一种消除干扰气体影响的气体检测方法与系统

1.本发明属于气体检测领域，具体涉及一种可以消除干扰气体影响的气体检测方法与系统。


背景技术：

2.在生产生活等诸多领域，譬如：医疗、环境、食品安全、工业生产等领域，经常需要对醇类气体、酮类气体、醛类气体和烷类气体等进行准确的检测与识别。传统的气体检测方法有光谱法、色谱法、质谱法等，这些方法具有很高的检测精度，但是检测方法复杂，成本高、并且需要专业的技术人员来操作，因此，不适合实时、连续、批量检测的应用场景。
3.半导体式气体传感器具有灵敏度高、体积小、成本低廉、响应时间和恢复时间短等优点，操作方便、能够满足实时、连续、批量检测的应用需求，但存在选择性差、受环境影响大等缺点。这致使半导体气敏传感器多用于单一气体的测量，当被检测气体中含有干扰气体时，为保障测量精度，仍然需要采样传统的计量方法。
4.针对半导体气体传感器，目前大量的研究工作主要集中在敏感材料的选择与制备领域，虽然目前开发的敏感材料已经获得了对醇类、酮类、醛类和烷类等气体较好的敏感性，但是依然存在对其它气体的交叉敏感度，当检测环境中含有干扰气体时，譬如有机溶剂、芳香性气味、烟雾等气体成分时，则无法准确的测定被检场景中目标气体的含量。
5.因此，开发一种基于半导体气体传感器的能够消除干扰气体影响的气体检测方法和系统，对于降低检测成本，提高检测时效，具有重要的意义。


技术实现要素：

6.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种消除干扰气体影响的气体检测方法与系统。
7.为达上述目的，本发明的技术方案如下：
8.一种消除干扰气体影响的气体检测方法，利用传感器阵列获取测试集p，一种消除干扰气体影响的气体检测方法，利用传感器阵列获取测试集p，p
y,z
为传感器阵列中第y颗传感器第z次采样采集到的待测气体的响应值，y∈[1,n]，z∈[1,t]，n为传感器阵列中传感器的总颗数，t为每颗传感器的采样总次数，对测试集p进行预处理后输入到预测模型中，由预测模型输出co后，利用公式根据co得到待测气体的浓度c；
[0009]
待测气体为一种干扰气体、一种目标气体和一种环境气体(一般为空气)按一定比例混合而成的气体，其中，干扰气体的含量为0或不为0；目标气体为醇类气体、酮类气体、醛类气体或烷类气体；待测气体的浓度c为待测气体中目标气体的体积占待测气体总体积的百分比；
[0010]
传感器阵列中的传感器为不同型号的对所述目标气体和干扰气体具有敏感性，对
所述环境气体不具有敏感性的气体传感器；
[0011]
预测模型的构建过程为：
[0012]
首先利用所述传感器阵列获取训练集d，d＝[d1,d2...,di]，d
x,y,z
为传感器阵列中第y颗传感器第z次采样采集到的第x个标准气体的响应值，y∈[1,n]，z∈[1,t]，x∈[1,i]，i为标准气体的总个数；i个标准气体为所述一种干扰气体、所述一种目标气体和所述一种环境气体按不同比例混合而成的气体；i个标准气体中，干扰气体的体积占干扰气体与目标气体总体积的百分比不同；
[0013]
然后对训练集d进行所述预处理；
[0014]
最后利用预处理后的训练集d训练卷积神经网络，训练的终止条件如下：
[0015][0016]
式中，r
x
为第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的真实值，r
′
x
为卷积神经网络输出的第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的预测值；
[0017]
所述公式如下：
[0018]
c＝cm×
(1-cof(co))；
[0019]
式中，cm是通过提取s1传感器在待测气体中稳态时的响应值，根据s1传感器在纯的目标气体中的灵敏度特性转换得到的目标气体的体积占待测气体总体积的百分比；
[0020]
