基于TDLAS技术的CH<sub>4</sub>气体检测与温度补偿方法

引用本文

马砺, 范新丽, 张朔, 王伟峰, 魏高明. 基于TDLAS技术的CH₄气体检测与温度补偿方法 [J]. 光谱学与光谱分析, 2021,41(11): 3632-3628.
MA Li, FAN Xin-li, ZHANG Shuo, WANG Wei-feng, WEI Gao-ming. Research on CH₄ Gas Detection and Temperature Correction Based on TDLAS Technology [J]. Spectroscopy and Spectral Analysis, 2021,41(11): 3632-3628.
Doi:10.3964/j.issn.1000-0593(2021)11-3632-07 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

基于TDLAS技术的CH₄气体检测与温度补偿方法

马砺^1,², 范新丽^1,², 张朔^1,², 王伟峰^1,², 魏高明^1,²

1.西安科技大学安全科学与工程学院, 陕西西安 710054

2.西安科技大学陕西省煤火灾害防控重点实验室, 陕西西安 710054

作者简介: 马砺, 1978年生, 西安科技大学消防系教授 e-mail: mal@xust.edu.cn

收稿日期: 2020-09-15 修回日期: 2021-01-27

基金: 国家重点研发项目(2018YFC0808104)资助

摘要

CH₄气体的精准检测对防止矿井瓦斯爆炸, 确保安全生产至关重要。目前基于可调谐半导体激光吸收光谱技术(TDLAS)存在因温度变化导致气体浓度测量误差较大。探究了基于TDLAS的CH₄气体检测系统与温度补偿方法, 分析温度对CH₄气体吸收谱线的影响, 通过算法补偿模型消除环境温度对CH₄气体检测的影响。依据TDLAS技术原理及相关理论, 对系统发射单元、吸收池、信号接收单元、数据处理单元进行设计, 搭建了基于TDLAS技术的CH₄气体浓度检测系统, 实验检测了不同环境温度(10~50 ℃)时0.04%CH₄气体浓度, 分析温度变化对CH₄气体在波长为1.653 μm处吸收谱线强度和半宽度的影响。为消除温度对CH₄气体检测的影响并提高补偿效果, 采用粒子群优化算法(PSO)优化BP神经网络(BPNN)的最佳权值和阈值, 建立CH₄气体的PSO-BP温度补偿模型, 克服了BP神经网络收敛速度慢、易陷入局部最优的缺点。结果表明: (1)基于TDLAS的CH₄气体检测浓度随环境温度升高而下降, 整个实验温度内相对误差范围为4.25%~12.13%, 不同环境温度下CH₄气体检测浓度与温度之间的关系可用一元三次多项式表示; (2)CH₄气体的吸收强度和半宽度随着温度的升高而下降, 与温度变化之间的关系为单调递减函数, 温度对CH₄气体吸收谱线强度的相对变化率大于吸收谱线半宽度的相对变化率, CH₄气体吸收谱线的强度更容易受温度变化的影响; (3)BP神经网络和PSO-BP模型测试样本的绝对平均误差(MAE)分别为12.88%和1.81%, 平均绝对百分比误差(MAPE)分别为2.3%和0.3%, 均方根误差(RMSE)分别为15.96%和2.69%, 相关系数 R²分别为0.980 6和0.999 6。通过建立PSO-BP温度补偿模型, 补偿效果大部分分布在±1.0%的误差范围内, MAE, MAPE, RMSE和 R²等评价指标均大幅度提升, 对提高TDLAS技术在矿井CH₄的精准检测具有一定的参考意义。

关键词: 可调谐半导体激光吸收光谱; CH₄浓度; 精准检测; 神经网络; 粒子群优化; 温度补偿

中图分类号:TN249 文献标志码:A

Research on CH₄ Gas Detection and Temperature Correction Based on TDLAS Technology

MA Li^1,², FAN Xin-li^1,², ZHANG Shuo^1,², WANG Wei-feng^1,², WEI Gao-ming^1,²

1. School of Safety Science and Engineering, Xi’an University of Science and Technology, Xi’an 710054, China

2. Shaanxi Provincial Key of Coal Fire Hazard Prevention and Control, Xi’an University of Science and Technology, Xi’an 710054, China

