提升制造技术

本发明专利技术涉及光离子化技术领域，具体公开了一种提升

【技术实现步骤摘要】
提升PID多组量程多种有毒气体浓度测量精度的方法


[0001]本专利技术涉及光离子化
，更具体地，涉及一种提升
PID
多组量程多种有毒气体浓度测量精度的方法
。

技术介绍

[0002]在石油
、
化工
、
制药等工业生产场所，往往存在着大量挥发性有机化合物
(Volatile Organic Compounds
，简称
VOC)
，这些挥发性的有机物危害着人们的生命安全
。
在针对有机挥发物
(VOC)
的检测手段中，光离子化
(PID)
检测技术相对于其它传感器技术，具有体积小，无需其它协助气体
、
快捷方便
、
灵敏度高和检测挥发性气体种类多等特点，被广泛应用
。
[0003]PID
检测的工作原理为：通过紫外灯
(UV)
光源将有机物分子电离成可被探测器检测到的正负离子
(
离子化
)
，检测器捕捉到离子化的气体的正负电荷后将其转化为电流信号实现气体浓度的测量
。
[0004]目前
PID
检测存在的问题：
[0005]同一个
PID
仪表在实际测试气体浓度时，有多组量程，对应着不同的放大倍数，需要对不同的量程进行多次标定，才能使得结果相对准确，否则误差会比较大
。
[0006]于此同时，
>PID
仪表受温度的影响也比较大，随着温度的升高，测得的数值不同的仪表示数会发生不同程度的漂移
。
[0007]并且由于
PID
仪表是依靠高压电离气体获得电子的方式获得气体的浓度，由于探测端的差异比较大，导致仪表与仪表之间的差异性比较大，一个仪表的曲线关系很难匹配多个仪表，且零点的
AD
值差异也比较大
。
[0008]另外，
PID
测量不同的气体时，也会存在对于不同的探测气体，测试的曲线不同，需要标定多种气体的浓度，这就给实际的批量化的生产带来很多不便
。

