引用本文
阚玲玲, 朱富海, 梁洪卫. 基于1D-WCWKCNN的痕量甲烷气体浓度检测[J]. 光谱学与光谱分析, 2024,44(3): 829-835.
KAN Ling-ling, ZHU Fu-hai, LIANG Hong-wei. Detection of Trace Methane Gas Concentration Based on 1D-WCWKCNN[J]. Spectroscopy and Spectral Analysis, 2024,44(3): 829-835.
Doi:10.3964/j.issn.1000-0593(2024)03-0829-07  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于1D-WCWKCNN的痕量甲烷气体浓度检测
阚玲玲, 朱富海, 梁洪卫*
东北石油大学电气信息工程学院, 黑龙江 大庆 163318
*通讯作者 e-mail: lianghongwei@nepu.edu.cn

作者简介: 阚玲玲, 女, 1981年生, 东北石油大学电气信息工程学院副教授 e-mail: kanlingling2004@126.com

收稿日期: 2022-08-12 修回日期: 2022-11-14 接受日期: 2022-11-14
基金: 国家自然科学基金青年科学基金项目(62103096)资助
摘要

可调谐激光吸收光谱(TDLAS)技术在检测甲烷气体浓度过程中, 甲烷气体透射光强二次谐波信号幅值与痕量甲烷气体浓度值成正比关系。 如何准确和快速筛选目标甲烷透射光强二次谐波信号幅值至关重要。 通过光电探测器获取1 000个甲烷气体透射光强信号样本, 解调该透射光强信号获得二次谐波信号。 人工在获得多种痕量甲烷气体透射光强和通过透射光强解调二次谐波信号时, 存在噪声和人为操作对二次谐波信号的幅值产生影响, 从而造成人工筛选二次谐波信号的时间增加。 针对传统TDLAS技术筛选痕量甲烷气体二次谐波信号过程中存在高额时间成本的问题, 提出了一种基于宽卷积和宽卷积核一维卷积神经网络(1D-WCWKCNN)的痕量甲烷气体浓度检测方法。 首先, 借助甲烷气体数据集训练1D-WCWKCNN模型, 根据训练结果不断调整模型参数。 其次, 利用宽卷积层和宽卷积核一维卷积层对痕量甲烷气体二次谐波信号进行特征提取, 使网络进行一次卷积后能够获得甲烷气体浓度信号中更长序列以及该序列边界信息与气体浓度之间的特征关系。 甲烷透射光强二次谐波信号通过6层卷积层提取该信号与甲烷气体浓度关系的深层特征, 然后通过6层最大池化层保留该信号与甲烷气体浓度关系的主要特征, 再经过Flatten层将前一层处理的痕量甲烷气体透射光强二次谐波信号数据进行一维化处理。 最后, 根据训练好的1D-WCWKCNN模型通过Dense层输出痕量甲烷气体浓度。 利用基于1D-WCWKCNN的痕量甲烷气体浓度检测模型代替了TDLAS技术中人工花费高额时间成本筛选二次谐波信号进行拟合直线对痕量甲烷气体浓度检测的过程。 在实际实验中验证了该方法的有效性, 实验结果表明利用该方法能够对50~1 000 mg·L-1的痕量甲烷气体浓度进行有效检测, 其准确度达到99.85%, 与其他方法相比该方法信号特征提取能力强, 检测甲烷气体精度高。 该方法有助于气体检测领域中待测气体浓度信号的筛选。

关键词: 痕量甲烷气体检测; TDLAS技术; 宽卷积核; 一维宽卷积
中图分类号:TE88 文献标志码:A
Detection of Trace Methane Gas Concentration Based on 1D-WCWKCNN
KAN Ling-ling, ZHU Fu-hai, LIANG Hong-wei*
School of Electrical Information Engineering, Northeast Petroleum University, Daqing 163318, China
*Corresponding author
Abstract