s1传感器为传感器阵列中对目标气体敏感度最高的一颗传感器；
[0021]
cof(co)是通过将co作为自变量代入函数f(w)中得到的，函数f(w)是通过对多点(w,tw)进行非线性数据拟合得到的，mw为s1传感器在标准气体i中稳态时的响应变化率，标准气体i是指干扰气体的体积占干扰气体与目标气体总体积的百分比为w的标准气体，m
′w为s1传感器在标准气体ii中稳态时的响应变化率，标准气体ii为不含干扰气体，且目标气体的体积占标准气体总体积的百分比与标准气体i相同的标准气体(即标准气体ii相当于是将标准气体i中的干扰气体替换成环境气体得到的)；
[0022]
本发明的核心思想是：
[0023]
先配置标准气体，给模型提供训练数据，训练的目标是让模型的输出值尽可能地逼近实际试验值(即实际的干扰气体的体积占干扰气体与目标气体总体积的百分比)，模型训练好之后，当输入待测气体数据后，模型会输出一个数值，但该数值不一定正好等于实际值(会是一个比较接近的值)，因为干扰气体和目标气体都会引起气体传感器的响应，因此，当含有干扰气体时，传感器的响应变化一部分是由目标气体引起的，另一部分是由干扰气体引起的，模型输出值的含义是待测气体中含有的干扰气体的百分比(不是实际的浓度值)，通过这个百分比数值，可以区分出有多少程度的响应变化是干扰气体造成的，又因为干扰气体影响的程度在不同百分比下是不一样的，因此，我们通过试验数据拟合出一个干扰系数曲线，然后根据这个干扰系数可以计算出目标气体的浓度。
[0024]
作为优选的技术方案：
[0025]
如上所述的一种消除干扰气体影响的气体检测方法，i个标准气体中干扰气体的
体积占干扰气体与目标气体总体积的百分比为等差数列并包含0％和100％，非等差数列同样适用于本发明，相对而言等差数列更优。
[0026]
如上所述的一种消除干扰气体影响的气体检测方法，所述对测试集p进行预处理的步骤如下：
[0027]
(a)对测试集p进行小波去噪处理，小波基采用symlet函数，分解层数为l，得到数据集p
′
，l满足p
′
的每行数据无局部极大或极小值，且存在唯一最大或最少值；
[0028]
(b)处理数据集p
′
得到数据集p
″
，
[0029]
所述对训练集d进行预处理的步骤如下：
[0030]
(i)对训练集d进行小波去噪处理，小波基采用symlet函数，分解层数为l，得到数据集d
′
，d
′
＝[d
′1,d
′2,...,d
′i]，l满足d
′
x
的每行数据无局部极大或极小值，且存在唯一最大或最少值；
[0031]
(ii)处理数据集d
′
得到数据集d
″
，d
″
＝[d
″1,d
″2,...,d
″i]，]，
[0032]
如上所述的一种消除干扰气体影响的气体检测方法，所述卷积神经网络包含1个输入层、p个卷积层、p个池化层、k个全连接层和1个输出层，并且每个卷积层后对应一个池化层；“卷积神经网络”是一种数据运算处理的数学方法，目前被广泛应用到众多的领域，但不同的领域需要根据实际应用场景进行具体的结构设计，譬如层数的设计、每层节点的设计以及其中所用函数、迭代运算的设计等等，这些设计一般的是根据试验数据来逐步优化的。
[0033]
如上所述的一种消除干扰气体影响的气体检测方法，卷积神经网络的训练步骤如下：
[0034]
(1)将数据集d
″
作为卷积神经网络的输入，并对其进行卷积运算得到特征数据集，其中，所述卷积层的卷积核设置为[-h,0,h]，h∈z，z为整数集合，步长设置为1；
[0035]
(2)采用平均法池化方式对特征数据集进行池化，设置池化尺寸为1
×
m，m≥2，得
到池化后数据集d
″′
，d
″′
＝[d
″′1,d
″′2,...,d
″′i]，
[0036]
(3)循环执行步骤(1)～(2)p次后(因为本发明设计的神经网络结构中包含p个卷积层和p个池化层，所以需要循环p次)，将得到的数据集按行展开后输入到k个全连接层的第一层，其中，全连接层中间层的节点数小于等于(t-2l)/m
