光声光谱技术和传感器网络下有害气体探测

栗慧峰，冯 锋

(1. 呼伦贝尔学院计算机学院，内蒙古 呼伦贝尔 021008；2. 宁夏大学信息工程学院，宁夏 银川 750021)

1 引言

工业规模的提升使得各类易挥发的化学污染物的产生量日益增加，对人类的生命安全和自然环境都造成严重影响[1，2]。为了得到较好的工作与生活环境，同时保护现场操作人员的身体健康，设计一种能够高效精准地有害气体探测方法意义重大[3，4]。

文献[5]中设计了基于气体传感器和随机森林的毒害气体检测方法，在实验模拟检测三种毒害气体泄漏情况并记录检测数据的基础上，在非线性随机共振模型中解析数据，并获取其特征值，然后采用随机森林模型预测数据特征值的类型。文献[6]中设计了基于ZigBee通信和ARM控制器的有害气体检测方法。在ZigBee通信模块中，利用多种传感器采集相关信号，并将结果发送给微处理器。然后在ARM控制器中接收气体监测信息，并采用LABview虚拟仪器设计传感器终端节点程序和协调器节点程序，从而实现对有害气体浓度的精确检测。然而在实际应用中发现，上述传统方法传感器内的模型架构较为稀疏，导致其很难适应多传感器系统，同时还存在精准度效率低的问题。

针对上述问题，本文提出了一种光声光谱技术和传感器网络下有害气体探测方法。该方法利用传感器网络和光声光谱探测技术提取有害气体特征，通过特征映射将探测问题转换成几率运算问题。同时，使用主成分分析法降低特征空间的维度，有效提高了探测效率。

2 光声光谱技术的有害气体探测过程设计

2.1 传感器网络模型

本研究应用的传感器网络模型结构如图1所示。在该结构中，设置有多个传感器节点，利用下文提到的光声光谱技术，通过网络传输、信息互联过程提取有害气体特征。

图1 传感器网络模型结构图

2.2 光声光谱技术原理

光声光谱运算就是通过光声效应对目标进行探测的一项手段，近年来随着信号、新兴光源与微音检测技术的逐步成熟，也推动了光声光谱技术的发展[7]。

将一束含有强度为I(r，t)的红外光源调整成一种频率是w的脉冲光速，该脉冲式的红外光线反射在一种比较封闭的容器样本里，因为样本受到红外光照而产生热效应H(r，t)，这种效应会干扰密闭容器内产生压力p，同时其的同频率也会产生转变，从而产生声波，这就是上述说的光声效应。

假如气体是期望状态，那么气体里声波的波动方程应该是

(1)

H(r，t)=NσI(r，t)

(2)

其中，v代表气体的声速，γ代表提取定压热熔与定体积热熔比，σ代表气体吸入的截面值，N为气体的分子密度[8]。

红外光强度和可见声波的声压强度p、气体分子密度与类型都含有一定的关联性，经过微音器受到声波信号之后，就能够将其转换成一种电压信号，进而被仪器所探测到，不同种类与不同浓度的气体分子所产生的光声信号程度也是各不相同的。

其中微音器的输出电压幅值S能够通过公式表示成

S=CWNσp

(3)

其中，p代表气体的浓度，W代表红外光源功率，C代表气体光声常数，而光声的品质是通过因素与微音器的密度因素决定的。

经过微音器输出电压的幅值尺寸与气体浓度的相应关系，探测系统就能够轻松地得到目前气体里的SF6气体浓度质量分数，进而实时地做出评测，同时使用一些必要的手段。

2.3 有害气体特征提取和映射

确定气体里是否含有有害气体为探测的第一步，该步骤一般需要利用一些比较先进的仪器来配合传感器完成。

特殊运算公式是

(4)

式中，ti代表预探测气体样本的一种特征向量，wi为权值。

但因上述公式难以映射出不同气体特征间所含有的检测的紧密强度与比例变化。这就会致使采集样本气体的特征值产生偏差[9]。因此，考虑到检测和变化的关联程度，就需要将气体的变化原因与占据比例浓度考虑进去，随后把含有这种变化的因素融入至几率的相似度计算里。

