基于TDLAS-WMS的液體無損探測識別電子鼻系統*

孔國利，谷惠敏

(1.中州大學信息工程學院，河南鄭州450000;2.商丘醫學高等專科學校公共學科部，河南商丘476100)

基于TDLAS-WMS的液體無損探測識別電子鼻系統*

孔國利1*，谷惠敏2

(1.中州大學信息工程學院，河南鄭州450000;2.商丘醫學高等專科學校公共學科部，河南商丘476100)

為了實現對液體的無損探測識別，在可調諧二極管激光吸收光譜和波長調制光譜(TDLAS-WMS)技術的基礎上，采用嵌入式處理器LPC2148和波長可調諧的分布反饋(DFB)激光器設計并研制了液體無損探測識別電子鼻系統，控制DFB激光器出射波長通過被檢測液體的揮發氣體，根據譜帶的吸收情況進行探測，并將數據經過USB接口傳輸到上位機進行處理和分析。上位機根據氣體信息數據庫識別出被檢測液體。測試結果表明，設計的電子鼻系統可以在不破壞待測物質化學性質的前提下快速準確地進行探測和區分識別。

無損探測識別;譜帶的吸收;主成分分析;電子鼻;激光器

食用醋的調味與藥用價值越來越得到人們的重視，然而有不法商販鋌而走險用工業冰醋酸勾兌成食用醋，不僅違反了國家食品安全的相關條例，還對消費者的健康產生了極大的威脅。目前對于食用醋識別的傳統方法是采用對產品抽樣，然后送到質檢部門進行化驗和分析［1-3］。盡管這種常用的檢測方法可以準確得出結果，但是耗時耗力。亓培鋒等［4］采用傳感器陣列優化方法對氣體進行識別檢驗;李靜等［5］通過電子鼻采集的氣味圖譜研究特征氣味的散發規律。McWilliams等［6］采用化學電阻傳感器陣列對吸煙者呼氣檢測進行肺癌風險研究。但是這些方法都存在誤差偏大和穩定性差的問題。為此，提出了一種基于TDLAS-WMS技術和采用DFB激光器［7］設計的無損探測識別的電子鼻系統，通過對5種不同種類的食用醋進行檢測，進行了準確探測和區分識別。

1 電子鼻系統結構組成及工作原理

液體無損探測識別電子鼻系統主要由電子鼻和上位機兩部分組成。電子鼻在設計上由電學和光學兩部分。電學部分主要由嵌入式處理器LPC2148、差分電路、鎖相放大、A/D轉換、激光器驅動電源和溫度控制器等組成。光學部分包括波長可調諧DFB激光器，兩個近紅外探測器，分別用于檢測通道和參考通道［8-9］。電子鼻系統整體結構如圖1所示。以LPC2148為處理器，控制信號發生器產生控制信號驅動DFB激光器，使其輸出穩定的光強。同時，LPC2148控制溫度控制器，使DFB激光器的激射波長位于被測液體的吸收峰。為了消除系統的1/f噪聲和粉紅噪聲，將低頻掃描信號(鋸齒波)和高頻調制信號(正弦波)疊加，成為混合信號，驅動DFB激光器，被檢測的液體樣本會表現出不同的吸收特性(阻抗特性)，經過差分鎖相放大電路后，轉化為電壓信號給處理器的LPC2148的A/D轉換器［10］。

圖1 電子鼻系統結構

電子鼻的工作原理以及檢測過程:由于不同液體(氣體)在近紅外譜段都具備特殊的吸收峰，存在“指紋區”特性，本系統借助波長可調諧的分布反饋激光器，并對其工作溫度和注入電流進行調節，產生被測液體吸收譜帶光源。液體揮發氣體后的吸收譜帶的變化導致探測器阻抗特性改變，對其進行精確采集。嵌入式處理器LPC2148通過USB通信接口與上位機連接，將采集到的數據實時上傳，上位機接收到發來的數據后，采用主成分分析和反向傳播混合神經網絡模式算法對采集到的數據進行處理，再根據氣體信息數據庫進行分析，就能準確快速地探測和識別，實現對不同物質的區分。

2 硬件系統關鍵模塊

DFB激光器是檢測系統的關鍵部分，其工作的溫度和供電電源的穩定性直接關系到測量的精度。

2.1 激光器溫度控制模塊

由于DFB激光器激射波長與被檢測液體近紅外吸收峰的一致性直接影響電子鼻系統性能的優劣［11］。以LPC2148為核心控制器，TEC(熱電制冷器)為前向驅動電路［12］，與RTD(熱敏電阻)為后端采集電路，研制出高精度的DFB激光器溫度控制模塊，如圖2所示。

圖2 DFB激光器溫度控制模塊

DFB激光器溫度控制器由前向通路和溫度信息采集通路組成。核心控制芯片處理器LPC2148通過前向通道，將數字化的溫度控制量轉化為驅動TEC的電流值和方向，從而控制DFB激光器的工作溫度。DFB激光器工作的溫度通過熱敏電阻轉化為相應的阻值，然后通過溫度信息采集通路轉換為數字化的溫度量輸出給核心控制處理器LPC2148，從而構成完整的溫度閉環控制系統。

