基于神經(jīng)網(wǎng)絡(luò)校正算法的酒精非接觸測(cè)量方法

趙雷紅，潘冬寧，李英杰，宋源清，王 蕾，杜麗華

基于神經(jīng)網(wǎng)絡(luò)校正算法的酒精非接觸測(cè)量方法

趙雷紅，潘冬寧，李英杰，宋源清，王 蕾，杜麗華

（青島市光電工程技術(shù)研究院，山東 青島 266111）

為了解決酒精氣體測(cè)量過程中其他外界因素對(duì)測(cè)量濃度影響的問題，本文結(jié)合酒精氣體在紅外譜段吸收的特性以及BP神經(jīng)網(wǎng)絡(luò)算法的非線性處理方法提出了一種基于神經(jīng)網(wǎng)絡(luò)校正算法的酒精氣體非接觸測(cè)量方法。該算法考慮氣體吸收過程中溫度、濕度對(duì)光強(qiáng)的影響，把其作為神經(jīng)網(wǎng)絡(luò)的輸入和測(cè)量參數(shù)一起進(jìn)行訓(xùn)練，同時(shí)與常規(guī)的數(shù)據(jù)擬合模型算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)證明該算法取得了較好的效果。

紅外吸收；指數(shù)擬合；BP神經(jīng)網(wǎng)絡(luò)；酒精氣體；非接觸式

0 引言

酒后駕駛對(duì)于社會(huì)安全具有極大的威脅，據(jù)2008年世界衛(wèi)生組織的交通事故調(diào)查，大約50%～60%的交通事故與酒后駕駛有關(guān)。目前，各國(guó)采取的酒駕測(cè)量方法多為攔截車輛吹氣檢測(cè)，這種方法缺點(diǎn)較多：增加人員接觸、阻礙交通、費(fèi)時(shí)費(fèi)力、檢測(cè)范圍比較片面等?；谝陨蠁栴}，需要研究一種非接觸的酒精測(cè)量方法。近年來紅外光譜技術(shù)[1]在光譜分析[2-3]領(lǐng)域發(fā)展越來越迅速，由于其測(cè)量過程不破壞樣品且無接觸、無污染，在各種領(lǐng)域中都越來越引起了人們的關(guān)注，目前，紅外光譜技術(shù)也已經(jīng)被應(yīng)用到污染氣體測(cè)量[4-6]、圖像分析、食品檢測(cè)[7]等各行各業(yè)中。本文結(jié)合紅外探測(cè)技術(shù)對(duì)酒精氣體濃度進(jìn)行分析，來實(shí)現(xiàn)酒精濃度快速、非接觸式測(cè)量，此方法也將大大提高酒精檢測(cè)效率。

1 系統(tǒng)總體方案

非接觸式酒精測(cè)量系統(tǒng)[7-8]基于酒精氣體紅外光譜吸收原理，主要由紅外光準(zhǔn)直發(fā)射及接收模塊、反射模塊和數(shù)據(jù)處理模塊構(gòu)成。經(jīng)調(diào)制的紅外光準(zhǔn)直后穿過裝有待測(cè)氣體的空間，到達(dá)反射模塊，并按平行于入射中心光軸光路原路返回到發(fā)射端，再匯聚到紅外探測(cè)器上。由于酒精氣體在紅外光譜波段有特征吸收峰，數(shù)據(jù)處理模塊根據(jù)待測(cè)氣體光譜吸收峰位置和大小與酒精所涉及氣體的特征吸收峰進(jìn)行比較，對(duì)其成分進(jìn)行分析，實(shí)現(xiàn)待測(cè)氣體[9-10]成分判定。

根據(jù)酒精氣體在紅外譜段的吸收特性，本文采用差分檢測(cè)技術(shù)，解決了由于振動(dòng)、光強(qiáng)不穩(wěn)等外界環(huán)境因素引起的基線漂移問題，實(shí)現(xiàn)了紅外氣體檢測(cè)的高精度和快速響應(yīng)。其次，采用BP-ANN（back propagation-artificial neural network）進(jìn)行系統(tǒng)建模，通過數(shù)據(jù)模型學(xué)習(xí)不斷優(yōu)化模型參數(shù)，提出了一種基于神經(jīng)網(wǎng)絡(luò)[11-12]的多環(huán)境因子修正算法。

