BP 神经网络在红外CO2 体积分数测量中的应用

赵 映，陈小平

(苏州大学 城市轨道交通学院，江苏 苏州215000)

0 引 言

随着工业的迅速发展，CO2排放量日益增加。CO2是造成温室效应的主要气体，监测空气中CO2的体积分数含量正受到广泛关注。红外(IR)CO2气体传感器相较于其他传感器具有灵敏度高、响应时间快、抗干扰性好等优点［1，2］。红外CO2气体测量结构主要有双光源双光路结构、时分双光路结构和单光源双波长结构。前两者都存在可动部件、装置复杂、维护困难等缺点;后者则舍弃了可动部件、减小装置体积，具有稳定性好、易于维护等优点［3］。即便如此，环境温度仍是影响测量精度的一个重要因素。目前，大多数红外CO2气体测量装置都采用最小二乘法对不同环境温度下CO2气体的测量误差进行直线、多项式或指数拟合［4，5］。这种补偿方法在小范围温度变化的应用中具有良好的效果，但在环境温度变化较大时补偿效果将会变得较差［6］。

本文采用反向传播(back propagation，BP)神经网络模型［7］对红外CO2气体测量装置进行温度补偿，具有测量精度高、稳定性好、操作方便等特点。

1 红外气体吸收原理

不同的气体具有不同的化学结构，对不同波长的红外辐射就有不同的吸收程度。当光源的发射波长与气体的吸收波长相吻合时就会发生共振吸收，其吸收关系服从Lambert－Beer 定律

其中，I0为入射光强度;I 为出射光强度;L 为红外光透射长度;C 为气体体积分数;k 为吸收系数。

由式(1)可得

这样，如果已知L 和k，则通过测量I0和I 就可得到气体体积分数C。事实上，这里的吸收系数k 是一个非常复杂的量，它与环境温度、气体种类、入射光波长等因素有关［8］。

2 CO2 体积分数测量系统描述

2.1 探测器结构

红外CO2气体探测器如图1 所示，探测器上两片不同带通波长的滤光片分别对应两个通道，本文采用4.0，4.26 μm分别作为参考通道波长和测量通道波长。由于两片滤光片的波长相隔极近，而CO2气体在两波长上的吸收程度相差甚大，这样，入射光波长对吸收系数k 的影响可以忽略不计。

图1 红外CO2 气体探测器Fig 1 IR CO2 detector

2.2 测量系统框图

本文采用单光源双波长测量结构，这是一种非分光测量结构，系统框图如图2 所示，光源和探测器分居气室两端，单片机控制光源驱动电路，对光源实现脉冲调制，以提高光源的稳定性，待测气体通入气室后，由红外探测器检测出参考通道和测量通道的信号，经过放大滤波电路后和热敏电阻器给出的温度信号一起传给单片机，单片机对这三路信号进行A/D 转换后利用训练好的BP 神经网络计算出CO2体积分数，实现温度补偿。

图2 CO2 体积分数测量系统框图Fig 2 Block diagram of CO2 volume fraction measuring system

2.3 放大电路

CO2气体探测器的输出信号幅度非常小，无法直接进行A/D 转换，因此，需要先对测量信号放大。而放大电路的设计对于系统测量的精确度具有重要的作用。

由于整个系统采用低电压+5V 供电，并且需要输出幅度足够大，故本文选用轨到轨仪表放大器AD627 对采集的两路信号分别进行差分放大，其中，CO2测量通道电路如图3所示。由于输入是交变信号，需要对地叠加VCC/2 的偏置电压，即图3 中的VREF，此时输出电压中包含VCC/2的直流分量可以通过加在输出端的隔直电容器滤除。R13 为增益调节电阻器，根据增益公式

可知当R13为∞时，增益最小，为5。在2 个输入端之间连接电容器、电阻器构成一个低通滤波器，有助于抑制高频信号。

图3 差分放大电路Fig 3 Differential amplifier circuit

第二级放大电路采用轨到轨双运放芯片TLC2272，它具有低噪声、高输入阻抗、低功耗等优点。如图4 所示，同样采用单电源供电，叠加VCC/2 的偏置电压，以实现接近A/D 转换所需的满幅输出。