In detecting methane concentration by tunable laser absorption spectroscopy (TDLAS), the second harmonic signal amplitude of methane transmitted light intensity is directly proportional to the concentration of trace methane gas. How to accurately and quickly screen the amplitude of the second harmonic signal of the target methane transmitted light intensity is crucial. The photodetector obtains the 1 000 methane gas transmitted light intensity signal samples, and it is demodulated to obtain the second harmonic signal. When obtaining a variety of trace methane gas transmitted light intensity and demodulating the second harmonic signal by transmitted light intensity, noise and artificial operation affect the amplitude of the second harmonic signal,resulting in an increase in the time for manual screening of the second harmonic signal. Using traditional TDLAS technology to screen trace methane second harmonic signals had the problem of high time cost. A trace methane concentration detection method based on wide convolution and wide kernel 1D convolutional neural networks (1D-WCWKCNN) was proposed. Firstly, the 1D-WCWKCNN model is trained with the help of the methane gas dataset, and the model parameters are continuously adjusted according to the training results. Secondly, the method used a wide convolution layer and wide convolution kernel 1D convolution layer to extract the features of the trace methane second harmonic signal so that the network obtained the characteristic relationship between a longer sequence and the sequence boundary information in the methane concentration signal and the gas concentration after one convolution. The second harmonic signal of methane transmitted light intensity is extracted through the 6-layer convolutional layer to extract the main characteristics of the relationship between the signal and methane gas concentration. The 6-layer maximal pooling layer retains the main characteristics. The Flatten layer processes the signal data processed by the previous layer in one dimension. Finally, the trained 1D-WCWKCNN model outputs trace methane gas concentration through the Dense layer. The trace methane gas concentration detection model based on 1D-WCWKCNN replaces manually screening second harmonic signals for detecting trace methane gas concentration in a fitted straight line in TDLAS technology. The effectiveness of this method is verified in actual experiments. The results show that it can effectively detect the concentration of trace methane in 50~1 000 mg·L-1, and its accuracy reaches 99.85%. Compared with other methods, it has strong signal feature extraction ability and high detection accuracy of methane gas.This method facilitates the screening of gas concentration signals to be measured in the field of gas detection.

Keyword: Trace methane gas detection; TDLAS technology; Wide convolution kernel; 1D wide convolution
引言

天然气组成成分主要有甲烷(85%)和少量乙烷(9%)、 丙烷(3%)、 氮(2%)和丁烷(1%)。 在工业发展过程中, 需要跨地区进行天然气运输, 运输管道在长时间工作的情况下会存在泄漏的情况。 当空气中的甲烷浓度达到5%, 氧气浓度大于等于12%时, 遇到明火, 则会发生爆炸。 为了防止发生安全事故, 需要对管道周围进行甲烷气体的检测。 在甲烷气体检测领域中, 检测甲烷气体的光谱学技术有差分光学吸收光谱(DOAS)、 差分吸收激光雷达(DIAL)、 傅里叶变换红外光谱(FTIR)、 可调谐半导体激光吸收光谱(TDLAS)[1, 2, 3, 4, 5, 6, 7, 8]。 TDLAS技术具有高精度、 高分辨率、 高稳定性和快速响应的特点, 鉴于这些优势, TDLAS技术常用于气体检测领域当中[9]。 Jiang等[10, 11, 12, 13]利用TDLAS技术, 借助甲烷气体的二次谐波信号的幅值与甲烷气体浓度拟合直线对甲烷气体浓度进行检测。 利用TDLAS技术对甲烷浓度进行检测时, 需要拟合二次谐波信号幅值与甲烷浓度值的直线。 人工在寻找最优拟合直线这个过程中, 存在噪声和人为操作对二次谐波信号的幅值产生上下波动的影响, 造成人工筛选二次谐波信号的时间成本增加。 在目标气体检测效率上需要进一步提高。

