基于传感器阵列的危害气体快速预警与识别方法研发

李明骏

(中国石化安全工程研究院，山东 青岛266100)

近年来，石油、化工、冶金等行业因危害气体泄漏导致各类安全生产事故频发，对国家和人民的生命与财产安全构成严重威胁。统计数据表明，现有的泄漏检测设备与系统存在一定的不足，据英国安全与健康执行局统计，石化行业泄漏事件的成功探测率不足50%[1]，大量可能引起事故的泄漏事件没有被探测器及时监测。随着国家、社会层面对安全环保要求的不断提高，现有气体泄漏检测报警系统已经无法满足日益增长的安全环保生产需求，亟需升级换代。

在传统气体传感器的响应特征中，传感器响应值与目标气体浓度值是一一对应的稳态关系。传感器接触到目标气体后，输出值逐渐增大(或减小)至稳定状态，此时稳定的输出值才能准确表征目标气体的真实浓度，目前大多数基于传感器阵列的算法也都基于稳态响应值进行设计[2－7]。然而此类稳态关系无法准确监测工业现场的短时突发泄漏。短时突发泄漏可能是大规模泄漏的初期表现，其泄漏总量较小，泄漏出的气体气团体积较小，扩散过程中气团与传感器的接触时间较短，气团离开传感器表面时传感器还没有完全响应至稳定状态，此时传感器所反应出的气体浓度会显著低于实际浓度，不足以引起安全管理人员的重视，无法及时采取措施遏制事故发展。因此，如何准确捕捉短时突发泄漏，在大规模泄漏事故形成之前及时预警，对工业现场具有重要的安全意义。

对于动态响应过程，袁方红使用时间序列分析算法对CO浓度进行预测，可以实现多步浓度预测，但浓度预测对历史数据依附性较高，对突发泄漏预测效果不佳[8]；张捍东通过建立一阶线性惯性延时的传感器模型，使用传感器逆模型估计出气体浓度的真实输入[9]，张广军构建了CO2传感器的一阶传递函数模型，设计带有零极点的一阶网络的动态补偿滤波器[10]。两者都通过对一阶模型的补偿缩短了系统的响应时间，但一阶模型无法描述传感器的起始响应阶段，不利于气体浓度初期的快速预判。安文提取传感器响应曲线的稳态、动态特征作为BP神经网络输入加速网络收敛[11]，但仅采用一阶导数、二阶导数的最大值作为特征向量，无法在传感响应初期快速预判浓度。

本文设计了基于气体传感器阵列的快速预警与识别算法。通过标准化的测试实验，得到传感器阵列的标准动态响应曲线簇；在实测过程采集传感器阵列的输出值与输出值变化率，与动态标准响应曲线做实时比较，判断出与实测值相近的动态标准响应曲线所对应的气体种类和浓度，作为预判结果，进而与报警阈值相比较，判断是否发出预警信号。此算法在传感器阵列响应的初期即可实现对目标气体的快速定性定量监测，直接给出目标气体的真实种类和浓度，不受限于传感器响应时间，有利于快速捕捉突发短时泄漏，显著提高了对目标危害气体的预警能力。

1 危害气体快速预警与识别算法原理

1.1 传感器动态响应特征原理

常规气体传感器的响应曲线如图1所示。首先给传感器通电，待传感器稳定后，从t1时刻开始通入待测气体，当测试腔体足够小时候，可以认为待测气体浓度瞬间达到设定值，浓度曲线可近似为阶跃响应曲线。随后传感器产生响应，以传感器响应值上升过程为例，响应曲线经历“稳定”——“缓慢上升”——“快速上升”——“缓慢上升”——“再次稳定”的五个阶段。以待测气体浓度作为输入变量，以传感器响应值作为输出变量，以JJG系列气体报警器国家计量检定规程的测试方法进行试验，该方法满足计量溯源性要求。测试实验中传感器的响应过程可认为是一类二阶过阻尼系统的阶跃响应类型[12－13]，如图1所示。图中Csp为待测气体浓度，Y0为传感器基线响应值，Ysp为传感器对待测气体响应稳态输出值，t1为通入待测气体时刻，t2为传感器对待测气体响应达到稳定状态的时刻，t3为开始吹扫时刻，t4为传感器归零稳定时刻。

