盛偉岸， 張立權， 黃 帥， 韓曉娟， 張文彪

(1.大唐長山熱電廠，吉林 松原 131109；2.華北電力大學 控制科學與計算機工程學院，北京 102206)

1 引 言

隨著科技進步和綠色可持續(xù)發(fā)展觀念的樹立，燃煤生物質耦合發(fā)電技術越來越受到重視[1]。由于該技術物質氣化過程中需要檢測包括CO、H2和CH4等可燃氣體的濃度，所以對可燃氣體進行準確測量在燃煤生物質耦合發(fā)電技術中尤為重要[2]。

在電廠鍋爐高溫高壓的環(huán)境下非接觸測量法有很大的優(yōu)勢，非接觸測量法主流的方法是光學分析法[3]。光學分析法主要是根據Beer-Lambert定律，與吸收光譜學理論相結合，實現對爐內氣體的精確測量。光學分析法主要有差分吸收光譜技術、傅里葉變換紅外光譜技術、可調諧激光二極管吸收光譜技術、激光雷達技術、激光誘導熒光光譜技術和激光光聲光譜技術等[4]?？烧{諧二極管激光吸收光譜(tunable diode laser absorption spectroscopy, TDLAS)技術具有適應性強、高靈敏度、非侵入性、實時動態(tài)以及多組分測量等特點，能夠適應電站鍋爐高溫、高壓、多粉塵等環(huán)境[5,6]，為燃煤生物質耦合發(fā)電技術燃氣濃度檢測提供了新的解決思路。文獻[7]搭建了基于TDALS技術的長光程光路大氣CO監(jiān)測系統(tǒng)，并且驗證了該系統(tǒng)的可行性；文獻[8]提出了一種基于多次反射直接吸收測量CO2濃度的方法；文獻[9]采用多次反射吸收光譜技術建立CO2濃度測量裝置；文獻[10]提出一種BP神經網絡對TDLAS氣體吸收光譜吸光度進行實時提取的方法，并在實際應用中得到驗證；文獻[11]提出了基于TDALS技術的BP神經網絡補償模型用來測量痕量CO濃度，對測得的氣體濃度進行了溫度/壓力補償，提高了測量精度；文獻[12]基于TDLAS技術模擬發(fā)動機排氣環(huán)境對NH3進行測量，結果表明高溫環(huán)境對氣體濃度測量影響較大。

本文研究了一種基于可調諧半導體激光器、運用RBF神經網絡的CO2氣體濃度檢測方法。比較穿過待測氣體的激光信號與擬合后得到的原始激光信號之間的差異，從中提取激光被吸收部分與原始激光信號之間的均值、標準差、偏差平方和、變異系數和最大偏差等5個特征參數作為RBF神經網絡的輸入，CO2濃度作為輸出，實現CO2氣體濃度檢測。仿真實例表明，該方法受溫度、壓力等外界環(huán)境影響較小。

2 CO2濃度計量原理

可調諧二極管激光吸收光譜技術主要是根據Beer-Lambert定律，利用分布反饋半導體激光器(DFB激光器)的可調諧性和線寬窄的特點，通過改變激光器的調制電流來調制激光器的輸出激光，讓激光波長連續(xù)掃描待測氣體的選定吸收峰，測量并搜集被吸收峰和吸收峰外的信號，將兩種信號進行對比從而獲得被測氣體的濃度。該技術的主要優(yōu)點是靈敏度高，只要測量波段選取正確，就可以得到痕量氣體的濃度，通過時分復用或波分復用技術實現對多種氣體成分的測量[13]。

2.1 可調諧半導體激光器檢測原理

根據雙線直接吸收測溫方法，一定溫度下分別獨立測量特征氣體不同吸收譜(中心吸收波數σ1、σ2，cm-1)處的積分吸收率R，R只與溫度有關：

(1)

激光路徑上的平均溫度為：

(2)

激光路徑上的平均氣體濃度可以由式(3)表示[4]：

(3)

式中:L為激光束穿過被測氣體區(qū)域長度;B為吸收線型曲線下方面積。

2.2 基于TDLAS的CO2氣體濃度測量系統(tǒng)

圖1中給出了基于TDLAS的高溫氣體CO2濃度測量系統(tǒng)[4]，該系統(tǒng)由函數信號發(fā)生器、激光控制器、準直器、氣體吸收池、凸透鏡、探測器、前置放大器和信號采集卡構成。其工作過程為：將純氮氣通過氣路通入氣體吸收池一段時間，以排盡吸收池內的雜氣，然后將配置濃度的待測氣體通過氣路通入氣體吸收池，實驗前連續(xù)通氣20 min以上，保證吸收池充滿待測氣以備測量；激光控制器通過激光器底座為激光器提供工作所需的溫度和電流，通過改變輸入激光器的調制電流大小，驅動DFB激光器對氣體吸收譜線在頻域上進行掃描；激光器輸出光束通過光纖準直器經過氣體吸收池內的待測介質，被特定濃度的CO2氣體介質吸收透射后，透射光被光電探測器接收，經前置放大電路轉化并放大處理，最后通過數據采集卡采集至計算機；對透射光強信號進行分析，根據未被吸收激光的光譜信號擬合得到原始激光光譜信號，計算吸收部分的激光光譜信號與原始信號之間的差值，得到在特定氣體濃度下的光譜被吸收的成分，由此計算被測氣體濃度值。