×n×
i，全连接层采用的激活函数为
[0037]
(4)输出层输出第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的预测值；
[0038]
(5)对全连接层进行迭代运算，直到达到终止条件，保存最后一次迭代运算时的网络参数，得到预测模型。
[0039]
本发明还提供一种采用如上所述的一种消除干扰气体影响的气体检测方法的一种消除干扰气体影响的气体检测系统，包括气体输送模块、传感器阵列模块、数据存储模块、主控制器和人机交互模块；
[0040]
气体输送模块用于通过气泵和进气管将待测气体和标准气体通入传感器阵列模块；
[0041]
传感器阵列模块用于获取测试集p和训练集d，并发送至主控制器；
[0042]
主控制器用于对测试集p和训练集d进行所述预处理，利用预处理后的训练集d训练卷积神经网络得到预测模型，将预处理后的测试集p输入到预测模型中得到co后，利用公式根据co得到待测气体的浓度c(说明：模型训练好后是可以保存下来的，当检测待测气体时可以直接利用，不需要每次检测之前都训练)；
[0043]
数据存储模块用于存储测试集p、训练集d和预测模型；
[0044]
人机交互模块与主控制器连接，其包括显示屏和按键，用于实现系统参数的设定、工作状态的切换、信息的输出。
[0045]
作为优选的技术方案：
[0046]
如上所述的一种消除干扰气体影响的气体检测系统，还包括通讯模块和电源模块；
[0047]
通讯模块用于实现主控制器与外界设备(包括但不限于计算机、手机、互联网)的信息交互；
[0048]
电源模块用于为气体检测系统供电。
[0049]
本发明还提供一种采用如上所述的一种消除干扰气体影响的气体检测方法的一种消除干扰气体影响的气体检测系统，包括气体输送模块、传感器阵列模块、通讯模块和运算设备；
[0050]
作为优选的技术方案：
[0051]
气体输送模块用于通过气泵和进气管将待测气体和标准气体通入传感器阵列模块；
[0052]
传感器阵列模块用于获取测试集p和训练集d，并经通讯模块发送至运算设备；
[0053]
运算设备用于存储测试集p和训练集d，对测试集p和训练集d进行所述预处理，利
用预处理后的训练集d训练卷积神经网络得到预测模型，将预处理后的测试集p输入到预测模型中得到co后，利用公式根据co得到待测气体的浓度c(说明：模型训练好后是可以保存下来的，当检测待测气体时可以直接利用，不需要每次检测之前都训练)。
[0054]
如上所述的一种消除干扰气体影响的气体检测系统，运算设备为计算机或手机。
[0055]
如上所述的一种消除干扰气体影响的气体检测系统，还包括电源模块；电源模块用于为气体检测系统供电。
[0056]
有益效果：
[0057]
与现有技术相比，本发明具有有效消除干扰气体影响精准检测醇类气体、酮类气体、醛类气体或烷类气体的功能，系统简单、成本低廉、能够满足实时、连续、批量检测的应用需求。
附图说明
[0058]
图1为本发明系统结构框图。
具体实施方式
[0059]
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
[0060]
一种消除干扰气体影响的气体检测方法，具体步骤如下：
[0061]
(1)预测模型的构建过程为：
[0062]
首先利用所述传感器阵列获取训练集d，d＝[d1,d2...,di]，d
x,y,z
为传感器阵列中第y颗传感器第z次采样采集到的第x个标准气体的响应值，y∈[1,n]，z∈[1,t]，x∈[1,i]，i为标准气体的总个数；i个标准气体为所述一种干扰气体、所述一种目标气体和所述一种环境气体按不同比例混合而成的气体；i个标准气体中，干扰气体的体积占干扰气体与目标气体总体积的百分比不同；i个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比为等差数列并包含0％和100％；传感器阵列中的传感器为不同型号的对所述目标气体和干扰气体具有敏感性，对所述环境气体不具有敏感性的气体传感器；