卷积神经网络(CNN)最早由LeCun等提出, 近年来该网络在诸多领域表现出优异的性能[14]。 卷积神经网络(CNN)在处理一维数据中表现出较大的优势。 目前, 许多研究人员已经开始研究CNN在一维信号处理中的应用。 Zhao等[15]提出的一维深度卷积神经网络(1D-DCNN)对乙烯、 一氧化碳和甲烷混合气体进行识别, 识别准确率为96.3%。 1D-DCNN模型中卷积层卷积核大小为3× 1, 对于混合气体信号每个输出特征值只能获取输入信号相邻3个值之间的特征关系, 限制了网络学习混合气体信号特征的能力。 Zhang[16]利用一维卷积神经网络(1D-CNN)并结合时差法对天然气流量进行了测量, 提出的一维卷积神经网络中卷积层卷积核大小为5× 1, 每个输出特征值只能获取输入信号相邻5个值之间的特征关系, 限制了1D-CNN学习特征的能力。 Peng等[17]利用38层的深度卷积神经网络(DCNN), 采用3× 3的卷积核对输入的一氧化碳、 甲烷、 氢气和乙烯气体测量数据进行特征提取, 增加了网络对气体数据特征提取的复杂度。 Wei等[18]采用卷积核为5× 5的LeNet-5卷积神经网络(CNN)对甲烷(CH4)和一氧化碳(CO)混合气体输入数据进行特征提取, 存在目标气体数据特征提取复杂性增加的问题。 郝惠敏等[19]将不同浓度甲烷(CH4)、 乙烷(C2H6)、 丙烷(C3H8)、 正丁烷(C4H10)、 异丁烷(iso-C4H10)、 正戊烷(C5H12)、 异戊烷(iso-C5H12)七种单组分烷烃及其混合气体红外光谱数据转换为二维RGB彩色图像, 利用卷积神经网络对其进行特征提取时存在较为繁琐的问题。

针对痕量天然气泄漏检测在应用TDLAS技术需要人工花费大量时间去筛选二次谐波信号的问题, 本文提出了一种基于宽卷积和宽卷积核一维卷积神经网络1D-WCWKCNN(wide convolution and wide kernel 1D convolutional neural networks)的痕量甲烷气体浓度检测方法。 该方法利用1D-WCWKCNN模型中宽卷积层和宽卷积核一维卷积层对甲烷气体浓度信号--甲烷二次谐波信号进行特征提取, 使网络进行一次卷积后能够获得二次谐波信号中更长序列以及该序列边界信息与气体浓度之间的特征关系。 利用1D-WCWKCNN模型中的最大池化层对信号主要特征进行保留, 去除冗余信息, 减小计算量, 简化网络复杂度, 最后借助1D-WCWKCNN模型中的全连接层输出待测痕量甲烷气体浓度。 利用该方法解决了TDLAS技术中为确定最优幅值-浓度拟合直线, 人工逐步筛选大量的二次谐波信号的问题。 利用本文提出的方法可以针对多种痕量甲烷气体浓度进行有效的检测。

1 实验部分
1.1 痕量甲烷气体数据获取

为了确保能够采集不同种甲烷气体透射光强二次谐波信号的数据, 搭建了如图1所示的痕量甲烷气体浓度数据采集装置。 实验装置主要由PCI-1D TDLAS控制器、 PC机、 采集装置NI PXIe-1082、 DFB激光器(nanoplus, 1654nm)、 Herriott气体池、 PD光电探测器(Thorlabs, PDA20CS)、 气体质量流量控制器(ALICAT, MCS-Series)、 甲烷气体罐、 氮气气体罐组成。 实验装置中应用波长调制技术。 实验装置包括三部分: (1)波长调制、 (2)气体吸收、 (3)数据采集。 甲烷气体浓度数据采集实验装置的三部分分别由红色框、 蓝色框和紫色框标出。

图1 甲烷气体数据采集装置Fig.1 Methane gas data acquisition device

实验在室温条件下进行, 对50~1 000 mg· L-1内的甲烷气体进行透射光强信号的数据采集以及透射光强二次谐波浓度信号的获取, 使用中心波长λ =1 654 nm的DFB激光器作为光源, 其光源输出功率P可调, 最佳工作功率为3 mW。 调节激光器使其输出1 653~1 654 nm波长的激光。 在这个波长范围内排除了其他气体对痕量甲烷气体的吸收干扰。 气体吸收过程在Herriott气体池中完成。 激光在Herriott气体池中反射52次, 光程长达到14.5 m, 气体池内压强与外界压强一致, 实际温度为20.4 ℃。 利用PD(Thorlabs, PDA20CS)探测气体池出光孔的透射光强信号并使用采集卡将获得的透射光强信号传输到电脑上, 通过锁相放大等一系列的信号处理后, 提取透射光强信号的二次谐波信号, 然后进行保存。 具体过程如下: 首先, 设置激光器和数据采集参数, 将激光器温度设置为28 ℃, 激光器波长以0.01 nm· mA-1的变化率在1 653.6~1 653.7 nm范围内变化。 利用信号发生器产生一个2 Hz的低频扫描信号和一个31.2 kHz、 初相位为π /2的高频调制信号驱动激光器, 从而实现对激光器的输出波长的调制。 激光的扫描周期设置为400 ms, 采样点数设置为10 000。 其次, 向气体池依次充入通过质量流量控制器配比的不同浓度的痕量甲烷气体。 当充入某一浓度的气体时, 待吸收稳定后, 在同一浓度下采集多组数据。 为了避免不同气体对气体浓度测量结果的干扰, 用高纯度(99.99%)的氮气对Herriott气体池进行吹扫, 吹扫时间为2 min, 再充入另一种类浓度的甲烷气体, 如此反复测量与采集。 最后, 利用PD探测器探测透射光强信号, 为确保探测到最佳透射光强信号, PD增益设置为3 dB, 使用采集卡将获得的透射光强信号传输到电脑上, 通过锁相放大等一系列的信号处理后, 提取透射光强信号的二次谐波信号, 进行痕量甲烷气体数据保存。 实验采集的痕量甲烷气体浓度种数、 组数、 总样本数如表1所示。 该样本数据为透射光强二次谐波信号, 部分采集结果如图2所示, 全部采集结果如图3所示。