2 建模與仿真

2.1 建立模型

1）模型擬合

通過收集HITRAN光譜數(shù)據(jù)庫(kù)的光譜數(shù)據(jù)選取酒精特征峰，酒精分子在紅外波段2901cm－1附近存在吸收峰，可以作為鑒別酒精的特征信息，實(shí)現(xiàn)常溫常壓條件下對(duì)酒精蒸汽吸收譜的測(cè)量。紅外光源產(chǎn)生紅外光，經(jīng)過酒精氣團(tuán)后由于酒精氣體對(duì)紅外光的吸收，光強(qiáng)被減弱。吸收后的光強(qiáng)分別經(jīng)過兩個(gè)濾光片，一個(gè)是對(duì)酒精氣體吸收敏感的濾波片稱為信號(hào)通道，一個(gè)是對(duì)酒精氣體不敏感的濾光片稱為參考通道。之后光電探測(cè)器接收光強(qiáng)信號(hào)變化傳給數(shù)據(jù)處理單元。鑒于光強(qiáng)受到紅外光源波動(dòng)、外界環(huán)境影響等因素產(chǎn)生的光強(qiáng)不穩(wěn)，此處采用電壓比值算法消除光強(qiáng)因子的影響。紅外檢測(cè)模塊如圖1所示。

圖1中的紅外檢測(cè)模塊包含兩個(gè)探測(cè)器，一路參考信號(hào)，一路待測(cè)信號(hào)。這里假設(shè)兩路通道的光電轉(zhuǎn)換系數(shù)分別為1和及2。則有探測(cè)器輸出的測(cè)量通道電壓信號(hào)為：

式中：0為初始光強(qiáng)；1為信號(hào)測(cè)量波長(zhǎng)；為待測(cè)氣體濃度；為吸收系數(shù)；為光程。

參考通道的電壓信號(hào)為：

式中：1為參考測(cè)量波長(zhǎng)。

為消除光源抖動(dòng)及系統(tǒng)誤差，提高測(cè)量精度，對(duì)兩組信號(hào)進(jìn)行電壓比值計(jì)算，1、2分別表示信號(hào)電壓和參考電壓。

根據(jù)式(3)求得待測(cè)氣體的濃度為：

根據(jù)式(4)可知，同一紅外檢測(cè)系統(tǒng)－/為常數(shù)；ln1－ln2可以由探測(cè)器的讀數(shù)值計(jì)算得到；ln2－ln1只隨外界環(huán)境變化，可通過算法計(jì)算進(jìn)行校正；ln0(2)－ln0(1)在計(jì)算過程中被消除掉，從而實(shí)現(xiàn)了比值法消除光源不穩(wěn)因子的影響。

2）BP神經(jīng)網(wǎng)絡(luò)溫度、濕度修正模型

由于氣體吸光度受環(huán)境影響，包括溫度、氣壓等。所以為了提高氣體濃度計(jì)算的準(zhǔn)確度，對(duì)監(jiān)測(cè)光譜進(jìn)行溫度和氣壓補(bǔ)償。BP神經(jīng)網(wǎng)絡(luò)的計(jì)算流程如圖2所示。

進(jìn)行氣體配置實(shí)驗(yàn)，使用配氣儀配置不同濃度的酒精氣體，分別改變氣體中的溫度和濕度值，記錄兩路電壓比值。以溫度、濕度和兩路電壓比值作為神經(jīng)模型的輸入向量，以酒精濃度作為模型的輸出向量，對(duì)所測(cè)量的數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。該模型為3輸入1輸出的BP神經(jīng)網(wǎng)絡(luò)模型。隱含層節(jié)點(diǎn)的數(shù)量根據(jù)公式(5)進(jìn)行計(jì)算：

式中：為輸入節(jié)點(diǎn)；為輸出節(jié)點(diǎn)；為1～10的常數(shù)。訓(xùn)練模型分別采用tansig和purelin函數(shù)作為隱含層與輸出層傳遞函數(shù)。

2.2 實(shí)驗(yàn)仿真

1）酒精標(biāo)氣與電壓關(guān)系模型

建立傳感器與氣體濃度關(guān)系模型，擬合輸入輸出模型關(guān)系，求取擬合參數(shù)。采用己知濃度的標(biāo)準(zhǔn)酒精氣體、高純度氮?dú)?，配置不同濃度的酒精樣品氣體。根據(jù)酒精樣品氣體濃度配比，得到相應(yīng)的酒精氣體探測(cè)器電壓和參考電壓，部分?jǐn)?shù)據(jù)如表1所示，用指數(shù)函數(shù)擬合酒精標(biāo)氣濃度與探測(cè)器電壓變化關(guān)系，得到酒精標(biāo)氣與電壓關(guān)系模型。

圖1 紅外氣體檢測(cè)模塊

圖2 BP神經(jīng)網(wǎng)絡(luò)的計(jì)算流程簡(jiǎn)圖

Fig. 2 Schematic diagram of calculation flow of BP neural network

表1 酒精濃度-電壓表

由圖3可知，隨著酒精標(biāo)氣濃度的升高，探測(cè)器輸出變?nèi)酰手笖?shù)關(guān)系，說明在實(shí)驗(yàn)室穩(wěn)定的環(huán)境下，酒精標(biāo)氣的光譜吸收遵循朗伯比爾定律。酒精標(biāo)氣標(biāo)定實(shí)驗(yàn)所得到的具體函數(shù)表達(dá)式為：