[0063]
然后对训练集d进行所述预处理，步骤如下；
[0064]
(i)对训练集d进行小波去噪处理，小波基采用symlet函数，分解层数为l，得到数据集d
′
，d
′
＝[d
′1,d
′2,...,d
′i]，l满足d
′
x
的每行数据无局部极大或极小值，且存在唯一最大或最少值；
[0065]
(ii)处理数据集d
′
得到数据集d
″
，d
″
＝[d
″1,d
″2,...,d
″i]，
[0066]
最后利用预处理后的训练集d(即数据集d
″
)训练卷积神经网络，所述卷积神经网络包含1个输入层、p个卷积层、p个池化层、k个全连接层和1个输出层，并且每个卷积层后对应一个池化层，具体步骤如下：
[0067]
(i)将数据集d
″
作为卷积神经网络的输入，并对其进行卷积运算得到特征数据集，其中，所述卷积层的卷积核设置为[-h,0,h]，h∈z，z为整数集合，步长设置为1；
[0068]
(ii)采用平均法池化方式对特征数据集进行池化，设置池化尺寸为1
×
m，m≥2，得到池化后数据集d
″′
，d
″′
＝[d
″′1,d
″′2′
,...,d
″′i]，
[0069]
(iii)循环执行步骤(i)～(ii)p次后(因为本发明设计的神经网络结构中包含p个卷积层和p个池化层，所以需要循环p次)，将得到的数据集按行展开后输入到k个全连接层的第一层，其中，全连接层中间层的节点数小于等于(t-2l)/m
×n×
i，全连接层采用的激活函数为
[0070]
(iv)输出层输出第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的预测值；
[0071]
(v)对全连接层进行迭代运算，直到达到终止条件，保存最后一次迭代运算时的网络参数，得到预测模型；
[0072]
其中终止条件如下：
[0073][0074]
式中，r
x
为第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的真实值，r
′
x
为卷积神经网络输出的第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的预测值；
[0075]
(2)利用传感器阵列获取测试集p，p
y,z
为传感器阵列中第y颗传感器第z次采样采集到的待测气体的响应值，y∈[1,n]，z∈[1,t]，待测气体为一种干扰气体、一种目标气体和一种环境气体(一般为空气)按一定比例混合而成的气体，其中，干扰气体的含量为0或不为0；目标气体为醇类气体、酮类气体、醛类气体或烷类气体；待测气体的浓度c为待测气体中目标气体的体积占待测气体总体积的百分比，n为传感器阵列中传感器的总颗数，t为每颗传感器的采样总次数；
[0076]
(3)对测试集p进行预处理；
[0077]
(a)对测试集p进行小波去噪处理，小波基采用symlet函数，分解层数为l，得到数
据集p
′
，l满足p
′
的每行数据无局部极大或极小值，且存在唯一最大或最少值；
[0078]
(b)处理数据集p
′
得到数据集p
″
，
[0079]
(4)将数据集p
″
输入到预测模型中，由预测模型输出co后，利用公式根据co得到待测气体的浓度c；
[0080]
其中，公式为：c＝cm×
(1-cof(co))；
[0081]
式中，cm是通过提取s1传感器在待测气体中稳态时的响应值，根据s1传感器在纯的目标气体中的灵敏度特性转换得到的目标气体的体积占待测气体总体积的百分比；
[0082]
s1传感器为传感器阵列中对目标气体敏感度最高的一颗传感器；
[0083]