2.2 DFB激光器驅動電源

為了提高驅動電源的線性度和穩定度，增加電子鼻系統的檢測精度，驅動電源采用硬件閉環的控制方式，利用深度線性負反饋，通過調節積分時間和增益倍數，使驅動電源的線性度和穩定度得以提高［13］。DFB激光器驅動電源構成如圖3所示。

圖3 DFB激光器驅動電源結構

控制器模塊以LPC2148為核心，通過壓控恒流源模塊，將數字化控制量轉換為相應的輸出電流模擬量，得以驅動DFB激光器。供電電源能夠為驅動電源各組成部分提供電源。保護電路模塊能夠使DFB激光器正常工作，使其免于損傷，延長其使用壽命。

2.3 鎖相放大模塊

為了壓制1/f噪聲和粉紅噪聲，采用相關檢測法，對高頻調制信號進行鎖相，提取與液體濃度相關的有用信號。鎖相放大模塊如圖4所示。

圖4 集成的鎖相放大器框圖

鎖相放大模塊以相敏檢波芯片AD630為核心，將差分信號與相位可調的參考信號(10 kHz方波信號)進行相敏檢波，輸出給模擬乘法單元，然后經高階巴特沃茲低通濾波器，得到與被測液體濃度相關的二次諧波信號。其中，相位可調的參考信號(10 kHz方波信號)為5 kHz的方波信號經倍頻和移相單元得到。實驗中根據背景噪聲，調節低通濾波器截止頻率來獲得最佳二次諧波信號［14］。

3 PCA和BP混合算法

由于采集到的原始數據xi存在大量冗余，上位機首先通過歸一化方法，對原始數據進行預處理，剔除冗余，歸一化公式如下:

式中，xi、yi為歸一化處理前后值，xmin和xmin分別為電子鼻采集到樣本數據中的最大值和最小值。

然后上位機采用主成分分析方法將接收到的歸一化數據進行維度降低處理，然后再經過BP模式識別，將被測數據與數據庫數據進行一一比對，識別被測液體［15］，具體執行步驟:

Step 1樣本采集與處理。從5種被測液體樣品中采集5 000個數據，建立總共為5×5 000數據的數據庫。如需識別時，先采用PCA分析，建立標準化矩陣，實現對原始采集數據進行轉換和進一步的降維處理。然后提取被測樣本的PCA1和PCA2，并進行比對，對PCA1和PCA2的貢獻量分別進行計算，得到總貢獻量。實際中，采用PCA圖譜可以得到更加直觀的效果，PCA方法流程圖如5所示。

圖5 PCA方法流程圖

Step 2設置BP神經網絡所需參數，對PCA分析所得到的實驗數據進行訓練。實際中，由于被測液體為5種，即輸入層/輸出層節點數為5個。由于隱含層=輸入層節點數+輸出層節點數，所以隱含層節點數為10。

Step 3上位機根據BP訓練得到的數據與建立的數據庫數據進行比對，識別被測液體樣本［16］。

4 測試結果與分析

在實驗室進行了測試實驗，環境室溫為20℃，濕度為50%RH，對5種食用醋(陳醋、白醋、香醋、米醋和蘋果醋)進行區分識別。實驗中對5種被測食用醋揮發的液體進行檢測，當樣品在氣室中靜置2 min后采集數據。對每種測試對象進行采集，間隔時間為2ms，每種樣品采集5 000個數據，建立總共為5×5 000數據的數據庫，其中取22 500數據作為BP訓練對象，余下2 500組數據作為測試樣本，分別繪制電子鼻對5種樣品的標準化響應曲線，隨著采集樣本數量的增加相應趨于穩定，如圖6所示。

圖6 電子鼻系統響應曲線

從圖7的PCA分析圖譜可知，陳醋、白醋、香醋、米醋和蘋果醋5種不同的食醋被準確識別。

再采用BP神經網絡進行模式識別，將22 500組訓練樣本用于BP神經網絡訓練，當閾值和權值滿足如下條件時，yi=max{y1，y2，y3，y4，y5}≥0.9，被檢測液體樣本能夠被準確識別，其中yi為第i個食用醋采集樣本值。