拟定气体特征量分别是I1与I2，而Δ=I1-I2代表正常气体里的特征向量的变化程度[10]。利用这种变量，拟定出特征提取的计算公式，其结果如下所示

S(I1，I2)=P(Δ∈Ωi)=P(Ωi|Δ)

(5)

式中，Ωi代表相同种类的气体在不同的浓度与环境中的气体空间映射模型变化量，其也能够叫做同类变化量，ΩE为气体在警戒气体库里和与自己不同种类的空间映射模型内的变化量，也能够叫做异类变化量。P(Ωi|Δ)即通过贝叶斯决策统计出的警戒气体库里变化的同一种类后验几率，可能够经过P(Ωi|Δ)与P(ΩE|Δ)运算获得。这样改进之后的相似度计算就可以运算出因气体浓度变化出现特征匹配时产生的误差与这种气体浓度变化的关联程度。改进之后的计算公式即

(6)

式中，P(ΩE)为特定的运作指标。比如测试气体在环境里所占据的比例，或者是测试数量的相关几率等。于是，气体的检测问题就转换为了运算相关几率的问题，也就是说，只需要计算出空间的特征变化强度Δ属于Ωi或是属于ΩE的几率，就能够进行气体成分的评测，在P(Δ|Ωi)>(Δ|ΩE)或者S>1/2时，就能够认定成有害气体。

2.4 特征向量空间的降维

由于在探测的流程中，需要先估算出Δ，而Δ是由Δx，Δy，Δz组成的，因此属于一种多维向量。为了使估算更为简单，需要对多维向量进行降维处理[11]。本文凭借主成分分析法来对特征空间的维度进行降低。

主成分分析方法即一种能够获取最小均方差的线性降维方法，其通过把起始的特征向量反射至最小的子空间中，以此来降低起始特征向量的维度。

(7)

x能够通过下式来代替

(8)

假如只保留向量y的一种子集{y1，…，yn}，其余分量通过bi来表示，那么计算式为

(9)

误差

(10)

(11)

为了将ε2(m)的值计算至最小，经过微分学内的运算方法，通过时

(12)

Cxui=λiui，i=m+1…n

(13)

式中，λi代表x的协方差矩阵的特征值，ui代表相应的特征向量。所以

(14)

因此，通过主成分分析法进行降维之后可以把特征值的分量比较完整地保留下来，在简化估算量的同时，还可以最大限度地储存大量的起始信息。

2.5 光声模块基本元件的选择

光声模块的光源选取是以能够直接进行调节的电源为基础的，波长覆盖1～20μm的中远红外光源，但因为有害气体的红外吸收波长峰值是10.6μm，即对应波数为947cm-1之间。因此，就只需要10.6μm波长的红外光映射进光声内就可以了。所以需要凭借中心波长为10.6μm的窄带滤光片进行滤光，选取系统所使用的波长红外光，将该滤光片安放在红外光源的顶点。

微音器的挑选：由于光声信号比较微弱，因此对微音器的灵敏度需要较高，本文使用传统的微音器，其存在较宽的响应宽带与较好的温度漂移特性。

激光功率计即用来对信号进行统一化的，因为红外光源会因为时间的流逝出现变化，其所出现的红外光功率也会产生一定的偏移。为了消除因红外光源自身问题所出现的探测误差，可以凭借激光功率对红外光所出现的光功率进行实时的计量，之后对探测到的信号进行统一化。

2.6 拟定光声腔

光声腔作为光声模块的关键部件，在整体系统的构架中有着较为重要的作用。因此，对于光声腔的拟定，必须要满足基本的设定原则，即光声腔与外界的噪声隔离性较好，尽可能地缩短池壁和入射光、窗口等产生直接作用而出现的背景噪声，保证光声腔内壁的光洁，降低内壁对有害气体的解吸与吸附效应。

目前，光声腔可以分为谐振式与非谐振式两种。可是，较比非谐振式光声腔，谐振式光声腔的体表较大、探测灵敏度高、调制频率高与噪声低等优点。因此，本文的探测系统会利用到谐振式光声腔。并且，为了能够更进一步地抑制噪声，本文会利用差分式的运作形式来对噪声进行处理。