技术实现思路

[0009]为了解决现有技术中存在的不足，本专利技术提供了一种提升
PID
多组量程多种有毒气体浓度测量精度的方法，通过构造
BP
神经网络来预测被测气体的浓度，提高了仪表的测量精度
。
[0010]作为本专利技术的第一个方面，提供一种提升
PID
多组量程多种有毒气体浓度测量精度的方法，包括如下步骤：
[0011]步骤
S1
：获取用于训练
BP
神经网络模型的训练样本；
[0012]步骤
S2
：根据所述训练样本对所述
BP
神经网络模型进行训练，以生成训练后的
BP
神经网络模型；
[0013]步骤
S3
：获取用于测试所述训练后的
BP
神经网络模型的测试样本；
[0014]步骤
S4
：根据所述测试样本对所述训练后的
BP
神经网络模型进行测试；
[0015]步骤
S5
：当所述训练后的
BP
神经网络模型测试通过后，利用所述训练后的
BP
神经
网络模型对当前待测有毒气体的浓度进行预测
。
[0016]进一步地，还包括：
[0017]采集多组样本，每组样本包括8个输入特征值和1个输出特征值，8个输入特征值分别为仪表的零点
AD
值
、
标定气体的种类
、
标定气体的仪表
AD
值
、
标定气体的实际浓度值
、
仪表的增益
、
仪表的温度值
、
被测气体的种类
、
被测气体的仪表
AD
值，1个输出特征值为被测气体的实际浓度值；
[0018]对所述多组样本中的特征值进行归一化处理；
[0019]将所述归一化处理后的多组样本划分为训练样本和测试样本
。
[0020]进一步地，所述对所述多组样本中的特征值进行归一化处理，还包括：
[0021]归一化处理的公式为：
[0022][0023]其中，
x
NDH
表示第
n
组样本中归一化后的特征值，
x
n
表示第
n
组样本中的特征值，
x
min
表示多组样本中同一特征的最小值，
x
max
表示多组样本中同一特征的最大值
。
[0024]进一步地，所述根据所述训练样本对所述
BP
神经网络模型进行训练，以生成训练后的
BP
神经网络模型，包括：
[0025]所述
BP
神经网络模型包括输入层
、
隐含层和输出层；所述输入层用于输入所述训练样本中的8个输入特征值，所述隐含层用于对所述训练样本中的8个输入特征值进行处理，所述输出层用于输出所述训练样本中的1个输出特征值；
[0026]计算公式如下：
[0027]Y
隐层
＝
f(w1·
x
输入
+b1)
[0028]Y
输出
＝
f(w2·
Y
隐层
+b2)
[0029]其中，
w1为隐含层的权重系数，
b1为隐含层的偏置，
w2为输出层的权重系数，
b2为输出层的偏置，
x
输入
为8个输入特征值的矩阵，
Y
隐层
为隐含层的输出，
Y
输出
为输出层的输出
。
[0030]进一步地，还包括：
[0031]利用
matlab
工具，选用
trainlm
训练算法进行推理，得到所述训练后的
BP
神经网络模型的系数矩阵
w1、w2、b1、b2。
[0032]进一步地，所述根据所述测试样本对所述训练后的
BP
神经网络模型进行测试，还包括：
[0033]将所述测试样本中的8个输入特征值输入到所述训练后的
BP
神经网络模型中进行预测，以输出所述测试样本中被测气体的预测浓度值；
[0034]将所述测试样本中被测气体的预测浓度值与该测试样本中被测气体的实际浓度值进行比较；
[0035]当两者之间的差值在预设范围内时，则认为所述训练后的
BP
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种提升
PID
多组量程多种有毒气体浓度测量精度的方法，其特征在于，包括如下步骤：步骤
S1
：获取用于训练
BP
神经网络模型的训练样本；步骤
S2
：根据所述训练样本对所述
BP
神经网络模型进行训练，以生成训练后的
BP
神经网络模型；步骤
S3
：获取用于测试所述训练后的
BP
神经网络模型的测试样本；步骤
S4
：根据所述测试样本对所述训练后的
BP
神经网络模型进行测试；步骤
S5
：当所述训练后的
BP
神经网络模型测试通过后，利用所述训练后的
BP
神经网络模型对当前待测有毒气体的浓度进行预测
。2.
根据权利要求1所述的一种提升
PID
多组量程多种有毒气体浓度测量精度的方法，其特征在于，还包括：采集多组样本，每组样本包括8个输入特征值和1个输出特征值，8个输入特征值分别为仪表的零点
AD
值
、
标定气体的种类
、
标定气体的仪表
AD
值
、
标定气体的实际浓度值
、
仪表的增益
、
仪表的温度值
、
被测气体的种类
、
被测气体的仪表
AD
值，1个输出特征值为被测气体的实际浓度值；对所述多组样本中的特征值进行归一化处理；将所述归一化处理后的多组样本划分为训练样本和测试样本
。3.
根据权利要求2所述的一种提升
PID
多组量程多种有毒气体浓度测量精度的方法，其特征在于，所述对所述多组样本中的特征值进行归一化处理，还包括：归一化处理的公式为：其中，
x
NDH
表示第
n
组样本中归一化后的特征值，
x
n
表示第
n
组样本中的特征值，
x
min
表示多组样本中同一特征的最小值，
x
max
表示多组样本中同一特征的最大值
。4.
根据权利要求2所述的一种提升
PID
多组量程多种有毒气体浓度测量精度的方法，其特征在于，所述根据所述训练样本对所述
BP
神经网络模型进行训练，以生成训练后的
BP
神经网络模型，包括：所述
BP
神经网络模型包括输入层
、
隐含层和输出层；所述输入层用于输入所述训练样本中的8个输入特征值，所述隐含层用于对所述训练样本中的8个输入特征值进行处理，所述输出层用于输出所述训练样本中的1个输出特征值；计算公式如下：
Y
隐层
＝
f(w1·
x
输入
+b1)Y
输出
＝
...

【专利技术属性】
技术研发人员：周永杰，杨伟伟，王金虎，赵云，徐益民，
申请(专利权)人：无锡格林通安全装备有限公司，
类型：发明
国别省市：