圖1 基于TDLAS的CO2濃度測量系統(tǒng)

2.3 譜線的選取

譜線選擇數據在HITRAN(high-resolution transmission)數據庫進行查詢，主要用途是用于預測和模擬光線在大氣環(huán)境或實驗空間中的氣體介質內吸收、透射和輻射等情況，并提供相關光譜數據。在該數據庫通過輸入溫度、壓力、線型函數類型等參數，查詢滿足條件的光譜數據。高溫情況數據在HITEMP(high temperature molecular spectroscopic database)數據庫中查詢，高溫分子光譜數據庫HITEMP相當于HITRAN數據庫在高溫段的數據查詢平臺，能夠為高溫工況下提供更加準確的光譜數據。本文在室溫下進行實驗，所以只需在HITRAN數據庫中查詢進行譜線選取。

2.4 數據的預處理

利用可調諧半導體激光器產生的一定波長范圍的激光,可透射不同濃度的CO2氣體，在實驗中CO2的濃度分別取8%，20%，40%，60%，80%和100%。圖2為激光透射不同濃度下的CO2氣體所接收到的激光信號的電壓隨采樣點數的變化曲線。

圖2 不同濃度下的CO2氣體電壓輸出曲線

從圖2中可以看出，隨著采樣點數的變化，在掃描波長變化范圍內，CO2氣體對對應波長激光信號定量吸收，激光信號強度變化很大。在接收原始信號過程中會產生一定的波動，所以在分析所接收到的激光信號與CO2濃度關系之前，應對采集到的激光光譜信號進行濾波處理，以消除或減小因測量過程或其它原因所造成的影響。采用移動平均法實現激光光譜信號的平滑處理，其平滑原理為：以當前元素及其前一個元素為中心，求取相鄰元素移動窗口(窗口長度L=100)內各元素的平均值。由于移動窗口長度L是偶數，所以窗口以當前元素及其前一個元素為中心。平滑后的第n個點的激光光譜信號電壓值計算式為：

(4)

式中：x(n)/V為第n個點的激光光譜信號電壓值；t的取值區(qū)間為[n-49，n+50]。

經過移動平均濾波平滑處理后的激光光譜信號曲線如圖3所示。

圖3 不同濃度下的激光光譜信號平滑曲線

從圖3中可以看出，經過移動平均濾波處理后的激光光譜曲線與圖2中的原始光譜曲線相比，波動明顯減少，曲線更加平滑。

2.5 CO2氣體濃度的統(tǒng)計特征提取

對CO2吸收光譜的特性分析可知，CO2濃度越低，所包含的信息越不明顯，對濃度測量準確性的要求也就越高。因此，要從接收到的激光信號與原始信號的差異中提取出多個特征參數進行計算，才能最大限度地提高預測的精確度。

(1) 均值(Pk,mean)：表示CO2濃度為k時接收到的激光信號與原始信號差值的均值。

(5)

式中:N代表了接收到的激光信號與原始激光偏差的總點數；Pi表示各采樣點下接收到的激光信號與原始激光的偏差數值。

(2) 標準差(Pk,std)：表示CO2濃度為k時接收到的激光信號與原始信號差值下的標準差統(tǒng)計量。

(6)

(3) 偏差平方和(Pk,sse)：表示CO2濃度為k時接收到的激光信號與原始信號差值的離散程度的一個指標，其值越接近于0，說明CO2吸收的光信號越少。

(7)

(4) 變異系數(Pk,cσ)：表示CO2濃度為k時接收到的激光信號與原始信號差值的變異系數。

(8)

(5) 最大偏差(Pk,dev)：表示CO2濃度為k時接收到的激光信號與原始信號差值的最大值。

Pk,dev=max(Pi)

(9)

根據式(5)～式(9)計算得到的5個統(tǒng)計特征指標，如表1所示。

表1 不同濃度下統(tǒng)計量的值

從表1中可以看出，CO2濃度越高，接收到的激光光譜信號被CO2吸收的越多；均值、偏差平方、標準差和最大偏差隨著CO2濃度的增加而增大；變異系數隨著CO2濃度的增加而減小。標準差體現其離散程度，最大偏差體現特定頻率的諧波被不同濃度CO2吸收的程度。

