一种基于径向基神经网络的CO2高温气体浓度检测方法技术

本发明专利技术公开了属于气体浓度检测技术领域的一种基于径向基神经网络的CO2高温气体浓度检测方法；该方法通过可调谐半导体激光器发射激光，使激光穿过待测气体，在另一侧接收激光信号，将接收到的激光信号进行移动平均滤波。将未被气体吸收的激光拟合出激光原始信号，被吸收的激光与原始信号进行对比。由被吸收的激光与原始激光信号的差异信号中提取出反映CO2气体浓度的5个统计特征参数：均值、标准差、偏差平方和、变异系数和最大偏差，归一化处理后作为RBF神经网络的输入，CO2气体浓度作为RBF神经网络输出，建立不同浓度下的RBF神经网络气体浓度检测模型，实现CO2气体浓度的准确测量及误差分析；快速易行，具有工程应用前景。

A Method for Detecting CO2 High Temperature Gas Concentration Based on Radial Basis Function Neural Network

The invention discloses a method for detecting CO2 high temperature gas concentration, which belongs to the field of gas concentration detection technology, based on radial basis function neural network. The method transmits a laser through a tunable semiconductor laser, receives a laser signal on the other side, and carries out moving average filtering of the received laser signal. The original laser signal was fitted by the laser which was not absorbed by the gas, and the absorbed laser was compared with the original signal. Five statistical characteristic parameters reflecting the concentration of CO2 gas are extracted from the difference signal between the absorbed laser and the original laser signal: mean value, standard deviation, sum of squares of deviation, coefficient of variation and maximum deviation. After normalization, they are used as input of RBF neural network and CO2 concentration as output of RBF neural network. The RBF neural network gas concentration detection model under different concentration is established. Accurate measurement and error analysis of CO2 concentration can be realized, which is fast and easy to operate and has engineering application prospects.