Abstract

Accurate detection of CH₄ is essential to prevent gas explosion and ensure safe production. However, the gas detection technology based on tunable diode laser absorption spectroscopy (TDLAS) has a large error due to temperature change. This paper explored the CH₄ detection based on TDLAS technology and the temperature compensation method, analyzed the impact of temperature on CH₄ absorption line, and finally eliminated the impact of environmental temperature on the CH₄ detection through algorithm compensation model. This study used TDLAS technology’s principle and theory to design the transmitter unit, absorption cell, signal receiver unit and data processing unit. A CH₄ detection system based on TDLAS technology was established, the concentration of CH₄ at different ambient temperatures (10~50 ℃) was measured, and the effect of temperature change on the intensity and half width at half-maximum of CH₄ absorption line at 1.653 μm was analyzed. In order to eliminate the influence of temperature on CH₄ detection and improve the compensation effect, the particle swarm optimization (PSO) was employed to optimize the optimal weight and the threshold of back propagation neural network (BPNN). The PSO-BP temperature compensation model of CH₄ was established, which overcame the characteristics of slow convergence rate and easy to fall into local optimum of the BPNN The result indicated that: (1) Based on TDLAS technology, the CH₄ detection concentration dropped with the increasement of ambient temperature, the relative error range within the whole experimental temperature was 4.25%~12.13%. The relationship between CH₄ detection concentration and temperature under different ambient temperatures can be expressed as a cubic polynomial; (2) The absorption intensity and half width at half-maximum of CH₄ gas decrease with the increase of temperature relationship between it and temperature was a monotonous decreasing function. The relative change rate of temperature on the absorption line intensity of CH₄ gas was greater than the half width. The absorption line intensity of CH₄ gas was more susceptible to the temperature change; (3) The absolute mean error (MAE) of the BPNN and PSO-BP model test samples were 12.88% and 1.81%, the mean absolute percentage error (MAPE) were 2.3% and 0.3%, the root mean square (RMSE) were 15.96% and 2.69%, and the correlation coefficient R² were 0.980 6 and 0.999 6, respectively. By establishing the PSO-BP temperature compensation model, the compensation effect was mostly distributed within the error range of ±1.0%, and MAE, MAPE, RMSE, R² and another evaluation indexes were greatly improved. It has a certain reference significance to improve the accurate detection of CH₄ in the mine with TDLAS technology.

Keyword: Tunable diode laser absorption spectroscopy; CH₄ gas concentration; Accurate detection; Neural networks; Particle swarm optimization; Temperature compensation

文章图片

引言

我国在煤炭资源开采正由浅部向深部开采迈进, 矿井开采强度也不断加大, 各类灾害问题突出, 其中瓦斯灾害作为煤矿主要灾害之一严重威胁矿井安全生产, 对CH₄气体的精准检测预报至关重要^{[1, 2, 3, 4]}。随着半导体激光器产业的不断发展, 可调谐半导体激光吸收光谱(tunable diode laser absorption spectroscopy, TDLAS), 将激光应用在气体分子吸收光谱测量, 形成一种光学与光谱学技术。该技术属于痕量气体分析检测方法, 通过改变注入的电流和温度来调控可调谐半导体激光器的线宽和波长, 进而测量气体分子之间难以分辨的吸收线, 最终通过朗伯比尔定律计算出所测气体浓度^{[5, 6, 7, 8]}。与其他气体检测方法相比, 光学法中的TDLAS技术具备精度高、响应时间短、灵敏度高、选择性强和校准周期长等优点, 适用于多种气体的高灵敏度动态检测^{[9, 10]}。

基于TDLAS的气体检测结果因环境条件(温度、压力、干扰气体)的影响与实际气体浓度有所偏差^[11]。为提高TDLAS技术的检测精度, 需对温度引起的气体浓度检测误差进行硬件电路补偿或软件算法补偿。因多元线性回归公式法过于繁琐^[12], 可采用模型修正方法对所测CH₄气体浓度进行实时温度补偿, 结合波长调制和谐波检测技术, 建立含温度影响因素的模型, 从而降低系统对温度的依赖性。有报道基于TDLAS技术输出波长稳定在被测气体吸收谱线的中心波段, 通过温度补偿实现TDLAS气体检测的高灵敏度; 张旭^[13]等基于TDLAS技术实现CH₄浓度场的二维分布重建, 并通过仿真实验验证可行性。

为提高基于TDLAS的CH₄气体检测系统的精度, 减少温度对CH₄气体测量产生的影响, 采用实验研究和理论分析相结合的方法, 选取自主搭建的基于TDLAS技术的CH₄气体浓度检测系统, 选取CH₄分子在1.653 μm附近的吸收峰, 对不同环境温度下的CH₄气体检测及其温度补偿模型进行研究, 分析温度对CH₄气体的吸收强度和半峰宽度的影响。采用PSO算法优化BP神经网络的最佳权值和阈值, 建立PSO-BP温度补偿模型消除温度对CH₄气体检测精度的影响, 提升CH₄气体系统检测精度。

1 实验部分

1.1 气体检测原理

TDLAS技术利用激光器的波长调谐特性, 根据所测气体的特征吸收谱线, 对其进行定性或定量分析。初始光强和探测器接收光强之间的关系可用Lambert-Beer吸收定律表示

$I_{t} = I_{0} \exp [- S (T) φ (ν) PcL]$ (1)

式(1)中, I_t为待测气体吸收后的光强, mW; I₀为初始光强, mW; S(T)为温度为T时气体吸收谱线的强度, cm^-2· atm^-1; c为待测气体浓度, mol· cm^-3· atm^-1; P为工作气体压强, atm; L为激光在待测气体中经过的光程, cm; φ (ν )为待测气体吸收谱线的线型函数, cm。

采用波长调制光谱技术检测CH₄气体浓度, 通过傅里叶变换的检测方法, 提取二次谐波表征气体浓度。通过激光器施加正弦波调制信号, 调制后的激光发射频率为

$ν (t) = ν'_{0} (t) = δν \cos (2 π ft)$ (2)

