基于GWO-BP神經網絡補償?shù)腟F6紅外氣體傳感器

趙正杰,趙勇毅,孔春霞,佘明熹,常建華,2,沈 婉

(1.南京信息工程大學江蘇省大氣環(huán)境與裝備技術協(xié)同創(chuàng)新中心,江蘇 南京 210044；2.南京信息工程大學江蘇省氣象探測與信息處理重點實驗室,江蘇 南京 210044)

1 引 言

六氟化硫(SF6)具備極高的耐電強度和良好的滅弧性能,因此被廣泛用于電力系統(tǒng)中防止積碳和火花的產生,同時還被廣泛用作金屬冶煉制造工藝的防氧化劑[1]。然而SF6氣體在遇到大電流開斷時極易產生一些含硫的低氟化物,這些物質易于空氣、水分進一步反應生成劇毒氣體,從而損害人體呼吸系統(tǒng)[2]。因此為了保障居民人身安全及電力設備合理運轉,研究SF6氣體檢測裝置至關重要。

目前市場上已有諸多檢測技術實現(xiàn)了對SF6氣體濃度的檢測,包括電化學技術、電擊穿技術等[3-4],這些檢測技術有其優(yōu)勢,也存在不足。本文利用紅外光譜吸收研制了一種精度高、性能穩(wěn)定的SF6氣體濃度檢測裝置,結合SF6的分子結構及紅外光譜圖選定特征吸收峰,通過探測器將紅外光強度削減大小映射到電壓濃度上,從而測得SF6氣體的濃度值。然而,在SF6氣體濃度的實際檢測中,環(huán)境的差異性容易影響SF6氣體濃度檢測裝置的檢測精度。目前為消除環(huán)境變化對傳感器的影響,常用的有兩種辦法,一是硬件補償法,通過外置恒溫恒壓器,保證SF6氣體濃度檢測裝置正常工作,但該方法增加了裝置體積及制造成本；二是經驗公式法,通過大量的數(shù)據(jù)計算擬合出各類環(huán)境差異所造成的濃度偏移,得出濃度值與環(huán)境變量間的函數(shù)關系,但該方法不具備普適性且工作量繁雜[5-6]。

本設計采用的是軟件算法補償,利用灰狼優(yōu)化BP神經網絡的算法(GWO-BP)對SF6氣體濃度檢測裝置進行氣壓和溫度補償。利用實測數(shù)據(jù)及預測值間的絕對誤差,證明了GWO-BP神經網絡算法能夠一定程度上消除因檢測環(huán)境溫度改變而導致的檢測偏差,提高SF6氣體濃度檢測器的檢測精度。

2 傳感器的系統(tǒng)設計

2.1 非分光紅外差分檢測原理

根據(jù)紅外光譜理論,當氣體分子的振動頻率與紅外光中某頻率相同,該頻率的光能量被氣體分子吸收。在一定波長范圍內,氣體對特定波長紅外光具有吸收作用,呈線性關系并遵守朗伯-比爾(Lambert-Beer)定律[7],其表達式為:

Iout=Iin·e-kcl

(1)

式中,Iin表示光入射時的強度;Iout表示紅外光經待測氣體吸收后射出時的強度;k表示氣體對相應波長紅外光的吸收系數(shù);c表示待測氣體的濃度;l表示穿過氣體部分的紅外光的光程長度[8]。

測量中,待測氣體對測量通道的紅外光具有強吸收作用,而對于引入的參比通道紅外光無吸收作用。根據(jù)公式(1),可得出測量通道輸出光強為:

Iout(mea)=Iin(mea)exp[-k(mea)CL]

(2)

參比通道的輸出光強為:

Iout(ref)=Iin(ref)exp[-k(ref)CL]

(3)

在實驗中,測量通道和參比通道的光路由同一光源發(fā)出,則初始光強幾乎相等,即Iin(mea)≈Iin(ref)。將公式(3)、(4)兩式相除,整理后,可得如下數(shù)學模型:

(4)

