机舱空气质量检测中的压力补偿方法

何永勃，田吉磊，黄吕霖，李明伟

(中国民航大学电子信息与自动化学院，天津300300)

1 引 言

飞机运行条件多变，飞行季节、区域、高度的变化会直接影响座舱内温度、湿度、气压的变化，进而对座舱空气质量的检测结果造成不同程度的影响。气体传感器生产商及使用者对温度和湿度影响研究较多，但很少对气压影响进行研究。飞机座舱气压正常变化范围为0.061～0.111 MPa，当飞机发生故障，变化范围更大。以瑞士MEMBRAPOR品牌的CO气体传感器为例，其工作的气压条件为0.091～0.111 MPa。在地面环境条件下标定的气体传感器，在座舱环境下由于气压变化，必然引起较大检测误差，甚至不能使用。因此有必要对气体传感器进行气压补偿，降低检测误差，提高检测结果的准确性，有利于座舱空气质量的准确评价。

美国材料实验协会发布了《飞机客舱中空气质量检测仪器和检测方法的标准指南》[1]；欧洲航空工业协会也发布了《航空航天系列—飞机内部空气质量标准，条件及测定方法》[2]。国内目前缺乏一套完整的飞机座舱空气质量标准体系，检测方法只能参考《室内空气质量标准》(GB/T 18883-2002)[3]和《公共场所卫生标准检测方法》(GB/T 18204-2000)[4]。

文献[5，6]对飞机座舱的热舒适性及空气质量的监测进行了相关研究；文献[7～9]采用CFD数值计算方法，通过不同送风方式来研究座舱内气流速度、温度及气态污染物等的分布情况，以改善舱内的空气质量。

以上现状可知，有关飞机座舱空气质量检测及气压补偿方面研究较少。本文将通过设计试验系统，对HCHO、CO、CO2和NO2共4种气体传感器进行正负压试验研究，并采用RBF(径向基函数，radial basis function)气压补偿算法，降低气压对气体传感器所造成的检测误差，得到更为准确的检测结果。

2 系统设计

试验系统由气压室(体积10 L)、气源、气压表、真空泵、气体传感器、风扇、数据采集模块等组成，如图1所示。

图1 系统整体结构Fig.1 The overall structure of the system

气源为HCHO、CO、CO2、NO2共4种高压瓶装气体，经减压阀为气压室提供高于大气压力(即正压)的被测气体。充气阀a和放气阀b控制气体流量，真空泵可提供低于大气压力(即负压)的试验条件，气体传感器用到两类：电化学气敏传感器(HCHO、CO、NO2)和红外激光式传感器(CO2)，风扇有助于气体混合更均匀，气压室内外的连接电缆用环氧树脂密封。

3 试 验

3.1 试验内容

设置12个气压点进行试验，见表1，其中的压力为表压力。试验内容见表2。

表1 试验气压变化Tab.1 Pressure change on the experiments MPa

表2 试验内容Tab.2 Information on the experiments

3.2 试验过程

试验包括正压试验和负压试验，以HCHO为例，具体过程：

正压试验：1)连接好试验设备，检查各接口气密性。2)打开充气阀a，缓慢通入HCHO气体，约1 min后气压表示值达到p5；关闭充气阀a，待气压室气体混合均匀30 s后，通过数据接口测出传感器输出值。3)打开放气阀b并控制气体流量，约5 min后气压表示值达到p4；关闭放气阀b，待气压室气体混合均匀30 s后，通过数据接口测出传感器输出值；以此操作，分别测出p3，p2，p1，p+0处的传感器输出值，并做好数据记录，完成正压试验过程。

负压试验：1)正压试验结束后，打开放气阀b，启动真空泵，约1 min后气压表示值达到p-5；关闭放气阀b，待气压室气体混合均匀30 s后，通过数据接口测出传感器输出值。2)打开放气阀b并控制气体流量，约5 min后气压表示值达到p-4；关闭放气阀b，待气压室气体混合均匀30 s后，通过数据接口测出传感器输出值；以此操作，分别测出p-3，p-2，p-1，p-0处的传感器输出值，并做好数据记录，完成负压试验过程。

