激光甲烷传感器检测误差温压补偿修正模型分析

尹昌园，杨亚玉

（遵义市产品质量检验检测院，贵州 遵义 563000）

激光甲烷传感器在环境监测和工业安全等领域中扮演着重要角色。然而，温度和压力的变化对激光甲烷传感器的性能和测量结果产生了重要影响。在实际应用中，温度和压力的波动会引起激光甲烷传感器的检测误差，进而影响测得的甲烷浓度数值的准确性。文章旨在探讨温度和压力对激光甲烷传感器的影响，并基于BP神经网络设计温压补偿修正模型，以提高传感器的测量精度。

1 压力和温度对激光甲烷传感器的影响

1.1 不同温度对CH4气体吸收谱线的影响

1.1.1 温度实验

在实验中，首先准备了一个具备温度控制功能的高低温箱，以确保气体吸收池内的温度准确控制，避免气体泄漏，并维持恒定温度条件。接着，在气体吸收池中注入CH4气体，设定不同浓度（400 ppm、500 ppm、600 ppm、700 ppm）以研究各浓度下的吸收谱线。使用高低温箱来调控气体吸收池的温度，进行各温度下的测量，以观察温度对CH4吸收特性的影响。然后启动数据采集与处理软件，开始记录光谱数据，通过激光器发射的光穿过气体吸收池后，由光电探测器测量并传输至计算机。最后，对所记录的光谱数据进行分析，研究不同温度和浓度条件下CH4的吸收谱线，可能需要运用数学模型来处理数据，以得出温度和浓度之间的关系。

1.1.2 温度实验结果

不同温度下CH4气体浓度变化如图1所示，从图中可以看出，随着温度的升高，CH4气体浓度逐渐增加，这一趋势在-5～10 ℃范围内尤为显著。然而，在10～50 ℃，CH4气体浓度开始缓慢下降。该现象的发生，主要是因为温度出现了显著的变化，进而对CH4气体的光谱吸收率产生了较强的作用，对于检测信号也产生了较大的影响，最终得到的浓度数值并不精确，应进一步加强实践控制手段。

图1 甲烷气体浓度随温度变化图

在低温条件下，CH4气体的吸收谱线变得更加窄，但需要注意的是，在这种情况下，由于压力逐渐增大，测量值实际上呈上升趋势。这是因为吸收池内的气体在低温下吸收得更加充分，因此测得的浓度值较高。在高温条件下，CH4气体的吸收谱线变得更宽，同时信号强度减弱。此外，由于分子间距离增大，这也导致测量到的浓度值下降。这是因为高温使得气体分子更加活跃，分子间的相互作用减弱，导致吸收信号减弱以及测量浓度降低。

1.2 不同压力对CH4气体吸收谱线的影响

1.2.1 压力实验

在实验前，充填气袋至3/4以上容量，使用500 mL/min气泵不断注入已知浓度的CH4气体，关闭吸收池出气口，确保测量数据稳定。随后，校准标气和背景气，将恒温恒湿箱设为-5 ℃，关闭吸收池出气口的阀门。通过气袋和气泵将400 ppm待测气体注入吸收池，观察压力示数表，记录达到60 kPa时的气体浓度。接着，在不同压强下记录气体压强与浓度的关系，压强范围为0～60 kPa，每5 kPa一档。最后，在逐渐升高温度的条件下，记录不同温度下气体压强与浓度的关系，从0 ℃增加至50 ℃，完成一组实验。

1.2.2 压力实验结果

本次实验过程中选择了不同的温度数据进行分析，主要是选用0 ℃、15 ℃、30 ℃、45 ℃4个数据进行研究。在实验结果方面，发现无论温度高也好、低也好，浓度在测量的时候，会随着压强的变化而变化，并且整体趋势上是比较一致的。因此，压强即便是逐步增加的条件下，CH4气体的检测浓度依然会不断减小，不同压力下CH4浓度变化趋势如图2所示。

图2 甲烷气体浓度所压强变化曲线

根据图2显示的内容来看，压强在不断增加的条件下，CH4气体的测量浓度表现出了持续的下降趋势，并且下降比较稳定。这种现象的发生，主要是因为压强的变化情况，对CH4气体的分子密度变化产生了较大的影响，并且针对分子之间的碰撞展宽概率也产生了较强的作用。尤其是在压强数值持续增加的过程中CH4气体的密度会不断地增加，另外，当输出光信号减弱的时候，也会导致测量的浓度低于已知的标准数值。

