基于SAW氣敏陣列的火電廠排放物SO2與NO2監測裝置設計

(1.北京師范大學 信息科學與技術學院，北京 100875； 2.中國科學院聲學研究所，北京 100080)

大氣污染中火電廠排放物是重要的污染源之一，其中的有害氣體排放物SO2與NO2更會對人類社會生存和發展造成極大危害[1]。這些氣體具有很強的毒害作用，不僅直接影響著人類的身體健康,同時還具有腐蝕性，會形成酸雨，嚴重阻礙工農業生產發展，影響天氣氣候，破壞自然環境。

世界各國非常重視火電廠污染排放治理工作,相繼制定了電力企業生產規范。例如美國規定其燃煤電廠現有機組SO2與NOx(以NO2計)最大排放量分別為64ppm和66ppm；歐盟規定其現有機組SO2最大排放量為70ppm，NOx最大排放量為97ppm(對大于300 MW機組，以NO2計)。我國近些年來更是針對大氣污染狀況，進一步加大了對火電廠污染物排放的治理力度，采用立法形式規定火電廠生產排放標準，對于不同地理區域、不同時期建造的火電廠，SO2的最大排放量限制在35～400 mg/m3之間(折合12ppm～140ppm),NO2的最大排放量限制在50～200 mg/m3之間(折合24ppm～97ppm)。

盡管電力行業采取了多種措施治理污染排放[2]，但由于受各電廠運行狀況、燃料供應、設備老化等因素影響，有些火電廠污染排放控制并不穩定，有時會出現排放超標、甚至嚴重超標的狀況。因此，對火電廠大氣污染排放物進行實時監測，以便及時采取措施加以控制，是當前環境保護面臨的迫切任務之一。

本文以SAW氣敏陣列為基礎，構建火電廠大氣污染排放物SO2與NO2監測裝置，重點探討檢測裝置硬件電路設計過程以及采用人工神經網絡實現有害氣體檢測方法，并通過相關實驗和實際測試，驗證了監測裝置的可行性。

1 SO2與NO2監測裝置設計

1.1 監測裝置總體設計

基于SAW氣敏陣列的監測裝置是針對火電廠大氣污染排放物SO2和NO2有害氣體進行檢測的，要求能夠在混合氣體中準確檢測出濃度超過10 ppm的有害氣體，并當有害氣體超過預設門限時及時把告警信息無線上傳到監控中心；此外監測裝置還要滿足實時自動監測、檢測記錄存儲與上傳、性價比高、體積小巧、操作便捷等功能需求。

比較一些可行方案后，結合SAW氣體傳感器的特性[3]，選擇以SAW氣敏陣列為傳感模塊，以人工神經網絡為氣體檢測方法，設計和實現了火電廠排放物SO2與NO2監測裝置，其總體結構如圖1所示，下面就各個主要組成部分展開探討。

圖1 SO2與NO2監測裝置總體結構

1.2 SAW氣敏陣列

監測裝置中的SAW氣敏陣列結構見圖2，主要由5個氣敏諧振器及其配套的放大、混頻、濾波等電路構成，此外還包括參考傳感器電路，可為混頻操作提供基準頻率信號。

氣敏諧振器中的SAW器件選用深圳市奧宇達電子有限公司TO-39聲表面波諧振器，其中心頻率為433.92 MHz，可調頻差為+/-75 kHz，插入損耗為2.5 dB。依據SO2和NO2的化學性質并結合被測氣體濃度變化范圍較寬等特點，經過理論分析、文獻調研[4]和實驗探索，對5個氣敏諧振器涂覆了特定的敏感薄膜，氣敏諧振器1～3分別涂覆碳納米管聚苯胺膜(Carbon Nanotube-Polyanilin)、聚苯胺膜(Polyaniline)和硫化鎘(CdS)3種敏感薄膜[5]，用于檢測低濃度(0ppm～20ppm)、中濃度(20ppm～800ppm)和高濃度(800ppm～1200ppm)的SO2；氣敏諧振器4～5分別涂覆酞菁銅/多壁碳納米管(Phthalocyanine Copper/Multi-walled Carbon-Nanotube)混合物[6]和二氧化碲(TeO2)二種敏感膜[7]，用于檢測較低濃度(0ppm～100ppm)和較高濃度(100ppm～1200ppm)的NO2。這些氣敏諧振器受到被測氣體作用時，諧振頻率fi(i=1,2,…,5)將發生變化，從而可反映出被測氣體的狀態[8]。