谐振式光声腔里调制频率和光声信号程度的关联是

I(r，wl)=pj×(r)dV

(15)

谐振式光声腔的运作频率较高，同时光声信号可以经过光声腔内的驻波放大作用，对光声信号进一步地扩展，而且光声腔的质量因数如果越高，那么光声信号的强度也就会逐渐升高，但是也不会过高，强度如果超过阈值，就会导致探测过程的稳定性下滑。另外，谐振式光声腔的性能和该光声腔的简正模式是存在重要关联的。

为了可以获取较高的体表比值，缩减气体与腔壁的解吸附和吸附作用，凭借一种大小为L，半径为R的圆柱形光声腔。

对于圆柱形光声腔，其第pmn阶的模式如下

(16)

谐振频率fpmn计算过程如下

(17)

其共含有纵向、角向与径向三种简正模式。虽然最后的信号是三种简正模式的叠加，但其会以一种比较适合的简正模式作为拟定的依据。

2.7 有害气体探测的实现

(18)

其中，PF(Δ|Ω)代表R子空间的真实边缘密度，F(Δ|Ω)代表的边缘密度，yi代表主成分，ε2(Δ)代表冗余的能量，而权重参数p能够通过子空间的特征值来表示

(19)

式中，P(Δ|Ωi)与P(Δ|ΩE)均代表三维高斯分布的拟定。在此基础上，估算测试有害气体的特征样本Ik，对于有害气体样本库样本Ij的匹配近似度的估算流程为：先将Ik和Ij相减，结果为Δ矢量，然后将其映射至相应的坐标。在类间与类内高斯函数的主要成分特征向量内估算出P(Δ|Ωi)与P(Δ|ΩE)，最后再凭借上式运算的匹配强度。来完成对有害气体的相关探测。

3 实验证明

为验证光声光谱技术和传感器网络下有害气体探测方法的可行性，设计如下实验。实验环境如下Intel(R)Core(TM)i5-3470CPU(3.20GHz)，8GB内存的PC化，通过MATLAB编程实现，并将LIBSVM为支持向量机软件。此外，为提高实验结果的对比性，将传统的基于气体传感器和随机森林的毒害气体检测方法(传统方法1)、基于ZigBee通信和ARM控制器的有害气体检测方法(传统方法2)作为对比，与本文方法共同完成性能验证。

首先对比不同方法探测到的浓度值，比对结果如图2所示。

图2 不同方法的有害气体探测图

从图2中能够看出，利用2种传统方法进行探测时，气体的体积分数会干扰正常的探测数据，导致探测时出现不稳定状态影响了其探测结果的准确性。而应用本文方法后，其探测得到的有害气体浓度与实际浓度差距非常小，说明其探测结果更精准。产生这一结果的原因在于本文方法拟定了光声腔，从而使其受环境的干扰较小，能够更为精准地探测到有害气体的浓度数值。

在此基础上，测试不同方法探测过程的耗时情况，对比结果如图3所示。

图3 不同方法探测过程的耗时对比

通过图3能够看出，实验过程中，虽然不同方法消耗的时间均在不断增加，但本文方法探测过程消耗的时间始终少于10s，其时间消耗值曲线也始终位于2种传统方法曲线的下方，证明其可以更高效率地探测出有害气体的含量。这是因为本文方法使用主成分分析法，降低了特征空间的维度，从而提高了探测效率。

4 结束语

为了使有害气体探测过程的效率更高、探测结果的精准度更高，本研究提出了一种光声光谱技术和传感器网络下有害气体探测方法。该方法主要是在光声光谱探测技术和传感器网络的支持下对有害气体的特征进行提取，并将气体映射至特征空间里，进而把气体的探测问题转换成一种运算的问题。然后再通过利用主成分分析降维来降低特征空间的维度，使得后期的探测效率更快。在此基础上，通过空间位置反射计算匹配强度，再凭借匹配强度来完成对有害气体的高效、精准探测。