式中：代表經(jīng)放大、模數(shù)轉(zhuǎn)換后的探測(cè)器電壓輸出；為通入的標(biāo)氣濃度。擬合的指數(shù)模型評(píng)價(jià)參數(shù)如表2所示。

2）BP神經(jīng)網(wǎng)絡(luò)溫度、濕度修正模型

在MATLAB仿真程序中建立BP神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)通過計(jì)算最小均方根誤差訓(xùn)練模型參數(shù)，訓(xùn)練步數(shù)增大，均方根誤差不斷減小，直到誤差達(dá)到允許誤差范圍或者超出訓(xùn)練步數(shù)后訓(xùn)練停止。本模型學(xué)習(xí)速率0.2，隱含層6個(gè)神經(jīng)元，訓(xùn)練步數(shù)61步。誤差隨訓(xùn)練變化圖和三層神經(jīng)網(wǎng)絡(luò)圖如圖4所示。

圖3 酒精標(biāo)氣與電壓關(guān)系模型

表2 模型評(píng)價(jià)參數(shù)表

圖4 誤差隨訓(xùn)練次數(shù)變化

圖5中、分別表示隱含層、輸出層的權(quán)值、閾值，對(duì)于訓(xùn)練好的BP模型，這些都是已知參數(shù)。如圖5所示，建立3層BP神經(jīng)網(wǎng)絡(luò)，輸入層包含3個(gè)輸入變量，分別為電壓、溫度和濕度；隱含層為6個(gè)，輸出層為1個(gè)，即氣體濃度。

3 模型評(píng)價(jià)

當(dāng)建立模型之后，要對(duì)模型進(jìn)行驗(yàn)證和質(zhì)量的評(píng)價(jià)，以確定模型對(duì)光譜信息和濃度信息之間的回歸關(guān)系是否正確，模型是否滿足定量測(cè)量的精度要求，模型是否需要進(jìn)行必要的修正。設(shè)定標(biāo)氣濃度為100ppm（1ppm=0.001‰），分別采用指數(shù)擬合算法和神經(jīng)網(wǎng)絡(luò)溫濕度補(bǔ)償算法進(jìn)行檢測(cè)，并對(duì)結(jié)果進(jìn)行模型參數(shù)評(píng)價(jià)。分別采用指數(shù)擬合算法和BP神經(jīng)網(wǎng)絡(luò)算法對(duì)測(cè)試集樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，兩種算法的氣體濃度預(yù)測(cè)值與真實(shí)值如圖6所示。從數(shù)據(jù)分布可以看出，相對(duì)于BP神經(jīng)網(wǎng)絡(luò)算法而言，指數(shù)擬合算法預(yù)測(cè)數(shù)據(jù)分布更分散，與真實(shí)值偏差更大。

分析表3和表4中的數(shù)據(jù)可知，BP神經(jīng)網(wǎng)絡(luò)溫濕度校正的方法預(yù)測(cè)的酒精濃度比指數(shù)擬合方法誤預(yù)測(cè)濃度更接近于真實(shí)值，整體樣本誤差的標(biāo)準(zhǔn)差也更小，以上數(shù)據(jù)驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)溫濕度校正的方法對(duì)酒精濃度預(yù)測(cè)具有較好的效果。

圖5 三層神經(jīng)網(wǎng)絡(luò)

圖6 兩種算法輸出結(jié)果比較圖

表3 部分預(yù)測(cè)誤差表

表4 誤差標(biāo)準(zhǔn)差

4 結(jié)論

本文對(duì)基于指數(shù)函數(shù)擬合模型算法與BP神經(jīng)網(wǎng)絡(luò)溫濕度校正的方法在實(shí)際數(shù)據(jù)計(jì)算中進(jìn)行了對(duì)比，計(jì)算所得BP神經(jīng)網(wǎng)絡(luò)溫濕度校正的方法取得了相對(duì)更好的效果。通過實(shí)驗(yàn)對(duì)系統(tǒng)結(jié)果進(jìn)行誤差評(píng)價(jià)，對(duì)比兩組誤差標(biāo)準(zhǔn)差可得，加入校正算法提高了氣體濃度預(yù)測(cè)穩(wěn)定性和準(zhǔn)確性。

[1] 王志芳, 王書濤, 王貴川. 粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在甲烷檢測(cè)中的應(yīng)用[J]. 光子學(xué)報(bào), 2019, 48(4): 147-154.