表1 甲烷气体浓度种数 Table 1 Number of methane gas concentrations

图2 二次谐波信号Fig.2 Second harmonic signal

图3 甲烷气体二次谐波信号Fig.3 Methane gas second harmonic signal

1.2 数据处理

数据处理使用Windows10(64位操作系统), Intel(R)Core(TM) i7-10510U CPU@1.80GHz处理器, Python3.8。

1.2.1 数据集划分

根据实验中采集的痕量甲烷气体浓度数据所制作的气体浓度数据集如表2所示, 该数据集对痕量甲烷气体数据进行了训练样本与测试样本的划分。 痕量甲烷气体浓度数据集中训练集和测试集划分完成之后对该数据集进行1 000次的迭代训练。 借助数据集训练1D-WCWKCNN模型, 通过判别模型训练后的检测结果对模型参数进行调整, 优化训练结果。

表2 实验数据集 Table 2 Experimental dataset

1.2.2 1D-WCWKCNN

痕量甲烷气体透射光强二次谐波信号的波形特点以及噪声、 人为操作对信号幅值产生上下波动的影响。 该影响会造成人工筛选二次谐波信号时间成本的增加。 为了解决该问题, 提出一种1D-WCWKCNN网络模型方法来处理透射光强二次谐波信号进行甲烷气体浓度检测。 1D-WCWKCNN的痕量甲烷气体浓度检测模型结构如图4所示, 该模型组成部分包括: 1层痕量甲烷气体浓度信号数据输入层、 6层卷积层、 6层最大池化层、 1层Flatten层、 1层Dense层。

图4 痕量甲烷气体浓度检测模型Fig.4 Trace methane gas concentration detection model

1.2.3 特征提取

实验在检测痕量甲烷气体浓度的过程中, 利用卷积层提取痕量甲烷气体透射光强二次谐波信号与甲烷气体浓度关系的主要特征, 其卷积层计算公式为

C(j)=∑n=1NbA(j+n)×B(n)(1)

式(1)中, C(j)为第j个卷积结果, 1≤ j≤ Na-Nb+1, A为输入的痕量甲烷气体浓度信号, 其维数为(1, Na), B为卷积核, 其维数为(1, Nb)。

痕量甲烷气体透射光强二次谐波信号与该气体浓度关系的特征提取过程如图5所示, 其中, 宽卷积核卷积层具体卷积过程如图5(a)所示, 步长为1的40× 1宽卷积核在痕量甲烷气体透射光强二次谐波信号的序列上移动进行卷积运算, 一次卷积运算后最终输出与前一层非等长的序列。 宽卷积层卷积过程如图5(b)所示, 宽卷积操作采用“ SAME” 填充方式, 步长为1的40× 1卷积核在痕量甲烷气体浓度信号的序列上移动进行宽卷积运算, 一次宽卷积运算后最终输出与前一层等长的序列。