图1 气体传感器响应曲线示意图

典型二阶过阻尼系统的状态方程[6]可以表示为

式中:x1(t)、x2(t)为系统的状态变量，C(t)为系统输入变量。类比范德波尔方程(Van der Pol equation)[7]，本文将传感器响应值Y(t)作为x1(t)，把传感器响应值的变化率̇Y(t)作为x2(t)，则式(1)可变为:

在传感器接触待测气体产生响应的非稳态过程中，传感器响应值的变化率̇Y(t)≠0，将式(1)、式(3)合并，消去dt得到式(4)。

在通入待测气体的过程中设气体浓度Csp不变，代入式(4)，得到式(5)，本文称之为传感器标准动态响应特征式。

初始状态x0＝[Y0，0]

对于方程式(5)，采用微分方程的一般数值解法，根据初始条件，即可求解特定待测气体浓度下传感器响应过程中，响应值与其变化率的对应关系。由响应值与其变化率构成的二阶过阻尼系统相轨迹曲线示意图如图2所示。A点为初始状态，Bi点为通入待测气体浓度为Cspi时响应过程的终止状态(i＝1、2、3)，曲线ABi为通入待测气体后的响应相轨迹，曲线BiA为吹扫阶段的响应相轨迹，吹扫过程中Csp＝0。

图2 气体传感器二维平面相轨迹响应曲线示意图

对于已知的气体传感器，如果可以获取其在一定目标气体浓度下的标准动态响应特征式，则可由输入气体的浓度计算得到传感器完整的动态响应过程。反之，通过实验积累不同气体、不同浓度下的传感器动态响应曲线形成数据库后，也可以根据传感器动态响应值与变化率，快速预测目标气体的浓度。

1.2 传感器动态响应特征库建立

对于电化学、半导体气体传感器而言，其传感机理较为复杂，建立机理模型比较困难，本文通过标准化测试实验得到传感器的动态响应曲线，基于测试数据描述响应过程，建立标准动态响应特征库。本文以SGX公司的MICS－2714、MICS－5524、MICS－5914三款传感器组成的传感器阵列为例，分别检测H2S、CO、CH4气体，实现气体种类和浓度的快速预测。

以MICS－5914对低浓度硫化氢响应测试为例介绍动态响应特征库的建立步骤。设置多组硫化氢浓度梯度实验，保持每次通气流量相同，分别通入1×10－6L/L、2×10－6L/L、3×10－6L/L和5×10－6L/L硫化氢气体，将传感器电阻值作为传感器输出值S，归一化后得到图3(a)曲线。传感器响应过程中的变化速率为3(b)曲线，以传感器输出值、传感器输出值变化率作二维相轨迹图，如图4所示。

图3 MICS－5914传感器对硫化氢气体响应曲线

图4 传感器二维相平面响应曲线

将传感器输出值S、传感器输出值变化率R与H2S气体浓度C为坐标轴作三维散点图，拟合三维相轨迹曲线簇。如图5(a)所示，三维相轨迹曲线簇在xoy平面作投影即为二维相轨迹曲线。再以三维相轨迹曲线簇拟合三维相轨迹曲面，本文称之为标准动态响应曲面，结果如图5(b)所示。此曲面即为传感器输出值S、输出值变化率R与气体浓度C的映射关系C＝f(S，R)。