WANG Zhifang, WANG Shutao, WANG Guichuan. Application of particle swarm optimization BP neural network in methane detection[J]., 2019, 48(4): 147-154.

[2] 童敏明, 張愉, 齊美星. 基于BP神經(jīng)網(wǎng)絡(luò)的可燃混合氣體分析方法的研究[J]. 計(jì)量學(xué)報(bào), 2006, 27(2): 169-171.

TONG Minming, ZHANG Yu, QI Meixing. Study on analysis method of combustible gas mixture based on BP neural network[J]., 2006, 27(2): 169-171.

[3] 太惠玲, 謝光忠, 蔣亞東. 基于氣體傳感器陣列的混合氣體定量分析[J]. 儀器儀表學(xué)報(bào), 2006, 27(7): 666-670.

TAI Huiling, XIE Guangzhong, JIANG Yadong. Quantitative analysis of mixed gas based on gas sensor array[J]., 2006, 27(7): 666-670

[4] Philip Antwi, LI Jianzheng, Portia Opoku Boadi, et al. Estimation of biogas and methane yields in an UASB treating potato starch processing waste water with backpropagation artificial neural network[J]., 2017, 228: 106-115.

[5] YU Xin, LV Ruihong, SONG Fang, et al. Pocket-sized nondispersive infrared methane detection device using two-parameter temperature compensation[J]., 2014, 47(1): 30-37.

[6] Reich S L, Gomez D R, Dawidowski L E. Artificial neural network for the identification of unknown air pollution sources[J]., 1999, 33(18): 3045–3052.

[7] SHAO Jie, TANG Qianjin, CHENG Cheng, et al. Remote detection of alcohol concentration in vehicle based on TDLAS[C]//, 2010: 1-3.

[8] 耿輝, 張玉鈞, 劉文清, 等. 乙醇蒸氣近紅外高分辨光譜獲取方法研究[J]. 大氣與環(huán)境光報(bào), 2012, 7(1): 57-62.

GENG Hui, ZHANG Yujun, LIU Wenqing, et al. Acquisition method of high resolution spectra of ethanol vapor in near-IR range[J]., 2012, 7(1): 57-62.

[9] KAN Ruifeng, LIU Wenqing, ZHANG Yujun, et al. Large scale gas leakage monitoring with tunable diode laser absorption spectroscopy[J].., 2006, 4(2): 116-118.

[10] 吳濤, 張懷林, 孔維平, 等. 基于2.73mm分布反饋式激光器同時(shí)在線測(cè)量呼出氣體中的CO2和水汽[J]. 光學(xué)學(xué)報(bào), 2018, 38(12): 1230001-8.

WU Tao, ZHANG Huailin, KONG Weiping, et al. Simultaneous on-line measurement of exhaled carbon dioxide and water vapor based on 2.73mm distributed feedback laser[J]., 2018, 38(12): 1230001-8.

[11] 陳磊, 李長(zhǎng)俊. 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)硫在高含硫氣體中溶解度[J]. 石油與天然氣化工, 2015, 44(3): 1-5.

CHEN Lei, LI Changjun. Prediction of sulfur solubility in high sulfur gas based on BP neural network[J]., 2015, 44(3): 1-5.

[12] 劉國(guó)華. 機(jī)動(dòng)車尾氣高溫CO、CO2排放因子檢測(cè)關(guān)鍵技術(shù)研究[D]. 北京: 中國(guó)科學(xué)技術(shù)大學(xué), 2018.

LIU Guohua. Research on Key Technologies of Vehicle Exhaust Temperature CO and CO2Emissions Factor Detection[D]. Beijing: University of Science and Technology of China, 2018.

A Non-contact Alcohol Measurement Method Based on Neural Network Correction Algorithm

ZHAO Leihong，PAN Dongning，LI Yingjie，SONG Yuanqing，WANG Lei，DU Lihua

(,266111,)

This paper presents a non-contact method for the measurement of alcohol gas emission based on the neural network correction algorithm, tomitigate the influence of external factors on the measurement process. The proposed method combines the characteristics of alcohol gas absorption in the infrared spectrum and the nonlinear processing method of the back propagation(BP) neural network algorithm. The algorithm considers the influence of temperature and humidity on light intensity duringthe gas absorption process and trains it as the input tothe neural network and measurement parameters. Simultaneously, the proposed algorithm is compared with the data fitting algorithm, and the experimental results show that this algorithm achieves better results.

infrared absorption, exponential fitting, BP neural network, alcohol gas, non-contact

TN911

A

1001-8891(2021)02-0192-06

2020-05-08；

2020-07-15.

趙雷紅（1992-），女，碩士，主要從事光譜分析、光譜成像等方面的研究。E-mail：zhaolh@qdaoe.cn。