图5 卷积过程Fig.5 Convolution process

卷积核的尺寸大小能够决定卷积运算从痕量甲烷气体透射光强二次谐波信号中提取不同信息的能力。 在传统一维卷积神经网络中采用窄卷积核, 其大小为3× 1。 对于每个输出特征值只能获取输入信号相邻的3个值之间的特征关系, 极大的限制了一维卷积神经网络提取信号特征的能力[20]。 痕量甲烷气体透射光强二次谐波信号可以看作是一维时间序列, 根据该信号的特点提出的1D-WCWKCNN模型中引入宽卷积以及在卷积层中引入宽卷积核, 其卷积层分为两种, 一种是采用40× 1宽卷积核的卷积层, 另一种是采用卷积核大小为40× 1的宽卷积层来提取甲烷气体透射光强二次谐波信号的特征, 使网络进行一次卷积后能够获得痕量甲烷气体透射光强二次谐波信号中更长序列以及序列边界信息与气体浓度之间的特征关系, 能够有效地获取痕量甲烷气体透射光强二次谐波信号的特征。

实验在处理痕量甲烷气体透射光强二次谐波信号的过程中, 为了对痕量甲烷气体浓度信号的主要特征进行保留, 1D-WCWKCNN的痕量甲烷气体浓度检测模型采用最大池化层对经过卷积层后的痕量甲烷气体透射光强二次谐波信号进行最大池化(Max pooling)操作。 其过程如图6所示, 对痕量甲烷气体透射光强二次谐波信号中的序列进行最大池化操作能够对该浓度信号的主要特征进行保留, 去除干扰甲烷气体浓度计算的信息, 减少计算量, 简化1D-WCWKCNN网络的复杂度。 针对神经网络在甲烷气体浓度检测方面的应用, 极大地提高了1D-WCWKCNN网络的统计效率和计算速度。

图6 最大池化过程Fig.6 Max pooling process

实验利用基于1D-WCWKCNN的痕量甲烷气体浓度检测模型获取甲烷气体浓度时, 需要对经过卷积-池化后的痕量甲烷气体浓度信号进行进一步处理。 利用Flatten层将其多维的数据一维化, 用作1D-WCWKCNN卷积层到全连接层的过渡。 利用全连接层(Dense layer), 将其单元连接到前向层中的所有单元, 该层计算公式如等式(2)所示, 输入值x乘以权重w, 乘积相加, 然后在总和上加上偏差b。 最后该结果被输入到激活函数f, 激活函数计算输出预测值[21]。 本文中选用linear函数作为激活函数, 其表达式由式(3)所示。 1D-WCWKCNN网络最后经Dense层计算输出痕量甲烷气体浓度值。

y=f∑x×w+b(2)

Y=x(3)

1.3 模型参数

基于1D-WCWKCNN的痕量甲烷气体浓度检测模型的详细参数如表3所示, 其中, 该1D-WCWKCNN模型中总参数为12 461个。 本文选用宽卷积层和宽卷积核一维卷积层来提取甲烷气体透射光强二次谐波信号特征, 经过多次调参之后, 使1D-WCWKCNN痕量甲烷气体浓度检测模型进行一次卷积后能够获得甲烷气体透射光强二次谐波信号中更长序列以及该序列边界信息与气体浓度之间的特征关系。 每层卷积后添加一层最大池化层来保留二次谐波信号主要特征信息, 去除序列中冗余的信息, 减少计算量, 简化1D-WCWKCNN网络的复杂度。 每层卷积层使用线性整流函数(rectified linear unit, ReLU)作为激活函数, 防止发生过拟合。 最后一层全连接层使用线性激活函数linear, 输出痕量甲烷气体浓度预测值, 在MSE损失函数的逼近下, 痕量甲烷气体浓度预测值会愈来愈趋向于真实痕量甲烷气体浓度值。 实现痕量甲烷气体浓度的检测。

表3 痕量甲烷气体浓度检测模型参数 Table 3 Model parameters for detection of trace methane gas concentration
2 结果与讨论

本文1D-WCWKCNN模型中采用自定义的度量函数决定系数R2(coeff_determination)评估网络模型训练和测试过程的准确度。 决定系数常常在线性回归中被用来表征有多少百分比的因变量波动被回归线描述。 本文中用R2表征痕量甲烷气体浓度被回归线描述的占比。 如果R2=1, 则表示模型完美地预测了目标变量。 决定系数表达式如式(4)

R2=ESS/TSS=1-RSS/TSS(4)

式(4)中, TSS=RSS+ESS, TSS(total sum of squares)为总平方和, RSS(regression sum of squares)为回归平方和, ESS(error sum of squares)为残差平方和。 TSS、 ESS、 RSS具体表达式如式(5)-式(7)