式(2)中, ν '₀(t)为未加正弦波调制的激光中心频率, Hz; δ ν 为激光频率变化幅值, cm^-1; f为调制频率, kHz。

激光器发出光束的光强为

$I_{0} = I'_{0} (t) + Δ I \cos (2 π ft + Ψ)$ (3)

式(3)中, I'₀(t)为光束中心光强, mW; Δ I为光强调制幅度, mW; Ψ 为光强调制与波长调制的相位差, 可忽略。

线性函数在整个频率内积分为1, 在CH₄检测波段为1.653 μm处, 且浓度较低情况下, CH₄气体吸收系数比较小, 经运算化简后可得波长调制二次谐波信号和浓度呈正比^[14]

$A_{2 f} \propto I_{0} \frac{S (T) PcL}{π} {\int_{π}}_{- π} φ [ν'_{0} (t) + δν \cos θ] \cos 2 θ d θ$ (4)

式(4)中, θ =2π ft。

由式(4)可知, 当已知气体吸收谱线、温度、压力、光程及激光频率调制幅度下, 可通过二次谐波曲线反演气体浓度。

1.2 系统结构

基于TDLAS技术的CH₄气体检测系统总体结构设计如图1所示。本实验系统主要由配气系统、光源发射部分、气体吸收池、数据接收和处理单元、可程式恒温恒湿箱等组成。

	Figure Option View Download New Window
	图1 基于TDLAS技术的CH₄检测结构Fig.1 The structureof CH₄ detection using TDLAS technology

其中光源发射部分主要由分布式反馈(DFB)激光器和半导体激光控制器两部分组成, DFB激光器以半导体材料为介质, 具有光谱纯度高、协调范围宽、线宽窄、功率低等多种优点, 驱动电路为双路温控电路, 可精准控制激光器输出波长处于稳定状态。

气体吸收池为光程20 m的近红外气体吸收池, 包括赫里克特气室、凹面镜、标准光纤连接器、光学检测器、气体入口和出口以及防震基座。通过对HITRAN数据库进行查询^[15], 在1.653 μm波段处CH₄受外界气体影响较小, 因此实验所用波段为1.653 μm。

数据接收和处理单元由光电探测器、锁相放大器、微处理器、数字示波器及Lab View虚拟软件组成。光电探测器通过辐射来改变被辐射材料的电导率, 具有探测范围广、线性响应良好等优点。入射激光通过透镜聚焦到探测器的光敏面上, 锁相放大器对信号进行检测, 得到CH₄气体吸收谱线的二次谐波信号。 STM32微处理器将数字锁相放大器传出的二次谐波信号传至模数转换(ADC)模块, 光信号转换为电压信号, 并传输至Lab View虚拟软件中。 Lab View虚拟软件具有数据采集、处理和查询功能, 根据标准浓度的气体谱线进行数据处理, 可实时显示CH₄气体浓度数据。二次谐波信号的波长调制线型如图2所示。

	Figure Option View Download New Window
	图2 二次谐波信号Fig.2 Second harmonic signal

根据波长调制原理, 二次谐波信号幅度与待测气体浓度之间呈正相关关系。因此, 可通过处理后的二次谐波信号反演得出待测CH₄气体浓度

$c = K \frac{A_{2 f}}{I_{0}}$ (5)

式(5)中, A_2f为谐波分量, K为标定系数。

1.3 方法

通过可程式恒温恒湿箱改变实验装置所处温度, 具体实验方法及步骤如下:

(1)以500 mL· min^-1的流量通入浓度为99.8%氮气10 min, 清除吸收池中干扰气体, 通过电脑端LabView软件校准背景气体氮气, 即所测背景气体浓度示数为0。

(2)通过标准配气系统配制浓度为0.04%的CH₄标准气体, 将气体缓慢通入气体吸收池内15 min, 可程式恒温恒湿箱温度设置为10 ℃, 待池内气体从室温达到设定温度且数据稳定后, 记录10 ℃下CH₄气体测量浓度。

(3)重复上述操作, 每升高一定温度对CH₄气体进行测量, 温度变化范围为10~50 ℃, 温度间隔5 ℃, 记录不同温度下CH₄气体测量浓度。

2 结果与讨论

2.1 温度对CH₄气体浓度测量精度的影响

利用TDLAS技术对不同温度下0.04%CH₄气体浓度进行测量, 实际测量气体浓度及误差如图3所示。

	Figure Option View Download New Window
	图3 不同温度下CH₄浓度变化趋势Fig.3 Variation trend of CH₄ concentration at different temperature

由图3可知, 温度对实验测量影响误差较大, 在10~50 ℃的温度区间内, 实际测量气体浓度随着环境温度的升高而下降, 但逐渐接近于真实浓度值。采用一元三次多项式对不同温度下CH₄气体浓度进行拟合, 得到基于TDLAS技术检测CH₄气体浓度和温度的关系为式(6)

$\begin{array}{l} y = (- 1.819 53 e - 8) t^{3} + (1.949 96 e - 6) t^{2} + \\ (- 1.400 09 e) t + 0.046 07 \end{array}$ (6)