氣敏陣列中的放大和混頻器件分別采用美國Mini-Circuits公司的MAR-6SM+和ADE-1集成電路，對氣敏陣列輸出的小信號進行放大和混頻,接著采用截止頻率為200 kHz的有源濾波器進行低通濾波，得到頻偏信息Δfi=|fi-f|,(i=1,2,…,5)，這組信息對應著被測氣體的濃度和種類。

1.3 頻偏測量單元

頻偏測量模塊采用Altera公司的CPLD芯片EP1C3T100C8N，完成準確測量氣敏陣列頻偏數據的功能。芯片設計用Verilog HDL語言編程實現，設計思路是：對于每一組頻偏信息，分別采用測周和測頻兩種方式獲得測量值，當測量值在0～100 Hz范圍內時以測周量值作為結果，而忽略測頻量值；當測量值在100 Hz～20 kHz范圍內時則以測頻量值作為結果，而忽略測周量值。這種測周測頻相互結合的電路結構可有效減小測量誤差[9]。

頻偏測量模塊通過串行接口(UART0)與主控單元通信，可按主控單元發布的命令，啟動和停止頻偏測量進程、傳輸頻偏測量結果，甚至修改頻偏測量模塊的相關參數。

1.4 主控單元及其外圍電路

主控單元是監測裝置的控制核心，主要功能包括：① 獲取頻偏測量數據并按人工神經網絡模型實時檢測SO2和NO2氣體濃度；② 向PC機上傳訓練人工神經網絡模型所用的訓練樣本、獲取PC機得出的網絡模型和參數；③ 控制被測氣體的注入與清除，實現不間斷自動測量；④ 存儲和顯示測量結果，必要時上傳檢測記錄；⑤ 檢測結果超限時通過GPRS模塊把報警信息無線上傳到監控中心；⑥ 對監測裝置中其他電路模塊參數進行設置，以便適應監測裝置的各種應用場合。

主控單元由Silicon Labs公司的片上系統C8051F020單片機承擔，這種單片機是標準8051單片機的高端產品，其指令執行速度更高(可達100MIPS),片上資源更加豐富，完全滿足監測裝置的功能需求及指標要求。在監測裝置中，C8051F020片內的程序存儲器和數據存儲器分別用于存放程序代碼和氣體檢測記錄，快速乘法和累加引擎用于神經網絡數值計算[10]，可編程定時/計數器及其陣列用于協調各電路模塊的工作進程，通用I/O口線控制各種伺服機構動作和實現鍵盤/顯示模塊的連接，片內集成的多種串行接口實現各個單元或模塊之間的信息溝通，此外片內的電源監視/看門狗電路可進一步保證監測裝置工作的可靠性。

鍵盤顯示模塊由8個獨立按鍵和液晶顯示模組L320240A構成，作用是實時顯示被測氣體濃度量值、設置各種工作參數、顯示檢測裝置工作流程。

氣體注入/清除控制模塊用于控制各種繼電器、進氣閥等伺服機構運行，實現對被測氣體的注入、清除等操作。

RS232通信接口實現主控單元與PC機之間的信息交換，包括監測裝置上傳訓練樣本和PC機下傳人工神經網絡模型及參數。GPRS通信模塊由華為GTM900B無線模塊承擔，實現被測氣體濃度超限時無線上傳告警信息功能。

2 實驗與分析

實驗過程主要包括以下5個環節：實驗數據采集，在PC機上訓練人工神經網絡模型，在監測裝置的片上系統中構建神經網絡，在監測裝置上對驗證樣本進行檢驗并對結果進行分析，在火電廠實際工況下對監測裝置進行試驗。

2.1 實驗數據采集

對設計的SO2與NO2監測裝置，首先在實驗室進行測試和驗證，實驗室環境參數為25 ℃、30%RH、1個標準大氣壓。頻偏信息的獲取步驟是:用純氮氣(Nitrogen)分別對SO2和NO2稀釋，形成各種濃度(0ppm～1200ppm)的混合氣體，將混合氣體通過輸氣管道以0.5 L/min的流量送入監測裝置SAW氣敏陣列通道上，在主控單元控制下，持續注入6 min的混合氣體使敏感薄膜充分吸收氣體分子，接著啟動頻偏測量模塊工作，獲取一組頻偏數據；本次測量完畢后，用純氮氣通過氣道吹拂氣敏陣列中的敏感薄膜，持續吹拂8 min來清除敏感薄膜吸附的氣體分子，以便進行下次測量。

對各種濃度的混合氣體，采用上述步驟進行測量，共測量600次，得到600組測試數據。在考慮兩種氣體不同濃度混合的前提下，從600組測試數據中隨機抽取400組數據作為訓練樣本，其余200組數據作為驗證樣本，分別用來對人工神經網絡進行訓練和檢驗。