其余气体试验过程与HCHO相似，不再赘述。

3.3 试验理论公式

本试验条件下，气压室内气体压力、体积、物质的量、温度满足理想气体状态方程。

pV=nRT

(1)

式中：p为绝对压力，MPa；V为气体体积，L；n为气体的物质的量，mol；R为气体常数，J/(mol·K)；T为气体的热力学温度，K。本试验条件下，气体的热力学过程可近似为准平衡状态，温度T保持不变。

设气压室初始状态气压为p0(即天津地区标准大气压，p0=0.101 MPa)，体积为V0，物质的量为n0，温度为T0。不同气压下，即p-5到p5，气压变化为pk，试验变化区间|Δp|=0.1 MPa，物质的量变化为nk，根据理想气体状态方程，满足：

初始状态：p0V0=n0RT0

(2)

气压变化后： (pk+p0)V0=nkRT0

(3)

由式(2)、(3)可得：

(4)

式中：pk为表压力，MPa；k=-5，-4，-3，-2，-1，-0，+0，1，2，3，4，5。

当气压室通入浓度(体积比)为φ的被测气体，正压试验下，气压从p5变化到p+0，被测气体理论浓度(体积比)保持不变，记作φZ；负压试验下，气压从p-5变化到p-0被测气体理论浓度(体积比)一直在发生变化，记作φF。具体理论公式为：

(5)

(6)

式中：φZ、φF分别为正压和负压试验过程被测气体的理论相对浓度，mL·m-3；kF=-5，-4，-3，-2，-1，-0。

3.4 试验数据分析

不同气体传感器对于气压变化的敏感程度不同，因此各气体特征变化曲线及误差亦有所不同。试验结果如图2所示,图2中测量值和理论值均为体积比，单位为mL·m-3；绝对值为物质的量浓度值，单位为10-7mol·L-1

图2 不同气体特征变化曲线Fig.2 Characteristic change curves of different gas

负压试验下，从p-5到p-0，图2(a)测量值与理论值之间的误差先减小后又缓慢增大最后趋于稳定不变；图2(b)和图2(c)误差先减小到最小值后又开始逐渐增大；图2(d)误差逐渐增大。

正压试验下，从p5到p+0，图2(a)和图2(c)误差先减小到最小值后又开始逐渐增大；图2(b)误差一直在减小；图2(d)误差仍是逐渐增大。图2(a)～图2(d)理论值不变，测量值整体呈减小趋势(除图2(a)测量值在p5到p4出现突增情况)，这跟绝对值的变化有很大关系。

整个试验过程，图2(d)误差均逐渐增大，不仅跟NO2本身特性有关，还与试验浓度有很大关系，说明试验浓度越小，气压对气体传感器影响越明显，导致误差越大。

4 算法及结果分析

4.1 算法设计

传感器常用的补偿方法有2种：硬件补偿和软件补偿。硬件补偿通过设计硬件电路来消除影响，但会增加功耗和制作成本，且存在补偿电路硬件漂移、精度低、通用性差等缺点[10]。软件补偿常用的有最小二乘法、神经网络法等。最小二乘法计算过程繁杂、使用局限性大；目前BP神经网络在误差补偿方面应用广泛[11，12]，但其在收敛速度、分类能力及逼近能力等方面远不如RBF神经网络[13]。所以文中采用12维的RBF神经网络实现对气体传感器的气压补偿。

补偿原理：试验通入浓度(体积比)为φ的被测气体，气体传感器检测到的浓度(体积比)值φm、以及气压p，作为RBF神经网络模型的输入。经网络训练和学习，消除环境参量对气压的影响后，输出修正补偿后的浓度(体积比)值φ′。补偿原理如图3所示。

图3 气压误差补偿原理图Fig.3 Air pressure error compensation principle diagram

采用常用的3层RBF神经网络，由输入层、隐含层和输出层3部分组成，网络结构如图4所示。输入层为各气体传感器检测的浓度值和气压条件；隐含层由一组径向基函数构成，通常为高斯函数；输出层为各气体的期望浓度值。

