一种中红外甲烷传感器的测试系统及数据补偿方法
技术领域
本发明涉及气体传感器标定技术领域，尤其是一种可变温度、压强、湿度的中红外甲烷传感器的测试系统及数据补偿方法。
背景技术
目前的研究表明，红外甲烷吸收系数在环境温度、湿度、气压变化的情况下易发生改变。中红外甲烷传感器内的红外热释电探测器只有受到红外光源的非恒定光强照射的情况下，才能使红外热释电探测器表面产生温度变化致使电荷发生移动，并且输出微弱电信号。若温度、压强、湿度发生改变，甲烷吸收系数会发生改变导致光强吸收变化。实验中，温度、压强、湿度的变化都会导致甲烷传感器输出信号产生波动，使测量误差变大。因此，实际使用过程中，外界的温度、压强、湿度的突变会导致气室内部环境参数波动，对探测器产生的电信号产生影响，使测量误差变大。
现有的中红外甲烷传感器检测技术方案，如公开号为CN110031419的发明专利《一种非色散红外甲烷传感器的自动检定装置》，其主要目的是完成在普通环境中的甲烷浓度检定工作。但实际应用中，设计红外甲烷传感器的目的是针对矿井下的瓦斯浓度进行检测，因此普通环境中的检定工作无法验证传感器在多变环境中能否正常工作。为了红外甲烷传感器在变温度、压强、湿度的情况下能够正常工作，需要搭建可变温度、压强、湿度的测试系统。另外，仅通过硬件电路补偿无法满足传感器的精度要求，因此需要通过对采集的数据进行模型构建的方法，采用神经网络对大量的数据样本进行训练，以得到准确的补偿模型。但是传统的神经网络无法达到最优的补偿效果，所以需要加入寻优算法，提高网络的泛化能力。
发明内容
针对上述需求，本发明的目的在于提供一种可变温度、压强、湿度的中红外甲烷传感器的测试系统及数据补偿方法。
本发明采用如下技术方案实现其技术目的：
首先，本发明提供了一种中红外甲烷传感器测试系统，包括配置有变压模块的气室，集成于气室上的中红外甲烷传感器、湿度传感器、压强传感器和温度传感器，连接气室进气口的变温模块和变湿模块，以及连接气室排气口的真空抽气泵，所述变温模块进气口连接前部气源装置，所述前部气源装置至少包括气体混合配比器；
还包括PID控制模块和上位机，所述变压模块、变温模块、变湿模块、气体混合配比器、温度传感器、压强传感器、湿度传感器分别电连接PID控制模块和上位机进行通讯，所述PID控制模块用于根据预先设定的温度、压强、湿度数据以及气室内部由温度传感器、压强传感器、湿度传感器的监测数据调整变温模块、变压模块、变湿模块的工作状态，所述上位机用于接收温度传感器、压强传感器、湿度传感器以及中红外甲烷传感器的测量数据。
进一步的，所述的变温模块采用局部水浴法对甲烷氮气混合气体进行加热。
进一步的，所述的变压模块通过改变密闭气室内部的体积调整气室内的压强。
进一步的，所述的变湿模块采用湿度发生器控制气室内部湿度。
进一步的，所述前部气源装置包括依次连接的气体混合配比器、干燥缓冲室和可控流量计，所述气体混合配比器的进气口分别连接气瓶一和气瓶二，其中气瓶一储存纯氮气，气瓶二储存5％浓度的甲烷氮气混合气体，所述可控流量计的出气口连接所述变温模块的进气口。
本发明进一步提供了上述的中红外甲烷传感器测试系统的数据补偿方法，包括如下步骤：
S1、获取中红外甲烷传感器采集的不同浓度的甲烷氮气混合气体在不同温度、压强及湿度下的测量数据，从中随机选取部分数据作为训练样本数据和测试样本数据；
S2、对选取的样本数据进行预处理；
S3、将预处理后的训练样本数据送入粒子群-小波神经网络模型中进行学习，得到训练后的网络预测模型；
S4、将测试样本数据送入训练后的粒子群-小波神经网络预测模型进行测试；
S5、将通过测试验证的粒子群-小波神经网络模型配置于所述中红外甲烷传感器中。
