基于TDLAS-WMS的液体无损探测识别电子鼻系统*

孔国利，谷惠敏

(1.中州大学信息工程学院，河南郑州450000;2.商丘医学高等专科学校公共学科部，河南商丘476100)

基于TDLAS-WMS的液体无损探测识别电子鼻系统*

孔国利1*，谷惠敏2

(1.中州大学信息工程学院，河南郑州450000;2.商丘医学高等专科学校公共学科部，河南商丘476100)

为了实现对液体的无损探测识别，在可调谐二极管激光吸收光谱和波长调制光谱(TDLAS-WMS)技术的基础上，采用嵌入式处理器LPC2148和波长可调谐的分布反馈(DFB)激光器设计并研制了液体无损探测识别电子鼻系统，控制DFB激光器出射波长通过被检测液体的挥发气体，根据谱带的吸收情况进行探测，并将数据经过USB接口传输到上位机进行处理和分析。上位机根据气体信息数据库识别出被检测液体。测试结果表明，设计的电子鼻系统可以在不破坏待测物质化学性质的前提下快速准确地进行探测和区分识别。

无损探测识别;谱带的吸收;主成分分析;电子鼻;激光器

食用醋的调味与药用价值越来越得到人们的重视，然而有不法商贩铤而走险用工业冰醋酸勾兑成食用醋，不仅违反了国家食品安全的相关条例，还对消费者的健康产生了极大的威胁。目前对于食用醋识别的传统方法是采用对产品抽样，然后送到质检部门进行化验和分析［1-3］。尽管这种常用的检测方法可以准确得出结果，但是耗时耗力。亓培锋等［4］采用传感器阵列优化方法对气体进行识别检验;李静等［5］通过电子鼻采集的气味图谱研究特征气味的散发规律。McWilliams等［6］采用化学电阻传感器阵列对吸烟者呼气检测进行肺癌风险研究。但是这些方法都存在误差偏大和稳定性差的问题。为此，提出了一种基于TDLAS-WMS技术和采用DFB激光器［7］设计的无损探测识别的电子鼻系统，通过对5种不同种类的食用醋进行检测，进行了准确探测和区分识别。

1 电子鼻系统结构组成及工作原理

液体无损探测识别电子鼻系统主要由电子鼻和上位机两部分组成。电子鼻在设计上由电学和光学两部分。电学部分主要由嵌入式处理器LPC2148、差分电路、锁相放大、A/D转换、激光器驱动电源和温度控制器等组成。光学部分包括波长可调谐DFB激光器，两个近红外探测器，分别用于检测通道和参考通道［8-9］。电子鼻系统整体结构如图1所示。以LPC2148为处理器，控制信号发生器产生控制信号驱动DFB激光器，使其输出稳定的光强。同时，LPC2148控制温度控制器，使DFB激光器的激射波长位于被测液体的吸收峰。为了消除系统的1/f噪声和粉红噪声，将低频扫描信号(锯齿波)和高频调制信号(正弦波)叠加，成为混合信号，驱动DFB激光器，被检测的液体样本会表现出不同的吸收特性(阻抗特性)，经过差分锁相放大电路后，转化为电压信号给处理器的LPC2148的A/D转换器［10］。

图1 电子鼻系统结构

电子鼻的工作原理以及检测过程:由于不同液体(气体)在近红外谱段都具备特殊的吸收峰，存在“指纹区”特性，本系统借助波长可调谐的分布反馈激光器，并对其工作温度和注入电流进行调节，产生被测液体吸收谱带光源。液体挥发气体后的吸收谱带的变化导致探测器阻抗特性改变，对其进行精确采集。嵌入式处理器LPC2148通过USB通信接口与上位机连接，将采集到的数据实时上传，上位机接收到发来的数据后，采用主成分分析和反向传播混合神经网络模式算法对采集到的数据进行处理，再根据气体信息数据库进行分析，就能准确快速地探测和识别，实现对不同物质的区分。

2 硬件系统关键模块

DFB激光器是检测系统的关键部分，其工作的温度和供电电源的稳定性直接关系到测量的精度。

2.1 激光器温度控制模块

由于DFB激光器激射波长与被检测液体近红外吸收峰的一致性直接影响电子鼻系统性能的优劣［11］。以LPC2148为核心控制器，TEC(热电制冷器)为前向驱动电路［12］，与RTD(热敏电阻)为后端采集电路，研制出高精度的DFB激光器温度控制模块，如图2所示。

图2 DFB激光器温度控制模块

DFB激光器温度控制器由前向通路和温度信息采集通路组成。核心控制芯片处理器LPC2148通过前向通道，将数字化的温度控制量转化为驱动TEC的电流值和方向，从而控制DFB激光器的工作温度。DFB激光器工作的温度通过热敏电阻转化为相应的阻值，然后通过温度信息采集通路转换为数字化的温度量输出给核心控制处理器LPC2148，从而构成完整的温度闭环控制系统。