图4 RBF神经网络结构图Fig.4 Structure diagram of RBF neural network

其中隐含层高斯径向基函数表达式为：

(7)

式中：i=1,2，…，n；φi(x)为隐藏节点i的输出，φi(x)∈[0，1]；ci为对应第i个隐含层节点的中心向量；σi为对应第i个径向基函数的宽度。

输出层采用线性激活函数，网络表达式为：

(8)

式中:i=1,2，…，n；yj(x)为输出层节点j的网络输出；Wij为隐含层节点i到输出层节点j的连接权值；n为隐含层节点数。

RBF神经网络是一种性能良好的前向神经网络，能够以任意精度逼近任意连续函数, 且学习速度比BP网络快，不存在局部极小值问题[14]。本文运用MATLAB软件中的RBF网络工具箱进行算法的设计与实现。

通过调用newrb函数能有效地进行网络设计，具体格式为：

net=newrb(p，t，goal，spread，mn，df)

其中：p为输入向量；t为期望输出向量；goal为网络训练精度；spread为分布密度；mn为神经元个数的最大值；df为训练过程的显示频率。

根据不同气体传感器的误差情况设定不同的训练精度。spread越大，收敛速度越快，但会引起神经元响应区域交叉太多，导致精度不高，综合考虑确定spread值为1；试验气压点有12个，故确定mn值为12；df确定为每次1个。通过对RBF神经网络各参数的设定，按照设定目标，进行自身的学习、训练、网络参数调整以及参数优化等，从而建立起最佳网络模型。

4.2 算法结果分析

网络模型建立并训练完毕后，将测试数据导入训练好的网络模型里，通过sim函数进行仿真并计算出与理论值之间的误差，检验补偿效果。

HCHO气体传感器设定的网络训练精度为 6.1×10-4，训练步数10步，用时1.148 s，补偿前后对比见表3。

表3 HCHO气体传感器气压补偿结果Tab.3 Pressure compensation results of HCHO gas sensor

CO气体传感器设定的网络训练精度为9×10-4，训练步数7步，用时0.835 s，补偿前后对比见表4。

表4 CO气体传感器气压补偿结果Tab.4 Pressure compensation results of CO gas sensor

CO2气体传感器设定的网络训练精度为2.2×10-4，训练步数6步，用时0.718 s，补偿前后对比见表5。

表5 CO2气体传感器气压补偿结果Tab.5 Pressure compensation results of CO2 gas sensor

NO2气体传感器设定的网络训练精度为2.6×10-4，训练步数6步，用时0.736 s，补偿前后对比见表6。

表6 NO2气体传感器气压补偿结果Tab.6 Pressure compensation results of NO2 gas sensor

由表3～表6数据可知，HCHO、CO、CO2、NO2气体传感器未补偿时的检测最大相对误差分别为32.85%、28.42%、52.87%、87.18%;采用RBF神经网络补偿后的最大相对误差分别为2.001%、3.668%、2.392%、12.68%，总体最大相对误差控制在13%以内，较好地完成了气压补偿任务，大大降低了气体传感器检测中所受的气压影响，得到更为准确的检测结果，对飞机座舱空气质量的评价有一定参考价值。

5 结 论

1) 文中选取了12个气压点对HCHO、CO、CO2、NO2共4种典型飞机座舱空气质量检测的气体传感器进行了大量试验，得出气压对于不同气体传感器的影响差异较大，必须对气体传感器进行气压修正补偿，便于空气质量的准确评价；

2) 采用RBF神经网络进行气压修正补偿，最大相对误差控制在13%以内，大大提高了检测结果的准确性；

3) 本次试验，气压室内部为正负压变化，外部为标准大气压，未来可将两者均置于正负压环境下进行相应的试验研究；

4) 未来可模拟更多复杂环境，对飞机座舱空气质量进行检测研究，为空气质量评价及标准体系的建立提供参考依据。