进一步的，步骤S1具体包括：
S11、根据甲烷在不同温度、压强、湿度下的红外吸收系数及国标GB13486-2014的规定，将数据采集的温度变化范围设置在263.15k-323.15k内，采集过程中从263.15k开始以5k的变量逐渐增加；压强变化范围设置在0.6atm-1.2atm内，采集过程中从0.6atm开始以0.1atm的变量逐渐增加；湿度变化范围设置在0％RH-80％RH内，采集过程中从0％RH开始以10％RH的变量逐渐增加；
S12、采集过程中，以温度为单独变量，压强与湿度以S11中设定的变化范围同时改变，再以压强为单独变量，温度与湿度以S11中设定的实验变化范围同时改变，采集温度、压强、湿度、中红外甲烷传感器输出浓度、输入的标准甲烷浓度数据；
S13、以温度、压强、湿度、中红外甲烷传感器输出浓度作为样本的输入，以标准甲烷浓度作为样本的理想输出选取部分测量数据作为训练样本数据和测试样本数据。
进一步的，步骤S2具体包括：
对训练样本以及测试样本中的数据做归一化处理：
式中：xi为选取的原始样本数据；xi′为归一化后的变量；n为样本大小；xmin为选取的原始样本数据中的最小值；xmax为选取的原始样本数据中的最大值。
进一步的，步骤S3具体包括：
S31、构建输入层为6，输出层为1，隐藏层节点个数为13的小波神经网络，表示为6-13-1PSO-WNN；
S32、采用Morlet小波基函数作为隐藏层的传递函数，得到小波神经网络隐藏层的输出为：
式中：hj为Morlet小波基函数；wi，j为输入层到隐藏层的权重；aj、bj分别为小波神经网络的伸缩参数和平移参数；则小波神经网络的输出为：
f(x)＝max(0，x)
式中：f(x)为Relu激活函数；wj为隐藏层到输出层的权重；
S33、网络参数初始化处理，系统随机生成S个粒子，将初始化的小波函数伸缩因子aj、平移因子bj，输入层与隐藏层之间的连接权重wij和隐藏层与输出层之间的连接权重wj采用实数编码表示成粒子的位置向量；
S44、通过比较网络的实际输出值与理想输出值之间的误差，并计算每次迭代过程中粒子适应度，判断当前训练是否已达标，表示为：
式中：P为训练样本的总数；ypk为网络的实际输出值；tpk为理想的输出值；
S45、训练过程中，更新粒子的速度和位置：
vst(i+1)＝wvst(i)+c1×rand1×[pbesti-xst(i)]+c2×rand2×
[gbesti-xst(i)]
xst(i+1)＝vst(i)+vst(i+1)
式中：w为惯性因子，w＞0；c1、c2为加速因子；rand1、rand2为(0,1)间的随机数；pbest、gbest分别为个体极值与全局最优解；s＝1，2，…，S为粒子总个数；t＝1，2，…，T，T＝156；i为当前迭代次数。
进一步的，步骤S45中，惯性因子采用随机惯性权重策略获取：
w*＝1-c1×rand1-c2×rand2。
本发明的有益技术效果如下：
本发明通过设计独特的中红外甲烷传感器测试系统，在控制可变温度、压强、湿度的实验条件下，对中红外甲烷传感器进行测试，并将采集的实验数据通过粒子群-小波神经网络建立补偿模型，高精度、自动化地建立了温度、压强、湿度变化与中红外甲烷传感器之间的非线性关系，是的配置了该补偿模型的中红外甲烷传感器能够在实际应用中得到更准确的测量结果。
附图说明
图1为本发明的中红外甲烷传感器测试系统实施例的组成和连接关系示图。
图2为图1所示实施例中变温模块的示意图。
图3为图1所示实施例中变压模块的示意图。
图4为本发明实施例的补偿模型流程示意图。
具体实施方式
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