3 基于RBF神經網絡的CO2濃度測量

RBF神經網絡是一種性能優(yōu)良的前饋型神經網絡，具有很強的生物學背景。主要由輸入、隱含和輸出層構成的3層網絡結構[14,15]，如圖4所示。

圖4 CO2濃度測量的RBF神經網絡結構

其中，輸入層由一些源點組成，外界與神經網絡連接起來，其作用就是針對外界的不同輸入做出響應；第二層是隱含層，它的作用是將由輸入層進入的信號進行非線性變換，本文采用高斯函數作為將輸入信號變換非線性的激活函數，計算公式如(10)所示；第三層是輸出層。

(10)

式中：x是表示的輸入量K和中心Ci的距離；f(x)在Ci中有唯一最大值，且會隨著x的增大而衰減到零；δ決定了向基圍繞中心的寬度，并且δ與隱含層神經元的個數具有一定的關系，通常情況下δ的計算式為：

(11)

式中：dm是所選中的最大距離；m為隱含層神經元的個數。

基于RBF神經網絡的CO2濃度檢測流程如圖5所示。

圖5 基于RBF神經網絡的CO2濃度檢測流程圖

4 仿真實例

在CO2濃度測量實驗中，通過查閱HITRAN數據庫得到CO2氣體在波長為1 600 nm附近吸收比較明顯，而且在該波長下受其它氣體影響較小，所以本實驗選擇EP-2000-DM型號激光發(fā)射器，波長范圍900～1 700 nm。在環(huán)境溫度26 ℃和大氣壓強101 kPa條件下，分別用激光透射濃度為8%,20%,40%,60%,80%和100%的CO2氣體進行測量。RBF神經網絡的輸入量選取不同濃度下CO2吸收譜線與原始譜線偏差的均值、標準差、平方和、變異系數和最大偏差等5個統(tǒng)計量特征，根據MATLAB中的newrbe( )函數創(chuàng)建徑向基神經網絡基本函數：

Net=newrbe(P，T，SPREAD)

(12)

式中：P為數據處理之后得到的輸入樣本；T為輸出目標；SPREAD為RBF神經網絡的擴展速度。

首先，需對RBF神經網絡的輸入數據進行歸一化到標準化區(qū)間[0,1]。數據的歸一化處理可以避免神經元出現飽和，能夠使各輸入分量有同等重要地位，防止數值大的輸出分量絕對誤差大，數值小的輸出分量絕對誤差小，從而有利于依據總誤差對權值進行調整的作用。歸一化處理公式如下：

(13)

式中：ymax和ymin分別為1和0，因為本文需要將數據歸一到標準化區(qū)間[0,1]中；xmax，xmin分別是需要歸一化處理的數據中的最大值和最小值；x是當前的數據；y是x歸一化處理后的結果。

計算相對平均誤差式如下：

(14)

式中：Φm為測試值；Φr為實際值。

為了對比分析，分別采用RBF和GRNN兩種方法實現不同濃度下的CO2濃度測量，測量結果及相對平均誤差如表2所示。

從表2中可以看出，利用RBF神經網絡對CO2氣體濃度測試精度明顯高于GRNN神經網絡的預測結果。當CO2氣體濃度為40%時，RBF神經網絡的相對誤差為2.592%，是6種濃度下誤差的最大值；而GRNN神經網絡測試誤差隨著CO2濃度增加而逐漸減小。從絕對誤差角度來看，當CO2濃度為40%和60%時，RBF神經網絡的絕對誤差為1.036 6%和0.985 5%，是6種濃度下誤差的最大值；通過分析，造成上述現象的原因可能是N2未能充分將CO2排出和激光控制器及信號采集裝置電壓不穩(wěn)定等因素引起。同時可以看出，由于GRNN神經網絡具有局部逼近能力，所以在算例中出現過擬合，導致預測效果不好。

表2 不同濃度下的預測結果

5 結 論

本文基于TDLAS技術和RBF神經網絡算法對CO2的濃度進行預測，該方法具有很高的準確性和可靠性。根據可調諧激光被CO2吸收部分和擬合出的原始激光信號之間的差異提取特征值對CO2濃度進行解析，通過RBF神經網絡對特征參數進行訓練并預測濃度。主要研究結果如下：

(1) 均值、標準差、偏差平方和、變異系數和最大偏差等5個特征參數能夠清晰地描述激光被CO2氣體吸收的程度；

(2) 基于RBF神經網絡的高溫氣體CO2濃度預測方法可以準確地預測CO2濃度，最大預測誤差低于2.592%；

(3) 與GRNN神經網絡預測結果相比，RBF神經網絡的預測精度遠遠高于GRNN，更適用于高溫氣體CO2濃度的測量。