式(6)中, t为环境温度, ℃; y为CH₄气体检测浓度, %。

当CH₄气体所处环境温度较低时(10 ℃), 相对误差为+12.13%, 当CH₄气体所处环境温度较高时(50 ℃), 相对误差为+4.25%。基于TDLAS的CH₄检测系统在整个实验温度范围(10~50 ℃)内, 检测结果的误差范围为4.25%~12.13%, 与实际0.04%CH₄气体浓度相差较大, 无法做到CH₄气体浓度的精准检测。分析认为误差的主要原因是由于CH₄气体分子不断吸收环境中热量, 气体分子体积增大, 分子间距离增大, 分子活性增强, 初始射入激光通过气体吸收池被CH₄气体吸收后的光强发生明显变化, 从而所测浓度随温度的升高而降低。

2.2 温度对CH₄气体吸收谱线的影响

基于TDLAS的气体检测吸收谱线与温度之间存在一定关系, 从而产生检测误差。通过查询HITRAN数据库, 在10~50 ℃范围内CH₄气体吸收谱线强度及吸收谱线宽度的部分仿真数据曲线如图4、图5所示。

	Figure Option View Download New Window
	图4 CH₄吸收谱线强度随温度变化曲线Fig.4 CH₄ absorption line intensity curve with temperature change

	Figure Option View Download New Window
	图5 CH₄吸收谱线半宽度随温度变化曲线Fig.5 Half width at half-maximum of CH₄ absorption line varies with temperature

由图4、图5可知, 10~50 ℃范围中, CH₄气体的吸收谱线强度和展宽随温度的变化明显。即: 随着温度升高, CH₄吸收谱线的强度和宽度呈下降趋势, 与采用TDLAS技术检测CH₄气体浓度随温度变化趋势一致。温度影响气体吸收谱线的强度, 同时由于温度变化造成气体吸收池内压力变化使气体吸收谱线的半宽度变化。随着环境温度的不断升高, CH₄气体的吸收谱线展宽减小, 吸收谱线强度逐渐减弱, 从而传感器吸收信号逐渐减弱, 最终表现为所测浓度随温度升高而降低。

在1.653 μm处温度影响CH₄气体的主要参数为吸收线谱线强度和吸收宽度, CH₄气体吸收谱线的强度和半宽度随温度变化为单调递减函数, 具体函数关系式如式(7)和式(8)

$I = - 0.001 45 t + 0.329 02$ (7)

$\begin{array}{l} Δ ν = (1.214 29 e - 7) t^{2} + (- 1.678 57 e - 5) t + 0.008 97 \end{array}$ (8)

其中, I为CH₄气体吸收谱线的强度, cm^-2· atm^-1; Δ ν 为CH₄气体吸收谱线的半宽度, nm; t为温度, ℃。

以20 ℃为基准点, 环境温度变化对CH₄气体吸收谱线的吸收线强和半宽度影响的相对变化率如图6所示。

	Figure Option View Download New Window
	图6 CH₄谱线强度和半宽度随温度相对变化率Fig.6 CH₄ line intensity and half width at half-maximum vary with temperature relative rate

由图6可以看出, 温度变化对CH₄气体吸收谱线的强度和宽度变化影响存在差异, 吸收谱线强度相对变化率大于谱线半宽度相对变化率, 说明吸收谱线的强度更容易受温度变化的影响。由于辐射源在检测过程中长期处于无规则的热运动状态, 产生的不规则热运动与检测器之间形成相对位移运动, 从而发生多普勒效应。同时, 由于气体分子之间的碰撞造成线型的变化、线型位置的不确定性以及其他跃迁的存在导致CH₄吸收谱线强度变化^[16]。

建立一元二次拟合模型y=at³+bt+c得到CH₄气体的吸收谱线强度相对变化率、半宽度相对变化率与温度之间的关系如式(9)和式(10)

$α = 0.001 62 t^{2} - 0.583 79 t + 11.046$ (9)

$\begin{array}{l} β = 0.001 41 t^{2} - 0.193 93 t + 3.302 \end{array}$ (10)

其中, α 为CH₄气体的吸收谱线强度相对变化率, %; β 为CH₄气体的吸收谱线半宽度相对变化率, %; t为温度, ℃。

3 基于PSO-BP模型的实验结果修正

3.1 粒子群优化算法

粒子群优化算法(particle swarm optimization, PSO), 为一种基于群体智能的优化算法, PSO算法避免了遗传算法的变异(Mutation)和交叉(Crossover)操作。在一个多维空间中, 由n个粒子组成种群, 通过迭代寻找最优解, 将每个优化问题的潜在解视为搜索空间的一只“ 鸟” , 也被称为粒子。每个被优化函数决定每个粒子的适值, 并有一个速度决定粒子飞行的方向与距离, 在解空间中粒子群便追随当前的最优粒子进行搜索^[17]。其优化过程如下^[18]:

步骤1: 对每个粒子的位置X_i=(X_i₁, X_i₂, …, X_in)和速度v_i=(v_i₁, v_i₂, …, v_in), 种群规模n进行初始化。

步骤2: 根据适应度函数, 计算每个粒子的对应的适应度值Fit[i]。

步骤3: 对每个粒子的适应度值Fit[i]和个体极值P_best(i)=(P_i₁, P_i₂, …, P_in)进行比较。若粒子的适应度值Fit[i]大于个体极值P_best(i)时, 将粒子的适应度值Fit[i]替换个体极值P_best(i)。