【技术实现步骤摘要】
一种基于径向基神经网络的CO2高温气体浓度检测方法
本专利技术涉及高温气体浓度检测
，特别涉及一种基于径向基(RBF)神经网络的CO2高温气体浓度检测方法。
技术介绍
随着当前我国科技的进步和绿色可持续发展观念的树立，实现我国能源的转型，生物质耦合燃煤发电技术越来越受到重视。由于该技术物质气化过程中需要检测包括CO、H2和CH4等可燃气体，在电厂锅炉高温高压的环境下非接触测量法有很大的优势。非接触测量法主流方法是光学分析法。光学分析法将Beer-Lambert定律与吸收光谱学理论相结合，实现对炉内气体浓度的精确测量。光学分析法主要有差分吸收光谱技术、傅里叶变换红外光谱技术、可调谐激光二极管吸收光谱技术、激光雷达技术、激光诱导荧光光谱技术、激光光声光谱技术等。可调谐二极管激光吸收光谱(Tunablediodelaserabsorptionspectroscopy,TDLAS)技术具有适应性强、高灵敏度、非侵入性、实时动态以及多组分测量的特点，能够适应电站锅炉高温、高压、多粉尘等环境。径向基(Radialbasisfunction，RBF)神经网络以其独特的信息处理能力在许多领域得到了成功的应用。它不仅具有强大的非线性映射能力，而且具有自适应、自学习和容错性等特点，能够从数据中进行聚类和学习，进而找到某些行为变化的规律。
技术实现思路
本专利技术的目的是提供一种基于径向基神经网络的CO2高温气体浓度检测方法，其特征在于，该方法首先通过可调谐半导体激光器发射激光，使激光穿过待测气体，在另一侧接收激光信号，然后将接收到的激光信号滤波，再根据未被气体吸收的部分激光拟合出激光原始信号，将被气体吸收的部分激光与原始信号对比，从而从被吸收部分激光与原始激光信号的差异中提取均值、标准差、偏差平方和、变异系数和最大偏差这5个数据作为特征参数，最后运用RBF神经网络，将提取到的特征值作为输入，CO2浓度作为输出，实现CO2气体浓度检测；具体包括如下步骤：步骤1：由函数信号发生器、激光控制器、准直器、气体吸收池、凸透镜、探测器、前置放大器和信号采集卡组成基于可调谐半导体激光器(TDLAS)的CO2气体浓度测量系统；步骤2：通过可调谐半导体激光器发射激光信号，使激光束穿过待测气体，由光电探测器和信号采集卡采集不同气体浓度下的激光光谱信号，并将接收到的激光光谱信号进行移动平均滤波；步骤3：CO2气体只吸收特定频率下的激光光谱信号，由未被吸收部分的激光光谱信号拟合得到原始激光光谱信号，计算被吸收部分的光谱信号与原始光谱信号的差值，从该差值信号中提取反映CO2气体浓度的5个统计特征参数；步骤4：将上述特征参数经过归一化处理后作为RBF神经网络的输入，CO2气体浓度作为RBF神经网络的输出，建立基于RBF神经网络的CO2气体浓度测量模型，选取训练样本进行网络训练；步骤5：将不同气体浓度下的测试样本输入训练好的RBF神经网络实现CO2气体浓度测量，并计算测量误差。所述步骤1中具体实验过程包括：1)将纯氮气作为零气通过气路通入气体吸收池一段时间，以排尽吸收池内的杂气，然后将配置的特定浓度的CO2气体通过气路通入气体吸收池，实验前连续通气20分钟以上，保证吸收池充满待测气以备测量；2)激光控制器通过控制函数信号发生器提供工作所需的温度和电流，通过改变输入激光器的调制电流大小，驱动激光器对气体吸收谱线在频域上进行扫描；3)激光器输出光束通过光纤准直器通过气体吸收池内的待测介质，被特定浓度的CO2气体介质吸收透射后，透射光被光电探测器接收，经前置放大电路转化并放大处理，最后通过数据采集卡采集至计算机。所述步骤2中激光光谱信号的移动平均滤波平滑过程包括：由于外界环境变化等因素导致采集到的激光信号产生噪声，采用移动平均值法对采集到的激光光谱信号进行平滑处理；移动平均滤波原理：以当前元素及其前一个元素为中心，求取相邻元素(窗口长度L＝100)移动窗口内各元素平均值，平滑滤波后第n个点的计算公式如下：式中，x(n)为第n个点的激光光谱信号电压值(V)；t的取值区间为[n-49,n+50]；所述步骤3中提出统计特征参数的具体过程为①均值(meanPk)：表示CO2浓度为k时接收到的激光信号与原始激光的偏差均值；式中，N代表了接收到的激光信号与原始激光的偏差的总点数；Pi表示各采样点下接收到的激光信号与原始激光的偏差值；②标准差(stdPk)：表示CO2浓度为k时接收到的激光信号与原始激光的偏差下标准差统计量；③偏差平方和(ssePk)：表示CO2浓度为k时接收到的激光信号与原始激光偏差值离散程度的一个指标，其值越接近于0，说明CO2吸收的光信号较少；④变异系数(cvPk)：表示CO2浓度为k时接收到的激光信号与原始激光的偏差值的变异系数；⑤最大偏差(devPk)：指CO2浓度为k时接收到的激光信号与原始激光偏差的最大值。devPk＝max(Pi)所述步骤5中的测量误差RMS计算公式为其中，Φpre为预测值，Φm为实测值。本专利技术的有益效果是利用RBF神经网络对已知的CO2高温气体浓度相关特征参数进行训练学习，实现CO2高温气体浓度的准确测量，具有最佳逼近全局最优性能，同时训练方法快速易行，不存在局部最优问题；本专利技术具有一定的工程应用前景。附图说明图1为TDLAS技术检测CO2气体浓度实验系统结构图。图2为基于RBF神经网络的检测CO2浓度流程图。图3为不同气体浓度下的激光光谱信号滤波后的结果。具体实施方式本专利技术提供一种基于径向基神经网络的CO2高温气体浓度检测方法，下面结合附图和实施例对本专利技术作详细说明。如图1所示，本专利技术的基于TDLAS技术的CO2高温气体浓度检测实验系统包括：通过可调谐半导体激光器发射激光，使激光穿过待测气体，在另一侧接收激光信号，将接收到的激光信号进行移动平均滤波。根据激光未被气体吸收部分拟合出激光原始信号，将激光被吸收部分与原始信号进行对比。由激光被吸收部分与原始激光信号的差异信号中提取出反映CO2气体浓度的5个统计特征参数：均值、标准差、偏差平方和、变异系数和最大偏差，将其归一化处理后作为RBF神经网络的输入，CO2气体浓度作为RBF神经网络输出，建立不同浓度下的RBF神经网络气体浓度检测模型，实现CO2气体浓度的准确测量及误差分析。如图2所示，基于RBF神经网络的CO2高温气体浓度检测方法包括：步骤1：由函数信号发生器、激光控制器、半导体激光器、准直器、气体吸收池、凸透镜、探测器、前置放大器和信号采集卡串联组成基于可调谐半导体激光器(TDLAS)的CO2气体浓度测量系统；步骤2：通过可调谐半导体激光器发射激光信号，使激光束穿过待测气体，由光电探测器和信号采集卡采集不同气体浓度下的激光光谱信号，并将接收到的激光光谱信号进行移动平均滤波，不同气体浓度下的激光光谱信号滤波后的结果如图3所示；步骤3：CO2气体只吸收特定频率下的激光光谱信号，由未被吸收部分的激光光谱信号拟合得到原始激光光谱信号，计算被吸收部分的光谱信号与原始光谱信号的差值，从该差值信号中提取反映CO2气体浓度的5个统计特征参数；如表1所示。表1从差值信号中提取反映CO2气体浓度的5个统计特征参数；步骤4：将上述特征参数经过归一化处理后作为RBF神经网络的输入，C本文档来自技高网...

