一种基于深度学习修正的混合气体浓度检测方法技术

本发明专利技术公开了一种基于深度学习修正的混合气体浓度检测方法；该方法如下：1、搭建混合气体检测系统；混合气体检测系统包括控制器、AD采集电路、传感器阵列模块和上位机。传感器阵列模块包括能够检测不同气体浓度的多个传感器。2、混合气体检测系统对各被测气体进行检测。3、上位机将各被测气体组分的测量浓度值输入至混合气体浓度修正网络；混合气体浓度修正网络输出混合气体中是否存在各被测气体组分的判断，并输出各被测气体组分浓度的修正值。本发明专利技术通过神经网络对混合气体中不同组分的浓度测量值进行修正，从而获得更加精准的混合气体浓度，减少了因传感器交叉响应导致的误差。差。差。

【技术实现步骤摘要】
一种基于深度学习修正的混合气体浓度检测方法


[0001]本专利技术属于混合气体浓度分析
，具体涉及一种基于深度学习修正的混合气体浓度检测方法。

技术介绍

[0002]随着科技的发展，越来越多的移动设备被应用于生活之中，气体传感器也越来越精小，检测精度也越来越高。使用气体传感器进行单气检测时，检测结果具有良好线性和准确度。但是对于混气之后，由于传感器的交叉响应，故存在线性干扰，不利于浓度判定。因此，在混合气体检测方面，由于混合气体之间有互相影响，导致所测的数据受到了极大干扰，导致难以精准获得混合气体中不同组分的浓度。
[0003]目前在测量气体方面，大多使用电化学传感器，这是由于电化学传感器具有轻便、便宜、易开发等优点。单个传感器测量单种气体时，具有很好的选择性，而且测量准确性很高，但在现实情况中，大多存在的是混合气体，当传感器在测量混合气体时会存在很大干扰，这是因为传感器具有交叉灵敏度，导致在混合气体时，多种气体对它具有响应。这就难治难以准确地确定不同组分的浓度。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习修正的混合气体浓度检测方法。
[0005]本专利技术一种基于深度学习修正的混合气体浓度检测方法，包括以下步骤：
[0006]步骤1、搭建混合气体检测系统
[0007]混合气体检测系统包括控制器、AD采集电路、传感器阵列模块和上位机。传感器阵列模块包括能够检测不同气体浓度的多个传感器。控制器与上位机通信。上位机中搭载有混合气体浓度修正网络。
[0008]步骤2、将步骤1搭建的混合气体检测系统放置在被测环境中。传感器阵列模块对各被测气体进行检测。所得模拟信号经过模数转换传输至控制器。控制器再将所得数字信号发送给上位机。
[0009]步骤3、上位机将接收到的数字信号转化为各被测气体组分的测量浓度值，并输入至混合气体浓度修正网络；混合气体浓度修正网络输出混合气体中是否存在各被测气体组分的判断，并输出各被测气体组分浓度的修正值。
[0010]作为优选，步骤1中构建的混合气体检测系统还包括WiFi模块。WiFi模块的型号为esp8266；控制器与云端服务器通过WiFi模块通信。
[0011]作为优选，步骤1中构建的混合气体检测系统还包括显示模块；显示模块采用lcd显示屏。显示模块由控制器进行控制，用于显示测得的混合气体数据。
[0012]作为优选，所述的控制器采用stm32系列单片机。
[0013]作为优选，传感器阵列模块包括检测四种气体浓度的传感器；该四种气体分别为一氧化碳、二氧化氮和二氧化硫和甲醛。
[0014]作为优选，所述的混合气体浓度修正网络采用BP神经网络，以四种气体的检测浓度为输出；四种气体是否存在以及校准浓度为输出。该混合气体浓度修正网络包括三个卷积层和和两个全连接层。三个卷积层依次相连，且每个卷积层的后侧均设置有一层ReLU函数；两个全连接层设置在最后一个卷积层的后侧，分别用于输出为种类类别和预测浓度值。
[0015]作为优选，所述的混合气体浓度修正网络的损失函数如下：
[0016]TotalLoss＝SigmoidCrossEnropyLoss+SmoothL1Loss
[0017][0018][0019]其中，TotaLoss为总损失；SigmoidCrossEntropyLoss为概率损失；SmoothL1Loss为浓度损失；p
i
表示真实分类；表示预测类别，N表示样本个数，概率损失即是求真实分类值和预测值之间的差异大小。y
i
表示第i个样本的检测浓度，f(x
i
)表示第i个样本的预测浓度。N表示总样本数。
[0020]本专利技术具有的有益效果是：
[0021]本专利技术通过神经网络对混合气体中不同组分的浓度测量值进行修正，从而获得更加精准的混合气体浓度，减少了因传感器交叉响应导致的误差。
附图说明
[0022]图1为本专利技术中混合气体检测系统的示意图；