图4 后级放大电路Fig 4 After stage amplifier circuit

3 BP 神经网络设计

3.1 BP 神经网络结构

对于环境温度的影响，采用BP 神经网络算法进行补偿，可以起到很好的修正效果。BP 神经网络结构如图5 所示，这是一个“三输入—单输出”模型，输入样本表示为x=［x1，x2，x3］T，其中，x1，x2，x3分别表示参考通道信号、测量通道信号和温度信号，输出y 即为CO2体积分分数值。具有一个隐含层，wmi为输入层到隐含层的权值，m，i 分别是输入神经元和隐含层节点;wi为隐含层到输出层的权值;I 为隐含层节点个数。

3.2 样本选择

图5 BP 神经网络结构Fig 5 Structure of BP neural networks

对于样本的获取采用控制环境温度为0 ～40 ℃，每5 ℃一个点进行实验。实验采用的是美国比较先进的CO2气体体积分数测量仪器Model 400。选取实验数据中的135 组数据(每个温度值选择15 组)作为训练样本，每个温度值选择一组数据作为测试样本，以进行算法训练。

3.3 网络训练

传统的BP 神经网络通常选择traingd，traingdm，trainrp，trainlm 等作为训练函数，本文通过训练比较，选择量化共轭梯度算法trainscg 作为训练函数，此算法将模值信赖域算法与共轭梯度算法结合起来，减少用于调整方向时搜索网络的时间［8］。

通过选取不同的隐含层节点数和迭代次数进行网络训练，并根据选择尽量少的迭代次数达到尽量小的均方误差原则，选取迭代次数为50000 次，隐含层节点为7，得到的均方误差为0.0037。

将训练好的权值、阈值等网络参数添加到程序中，并烧写到单片机中进行测试，得到如表1 所示的测量结果，其中，标准表即为上文所提到的美国CO2气体体积分数测量仪器Model 400，用来与本装置的测试结果进行比对。对于测试的这9 组数据可以计算出均方误差为0.063。

4 结 论

基于红外气体吸收原理，采用单光源双波长测量结构，并结合人工神经网络模型进行温度补偿。通过采集参考通道信号、测量通道信号和温度信号构成输入，然后用BP 神经网络模型构建出输入与输出之间的关系。通过实验测试可知，该方法具有良好的效果，测量准确度高，且装置体积小，操作方便。

表1 测量结果Tab 1 Results of measurement

［1］ 闫 玲，姚 毅，昌学年，等.红外吸收法测定烟气中CO2浓度的研究［J］.仪器仪表与分析，2009(4):27－29.

［2］ 杨 柳.基于红外光谱的煤矿新型瓦斯传感器的设计［J］.微型机与应用，2012，31(15):82－84.

［3］ 汪献忠，王晓东，赫树开.基于红外吸收型智能CO2浓度分析仪［J］.仪表技术与传感器，2010(2):28－30.

［4］ 琚雪梅，张 巍，毕东云，等.红外吸收型CO2气体传感器的设计［J］.传感器技术，2005，24(8):62－64.

［5］ 王 莉，陈小平.基于红外传感器的CO2测量装置［J］.传感器与微系统，2011，30(11):115－117.

［6］ 张广军，吕俊芳，周秀银，等.红外气体分析中环境影响的补偿方法研究［J］.北京航天航空大学学报，1996，22(6):655－659.

［7］ 钱 力，傅 岚，黄 刚.RBF 神经网络在红外CO2传感器压力补偿中的应用研究［J］.传感器与微系统，2008，27(1):30－32.

［8］ 陈 明.Matlab 神经网络原理与实例精解［M］.北京:清华大学出版社，2013:156－172.

［9］ 张广军，武晓利.新型高性能红外二氧化碳传感器［J］.红外与激光工程，2002，31(6):540－544.