【技术保护点】
1.一种基于径向基神经网络的CO2高温气体浓度检测方法，其特征在于，包括：步骤1：由函数信号发生器、激光控制器、半导体激光器、准直器、气体吸收池、凸透镜、探测器、前置放大器和信号采集卡串联组成基于可调谐半导体激光器的CO2气体浓度测量系统；在气体吸收池上设置CO2、N2进口和废气吸收口；步骤2：通过可调谐半导体激光器发射激光信号，使激光束穿过待测气体，由光电探测器和信号采集卡采集不同气体浓度下的激光光谱信号，并将接收到的激光光谱信号进行移动平均滤波；步骤3：CO2气体只吸收特定频率下的激光光谱信号，由未被吸收部分的激光光谱信号拟合得到原始激光光谱信号，计算被吸收部分的光谱信号与原始光谱信号的差值，从该差值信号中提取反映CO2气体浓度的5个统计特征参数；步骤4：将上述特征参数经过归一化处理后作为RBF径向基神经网络的输入，CO2气体浓度作为RBF神经网络的输出，建立基于RBF神经网络的CO2气体浓度测量模型，选取训练样本进行网络训练；步骤5：将不同气体浓度下的测试样本输入训练好的RBF神经网络，实现CO2气体浓度测量，并计算测量误差。

【技术特征摘要】
1.一种基于径向基神经网络的CO2高温气体浓度检测方法，其特征在于，包括：步骤1：由函数信号发生器、激光控制器、半导体激光器、准直器、气体吸收池、凸透镜、探测器、前置放大器和信号采集卡串联组成基于可调谐半导体激光器的CO2气体浓度测量系统；在气体吸收池上设置CO2、N2进口和废气吸收口；步骤2：通过可调谐半导体激光器发射激光信号，使激光束穿过待测气体，由光电探测器和信号采集卡采集不同气体浓度下的激光光谱信号，并将接收到的激光光谱信号进行移动平均滤波；步骤3：CO2气体只吸收特定频率下的激光光谱信号，由未被吸收部分的激光光谱信号拟合得到原始激光光谱信号，计算被吸收部分的光谱信号与原始光谱信号的差值，从该差值信号中提取反映CO2气体浓度的5个统计特征参数；步骤4：将上述特征参数经过归一化处理后作为RBF径向基神经网络的输入，CO2气体浓度作为RBF神经网络的输出，建立基于RBF神经网络的CO2气体浓度测量模型，选取训练样本进行网络训练；步骤5：将不同气体浓度下的测试样本输入训练好的RBF神经网络，实现CO2气体浓度测量，并计算测量误差。2.根据权利要求1所述的一种基于径向基神经网络的CO2高温气体浓度检测方法，其特征在于，所述步骤1中具体实验过程包括：1)将纯氮气作为零气通过气路通入气体吸收池一段时间，以排尽吸收池内的杂气，然后将配置的特定浓度的CO2气体通过气路通入气体吸收池，实验前连续通气20分钟以上，保证吸收池充满待测气以备测量；2)激光控制器通过控制函数信号发生器提供工作所需的温度和电流，通过改变输入激光器的调制电流大小，驱动激光器对气体吸收谱线在频域上进行扫描；3)激光器输出光束通过光纤准直器通过气体吸收池内的待测介质，被特定浓度的CO2气体介质吸收透射后，透射光被光电探测器接收，经前置放大电路转化并放大处...

【专利技术属性】
技术研发人员：李云龙，盛伟岸，徐国辉，韩晓娟，张文彪，
申请(专利权)人：大唐长山热电厂，华北电力大学，
类型：发明
国别省市：吉林,22