[0023]图2为本专利技术进行混合气体浓度检测信号传输图；
[0024]图3为本专利技术中使用的混合气体浓度修正网络的结构图。
具体实施方式
[0025]以下结合附图对本专利技术作进一步说明。
[0026]一种基于深度学习修正的混合气体浓度检测方法，包括以下步骤：
[0027]步骤1、搭建混合气体检测系统
[0028]如图1和2所示，混合气体检测系统包括控制器1、AD采集电路2、WiFi模块3、显示模块4、传感器阵列模块5和上位机6。WiFi模块3的型号为esp8266；显示模块4采用lcd显示屏。控制器1采用stm32系列单片机。传感器阵列用于与各类被测气体发生反应，并分别产生电信号，是整个系统的数据来源。传感器阵列模块5中包含有阿尔法公司Apollo四电极电化学传感器和三电极传感器；具体包括型号分别为CO
‑
B4，NO2
‑
B4，SO2
‑
B4，ETO
‑
A1的四个传感器(分别用于检测一氧化碳、二氧化氮、二氧化硫和甲醛)。
[0029]WiFi模块3和显示模块4均与控制器1连接；控制器1与云端服务器通过WiFi模块3通信，实现混合气体数据的上传；显示模块4用于显示测得的混合气体数据。AD采集电路2将传感器阵列模块5输出的模拟信号进行模数转换后，传输至控制器1。控制器1将所得数字信号发送给上位机6。上位机6对气体浓度信号的测量值进行修正后发送至控制器1。混合气体检测系统需要和搭载在上位机6的混合气体浓度检测方法相配合，才能够混合气体浓度的
精准监控预测。
[0030]步骤2、将步骤1搭建的混合气体检测系统放置在被测环境中。传感器阵列模块5对各被测气体进行检测。所得模拟信号经过模数转换传输至控制器1。控制器1再将所得数字信号发送给上位机6。控制器1发送给上位机6的数据为txt格式，包括八个文件，分别为文件O0
‑
O7；每一个或两个文件对应一类气体的浓度。文件O0、O1对应的气体为CO(一氧化碳)；文件O2、O3对应的气体是NO2(二氧化氮)；文件O4、O5对应的气体是SO2(二氧化硫)；文件O7对应的气体是HCHO(甲醛)，文件O6悬空。
[0031]除甲醛外，检测每种气体的传感器均有两个电极；其中一个电极为参照极，另一个电极为工作极。因此，在数据处理时，取工作极的数据减去参照极的数据，工作极对应的数据文件分别是文件O1、O3、O5、O7；甲醛无参照极，所以文件O7不需要相减。
[0032]对于一氧化碳、二氧化氮和二氧化硫将工作极与参照极输出的数据相减，得到该三种气体的检测浓度；对于甲醛将工作极输出的数据直接作为检测浓度。
[0033]步骤3、构建用于修正四类气体浓度的混合气体浓度修正网络。
[0034]如图3所示，混合气体浓度修正网络采用卷积神经网络，以四种气体的检测浓度为输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习修正的混合气体浓度检测方法，其特征在于：包括以下步骤：步骤1、搭建混合气体检测系统混合气体检测系统包括控制器(1)、AD采集电路(2)、传感器阵列模块(5)和上位机(6)；传感器阵列模块(5)包括能够检测不同气体浓度的多个传感器；控制器(1)与上位机(6)通信；上位机(6)中搭载有混合气体浓度修正网络；步骤2、将步骤1搭建的混合气体检测系统放置在被测环境中；传感器阵列模块(5)对各被测气体进行检测；所得模拟信号经过模数转换传输至控制器(1)；控制器(1)再将所得数字信号发送给上位机(6)；步骤3、上位机(6)将接收到的数字信号转化为各被测气体组分的测量浓度值，并输入至混合气体浓度修正网络；混合气体浓度修正网络输出混合气体中是否存在各被测气体组分的判断，并输出各被测气体组分浓度的修正值。2.根据权利要求1所述的一种基于深度学习修正的混合气体浓度检测方法，其特征在于：步骤1中构建的混合气体检测系统还包括WiFi模块(3)；WiFi模块(3)的型号为esp8266；控制器(1)与云端服务器通过WiFi模块(3)通信。3.根据权利要求1所述的一种基于深度学习修正的混合气体浓度检测方法，其特征在于：步骤1中构建的混合气体检测系统还包括显示模块(4)；显示模块(4)采用lcd显示屏；显示模块(4)由控制器(1)进行控制，用于显示测得的混合气体数据。4.根据权利要求1所述的一种基于深度学习修正的混合气体浓度检测方法，其特征在于：所述的控制器(1)采用stm32系列单...

【专利技术属性】
技术研发人员：周杨，郑晓隆，李丽丽，汶飞，应智花，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：