可見,差分檢測技術能夠得到待測氣體濃度,并在一定程度上消除光源抖動、光學器件污染等外界因素的影響,提高傳感器的檢測精度[9]。

2.2 傳感器的光路設計

SF6氣體對10.55 μm的紅外光具有強吸收作用,而對4 μm的紅外光幾乎無吸收。因此本文選用10.55 μm作為測量通道的紅外光波長,選用4 μm作為參比通道的紅外光波長,設計了單光源雙波長的光路結構。

氣體檢測模型如圖1所示,采用方波調制光,將光路的一端放置紅外光源,另一端放置兩個對稱的探測器。探測器A前端設置有10.55 μm的測量濾光片；探測器B前端設置有4 μm參比濾光片。在同一光學系統(tǒng)中,參比通道的引入可減少光源抖動、氣室內壁粗糙等引起的測量誤差。

圖1 氣體檢測模型示意圖

2.3 傳感器的結構設計

如圖2所示,本設計采用直射式采樣氣室。為減少紅外光的損耗,需保證探測器和紅外光源都位于氣室內腔的中心線上。為滿足本文對于環(huán)境溫度與氣壓的補償要求,在氣室的上方放置溫度與氣壓傳感器。

圖2 氣室結構設計圖

直射式氣室的內腔結構簡單,便于設計與安裝。另外本文利用SolidWorks建立三維模型,采用先進的3D打印技術打印成型,打印材料選用類ABS樹脂材料,該材料具價格便宜、表面光滑且抗變形等優(yōu)點。

3 補償算法

3.1 GWO算法

GWO灰狼優(yōu)化算法是模擬灰狼種群制度以及捕食行為所提出的一種新型智能優(yōu)化算法[10]。通過模擬狼群的狩獵過程來實現(xiàn)最優(yōu)化目的,狼群由5～12頭狼組成,其中按照適應度值可分為4個等級,在捕食過程中,α、β、δ狼不斷改變位置進行獵物追捕,剩余灰狼η追隨前三者,最優(yōu)化的解便是獵物的具體位置。由于灰狼位置的不確定性,將每只灰狼與獵物的距離表示為:

D(t)=|C·p(t)-X(t)|

(5)

其中,t代表遞增的迭代次數(shù);p(t)和X(t)分別表示第t代時獵物以及灰狼所處的位置。C=2r1,r1是處于[0,1]的隨機數(shù)。隨機初始化每匹灰狼的位置Xα(0),Xβ(0),Xδ(0),Xη(0)。更新灰狼位置。

(6)

其中,r2是處于[0,1]的隨機數(shù);a(t)是收斂因子;max代表的是自定義最大迭代次數(shù)。針對三只頭狼,有以下數(shù)學描述:

(7)

根據(jù)式(9),定義下一代η狼的位置:

(8)

3.2 BP神經網絡

BP神經網絡是一種基于誤差后向傳播的多層前饋神經網絡,具有很強的映射能力、泛化能力[11]。BP神經網絡通過信號前向傳播、誤差反向傳播兩個階段反復迭代,不斷調整神經網絡內部的權值和閾值,使誤差梯度下降,直到到達訓練次數(shù)或誤差小于期望值為止。

BP神經網絡結構主要包含三層:輸入層、隱含層和輸出層,如圖3所示。在實際網絡構建過程中,首先進行數(shù)據(jù)采集,將采集的各項數(shù)據(jù)進行歸一化處理,將處理后的數(shù)據(jù)作為網絡的輸入向量,將SF6氣體的濃度值作為輸出向量。

圖3 誤差后向神經網絡模型

3.3 混合GWO-BP神經網絡

BP神經網絡收斂速度慢,而且容易陷入局部極小值,因此本文利用GWO算法加強全局搜索能力。如圖4所示,將灰狼的位置作為BP神經網絡的權值、閾值,灰狼算法進行多次迭代,灰狼持續(xù)對獵物位置進行判斷與更新,即不斷更新BP神經網絡的閾值、權值,最終計算全局最優(yōu)結果。

具體步驟如下:

步驟1:選擇合適的訓練樣本。本文中采用測量通道與參比通道的輸出電壓比值、氣體濃度數(shù)據(jù)及溫度、所對應的氣壓、溫度值作為訓練樣本。

步驟2:BP神經網絡模型的構建。輸入層的個數(shù)為n,輸出層的個數(shù)為m,隱含層神經元節(jié)點個數(shù)q,計算公式如下:

(9)

由于a是1到10內的任意常數(shù),所以經過多次試驗可得當a為5時,其收斂速度和擬合精度相比于a取其他數(shù)值時最為適合。

圖4 GWO-BP混合神經網絡流程圖

步驟3:初始化GWO優(yōu)化算法。初始化當前適應度最優(yōu)的位置Xα,Xβ及Xδ。

步驟4:計算個體的適應度值。將BP神經網絡的權值和閾值設定為GWO算法所要求解的對象,采用BP神經網絡的各個神經元節(jié)點的誤差總和作為GWO優(yōu)化算法衡量個體位置優(yōu)劣的適應度函數(shù),得出當前最佳適應度值的位置。

步驟5:判斷迭代次數(shù)。當?shù)螖?shù)到達上限時,GWO優(yōu)化算法結束,最終得到BP神經網絡的最佳初始權值及閾值。

步驟6:BP神經網絡根據(jù)GWO優(yōu)化算法優(yōu)化后的權值及閾值進行網絡訓練及性能評估,最終得到預測結果。

在構建網絡的過程中,利用matlab仿真軟件不斷對GWO優(yōu)化算法中個體位置進行更新,直到其迭代次數(shù)達到所設定的數(shù)值。如圖所示,圖5(a)為在溫度補償?shù)倪^程中,GWO優(yōu)化算法在迭代次數(shù)達到500次之前的最佳適應度值,當?shù)螖?shù)為500次時,適應度值接近零點,即GWO優(yōu)化算法求解出BP神經網絡的最佳初始權值及閾值。同樣的,氣壓補償過程中的迭代次數(shù)與適應度值關系如圖5(b)所示,即最優(yōu)迭代次數(shù)為300次。

圖5 迭代次數(shù)與適應度值關系圖

4 實驗結果與討論

4.1 數(shù)據(jù)采集

實驗中,采用濃度為2000 ppm的SF6以及99.9 %的高純度氮氣(N2)進行配比。配比時,在標準大氣壓下進行,氣體通過流量計進入配氣室,進行均勻混合后輸入至氣體傳感器氣室中。初始濃度為0 ppm,接著,通過調節(jié)流量計流速,可以獲得實驗所需的600 ppm、1200 ppm以及1800 ppm的SF6氣體。然后,將氣體傳感器放置于溫度實驗箱與壓力實驗箱中進行數(shù)據(jù)采集。

溫度補償數(shù)據(jù)采集的過程中,將實驗箱內溫度依次調節(jié)至10,15,20,25,30,35,40 ℃。在各個溫度點,將不同濃度的氣體通入至氣體傳感器氣室中,等待3分鐘,記錄下傳感器測量通道與參比通道的電壓值。各溫度與濃度下,分別進行10次的數(shù)據(jù)采集,取平均值作為最終的采集數(shù)據(jù)。

氣壓補償數(shù)據(jù)采集的過程中,將實驗箱內氣壓調節(jié)至100,105,110,115,120 kPa。在各個氣壓點,將不同濃度的氣體輸入至傳感器中,等待3 min,記錄數(shù)據(jù)。各氣壓與濃度下,分別進行10次的數(shù)據(jù)采集,取平均值作為最終的采集數(shù)據(jù)。

4.2 溫度補償分析

溫度補償?shù)倪^程中,首先處理采集到的21組數(shù)據(jù),將傳感器的測量通道和參比通道輸出電壓的比值、與之對應的溫度值作為GWO-BP神經網絡的輸入向量,將SF6氣體標準濃度作為輸出向量,構建了一個雙輸入單輸出的神經網絡結構。經過GWO-BP神經網絡預測模型處理后,輸出向量即為溫度補償后的濃度值。