步骤4: 对每个粒子的适应度值Fit[i]和全局极值G_best(i)=(G_i₁, G_i₂, …, G_in)进行比较。若粒子的适应度值Fit[i]大于全局极值g_best时, 将粒子的适应度值Fit[i]替换全局极值g_best。

步骤5: 通过每一次迭代, 更新粒子的位置X_i和速度V_i。

步骤6: 对是否满足结束条件进行判定, 当误差达到期望值或达到最大循环次数, 结束循环, 否则返回第二步。

3.2 PSO-BP模型建模

BP神经网络为采用误差反向传播算法的多层前馈网络, 根据BP神经网络原理和PSO算法理论, 采用PSO算法优化BP神经网络, 寻找最佳权值和阈值, 建立参数优化的PSO-BP温度补偿模型, 从而加速BP神经网络收敛效率并提高学习速率^{[19, 20]}。建立CH₄气体温度补偿模型算法流程如下^[21]:

步骤1: 读取训练样本和测试样本。

步骤2: BP神经网络初始化。设定隐含层节点数为18、输入层节点数设为3, 输出层节点数设为1。

步骤3: 编码长度初始化。

步骤4: 构建前馈BP神经网络。输入用于定义R个输入向量的最大值和最小值的一个R×2的矩阵, 输入每层神经元个数的数组和包含每层用到的转移函数名称的细胞数组, 最后输入所用训练函数名称。

步骤5: PSO算法参数初始化。其中C₁=1.5, C₂=1.5, 种群规模为10, 进化次数为300, 初始粒子速度, 速度限制v_max=1, v_min=-1, 种群限制pop_max=5, pop_min=-5, 把粒子初始位置设定为BP神经网络最初的连接阈值和权值。

步骤6: 定义适应度评价函数。得出个体与全局最佳适应度值。

步骤7: 迭代寻优。更新粒子的速度和位置、种群更新以及自适应变异, 以避免PSO算法陷入局部最优。

步骤8: 将最优的初始阈值和权值重新赋予BP神经网络进行预测, 设置训练次数、训练目标和学习速率, 继续训练BP神经网络, 最后输入测试气体浓度数据并输出预测结果。

3.3 性能指标

对所建立的PSO-BP温度补偿模型进行预测评价指标分析, 即绝对平均误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)、相关系数(R²)、绝对误差(AE)、相对误差(RE), 分别定义为式(11)—式(16)

$MAE = \frac{1}{n} \overset{n}{\sum_{i = 1}} | f_{i} - y_{i} |$ (11)

$MAPE = \frac{1}{n} \overset{n}{\sum_{i = 1}} |\frac{f_{i} - y_{i}}{y_{i}}| \times 100 %$ (12)

$RMSE = \sqrt[]{\frac{1}{n} \overset{n}{\sum_{i = 1}} (f_{i} - y_{i})^{2}}$ (13)

$R^{2} = 1 - \frac{\overset{n}{\sum_{i = 1}} (y_{i} - f_{i})^{2}}{\overset{n}{\sum_{i = 1}} (y_{i} {- \overset{̅}{y})}^{2}}$ (14)

$AE = f_{i} - y_{i}$ (15)

$RE = \frac{f_{i} - y_{i}}{y_{i}}$ (16)

式(11)—式(16)中, f_i为消除温度影响后CH₄气体浓度预测值, %; y_i为实验所测CH₄气体浓度真实值, %; $\overset{̅}{y}$ 为实验所测CH₄气体浓度真实值的平均值, %。

其中, MAE, MAPE和RMSE取值范围为0到+∞ , MAE, MAPE和RMSE值越倾向于0, 表明真实值与预测值越贴近, 即完美模型。 R²为相关系数, 为评价拟合好坏的指标, 数值为实测值和拟合值的相关系数的平方, R²越大, 表明拟合效果越好。

3.4 对比分析

根据PSO-BP温度补偿模型设计, PSO算法对BP神经网络的权值和阈值不断寻优, 选用BP神经网络及PSO-BP模型预测结果及误差分析对比如图7和图8(a, b)所示。

	Figure Option View Download New Window
	图7 BP神经网络与PSO-BP模型预测输出Fig.7 BP neural network and PSO-BP model forecast output

	Figure Option View Download New Window
	图8 相对误差分布直方图 (a): BP神经网络; (b): PSO-BP模型Fig.8 Histogram of relative error distribution (a): BP neural network; (b): PSO-BP model

由图7可知, BP神经网络预测值分散分布于实际浓度两侧, 一定程度上与真实值有所偏离。 PSO-BP模型预测值相对集中于实际浓度两侧, 且随着训练样本的不断增加, PSO-BP模型预测值与真实值基本趋于一致。

PSO-BP模型预测值的相对误差和绝对误差均小于BP神经网络预测值。 PSO-BP模型的误差百分比均低于0.015, 其绝对误差最小为0.05%, 相对误差最小为1.4%。随着训练样本的不断增加, PSO-BP模型预测值的绝对误差和相对误差波动范围逐渐减小, 误差趋于稳定状态。