如图1所示，本发明实施例提供的一种可变温度、压强、湿度的中红外甲烷传感器的测试系统，包括：气瓶1(纯氮气)、气瓶2(5％浓度的甲烷氮气混合气体)、减压阀3、减压阀21、气体混合配比器4、开关阀5、干燥缓冲室6、可控流量计7、变温模块8、开关阀9、变湿模块20、开关阀19、变压模块10(其与气室一体设置)、中红外甲烷传感器11、温度传感器18、压强传感器17、湿度传感器16、开关阀12、真空抽气泵13、上位机14、PID控制模块15。变温模块8、变压模块10、变湿模块20、气体混合配比器4、温度传感器18、压强传感器17、湿度传感器16均通过数据线与PID控制模块15、上位机14进行通讯，PID控制模块15根据预先设定的温度、压强、湿度值以及气室内部由温度传感器18、压强传感器17、湿度传感器16监测的值调整变温模块8、变压模块10、变湿模块20的工作状态，上位机14接收温度传感器18、压强传感器17、湿度传感器16以及中红外甲烷传感器11的测量数据。
上述可变温度、压强、湿度的中红外甲烷传感器测试系统的工作流程示例包括下列顺序的步骤：
(1)使用真空抽气泵13将实验平台气路中的其他气体或者实验残留气体抽空，并关闭相应的阀门12，避免外界空气的干扰。
(2)使用气体混合配比器4精确调节气瓶1(纯氮气)与气瓶2(5％浓度的甲烷氮气混合气体)的进气流量，输出设定浓度的甲烷氮气混合气体，输出气体通过干燥缓冲室6以及可控流量计7控制气路中气体的流量大小，并且防止流速冲击对传感器造成影响。
(3)使用变温模块8和变湿模块20设定实验的温度以及湿度。
其中，变温模块8如图2所示，其中，81为进气端口，83为出气端口；82为铜质气管并采用螺旋式结构，均匀地提高受热制冷效果；84为带有保温效果的铜质水浴箱体；85、87为散热风扇；86为TEC半导体制冷器，通过控制电流方向和大小决定加热或者制冷以及制冷、加热的速率。
变湿模块20采用湿度发生器，通过干燥缓冲室6先将输入的气体进行干燥，防止环境湿度造成干扰，在气室前加入湿度发生器，调节气室内部的湿度，由PID控制模块15调整气室内部的湿度达到设定值。
(4)观察气室内温度传感器18和湿度传感器16的值，配合PID控制模块15同步调节温度湿度。
(5)若达到预先设定的温度与湿度，关闭阀门9与阀门19，使气室达到密封效果。
(6)使用变压模块10设定气室内的压强，通过压强传感器17与PID控制模块15配合，不断调整气室内部的气压达到预设的压强。
其中，变压模块10如图3所示，其中，101为数据交互端口，102为进气端口，103为出气端口，将进气端口和出气端口置于气室同侧，让气体在进入气室后形成回环再排出，使得中红外甲烷传感器可以快速接收气体；104为气室，105为活塞装置，106为推杆，107为直线电机驱动器；变压模块开始工作时，将数据交互端口101、进气端口102、出气端口103封闭，维持气室104内部温度、湿度保持不变，启动直线电机驱动器107推动活塞装置105往前移动，压缩气室内部气体，通过压强传感器17读取气室内部实时气压值，对比设定值由PID控制模块15调整内部参数，使气室内部的压强达到设定值。
(7)上位机14进行数据的采集并计算分析。
如图4所示，本发明实施例提供的基于上述可变温度、压强、湿度的中红外甲烷传感器测试系统的数据补偿方法，包括如下步骤：
(1)获取不同浓度的甲烷氮气混合气体在变温度、压强以及湿度条件下由中红外甲烷传感器采集的数据，从中随机选取训练样本与测试样本；具体包括：