TSS=∑i=1n(yi-y̅)2(5)

ESS=∑i=1n(y˙i-y̅)2(6)

RSS=∑i=1n(yi-y˙i)2(7)

式中, yi为观测值, y̅为观测值的平均值, y˙i为估计值。 决定系数R2最终表达式为[22]

R2=1-∑i=1n(yi-y˙i)2/∑i=1n(yi-y̅)2(8)

对1D-WCWKCNN痕量甲烷气体浓度检测模型进行1 000次迭代训练, 利用训练好的1D-WCWKCNN模型对气体浓度进行检测。 检测结果如图7(a)所示, 图中的横坐标是真实甲烷浓度, 纵坐标为预测甲烷浓度。 该图显示了全部数据的痕量甲烷气体浓度回归值。 该气体浓度回归值能够反映出网络输出痕量甲烷气体浓度值与目标输出浓度值之间的关系。 由图7(a)可以看出输出值与目标值非常吻合, 训练时的准确率为99.84%, 测试时的准确率为99.854%。 迭代训练次数与决定系数的关系如图7(b)所示, 1 000次迭代后决定系数接近0.998。 该模型方法对于痕量甲烷气体浓度的检测具有较高的准确率, 验证了所提方法的可行性与准确性。

图7 痕量甲烷气体浓度检测Fig.7 Trace methane gas concentration detection

本文首先利用TDLAS技术, 进行痕量甲烷气体透射光强二次谐波信号的获取, 其次借助基于1D-WCWKCNN的痕量甲烷气体浓度检测模型方法对该信号进行处理并进行甲烷气体浓度检测。 本文中获取痕量甲烷气体透射光强二次谐波信号10000采样点的实验条件为室温20.4 ℃, 激光器工作温度28 ℃。 针对该相同实验条件下获取的甲烷气体透射光强二次谐波信号数据利用三种方法进行气体浓度预测分析并进行了比较。 本文提出的1D-WCWKCNN方法与文献[10, 11, 12, 13]中利用TDLAS拟合直线方法检测甲烷气体浓度相比, 本文提出的方法减少了人工筛选最优拟合直线的过程以及在该过程中为寻找最优拟合直线, 人工筛选大量二次谐波的操作。 1D-WCWKCNN模型中利用宽卷积层和宽卷积核一维卷积层对痕量甲烷气体二次谐波信号进行处理, 提取与甲烷气体浓度有关的特征信息, 提高了卷积层特征提取的能力, 使甲烷气体浓度检测准确率有所提高, 从而达到对50~1 000 mg· L-1的痕量甲烷气体浓度的有效检测。 本文提出的1D-WCWKCNN方法与文献[15, 16]中传统1D-CNN方法中使用的3× 1和5× 1窄卷积核检测甲烷气体浓度相比, 本文中基于1D-WCWKCNN的痕量甲烷气体浓度检测模型卷积层中使用40× 1的宽卷积核对痕量甲烷气体浓度信号进行特征提取, 使网络进行一次卷积后能够获得该信号中更长序列以及该序列边界信息与目标甲烷气体浓度之间的特征关系, 提高了1D-WCWKCNN模型特征提取的能力和甲烷气体浓度检测准确率。 对比结果如表4所示, 综上, 本文提出的1D-WCWKCNN方法要优于所述TDLAS拟合直线方法和传统1D-CNN方法。

表4 不同方法结果对比 Table 4 Comparison of the results of different methods
3 结论

提出了一种基于1D-WCWKCNN的痕量甲烷气体浓度检测方法, 在痕量天然气泄漏检测中, 应用TDLAS技术解决了为寻找最优拟合甲烷二次谐波信号幅值-甲烷浓度值的直线需要高额时间成本去筛选大量谐波信号的问题。 借助该方法进行一次卷积后能够获得甲烷气体浓度信号中更长序列以及该序列边界信息与气体浓度之间的特征关系, 与其他方法相比该方法信号特征提取能力强, 检测甲烷气体精度高。 本文通过实验验证了所提方法的可行性, 通过实验所得痕量甲烷气体检测精确度在99.85%。 本文提出的方法在气体检测领域中针对痕量甲烷气体进行浓度检测, 该方法不需要人工筛选与甲烷气体浓度相关的二次谐波信号, 使痕量甲烷气体检测迈向智能化具有重要意义。 由于本实验痕量甲烷气体浓度种数的样本数据有限, 如果进一步提高甲烷浓度种数的样本数, 1D-WCWKCNN痕量甲烷气体浓度检测模型普适性和甲烷检测精度将会进一步提高。