采用BP神经网络和PSO-BP模型的相对误差正态分布图显示温度补偿预测效果, 从图8可以看出对于TDLAS检测CH₄气体浓度温度补偿方面, PSO-BP模型明显优于BP神经网络。 BP神经网络补偿后误差较为分散, 相对误差范围在± 12%, 而PSO-BP模型补偿效果大部分分布在± 1.0%的误差范围内。 PSO-BP模型相对误差分布范围明显小于BP神经网络, 大幅度降低温度对CH₄气体检测的影响, 同时其误差范围符合实际矿井生产要求。

为进一步量化PSO-BP模型的温度补偿效果, 对比分析BP神经网络与PSO-BP模型的评价指标数据, 如表1所示。

表1 两种算法预测评价指标 Table 1 Prediction evaluation indexes of the two algorithms

由表1可得, 基于PSO-BP模型的气体浓度预测指标相比BP神经网络优化效果明显, 预测指标MAE, MAPE, RMSE和R²等预测评价指标均有大幅度提升, MAE减少了11.07%, MAPE减少了0.02%, RMSE减少了13.27%。

从图9的测试结果可以看出, 采用PSO-BP模型补偿后传感器的测量值与真实值误差明显减小, 气体浓度在较小的范围内波动。基于上述比较和分析, PSO-BP模型适合基于TDLAS技术CH₄气体检测的温度补偿, 系统测量的可靠性显著提高。

	Figure Option View Download New Window
	图9 0.04%CH₄补偿前后实验数据图Fig.9 Experimental data graph before and after 0.04% CH₄ compensation

4 结论

探究了基于TDLAS检测技术CH₄气体检测与温度补偿方法, 分析温度对CH₄气体吸收谱线的影响, 通过PSO-BP温度补偿模型对CH₄气体检测进行环境温度补偿, 得到以下结论:

(1)基于TDLAS的CH₄气体检测系统受环境温度变化影响较大, 相对误差范围为4.25%~12.13%。在10~50 ℃环境温度下, 温度越低, 偏离标准气体浓度0.04%越大。基于TDLAS的CH₄气体检测浓度和温度的关系可表示为y=-0.000 182x³+0.019 5x²-1.4x+460.7。

(2)温度升高, CH₄气体分子热胀冷缩, 分子间距离变大, 激光器射入的激光被CH₄气体吸收后光强变弱, CH₄气体的吸收强度降低, 光谱展宽变窄, 传感器信号变弱使所测浓度离标准浓度偏差增大, 实测浓度呈下降趋势。