2.2 DFB激光器驱动电源

为了提高驱动电源的线性度和稳定度，增加电子鼻系统的检测精度，驱动电源采用硬件闭环的控制方式，利用深度线性负反馈，通过调节积分时间和增益倍数，使驱动电源的线性度和稳定度得以提高［13］。DFB激光器驱动电源构成如图3所示。

图3 DFB激光器驱动电源结构

控制器模块以LPC2148为核心，通过压控恒流源模块，将数字化控制量转换为相应的输出电流模拟量，得以驱动DFB激光器。供电电源能够为驱动电源各组成部分提供电源。保护电路模块能够使DFB激光器正常工作，使其免于损伤，延长其使用寿命。

2.3 锁相放大模块

为了压制1/f噪声和粉红噪声，采用相关检测法，对高频调制信号进行锁相，提取与液体浓度相关的有用信号。锁相放大模块如图4所示。

图4 集成的锁相放大器框图

锁相放大模块以相敏检波芯片AD630为核心，将差分信号与相位可调的参考信号(10 kHz方波信号)进行相敏检波，输出给模拟乘法单元，然后经高阶巴特沃兹低通滤波器，得到与被测液体浓度相关的二次谐波信号。其中，相位可调的参考信号(10 kHz方波信号)为5 kHz的方波信号经倍频和移相单元得到。实验中根据背景噪声，调节低通滤波器截止频率来获得最佳二次谐波信号［14］。

3 PCA和BP混合算法

由于采集到的原始数据xi存在大量冗余，上位机首先通过归一化方法，对原始数据进行预处理，剔除冗余，归一化公式如下:

式中，xi、yi为归一化处理前后值，xmin和xmin分别为电子鼻采集到样本数据中的最大值和最小值。

然后上位机采用主成分分析方法将接收到的归一化数据进行维度降低处理，然后再经过BP模式识别，将被测数据与数据库数据进行一一比对，识别被测液体［15］，具体执行步骤:

Step 1样本采集与处理。从5种被测液体样品中采集5 000个数据，建立总共为5×5 000数据的数据库。如需识别时，先采用PCA分析，建立标准化矩阵，实现对原始采集数据进行转换和进一步的降维处理。然后提取被测样本的PCA1和PCA2，并进行比对，对PCA1和PCA2的贡献量分别进行计算，得到总贡献量。实际中，采用PCA图谱可以得到更加直观的效果，PCA方法流程图如5所示。

图5 PCA方法流程图

Step 2设置BP神经网络所需参数，对PCA分析所得到的实验数据进行训练。实际中，由于被测液体为5种，即输入层/输出层节点数为5个。由于隐含层=输入层节点数+输出层节点数，所以隐含层节点数为10。

Step 3上位机根据BP训练得到的数据与建立的数据库数据进行比对，识别被测液体样本［16］。

4 测试结果与分析

在实验室进行了测试实验，环境室温为20℃，湿度为50%RH，对5种食用醋(陈醋、白醋、香醋、米醋和苹果醋)进行区分识别。实验中对5种被测食用醋挥发的液体进行检测，当样品在气室中静置2 min后采集数据。对每种测试对象进行采集，间隔时间为2ms，每种样品采集5 000个数据，建立总共为5×5 000数据的数据库，其中取22 500数据作为BP训练对象，余下2 500组数据作为测试样本，分别绘制电子鼻对5种样品的标准化响应曲线，随着采集样本数量的增加相应趋于稳定，如图6所示。

图6 电子鼻系统响应曲线

从图7的PCA分析图谱可知，陈醋、白醋、香醋、米醋和苹果醋5种不同的食醋被准确识别。

再采用BP神经网络进行模式识别，将22 500组训练样本用于BP神经网络训练，当阈值和权值满足如下条件时，yi=max{y1，y2，y3，y4，y5}≥0.9，被检测液体样本能够被准确识别，其中yi为第i个食用醋采集样本值。

由BP神经网络训练结果可知，对5种被测食用醋识别结果的正确率为100%。同时，BP神经网络的误差和训练次数的关系如图8所示。

图7 电子鼻系统PCA分析图谱

表1 BP神经网络训练结果

图8 误差与训练次数的关系

由图8可知，随着BP神经网络训练次数的增加，误差随之减少，但检测时间相应增加。所以实际中需对训练次数与检测时间进行折中，达到最佳检测效果。

5 结束语

研制的液体无损探测识别电子鼻借助波长可调谐的分布反馈激光器开发而成，并对分布反馈激光器工作的温度和供电电源的进行控制，使通过液体挥发气体后的吸收谱带的变化情况进行精确采集。同时，在上位机上通过PCA和BP混合算法对采集到的数据进行处理和分析，进而能够快速准确的识别。通过对5种食用醋的测试结果表明，设计的电子鼻系统可以在不破坏待测物质化学性质的前提下，快速准确地进行探测和区分识别，如建立更加全面的数据库，还可以实现对不同物质的探测和识别分析。

［1］朱国强，韦丽丽，江恩源.多样品同时萃取-气相色谱法测定食品中山梨酸和苯甲酸［J］.现代食品科技，2013，29(5):1166-1169.