由BP神經網絡訓練結果可知，對5種被測食用醋識別結果的正確率為100%。同時，BP神經網絡的誤差和訓練次數的關系如圖8所示。

圖7 電子鼻系統PCA分析圖譜

表1 BP神經網絡訓練結果

圖8 誤差與訓練次數的關系

由圖8可知，隨著BP神經網絡訓練次數的增加，誤差隨之減少，但檢測時間相應增加。所以實際中需對訓練次數與檢測時間進行折中，達到最佳檢測效果。

5 結束語

研制的液體無損探測識別電子鼻借助波長可調諧的分布反饋激光器開發而成，并對分布反饋激光器工作的溫度和供電電源的進行控制，使通過液體揮發氣體后的吸收譜帶的變化情況進行精確采集。同時，在上位機上通過PCA和BP混合算法對采集到的數據進行處理和分析，進而能夠快速準確的識別。通過對5種食用醋的測試結果表明，設計的電子鼻系統可以在不破壞待測物質化學性質的前提下，快速準確地進行探測和區分識別，如建立更加全面的數據庫，還可以實現對不同物質的探測和識別分析。

［1］朱國強，韋麗麗，江恩源.多樣品同時萃取-氣相色譜法測定食品中山梨酸和苯甲酸［J］.現代食品科技，2013，29(5):1166-1169.

［2］張延軍，劉敬彪，蔡強，等.基于嵌入式系統的電子鼻研究與實現［J］.電子器件，2010，33(4):466-470.

［3］陳立偉，楊建華，孫亮，等.基于分布式傳感器陣列的靜態氣體源定位方法［J］.電子科技大學學報，2014，43(2):212-215，221.

［4］亓培鋒，孟慶浩，井雅琪，等.電子鼻中預處理算法選擇及陣列優化［J］.數據采集與處理，2015，30(5):1099-1108.

［5］李靜，宋飛虎，浦宏杰，等.基于電子鼻氣味檢測的蘋果微波干燥方案優選［J］.農業工程學報，2015，31(3):312-318.

［6］McWilliams A，BeigiP，Srinidhi A.Sex and Smoking Status Effects on the Early Detection of E lectronic Nose［J］.Biomedical Engineering，IEEE Transactions on，2015，62(8):2044-2054.

［7］劉紅平.基于中紅外量子級聯激光器的痕量CO檢測儀研制［J］.核電子學與探測技術，2014，34(9):1140-1144.

［8］朱曉瓊，楊涓，李婧，等.電子鼻結合PCA-BP神經網絡在煙用香料質量控制中的應用［J］.化學研究與應用，2014，26(2): 261-266.

［9］周紅標，張宇林，丁友威，等.自適應概率神經網絡及其在白酒電子鼻中的應用［J］.智能系統學報，2013，8(2):177-182.

［10］李多，葉樺.基于STM32與FPC1011F的嵌入式指紋采集存儲儀設計［J］.電子器件，2015，38(2):362-367.

［11］潘虎，王廣宇，宋俊玲，等.免標定波長調制光譜在氣體溫度和濃度測量中的應用［J］.紅外與激光工程，2014，43(3):956-960.

［12］倪屹，張杰，孔軒.基于REC技術的可調諧DFB激光器陣列設計與測試［J］.中國激光，2015(5):16-19.

［13］賴冬寅.基于FPGA的DFB激光器驅動電路的設計與仿真［J］.激光雜志，2014，35(11):57-59.

［14］邱賀，段永紅.用于感應式磁傳感器低噪聲前置放大器的研制［J］.儀表技術與傳感器，2015(1):22-24.

［15］文政穎，米捷.基于PCA和LVQ混合神經網絡算法的電子鼻系統［J］.電子技術應用，2013，39(10):76-79.

［16］吳莉莉，鄭丹，鄭寶周，等.基于電子鼻技術的花椒品種鑒別方法研究［J］.傳感技術學報，2013，26(11):1473-1477.

孔國利(1973-)，男，河南省開封人，副教授，碩士，主要研究方向為探測技術與智能控制，kguoli73@126.com;

谷惠敏(1979-)，女，河南商丘人，講師，碩士，主要研究方向為計算機應用技術。

Electronic Nose System for Liquid Nondestructive Detection and Identification Based on TDLAS-WMS*

KONGGuoli1*，GU Huimin2

(1.Information Engineering College，Zhongzhou University，Zhengzhou 450000，China; 2.Department of Public Courses，Shangqiu Higher Vocational School of Medicine，Shangqiu 476100，China)

For the detection and recognition of liquid without destroying，an electronic nose system for liquid nondestructive identification based on Tunable Diode Laser Absorption Spectroscopy and Wavelength Modulation Spectroscopy(TDLAS-WMS)technology is designed utilizing embeded processor LPC2148 and wavelength tunable distributed feedback(DFB)laser，whose wave passes through the volatile gas of liquid to detect according to the spectral band absorption，then uploading them to the host for processing and analysis by USB interface.The host indentifies the liquid according to the gas information database.The test results show that the designed electronic nose system can detect and distinguish identify quickly and accurately without destroying the chemical properties of the detected object.

nondestructive detection and identification;spectral band absorption;principal component analysis; electronic nose;laser

C:7320

10.3969/j.issn.1005－9490.2017.01.037

TP216+.3

:A

:1005－9490(2017)01－0194－05

項目來源:國家青年基金項目(61405156);國家自然科學基金項目(U1304618)

2016-01-15修改日期:2016-02-01