参考文献
[1] YANG Dong-shang, ZENG Yi, XI Liang, et al(杨东上, 曾议, 奚亮, 等). Acta Optica Sinica(光学学报), 2020, 40(5): 0501002. [本文引用:1]
[2] REN Hong-mei, LI Ang, HU Zhao-kun, et al(任红梅, 李昂, 胡肇焜, 等). Acta Physica Sinica(物理学报), 2020, 69(20): 204204. [本文引用:1]
[3] HUANG Ye-yuan, LI Ang, QIN Min, et al(黄业园, 李昂, 秦敏, 等). Acta Optica Sinica(光学学报), 2021, 41(10): 1030002. [本文引用:1]
[4] CAI Hao-ze, BU Ling-bing, GONG Yu, et al(蔡镐泽, 卜令兵, 龚宇, 等). Acta Photonica Sinica(光子学报), 2019, 48(7): 701001. [本文引用:1]
[5] WANG Yu-hao, LIU Jian-guo, XU Liang, et al(王钰豪, 刘建国, 徐亮, 等). Acta Physica Sinica(物理学报), 2022, 71(9): 093201. [本文引用:1]
[6] DING Wu-wen, SUN Li-qun, YI Lu-ying(丁武文, 孙利群, 衣路英). Acta Physica Sinica(物理学报), 2017, 66(10): 100702. [本文引用:1]
[7] Shao L G, Fang B, Zheng F, et al. Spectrochimica Acta A: Molecular and Biomolecular Spectroscopy, 2019, 222: 117118. [本文引用:1]
[8] Li G L, Ma K, Jiao Y, et al. Microwave and Optical Technology Letters, 2021, 63(4): 1147. [本文引用:1]
[9] Jiang C L, Liu Y F, Yu B, et al. Review of Scientific Instruments, 2018, 89(8): 083106. [本文引用:1]
[10] Jiang J, Wang Z W, Han X, et al. IEEE Transactions on Dielectrics and Electrical Insulation, 2019, 26(1): 153. [本文引用:2]
[11] Li B, Xue L, Ji N, et al. International Journal of Optics, 2021, 2021: 8829790. [本文引用:2]
[12] Jiang J, Zhao M X, Ma G M, et al. IEEE Sensors Journal, 2018, 18(6): 2318. [本文引用:2]
[13] JI Wen-hai, LÜ Xiao-cui, HU Wen-ze, et al(季文海, 吕晓翠, 胡文泽, 等). Optics and Precision Engineering(光学精密工程), 2018, 26(8): 1837. [本文引用:2]
[14] ZHOU Fei-yan, JIN Lin-peng, DONG Jun(周飞燕, 金林鹏, 董军). Chinese Journal of Computers(计算机学报), 2017, 40(6): 1229. [本文引用:1]
[15] Zhao X J, Wen Z H, Pan X F, et al. IEEE Access, 2019, 7: 12630. [本文引用:2]
[16] Zhang T J. International Journal of Computational Intelligence Systems, 2020, 13(1): 1198. [本文引用:2]
[17] Peng P, Zhao X J, Pan X F, et al. Sensors, 2018, 18(1): 157. [本文引用:1]
[18] Wei G F, Li G, Zhao J, et al. Sensors, 2019, 19(1): 217. [本文引用:1]
[19] HAO Hui-min, LIANG Yong-guo, WU Hai-bin, et al(郝惠敏, 梁永国, 武海彬, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(3): 782. [本文引用:1]
[20] WANG Xiu-fang, SUN Shuang, DING Chun-yang(王秀芳, 孙双, 丁春阳). Journal of Jilin University (Engineering and Technology Edition)[吉林大学学报(工学版)], 2022, 52(2): 310. [本文引用:1]
[21] Zhang Y Q, Miyamori Y, Mikami S, et al. Computer‐Aided Civil and Infrastructure Engineering, 2019, 34(9): 822. [本文引用:1]
[22] Van Der Linde A, Tutz G. Statistics, 2008, 42(1): 4. [本文引用:1]