多组份气体定量检测研究

1　引言
多组份气体的定性、定量检测在环境保护、化工控制、家用报警、食品保鲜、温室环境控制、航空航天等领域有着广泛的应用。使用气体传感器进行多组份气体的定性定量研究，可以极大的降低测量成本，减小测量周期，并可实现在线的实时测量。但由于当前气体传感器普遍存在着交叉敏感和选择性差等缺点，使用单一传感器很难实现多组份气体的检测分析。目前使用较多的方式是通过多个敏感程度不同的气体传感器组成传感器阵列，结合神经网络模式识别方法算法进行气体的分析。但目前的工作集中于多组份气体的定性检测分析[1,2,3]，而对定量分析则较少涉及。本文主要介绍了一种基于气体传感器阵列[4]和采用BP算法[5]进行训练的神经网络进行混合气体组分定量分析的实验装置的设计及初步实验结果，并阐述了进一步开发此类仪器设备的可行性。
2　实验原理及实验装置
将被测气体按所需测量精度和浓度范围按成份分成不同的浓度等级，采用标准气体配置这些等级的不同成份气体的所有组合作为标准模态来训练神经网络。通过识别某一未知气体样本的模式，即可以得到未知气体的成份浓度。例如，在本实验中，我们选用CO、H2、CH4互相参比配制混合气体样本。根据传感器的灵敏范围，我们将配制的气体浓度限制在1000-3000ppm以内，浓度变化间隔为200ppm。这样每种气体有11种浓度模式，共计可得到113个样本。采用这些样本作为原始数据训练神经网络，就可以实现在这一浓度范围内的最大误差为200ppm的定量测量。这种算法适用于已知气体成份及浓度变动范围不大的多组份气体测量环境。

　气体实验装置主要有以下几部分构成：气体源，气体流量计，混合气室、传感器阵列探头，信号处理器，A/D采样板及计算机组成，结构框图如图1所示。
　由于实验需要不同浓度和不同成份的气体样本用于试验，我们采用了利用气体流量计的负压式混合气室。气体源经气体流量计控制进入抽成真空或负压的混合气室中混合产生所需的气体样本。气体的温度、湿度及压力情况可以通过安装于气室内的传感器读出。
3　结果讨论
通过实验对大量样本的测量比较，我们发现对个别样本的测量效果不是很理想，其误差较大的主要原因有两方面：一是传感器本身的结构造成的，由于敏感器件固有的交叉敏感性，当被测气体是混合样本时，输出响应比较复杂；

图1 气体实验装置结构框图

另一方面主要是由于BP算法是一种基于梯度下降优化方法的学习算法，因而不可避免地存在可能收敛到局部极小的问题，另外传统BP算法采用固定的学习率和使用Sigmoid函数为作用函数，从而导致网络的训练速度和精度不高。
　由于传感器物理特性造成的误差难以避免，可采用样本筛选的方法，对原始样本中偏差较大的删除或作调整，达到精简优化样本质量的效果。但这样的效果不是很明显，为此我们主要从训练算法入手，对传统BP算法进行一些改进[9]：
　(1)对神经元的作用函数引入斜率改变因子，可以有效的避免网络陷入局部极小的问题，提高了学习精度，而且由于提高了权值的调整机会，从而提高了学习速度。
　(2)根据误差函数的趋向自动调整训练步长可以加快网络的收敛速度，缩短训练时间。
　(3)此外，动量因子α的引入可以降低网络对于误差曲面局部细节的敏感程度，有效地抑制网络陷于局部极小.其思想是利用动量因子α记忆上一时刻权的修改方向：α-Δω(t)，而在下一时刻将这一趋势考虑进去。
　我们把以上三种方法结合起来，即采用“自适应调整步长+动量因子十斜率改变因子”的组合型网络训练算法，从而大大提高网络的收敛速度和训练精度。
　用优化算法训练神经网络后，网络对混合气体预测的平均误差和最大误差如表1所示。
表1 优化BP算法混合气体浓度误差表

<IMG alt=` src="http://www.globalsensors.com.cn/defaultroot/upload/content/1177398901968.BMP" align=baseline border=0>

由表可见，采用改进算法后网络对混合气体浓度的测量正确率可达90%。
4　结　论
实验结果表明，气体传感器阵列与BP算法训练的前馈神经网络模式识别方法结合进行多组份气体浓度测量具有很好的效果，在采用改进型BP算法训练神经网络后，对未知样本气体的定量测量准确率达到90%，如果进一步调整和完善传感器阵列的硬件测量线路，细化样本的浓度变化量，则可以开发出应用于实际复杂环境中的多组份气体测量仪器。