2 基于BP神经网络的温压补偿修正模型

对于BP神经网络而言，其主要是一种比较常见的人工神经网络模型，该项技术在应用的时候，主要是通过反向传播算法学习输入技术的应用，以及输出的映射关系特点来完成的。BP神经网络的构成并不复杂，包括输入结构、输出结构、隐藏结构，通过前向传播计算输出，然后通过反向传播根据误差信号优化权重和阈值，采用梯度下降算法逐步接近期望输出。这种网络可用于分类、回归和模式识别等问题，但需要注意过拟合和局部最小值，其学习能力源自反向传播的优化过程，为复杂问题提供了有效的机器学习方法。

图3所示BP神经网络结构图，图中X1、X2、Xn为输入值，Y1、Y2、Ym为预测值，iωij和iωjk为权值。

图3 BP神经网络结构图

研究过程中将输出节点设置为m，将输出节点设置为n，将BP神经网络训练的整个过程看作是n个变量到m个因变量之间的函数映射关系，因此在BP神经网络训练时，具体的流程如下所示：

（1）网络初始化流程：明确输出层节点、输入层节点、隐含层节点，并了解其连接权值、隐含层等数据信息。

（2）隐含层输出计算流程：根据各个层面的阈值变化，计算出隐含层的输出情况。

假设隐含层输出为Hj，隐含层函数为f(，节点数为l，表达式如下：

笔者希望能通过研究它的两种重要模式——主题学习模式和基于问题的学习模式，使教育工作者在开展信息技术与课程整合时有一定的依据和借鉴，促使他们充分发挥并利用已建好的设施和资源的优势，在一定程度上也能推动信息技术与课程整合的发展。

（3）输出计算：假设隐含层输出为Hj，预测输出为Ok，输出层和隐含层连接权值为iωjk，阈值为bk，表达式如下：

（4）误差计算：利用期望输出Yk和预测输出Ok，计算网络预测误差ek，表达式如下：

（5）权值更新：设网络连接权值为ωij，学习速率为η，利用以上参数和网络预测误差对ωjk进行更新，表达式如下：

（6）阈值更新：设学习速率为η，根据误差ek对网络节点阈值aj、bk进行更新，表达式如下：

经过以上步骤后，判断BP神经网络是否迭代完成，如果未完成则返回步骤2再次进行迭代。

3 BP神经网络补偿模型试验验证

为了验证BP神经网络CH4传感器温压补偿方法，设置不同温度和压力对CH4传感器测量精度进行验证。

3.1 温度测试

首先在压力为100 kPa下，调节不同温度对CH4传感器进行测试，温度分别设置为15 ℃、23 ℃、30 ℃、35 ℃，测试结果如表1所示。

表1 温度影响试验数据测试

BP神经网络的温度补偿算法可提高激光甲烷传感器的测量精度，通过修正温度对传感器测量结果的影响，实现更准确地甲烷浓度测量。

3.2 压力测试

除了温度补偿，还需要进一步进行压力补偿的实验，以验证BP神经网络在不同压力条件下的性能。在23 ℃的环境中，融入浓度为1.5%的甲烷气体，利用BP神经网络对甲烷传感器进行测试，设置压力分别为8 kPa、90 kPa、100 kPa、110 kPa，测试结果如表2所示。

表2 压力影响试验数据测试

从表2的结果可以看出，在不同压力条件下，使用BP神经网络补偿算法的甲烷传感器与非补偿算法传感器的测量结果存在差异。以1.5%标准浓度为例，80 kPa压力下，BP神经网络补偿传感器测量结果为1.493，而非补偿传感器为1.487，表明BP神经网络的压力补偿算法改善了测量精度。在其他压力条件下，如90 kPa、100 kPa和110 kPa，BP神经网络补偿传感器的测量结果分别为1.493、1.501和1.511，略优于非补偿传感器结果，分别为1.499、1.505和1.518。

4 结束语

（1）低温下，由于吸收谱线变窄，导致测量值呈上升趋势；高温下，吸收谱线变宽且光信号强度减弱，导致测量浓度下降。因此，为了获得准确的甲烷浓度值，必须对测量数据进行温度补偿修正。

（2）由于压强变化导致甲烷气体分子密度变化，影响了分子间碰撞的展宽概率，导致不同压力下甲烷传感器检测精度降低。

（3）基于BP神经网络设计的温压补偿修正模型能够提高激光甲烷传感器的测量精度。实验结果验证了BP神经网络补偿算法相对于非补偿算法的优势。无论是在不同温度还是不同压力条件下，通过补偿修正后的传感器能够获得更准确的甲烷浓度测量结果。