(3)建立PSO-BP温度补偿模型后系统的测量误差为1.42%, 进一步提高了基于TDLAS技术的CH₄气体检测的准确性和可靠性。

参考文献

文献列表

[1]	CHEN Xian-feng, ZHANG Yin, XU Xiao-jiang, et al(陈先锋, 张银, 许小江, 等). Journal of Mining & Safety Engineering(采矿与安全工程学报), 2012, 29(3): 429. [本文引用:1]
[2]	JIANG Fu-xing, YIN Yong-ming, ZHU Quan-jie, et al(姜福兴, 尹永明, 朱权洁, 等). Chinese Journal of Rock Mechanics and Engineering(岩石力学与工程学报), 2014, 33(S2): 3581. [本文引用:1]
[3]	ZHAO Yong-yi, CHANG Jian-hua, SHEN Wan, et al(赵勇毅, 常建华, 沈婉, 等). Infrared Technology(红外技术), 2019, 41(8): 778. [本文引用:1]
[4]	DENG Jun, XIAO Yang, CHEN Xiao-kun, et al(邓军, 肖旸, 陈晓坤, 等). Journal of Mining & Safety Engineering(采矿与安全工程学报), 2011, 28(4): 638. [本文引用:1]
[5]	ZHOU Pei-li, TAN Wen, PENG Zhi-min(周佩丽, 谭文, 彭志敏). Chinese Journal of Scientific Instrument(仪器仪表学报), 2019, 40(11): 233. [本文引用:1]
[6]	LI Ao-qi, WANG Biao, XU Yue, et al(李奥奇, 王彪, 许玥, 等). Laser Journal(激光杂志), 2019, 40(12): 6. [本文引用:1]
[7]	ZHANG Zhi-rong, PANG Tao, SUN Peng-shuai, et al(张志荣, 庞涛, 孙鹏帅, 等). Chinese Journal of Lasers(中国激光), 2019, 46(12): 265. [本文引用:1]
[8]	LI Ming-xing, LIU Jian-guo, KAN Rui-feng, et al(李明星, 刘建国, 阚瑞峰, 等). Acta Optica Sinica(光学学报), 2015, 35(4): 399. [本文引用:1]
[9]	LI Zhe, ZHANG Zhi-rong, SUN Peng-shuai, et al(李哲, 张志荣, 孙鹏帅, 等). Infrared and Laser Engineering(红外与激光工程), 2017, 46(9): 243. [本文引用:1]
[10]	LI Bin, ZHENG Chuan-tao, LIU Hui-fang, et al. Sensors and Actuators B: Chemical. 2016, 225: 188. [本文引用:1]
[11]	YUAN Song, KAN Rui-feng, HE Ya-bo, et al(袁松, 阚瑞峰, 何亚柏, 等). Chinese Journal of Lasers(中国激光), 2013, 40(5): 247. [本文引用:1]
[12]	NIE Wei, KAN Rui-feng, XU Zhen-yu, et al(聂伟, 阚瑞峰, 许振宇, 等). Acta Physica Sinica(物理学报), 2017, 66(20): 97. [本文引用:1]
[13]	ZHANG Xu, GUO Teng-xiao, YANG Liu, et al(张旭, 郭腾霄, 杨柳, 等). Infrared Technology(红外技术), 2018, 40(6): 603. [本文引用:1]
[14]	ZHANG Zeng-fu, ZOU De-bao, CHEN Wen-liang, et al(张增福, 邹得宝, 陈文亮, 等). Opto-Electronic Engineering(光电工程), 2014, 41(6): 32. [本文引用:1]
[15]	TONG Xiu-xiu, KANG Zhi-hong(佟秀秀, 康志宏). Science Technology and Engineering(科学技术与工程), 2007, 33(4): 500. [本文引用:1]
[16]	XIA Hui, LIU Wen-qing, ZHANG Yu-jun, et al(夏慧, 刘文清, 张玉钧, 等). Optical Technique(光学技术), 2008, (2): 298. [本文引用:1]
[17]	LI Meng-shan, LIAN Su-yun, WANG Fan, et al. Chemical Engineering Research and Design, 2020, 155: 98. [本文引用:1]
[18]	DENG Jun, LEI Chang-kui, CAO Kai, et al(邓军, 雷昌奎, 曹凯, 等). Journal of China Coal Society(煤炭学报), 2018, 43(10): 2800. [本文引用:1]
[19]	TIAN Zhen, JING Shuang-xi, ZHAO Li-juan, et al(田震, 荆双喜, 赵丽娟, 等). Journal of Henan Polytechnic University·Natural Science(河南理工大学学报·自然科学版), 2020, 39(1): 68. [本文引用:1]
[20]	LI Hui-min, LI Zhen-lei, HE Rong-jun, et al(李慧民, 李振雷, 何荣军, 等). Journal of Mining & Safety Engineering(采矿与安全工程学报), 2014, 31(2): 203. [本文引用:1]
[21]	WANG Ping, HUANG Zhen-yi, ZHANG Ming-ya, et al. Journal of Iron and Steel Research(International), 2008, 15(3): 87. [本文引用:1]

2012

0.0

CHEN

Xian-feng

, ZHANG

Yin

, XU

Xiao-jiang

, et al(陈先锋, 张银, 许小江, 等). Journal of Mining & Safety Engineering(采矿与安全工程学报), 2012, 29(3): 429.

In this paper, to research the propagation rule and inherent mechanism of premixed flame in pipeline, we established the mathematical model and physical model by using numerical simulation method, and conducted simulation research on the process of mine gas explosion in different gas content. The calculation results show that both the velocity and pressure in gas explosion process experience the stages of “rise - fall - second wave - fall - swing”. In the initial stage of the flame propagation, the deflagration volume of gas increases rapidly, and the velocity, pressure and temperature of the flame also rise up quickly, and present laminar burning state during a certain time. Then, both the velocity and pressure have appeared swings in various degrees, which are the results of concurrent effects of pressure wave and reflected wave. Meanwhile, the velocity of the flame achieves the peak value ahead the pressure, this is mainly attributed to the superimposition of explosion pressure wave and reflected pressure wave, which leads to the rise of pressure, while the reflected pressure wave leads to the decrease of ve-locity. The best content of mine gas is that the velocity and pressure are in the minimum value, and the gas burning lasts the longest time, in this time the mine gas hasn’t been completely accelerated, and haven’t formed the detonation state.

为了研究管道预混火焰的传播特性及内在机理，运用数值模拟的方法，建立矿井瓦斯气体爆炸的数学模型和物理模型，对不同当量比浓度的矿井瓦斯气体爆炸过程进行模拟研究。计算结果表明，矿井瓦斯气体爆炸过程中速度和压力值均会经历上升-下降-二次波峰-下降-震荡的过程。火焰传播初期，气体爆燃体积迅速增大，火焰的速度、压力和温度随之迅速上升，并在一段时间内呈现层流燃烧状态。而后速度和压力图均出现了不同程度的波动，可知这是压力波和反射波共同作用的结果。速度和压力并未同时达到峰值，速度要超前于压力达到最大状态，这主要是爆炸压力波和反射压力波的相互叠加作用导致压力上升，而反射压力波导致速度下降。当量比浓度的压力、速度值最小，燃烧持续时间最长，此时气体还未完全加速，未形成爆轰状态。

... 引言我国在煤炭资源开采正由浅部向深部开采迈进, 矿井开采强度也不断加大, 各类灾害问题突出, 其中瓦斯灾害作为煤矿主要灾害之一严重威胁矿井安全生产, 对CH₄气体的精准检测预报至关重要^[1,2,3,4] ...