2.2 人工神經網絡模型的訓練和構建

監測裝置具有5路輸入數據和2路輸出結果,為此在PC機上用Matlab語言編程，構建5-輸入、2-輸出2層前饋型人工神經網絡，按照神經網絡訓練步驟進行有監督訓練。考慮到頻偏數據變化范圍較大會影響數值計算精度，為此訓練前先對訓練樣本取以10為底對數再歸一化后作為神經網絡的輸入，對應的兩種氣體濃度值直接歸一化后作為目標輸出。在訓練過程中，嘗試了各種不同的神經網絡模型結構和初始參數，主要包括以下幾種情況：隱層神經元數目從5～15個變化，隱層傳輸函數采用tansig、logsig和radbas函數之一，輸出層傳輸函數采用purelin和satlin之一，訓練算法采用高斯梯度下降算法和Levenberg-Marquardt之一，網絡的初始參數選取不同的數值等。進一步考慮訓練過程的快速收斂性、模型結構的復雜程度、C8051F020實現神經網絡的便利性等因素，從各種訓練得出的網絡模型中，優選出了最佳神經網絡模型：隱層神經元為10個、隱層傳輸函數采用logsig函數、輸出層傳輸函數采用線性傳輸函數(purelin)。

將PC機訓練得出的最佳神經網絡模型下載到監測裝置中，采用C51語言對C8051F020進行程序設計，從而在監測裝置上建立了最佳神經網絡，對監測過程中測出的頻偏數據經過神經網絡計算處理，可得出混合氣體中SO2與NO2的濃度估值。

2.3 監測裝置對驗證樣本的測試和結果分析

監測裝置對200組驗證樣本進行檢驗，得到200組氣體濃度檢測結果，圖3給出了NO2濃度為50ppm時對各種濃度SO2的檢測結果(因篇幅所限，未畫出全部氣體濃度檢測結果)，從全部檢測結果可以看出：

① 監測裝置適合檢測濃度在10ppm～1000ppm范圍內變化的SO2和NO2混合氣體，兩種氣體檢測誤差均小于4%，檢測性能與常規SO2和NO2檢測儀器相當。此外，多數火電廠排放的SO2和NO2氣體大多在10ppm～1000ppm濃度范圍內，說明監測裝置滿足火電廠污染排放檢測需求。

② 監測裝置檢測濃度很大(大于1000ppm)的SO2和NO2混合氣體時，檢測結果的絕對誤差較大，原因是敏感薄膜吸附氣體分子會出現飽和現象，可選擇性能更好的敏感薄膜材料來嘗試解決問題；監測裝置檢測濃度很小(0～10ppm范圍)的混合氣體時，檢測結果的相對誤差較大，主要是低濃度氣體易受其他氣體交叉干擾，導致氣敏陣列頻偏變化量很小造成的，應對措施可考慮在監測裝置中增加一個低濃度氣體檢測模型，再結合已經構建的神經網絡模型,對濃度寬范圍變化的氣體進行分段檢測。

圖3 監測裝置對SO2的檢測結果(NO2=50ppm)

2.4 實際工況下監測裝置的試驗

對我國山西省某火電廠的一臺200 MW發電機組正常工況下的氣體排放物進行了實際檢測試驗，用抽氣泵從煙囪采樣孔抽取機組排放的污染氣體，分別用德國DRAGER(德爾格)MSI VARIOx-2煙道氣體分析儀和本文所構建的監測裝置同時檢測混合氣體中SO2和NO2濃度，持續一天時間進行8次試驗(每小時試驗1次)，試驗結果如表1所示。可以看出，監測裝置與分析儀測量結果的相對誤差不超過5%，表明監測裝置適合于火電廠排放物SO2與NO2的監測。

表1 火電廠排放物SO2與NO2的監測結果

3 結束語

實驗和實際測試結果表明，基于SAW氣敏陣列的火電廠排放物SO2與NO2監測裝置，可準確檢測濃度在10ppm～1000ppm范圍內的SO2和NO2，可快速自動地實現不間斷測量，當被測氣體濃度超限時可實時把告警信息無線傳輸到監控中心，此外監測裝置的其他功能也達到了設計目標。可以預期，這種裝置必將對火電廠大氣污染排放物實時監測起到積極作用，也可進一步將監測裝置推廣應用到其他領域。

誠然，監測裝置還存在一些有待改進和完善之處，例如除應對高、低濃度氣體檢測所采取的措施外，還可在氣敏陣列中增加更多的氣敏諧振器來檢測更多類型的氣體，也可嘗試監測裝置自身訓練檢測模型甚至進行深度學習，以進一步提高監測裝置的性能。