cof(co)是通过将co作为自变量代入函数f(w)中得到的，函数f(w)是通过对多点(w,tw)进行非线性数据拟合得到的，mw为s1传感器在标准气体i中稳态时的响应变化率，标准气体i是指干扰气体的体积占干扰气体与目标气体总体积的百分比为w的标准气体，m
′w为s1传感器在标准气体ii中稳态时的响应变化率，标准气体ii为不含干扰气体，且目标气体的体积占标准气体总体积的百分比与标准气体i相同的标准气体(即标准气体ii相当于是将标准气体i中的干扰气体替换成环境气体得到的)。
[0084]
采用上述的一种消除干扰气体影响的气体检测方法的一种消除干扰气体影响的气体检测系统，如图1所示，包括气体输送模块、传感器阵列模块、数据存储模块、主控制器、人机交互模块、通讯模块和电源模块；
[0085]
气体输送模块用于通过气泵和进气管将待测气体和标准气体通入传感器阵列模块；
[0086]
传感器阵列模块用于获取测试集p和训练集d，并发送至主控制器；
[0087]
主控制器用于对测试集p和训练集d进行所述预处理，利用预处理后的训练集d训练卷积神经网络得到预测模型，将预处理后的测试集p输入到预测模型中得到co后，利用公式根据co得到待测气体的浓度c；
[0088]
数据存储模块用于存储测试集p、训练集d和预测模型；
[0089]
人机交互模块与主控制器连接，其包括显示屏和按键，用于实现系统参数的设定、工作状态的切换、信息的输出；
[0090]
通讯模块用于实现主控制器与外界设备的信息交互；
[0091]
电源模块用于为气体检测系统供电。
[0092]
采用如上所述的一种消除干扰气体影响的气体检测方法的一种消除干扰气体影响的气体检测系统，包括气体输送模块、传感器阵列模块、通讯模块、电源模块和运算设备；
[0093]
气体输送模块用于通过气泵和进气管将待测气体和标准气体通入传感器阵列模
块；
[0094]
传感器阵列模块用于获取测试集p和训练集d，并经通讯模块发送至运算设备；
[0095]
运算设备为计算机或手机，用于存储测试集p和训练集d，对测试集p和训练集d进行所述预处理，利用预处理后的训练集d训练卷积神经网络得到预测模型，将预处理后的测试集p输入到预测模型中得到co后，利用公式根据co得到待测气体的浓度c；
[0096]
电源模块用于为气体检测系统供电。
[0097]
现结合具体案例，对本发明的消除干扰气体影响的气体检测方法进行说明。
[0098]
一种消除干扰气体影响的乙醇气体检测方法，具体步骤如下；
[0099]
(1)配置10组含有不同浓度百分比异丁烷的乙醇气体(即10个标准气体)，其中含有的异丁烷的体积占异丁烷与乙醇总体积的百分比分别为0％、10％，、20％、30％、40％、50％、60％、70％、80％、90％、100％，将配置好的标准气体依次通入到测试气室，并将传感器阵列(含4颗半导体气敏传感器，型号分别为hgs0008、hgs1001、hgs1004、hgs1005，定义型号为hgs0008的传感器的编号为s1)检测到的信号存入数据集d中；
[0100]
d＝[d1,d2...,di]；
[0101]
i为10；
[0102]
其中，d
x,y,z
为传感器阵列中第y颗传感器第z次采样采集到的第x个标准气体的响应值，y∈[1,n]，z∈[1,t]，x∈[1,i]，n＝4，t＝600，i＝10，例如d
x,1,1
为传感器阵列中第1颗传感器第1次采样采集到的第x个标准气体的响应值，例如d2为第2个标准气体(即异丁烷的体积占异丁烷与乙醇总体积的百分比为10％的气体)对应的数据集，数据集d2如下表所示：
[0103][0104]
(2)对步骤(1)获得的数据集d进行小波去噪处理，小波基采用symlet函数，分解层数为l，将处理后的数据存入数据集d
′
；
[0105]d′
＝[d
′1,d
′2,
…
,d
′i]；
[0106][0107]
其中，l需满足d
′
x
的每行数据无局部极大或极小值，且存在唯一最大或最少值；
[0108]
以数据集d2为例，经过3层分解(即l＝3)得到的数据集d
′2如下表所示：