［2］张延军，刘敬彪，蔡强，等.基于嵌入式系统的电子鼻研究与实现［J］.电子器件，2010，33(4):466-470.

［3］陈立伟，杨建华，孙亮，等.基于分布式传感器阵列的静态气体源定位方法［J］.电子科技大学学报，2014，43(2):212-215，221.

［4］亓培锋，孟庆浩，井雅琪，等.电子鼻中预处理算法选择及阵列优化［J］.数据采集与处理，2015，30(5):1099-1108.

［5］李静，宋飞虎，浦宏杰，等.基于电子鼻气味检测的苹果微波干燥方案优选［J］.农业工程学报，2015，31(3):312-318.

［6］McWilliams A，BeigiP，Srinidhi A.Sex and Smoking Status Effects on the Early Detection of E lectronic Nose［J］.Biomedical Engineering，IEEE Transactions on，2015，62(8):2044-2054.

［7］刘红平.基于中红外量子级联激光器的痕量CO检测仪研制［J］.核电子学与探测技术，2014，34(9):1140-1144.

［8］朱晓琼，杨涓，李婧，等.电子鼻结合PCA-BP神经网络在烟用香料质量控制中的应用［J］.化学研究与应用，2014，26(2): 261-266.

［9］周红标，张宇林，丁友威，等.自适应概率神经网络及其在白酒电子鼻中的应用［J］.智能系统学报，2013，8(2):177-182.

［10］李多，叶桦.基于STM32与FPC1011F的嵌入式指纹采集存储仪设计［J］.电子器件，2015，38(2):362-367.

［11］潘虎，王广宇，宋俊玲，等.免标定波长调制光谱在气体温度和浓度测量中的应用［J］.红外与激光工程，2014，43(3):956-960.

［12］倪屹，张杰，孔轩.基于REC技术的可调谐DFB激光器阵列设计与测试［J］.中国激光，2015(5):16-19.

［13］赖冬寅.基于FPGA的DFB激光器驱动电路的设计与仿真［J］.激光杂志，2014，35(11):57-59.

［14］邱贺，段永红.用于感应式磁传感器低噪声前置放大器的研制［J］.仪表技术与传感器，2015(1):22-24.

［15］文政颖，米捷.基于PCA和LVQ混合神经网络算法的电子鼻系统［J］.电子技术应用，2013，39(10):76-79.

［16］吴莉莉，郑丹，郑宝周，等.基于电子鼻技术的花椒品种鉴别方法研究［J］.传感技术学报，2013，26(11):1473-1477.

孔国利(1973-)，男，河南省开封人，副教授，硕士，主要研究方向为探测技术与智能控制，kguoli73@126.com;

谷惠敏(1979-)，女，河南商丘人，讲师，硕士，主要研究方向为计算机应用技术。

Electronic Nose System for Liquid Nondestructive Detection and Identification Based on TDLAS-WMS*

KONGGuoli1*，GU Huimin2

(1.Information Engineering College，Zhongzhou University，Zhengzhou 450000，China; 2.Department of Public Courses，Shangqiu Higher Vocational School of Medicine，Shangqiu 476100，China)

For the detection and recognition of liquid without destroying，an electronic nose system for liquid nondestructive identification based on Tunable Diode Laser Absorption Spectroscopy and Wavelength Modulation Spectroscopy(TDLAS-WMS)technology is designed utilizing embeded processor LPC2148 and wavelength tunable distributed feedback(DFB)laser，whose wave passes through the volatile gas of liquid to detect according to the spectral band absorption，then uploading them to the host for processing and analysis by USB interface.The host indentifies the liquid according to the gas information database.The test results show that the designed electronic nose system can detect and distinguish identify quickly and accurately without destroying the chemical properties of the detected object.

nondestructive detection and identification;spectral band absorption;principal component analysis; electronic nose;laser

C:7320

10.3969/j.issn.1005－9490.2017.01.037

TP216+.3

:A

:1005－9490(2017)01－0194－05

项目来源:国家青年基金项目(61405156);国家自然科学基金项目(U1304618)

2016-01-15修改日期:2016-02-01