如圖6所示,為溫度補償前后的氣體濃度值曲線。對于600 ppm,1200 ppm以及1800 ppm三個溫度點下采集到的數(shù)據(jù)分別采用經驗公式法、GWO-BP神經網絡進行了溫度補償,并與溫度補償前的數(shù)據(jù)對比。其中,第一組數(shù)據(jù)為未進行溫度補償?shù)臐舛戎?當環(huán)境溫度不斷升高,濃度測量值偏移標準值逐漸增大。第二組數(shù)據(jù)為經驗公式法進行的溫度補償,經驗公式法進行補償后,與未進行補償相比較,濃度的偏移有適當減小,但是此方法適配性不佳、應用場合較為局限,在此不作為首選。第三組數(shù)據(jù)為經過GWO-BP神經網絡補償后的濃度數(shù)據(jù),由圖可見,補償后的濃度偏移明顯減小,各濃度的曲線斜率幾乎為零。在整個溫度變化的過程中,氣體濃度的偏移不超過±15 ppm。對比后兩組數(shù)據(jù)可知,使用GWO-BP神經網絡在補償中穩(wěn)定性更好、效果更佳,可以獲得更高的測量精度。

圖6 環(huán)境溫度補償?shù)慕Y果分析圖

4.3 氣壓補償分析

在對氣壓進行補償時,首先需要對采集到的15組數(shù)據(jù)進行預處理,以此作為訓練GWO-BP神經網絡的樣本數(shù)據(jù),構建一個氣壓補償?shù)纳窠浘W絡。構建方式與溫度補償網絡相同,結構皆為雙輸入單輸出。后期,輸入的各項數(shù)據(jù)經過GWO-BP神經網絡處理后,輸出即為氣壓補償后的氣體濃度值。

圖7給出了三組不同濃度的SF6氣體測量數(shù)值在氣壓補償前后的濃度曲線。圖7(a)所示為600 ppm的SF6氣體在補償前后的濃度曲線對比,圖中第一組數(shù)據(jù)為溫度補償前的濃度,第二組數(shù)據(jù)為經BP神經網絡補償后的濃度,第三組數(shù)據(jù)為經GWO-BP神經網絡補償后的濃度。由圖可知,未經過氣壓補償時,在100 kPa處SF6氣體濃度測量值與真實值相差較小,當氣壓增大的過程中,測量值的偏移逐漸增大。對比三組數(shù)據(jù),當經過GWO-BP神經網絡補償后,氣體濃度的測量值與真實值偏移明顯減小,氣體濃度的偏移不超過±15 ppm。相較于BP神經網絡的補償,GWO-BP神經網絡的補償在整個濃度范圍內精確度更高,效果更佳。對于圖7(b)、圖7(c)可得到如圖7(a)相同的結論。

圖7 環(huán)境氣壓補償?shù)慕Y果分析圖

本文在數(shù)據(jù)的采集中,對于溫度和氣壓的補償,分別采集21、15組數(shù)據(jù)作為樣本,構建了補償神經網絡。經補償后的氣體濃度受到環(huán)境溫度、氣壓的影響明顯減小,補償結果較好,有效地提高了傳感器的測量精度。

5 結 論

本文針對SF6氣體傳感器測量精度易受溫度、氣壓影響的問題,采取GWO-BP神經網絡對其進行補償。并利用GWO算法具有收斂速度快、全局搜索能力強且不易陷入局部最優(yōu)的特點,來優(yōu)化BP神經網絡收斂速度慢且易陷入局部最優(yōu)的問題,兩者結合得出補償算法。相較于傳統(tǒng)的硬件電路補償法,該補償方法穩(wěn)定性更好、效果更佳,并且有利于傳感器的小型化。實驗結果表明,基于該補償方法補償后的氣體濃度測量數(shù)據(jù)在0～2000 ppm范圍內誤差范圍為±15 ppm,滿量程誤差為0.75 %FS,說明使用該方法能對氣體檢測過程中的溫度與氣壓進行有效補償,很大程度上減小溫度、氣壓對氣體傳感器測量精度的影響。