图5 MICS－5914传感器对硫化氢气体响应曲线

采用相同测试方法，按表1对传感器进行编号，按表2进行浓度梯度测试，分别得到MICS－2714、MICS－5524、MICS－5914传感器对H2S、CO、CH4三种气体四种浓度梯度的响应曲线簇，拟合三维相轨迹曲面，由三维相轨迹曲面可以得到测气体浓度Cjk与传感器输出值、输出值变化率的关系Cjk＝fij[Eijk(t)，Fijk(t)]，其中Sijk(t)为传感器输出值，Rijk(t)为传感器输出值变化率，Cjk为目标气体浓度，i＝1、2、3为传感器编号，j＝1、2、3为目标气体种类编号，k＝1、2、3、4为目标气体浓度编号。部分三维相轨迹曲面如图6所示。将三款传感器对三种气体响应的三维相轨迹曲面Cjk＝fij[Eijk(t)，Fijk(t)]数据储存，即完成传感器阵列特征响应数据库的构建。

表1 传感器型号

表2 待测气体种类与浓度

图6 MICS－5524传感器对其他气体响应曲线

1.3 目标气体种类与浓度快速预估

在实际监测过程中采集三颗传感器的输出值，并计算输出值变化率，与预存的特征响应数据库进行实时对比，即可实现目标气体种类的快速识别和浓度预测。具体步骤如下:

①设传感器MICS－2714、MICS－5524、MICS－5914的输出值分别为S1(t)、S2(t)、S3(t)，输出值变化率分别为R1(t)、R2(t)；

②将Si(t)、Ri(t)分别代入中Cij＝fij[Si(t)，Ri(t)]，计算得到Cij，其中i＝1、2、3，j＝1、2、3；

③分析Cij的值，分组比较同一传感器对不同气体的计算浓度C1j、C2j与C3j的值，计算目标气体浓度误差1、2、3，取Dj最小值为DJ，判断DJ<Φ，如满足则J为当前检测的目标气体编号，目标气体浓度为C＝

2 算法验证

以2.51×10－6L/L的H2S、35×10－6L/L的CO、4 000×10－6L/L的CH4气体对传感器阵列进行测试，从浓度预测与气体识别两方面验证算法监测效果。实验开始时使传感器在零气环境中稳定，记录稳定后的传感器数值到通入待测气体后稳定的过程。由于泵吸式腔体体积很小，可以近似认为待测气体浓度为阶跃上升信号。部分传感器响应曲线如图7所示，气体识别结果如图8所示，气体浓度预测结果如图9所示。

图7 部分传感器测试响应曲线

从图7可以得出，MICS传感器对三种气体的T90响应时间约为10 s~15 s，使用传统的“气体浓度——传感器输出值”稳态关系的情况下，报警延迟也约为10 s~15 s；使用快速预警算法，从图8可以看出，气体种类可在5 s实现准确识别。

图8 测试气体识别结果

从图9可以得出，危害气体快速预警算法可将气体浓度的预警时间缩短至5 s左右，约为原有报警延迟时长的1/3。测试数据表明，该算法对于高浓度气体的预警效果优于低浓度气体，分析其原因，实时采集的传感器输出值会存在由电路等其他原因产生的干扰波动，传感器对低浓度气体响应的输出绝对值较小，干扰波动量占据输出值的一定比例，导致预测浓度存在波动；而传感器对于高浓度气体的输出绝对值较大，相同的干扰波动量在大输出值中占比较小，因此对预测浓度的干扰程度较弱。

图9 快速预警算法响应曲线

3 结语

针对短时突发泄漏快速响应的问题，本文设计了基于气体传感器阵列的快速预警与识别算法，通过标准实验建立传感器阵列的标准动态响应曲面，引入气体监测预警状态，传感器阵列的输出值与输出值变化率，与动态标准曲面做实时比较，判断出与实测值相近的动态标准响应曲线所对应的气体种类和浓度，作为预判结果，进而与报警阈值相比较，判断是否发出预警信号。以三款MEMS气体传感器组建传感阵列，测试实验结果表明，使用该算法可以显著缩短危害气体定性定量监测的响应时间，对于突发短时泄漏的监测预警具有良好的效果。