[0109]
[0110][0111]
(3)处理步骤(2)中得到的数据集d
′
得到数据集d
″
；
[0112]d″
＝[d
″1,d
″2,...,d
″i]；
[0113][0114]
以数据集d
′2为例，数据集d
″2如下表所示：
[0115][0116]
(4)利用预处理后的训练集d(即数据集d
″
)训练卷积神经网络，所述卷积神经网络包含1个输入层、2个卷积层、2个池化层、2个全连接层和1个输出层，并且每个卷积层后对应一个池化层，具体步骤如下：
[0117]
(4.1)将步骤(3)得到的数据集d
″
作为卷积神经网络的输入，对输入的数据集进行卷积运算，得到的特征数据集，所述卷积层的卷积核设置为[-1,0,1]，步长设置为1；
[0118]
(4.2)将步骤(4.1)得到的特征数据集采用平均法池化方式进行池化，设置尺寸为1
×
3，得到池化后数据集d
″′
；
[0119]d″′
＝[d
″′1,d
″′2,
…
,d
″′i]；
[0120][0121]
以数据集d
″2为例，池化后的数据集d
″′2如下表所示：
[0122][0123]
(4.3)循环执行上述步骤(4.1)和步骤(4.2)2次后，将得到的数据集按行展开后输入到全连接层的第一层，其中全连接层包含2层，全连接层第二层的节点数为4，全连接层采用激活函数为
[0124]
(4.4)输出层输出第x个标准气体中异丁烷的体积占异丁烷与乙醇总体积的百分比的预测值；
[0125]
(4.5)对全连接层进行迭代运算，直到满足如下条件，保存最后一次迭代运算时的网络参数，得到预测模型；
[0126][0127]
其中,r
x
为步骤(4.4)中干扰气体浓度值，r
′
x
为输出层编码结果对应的浓度值；
[0128]
其中，r
x
为第x个标准气体中异丁烷的体积占异丁烷与乙醇总体积的百分比的真实值，r
′
x
为卷积神经网络输出的第x个标准气体中异丁烷的体积占异丁烷与乙醇总体积的百分比的预测值；
[0129]
(5)通入含有异丁烷为干扰气体的乙醇气体为验证样本(其中异丁烷的体积占异丁烷与乙醇总体积的百分比为9％，实际乙醇浓度为1000ppm)，其数据集p(即传感器阵列中每颗传感器每次采样采集到的待测气体的响应值的集合)如下表所示：
[0130][0131]
(6)数据集p经过小波去噪处理后得到的数据集p
′
如下表所示：
[0132][0133]
(7)对数据集p
′
进行处理得到的数据集p
″
如下表所示：
[0134][0135]
(8)将数据集p
″
输入到预测模型中，由预测模型输出co(10％)后，利用公式根据co得到待测气体的浓度c；
[0136]
其中，公式为：c＝cm×
(1-cof(co))；
[0137]
式中，cm是通过提取s1传感器在待测气体中稳态时的响应值，根据s1传感器在纯的目标气体中的灵敏度特性转换得到的目标气体的体积占待测气体总体积的百分比，其值为1065ppm；
[0138]
cof(co)是通过将co作为自变量代入函数f(w)中得到的，函数f(w)是通过对多点(w,tw)进行非线性数据拟合得到的，mw为s1传感器在标准气体i中稳态时的响应变化率，标准气体i是指干扰气体的体积占干扰气体与目标气体总体积的百分比为w的标准气体，m
′w为s1传感器在标准气体ii中稳态时的响应变化率，标准气体ii为不含干扰气
体，且目标气体的体积占标准气体总体积的百分比与标准气体i相同的标准气体(即标准气体ii相当于是将标准气体i中的干扰气体替换成环境气体得到的)，体ii相当于是将标准气体i中的干扰气体替换成环境气体得到的)，
[0139]
最终计算得到的待测气体的浓度c为993ppm，对比实际的乙醇气体浓度1000ppm，其相对误差仅为0.7％。
[0140]
由此可得，本发明一种消除干扰气体影响的乙醇气体检测方法与系统，能够实现在干扰气体存在的场景中对乙醇气体的准确检测，具有极高消除干扰气体影响的性能。