多組份氣體定量檢測研究

1　引言
多組份氣體的定性、定量檢測在環境保護、化工控制、家用報警、食品保鮮、溫室環境控制、航空航天等領域有著廣泛的應用。使用氣體傳感器進行多組份氣體的定性定量研究，可以極大的降低測量成本，減小測量周期，并可實現在線的實時測量。但由于當前氣體傳感器普遍存在著交叉敏感和選擇性差等缺點，使用單一傳感器很難實現多組份氣體的檢測分析。目前使用較多的方式是通過多個敏感程度不同的氣體傳感器組成傳感器陣列，結合神經網絡模式識別方法算法進行氣體的分析。但目前的工作集中于多組份氣體的定性檢測分析[1,2,3]，而對定量分析則較少涉及。本文主要介紹了一種基于氣體傳感器陣列[4]和采用BP算法[5]進行訓練的神經網絡進行混合氣體組分定量分析的實驗裝置的設計及初步實驗結果，并闡述了進一步開發此類儀器設備的可行性。
2　實驗原理及實驗裝置
將被測氣體按所需測量精度和濃度范圍按成份分成不同的濃度等級，采用標準氣體配置這些等級的不同成份氣體的所有組合作為標準模態來訓練神經網絡。通過識別某一未知氣體樣本的模式，即可以得到未知氣體的成份濃度。例如，在本實驗中，我們選用CO、H2、CH4互相參比配制混合氣體樣本。根據傳感器的靈敏范圍，我們將配制的氣體濃度限制在1000-3000ppm以內，濃度變化間隔為200ppm。這樣每種氣體有11種濃度模式，共計可得到113個樣本。采用這些樣本作為原始數據訓練神經網絡，就可以實現在這一濃度范圍內的最大誤差為200ppm的定量測量。這種算法適用于已知氣體成份及濃度變動范圍不大的多組份氣體測量環境。

　氣體實驗裝置主要有以下幾部分構成：氣體源，氣體流量計，混合氣室、傳感器陣列探頭，信號處理器，A/D采樣板及計算機組成，結構框圖如圖1所示。
　由于實驗需要不同濃度和不同成份的氣體樣本用于試驗，我們采用了利用氣體流量計的負壓式混合氣室。氣體源經氣體流量計控制進入抽成真空或負壓的混合氣室中混合產生所需的氣體樣本。氣體的溫度、濕度及壓力情況可以通過安裝于氣室內的傳感器讀出。
3　結果討論
通過實驗對大量樣本的測量比較，我們發現對個別樣本的測量效果不是很理想，其誤差較大的主要原因有兩方面：一是傳感器本身的結構造成的，由于敏感器件固有的交叉敏感性，當被測氣體是混合樣本時，輸出響應比較復雜；

圖1 氣體實驗裝置結構框圖

另一方面主要是由于BP算法是一種基于梯度下降優化方法的學習算法，因而不可避免地存在可能收斂到局部極小的問題，另外傳統BP算法采用固定的學習率和使用Sigmoid函數為作用函數，從而導致網絡的訓練速度和精度不高。
　由于傳感器物理特性造成的誤差難以避免，可采用樣本篩選的方法，對原始樣本中偏差較大的刪除或作調整，達到精簡優化樣本質量的效果。但這樣的效果不是很明顯，為此我們主要從訓練算法入手，對傳統BP算法進行一些改進[9]：
　(1)對神經元的作用函數引入斜率改變因子，可以有效的避免網絡陷入局部極小的問題，提高了學習精度，而且由于提高了權值的調整機會，從而提高了學習速度。
　(2)根據誤差函數的趨向自動調整訓練步長可以加快網絡的收斂速度，縮短訓練時間。
　(3)此外，動量因子α的引入可以降低網絡對于誤差曲面局部細節的敏感程度，有效地抑制網絡陷于局部極小.其思想是利用動量因子α記憶上一時刻權的修改方向：α-Δω(t)，而在下一時刻將這一趨勢考慮進去。
　我們把以上三種方法結合起來，即采用“自適應調整步長+動量因子十斜率改變因子”的組合型網絡訓練算法，從而大大提高網絡的收斂速度和訓練精度。
　用優化算法訓練神經網絡后，網絡對混合氣體預測的平均誤差和最大誤差如表1所示。
表1 優化BP算法混合氣體濃度誤差表

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

由表可見，采用改進算法后網絡對混合氣體濃度的測量正確率可達90%。
4　結　論
實驗結果表明，氣體傳感器陣列與BP算法訓練的前饋神經網絡模式識別方法結合進行多組份氣體濃度測量具有很好的效果，在采用改進型BP算法訓練神經網絡后，對未知樣本氣體的定量測量準確率達到90%，如果進一步調整和完善傳感器陣列的硬件測量線路，細化樣本的濃度變化量，則可以開發出應用于實際復雜環境中的多組份氣體測量儀器。