2014

0.0

2019

0.0

2011

0.0

2019

0.0

... 该技术属于痕量气体分析检测方法, 通过改变注入的电流和温度来调控可调谐半导体激光器的线宽和波长, 进而测量气体分子之间难以分辨的吸收线, 最终通过朗伯比尔定律计算出所测气体浓度^[5,6,7,8] ...

2019

0.0

2019

0.0

2015

0.0

2017

0.0

... 与其他气体检测方法相比, 光学法中的TDLAS技术具备精度高、响应时间短、灵敏度高、选择性强和校准周期长等优点, 适用于多种气体的高灵敏度动态检测^[9,10] ...

2016

0.0

2013

0.0

... 基于TDLAS的气体检测结果因环境条件(温度、压力、干扰气体)的影响与实际气体浓度有所偏差^[11] ...

2017

0.0

... 因多元线性回归公式法过于繁琐^[12], 可采用模型修正方法对所测CH₄气体浓度进行实时温度补偿, 结合波长调制和谐波检测技术, 建立含温度影响因素的模型, 从而降低系统对温度的依赖性 ...

2018

0.0

... 张旭^[13]等基于TDLAS技术实现CH₄浓度场的二维分布重建, 并通过仿真实验验证可行性 ...

2014

0.0

... m处, 且浓度较低情况下, CH₄气体吸收系数比较小, 经运算化简后可得波长调制二次谐波信号和浓度呈正比^[14] ...

2007

0.0

... 通过对HITRAN数据库进行查询^[15], 在1 ...

2008

0.0

XIA

Hui

, LIU

Wen-qing

, ZHANG

Yu-jun

, et al(夏慧, 刘文清, 张玉钧, 等). Optical Technique(光学技术), 2008, (2): 298.

可调谐半导体激光吸收光谱(TDLAS)是一种具有高灵敏度、高分辨率、快速检测特点的气体检测技术,已广泛用于大气中多种痕量气体的检测以及地面的痕量气体和气体泄漏的检测.研究了利用TDLAS技术测量高温下甲烷浓度的实验方法,使用可加热的静态吸收池对在1653.72 nm波长附近R(3)支转动跃迁的吸收线进行了测量,并计算了吸收线强.分别在相同温度不同浓度和相同浓度不同温度的两种条件下进行了实验.结果表明,利用直接吸收的方法,在实验室可以得到370K时的最小可探测限为100×10-6,500K时的最小可探测限为245×10-6(吸收池长度为10cm),可以应用在燃烧控制及喷焰气体浓度测量等多个领域.

... 同时, 由于气体分子之间的碰撞造成线型的变化、线型位置的不确定性以及其他跃迁的存在导致CH₄吸收谱线强度变化^[16] ...

2020

0.0

... 每个被优化函数决定每个粒子的适值, 并有一个速度决定粒子飞行的方向与距离, 在解空间中粒子群便追随当前的最优粒子进行搜索^[17] ...

2018

0.0

... 其优化过程如下^[18]: ...

2020

0.0

... 2 PSO-BP模型建模BP神经网络为采用误差反向传播算法的多层前馈网络, 根据BP神经网络原理和PSO算法理论, 采用PSO算法优化BP神经网络, 寻找最佳权值和阈值, 建立参数优化的PSO-BP温度补偿模型, 从而加速BP神经网络收敛效率并提高学习速率^[19,20] ...

2014

0.0

Hui-min

, LI

Zhen-lei

, HE

Rong-jun

, et al(李慧民, 李振雷, 何荣军, 等). Journal of Mining & Safety Engineering(采矿与安全工程学报), 2014, 31(2): 203.

In order to evaluate rock burst risk degree, a new evaluation method based on the model of particle swarm optimization (PSO) algorithm and BP neural net is proposed. The method employs the technology of BP neural network to establish a regression model and takes advantage of PSO algorithm to optimize the parameters of the network, namely, the weights and the threshold values. All the data used in the model are from existing rock burst database. As a result, the BP neural network cannot fall into local optimum and its convergence speed can be increased. Then, ten major factors are selected as the inputs and twenty practical cases from a characteristic rock burst coal mine are chosen to establish the PSO-BP evaluation model. The newly established model is further compared with the standard BP model. Results show that the evaluation accuracy is increased by 15 percent by the proposed model in this paper. Finally, the proposed PSO-BP evaluation model is finally applied to evaluate the rock burst risk degree of two coalmines, where the feasibility and applicability of the method are verified.

为评价冲击矿压危险程度，提出一种基于粒子群算法和BP神经网络(PSO-BP)的冲击危险评估方法。利用已有冲击矿压数据，通过BP网络建立回归模型，并采用PSO算法对模型的连接权重和阀值进行优化，克服了BP网络收敛速度慢、易陷入局部最优的缺点。选取冲击矿压的10种主要影响因素，利用典型冲击矿井的20组工程数据建立PSO-BP评估模型，并将该模型与标准BP模型进行对比分析，结果表明PSO-BP模型较标准BP模型的评估准确率提高15%。最后，通过某矿冲击危险评估的工程实例验证了该方法的可行性和普适性。

2008

0.0

... 建立CH₄气体温度补偿模型算法流程如下^[21]: ...