温度会高于环境温度。探测器测试数据经过A／D转换后，由RS232接口或RJ45网络输出接口输出到PC，并记录测量平均值，记录数据包括参比电压、测量电压、探测器工作温度、环境温度及环境压力，温度控制范围为－40℃～75℃（环境温度）。在环境温度20℃时，通入标准气体经过精密配气系统后得到的不同浓度气体，记录不同气体浓度下的探测器输出信号及如上所有数据。在变化的环境温度下，通入不同浓度气体，采集一定数量的训练集样本。

经过温度控制后，取出探测器并置于室温下，待探测器温度稳定后，在室温下分2天采集验证集样本数据。

1.4 温度补偿原理与方法

从文献4和文献6看出，红外探测器受温度影响复杂，很难用具体函数来描述，可用BP神经网络来逼近这种非线性关系。

使用Matlab2011b进行BP神经网络编程，先将输入数据进行数据归一化处理，然后进行训练。数据归一化使用mapminmax函数，神经网络为一个三层网络，首层传递函数使用S型正切（tansig），输出层传递函数使用线性（purelin），训练函数采用有自适应lr的梯度下降法（traingdx）。经多次实验确定隐含层结点数为6，目标误差值为1.0e－10，步长为0.1，最大训练次数10000，动量因子及初始权值由程序在一定范围内随机设置。输入层含三个神经元，分别为参比电压Iref、测量电压Im和温度变量T，输出层一个神经元，为吸收变量（D），所用BP神经网络结构如图2所示。

图2 气体探测器温度补偿所用的BP神经网络结构示意图Fig.2 Structure of BP neural network used in the gas sensor temperature compensation

2 结果与讨论

2.1 探测器输出与气体浓度的关系

计算环境温度20℃时的吸收变量（D），观察D值与气体浓度之间的关系，结果如图3所示。从图3中可以看出，探测器输出电压与CH4的浓度之间存在非线性关系，难以用线性方程来拟合。对应量程0～100%LEL时，吸收变量D的变化范围约在0.85～1之间。

图3 吸收变量（D）随甲烷浓度变化的曲线Fig.3 Variation of absorption variables（D）with gas concentration

2.2 温度对探测器输出的影响

实验结果表明，探测器参比电压和测量电压以及不同温度下的零点输出电压与标定零点电压计算出的吸收变量（D）都会随温度变化而变化，图4和图5分别展示了这种变化。

图4 探测器输出电压随温度的变化曲线Fig.4 Variation of sensor output voltage with the temperature

图5 吸收变量（D）随温度的变化曲线Fig.5 Variation of absorption variables（D）with the temperature

从图4中可以看出，探测器输出受温度的影响，输出信号强度随温度变化，且参比电压变化幅度与测量电压变化幅度不一致，这就会使得两者之间在一定温度下（标定状态）所建立的对应关系会随温度改变而改变。为了进一步说明这种影响，假定不考虑温度因素，直接将不同温度下的测量结果与标定零点作比值计算D，图5中为可燃气体（CH4）浓度为零时，D值随温度的变化情况，可以看出这种计算方法会引起较大的误差。这就说明，温度会明显的改变探测器的输出，如果不能有效的进行补偿，将会得到错误的测量结果。

2.3 温度补偿结果

对传感器将所采集到的温度补偿数据作为BP神经网络的训练数据，环境温度20℃的D值为理论输出值，采集的验证集样本数据作为验证集数据。根据探测器输出特点和1.1－1.2节的理论分析，所采用的BP神经网络选择探测器参比电压、测量电压和工作温度作为输入变量，以得到验证集样本误差最小确定神经网络结构。

将所获得的训练数据，通过1.4节所描述的的网络结构进行训练后，所有训练样本及训练后的结果显示在表1中，所得到的神经网络参数展示在表2和表3中。

表1 探测器训练样本数据表Table 1 Train sample data of detector

续表1

表2 探测器经网络训练后确定的权值Table 2 The weight value of detector after network training

表3 探测器经网络训练后确定的阈值Table 3 The threshold of detector after network training

将室温下所测得的数据作为验证样本，输入到经过训练所得到的神经网络模型进行验证，得到的验证结果如表4所示。

从表4中可以看出，D值输出误差最大为0.0028，经过温度补偿后的D值采用查表法（分为7段）计算可燃气体（CH4）浓度，可燃气体探测器所有验证集样本的输出浓度，以及未经温度补偿的数据用查表法计算得到的结果，如表5所示。

表4 探测器验证样本数据表Table 4 Test sample data of detector

表5 BP神经网络验证集样本满量程误差Table 5 Full scale error of BP neural network validation set samples

从表5中可以看出探测器经过温度补偿后，放置在环境温度（33℃和29℃）中，探测器内部工作温度随环境温度而变化的情况下，BP神经网络仍然能够保证输出精度在±1%FS以内，比补偿前有了较大提高，输出性能较好。

3 结论

通过采用BP神经网络对实验采集的红外可燃气体探测器输出进行温度补偿，通过理论分析和对实验数据进行处理，提取合适的参数作为神经网络训练的输入参数，得到了探测器的温度补偿模型，获得了较好的输出结果。得到的模型只需要三个输入参数，减少了计算温度补偿模型过程中由于参数计算带来的误差，使得红外可燃气体探测器具有较宽的使用温度范围和较高的精度。所使用的BP神经网络温度补偿方法，对基于NDIR的气体浓度探测技术的开发和应用具有很好的温度补偿效果，能较好地解决红外气体探测器的输出随温度漂移的难题。

［1］赵建华.现代安全监测技术［M］.合肥：中国科学技术大学出版社，2006.

［2］李黎，等.红外气体检测技术在天然气安全生产中的应用［J］.天然气工业，2011，31（1）：96－99.

［3］康永济.红外线气体分析器［M］.北京：化学工业出版社，1993.

［4］靳斌，等.红外气体分析器非线性误差和温度效应误差修正方法［J］.红外与激光工程，1997，26（1）：57－60.

［5］Yasuda T，et al.Comparison of the characteristics of small commercial NDIR CO2sensor models and development of a portable CO2measurement device［J］.Sensors，2012，12（3）：3641－3655.

［6］李翠萍，等.基于多参数模型的非分散红外光谱气体检测稳定性方法研究［J］.光谱学与光谱分析，2012，32（11）：2976－2980.

［7］赵建华，等.基于神经网络的火灾烟雾识别方法［J］.光学学报，2003，23（9）：1086－1089.

［8］赵建华，等.PLS－BP法定量分析火灾中的常见有毒有害气体［J］.火灾科学，2010，19（3）：158－164.

［9］高明亮.基于傅立叶变换红外光谱技术的多组分气体定量分析研究［D］.合肥：中国科学技术大学，2010.

［10］陆婉珍.现代近红外光谱分析技术（第二版）［M］.北京：中国石化出版社，2007.

［11］许禄，邵学广.化学计量学方法（第二版）［M］.北京：科学出版社，2004.