(1a)根据甲烷在不同温度下的红外吸收系数不同及国标GB13486-2014的规定，实验变化范围设置在263.15k-323.15k内，实验过程中从263.15k开始以5k增加；
(1b)根据甲烷在不同压强下的红外吸收系数不同及国标GB13486-2014的规定，实验变化范围设置在0.6atm-1.2atm内，实验过程中从0.6atm开始以0.1atm增加；
(1c)根据甲烷在不同湿度下的红外吸收系数不同及国标GB13486-2014的规定，实验变化范围设置在0％RH-80％RH内，实验过程中从0％RH开始以10％RH增加；
(1d)根据存在交叉干扰的问题，设置实验条件为：以温度为单独变量，压强与湿度以设定的实验变化范围同时改变；以压强为单独变量，温度与湿度以设定的实验变化范围同时改变；
(1e)采集的数据包括：温度、压强、湿度、红外甲烷传感器输出浓度、输入的标准甲烷浓度；
(1f)训练样本与测试样本数据以温度、压强、湿度、红外甲烷传感器输出浓度作为样本的输入，以标准甲烷浓度作为样本的理想输出。
(2)对选取的样本数据进行预处理，包括输入数据与输出数据的归一化；具体包括：
在将数据输入模型学习之前，首先要对数据做预处理，通过归一化将实验中得到的原始数据归一到相同的尺度，对训练样本以及测试样本中的数据做归一化处理：
式中：xi为选取的原始数据；x′i为归一化后的变量；n为样本大小；xmin为选取的原始数据中的最小值；xmax为选取的原始数据中的最大值。
(3)将训练样本送入粒子群-小波神经网络模型中进行学习，得到网络预测模型，同时将测试样本送入粒子群-小波神经网络预测模型进行测试；具体包括：
(3a)构建输入层为6，输出层为1，隐藏层节点个数依据经验公式定位为13的模型，表示为6-13-1PSO-WNN；
(3b)采用Morlet小波基函数作为隐藏层的传递函数，可得小波神经网络隐藏层的输出为：
式中：hj为Morlet小波基函数；wi，j为输入层到隐藏层的权重；aj、bj分别为小波神经网络的伸缩参数和平移参数；小波神经网络的输出为：
f(x)＝max(0,x)(5)
式中：f(x)为Relu激活函数；wj为隐藏层到输出层的权重；
(3c)网络参数初始化处理，系统随机生成S个粒子，将初始化的小波函数伸缩因子aj、平移因子bj，输入层与隐藏层之间的连接权重wij和隐藏层与输出层之间的连接权重wj采用实数编码表示成粒子的位置向量；
(3d)通过比较网络的实际输出值与理想输出值之间的误差，并且计算每次迭代过程中粒子适应度，以判断当前训练是否已达标，表示为：
式中：P为训练样本的总数；ypk为网络的实际输出值；tpk为理想的输出值；
(3e)训练过程中，需要更新粒子的速度和位置：
vst(i+1)＝wvst(i)+c1×rand1×[pbesti-xst(i)]+c2×rand2×[gbesti-xst(i)](7)
xst(i+1)＝vst(i)+vst(i+1)(8)
式中：w为惯性因子，w＞0；c1、c2为加速因子；rand1、rand2为(0,1)间的随机数；pbest、gbest分别为个体极值与全局最优解；s＝1，2，…，S为粒子总个数；t＝1，2，…，T，T＝156；i为当前迭代次数；
(4f)作为优选实施方案，针对动态惯性因子w能比固定值得到更好的寻优结果，采用随机惯性权重策略：
w*＝1-c1×rand1-c2×rand2(9)
(4)将通过验证的粒子群-小波神经网络模型配置到中红外甲烷传感器中；具体包括：
将验证通过的粒子群-小波神经网络模型嵌入中红外甲烷传感器芯片内，完成中红外甲烷传感器在变温度、压强以及湿度下的误差补偿工作。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
