基于神經網絡校正算法的酒精非接觸測量方法

趙雷紅，潘冬寧，李英杰，宋源清，王 蕾，杜麗華

基于神經網絡校正算法的酒精非接觸測量方法

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研究院，山東 青島 266111）

為了解決酒精氣體測量過程中其他外界因素對測量濃度影響的問題，本文結合酒精氣體在紅外譜段吸收的特性以及BP神經網絡算法的非線性處理方法提出了一種基于神經網絡校正算法的酒精氣體非接觸測量方法。該算法考慮氣體吸收過程中溫度、濕度對光強的影響，把其作為神經網絡的輸入和測量參數一起進行訓練，同時與常規的數據擬合模型算法進行對比實驗，實驗證明該算法取得了較好的效果。

紅外吸收；指數擬合；BP神經網絡；酒精氣體；非接觸式

0 引言

酒后駕駛對于社會安全具有極大的威脅，據2008年世界衛生組織的交通事故調查，大約50%～60%的交通事故與酒后駕駛有關。目前，各國采取的酒駕測量方法多為攔截車輛吹氣檢測，這種方法缺點較多：增加人員接觸、阻礙交通、費時費力、檢測范圍比較片面等?；谝陨蠁栴}，需要研究一種非接觸的酒精測量方法。近年來紅外光譜技術[1]在光譜分析[2-3]領域發展越來越迅速，由于其測量過程不破壞樣品且無接觸、無污染，在各種領域中都越來越引起了人們的關注，目前，紅外光譜技術也已經被應用到污染氣體測量[4-6]、圖像分析、食品檢測[7]等各行各業中。本文結合紅外探測技術對酒精氣體濃度進行分析，來實現酒精濃度快速、非接觸式測量，此方法也將大大提高酒精檢測效率。

1 系統總體方案

非接觸式酒精測量系統[7-8]基于酒精氣體紅外光譜吸收原理，主要由紅外光準直發射及接收模塊、反射模塊和數據處理模塊構成。經調制的紅外光準直后穿過裝有待測氣體的空間，到達反射模塊，并按平行于入射中心光軸光路原路返回到發射端，再匯聚到紅外探測器上。由于酒精氣體在紅外光譜波段有特征吸收峰，數據處理模塊根據待測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行比較，對其成分進行分析，實現待測氣體[9-10]成分判定。

根據酒精氣體在紅外譜段的吸收特性，本文采用差分檢測技術，解決了由于振動、光強不穩等外界環境因素引起的基線漂移問題，實現了紅外氣體檢測的高精度和快速響應。其次，采用BP-ANN（back propagation-artificial neural network）進行系統建模，通過數據模型學習不斷優化模型參數，提出了一種基于神經網絡[11-12]的多環境因子修正算法。

2 建模與仿真

2.1 建立模型

1）模型擬合

通過收集HITRAN光譜數據庫的光譜數據選取酒精特征峰，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，實現常溫常壓條件下對酒精蒸汽吸收譜的測量。紅外光源產生紅外光，經過酒精氣團后由于酒精氣體對紅外光的吸收，光強被減弱。吸收后的光強分別經過兩個濾光片，一個是對酒精氣體吸收敏感的濾波片稱為信號通道，一個是對酒精氣體不敏感的濾光片稱為參考通道。之后光電探測器接收光強信號變化傳給數據處理單元。鑒于光強受到紅外光源波動、外界環境影響等因素產生的光強不穩，此處采用電壓比值算法消除光強因子的影響。紅外檢測模塊如圖1所示。

圖1中的紅外檢測模塊包含兩個探測器，一路參考信號，一路待測信號。這里假設兩路通道的光電轉換系數分別為1和及2。則有探測器輸出的測量通道電壓信號為：

式中：0為初始光強；1為信號測量波長；為待測氣體濃度；為吸收系數；為光程。

參考通道的電壓信號為：

式中：1為參考測量波長。

為消除光源抖動及系統誤差，提高測量精度，對兩組信號進行電壓比值計算，1、2分別表示信號電壓和參考電壓。

根據式(3)求得待測氣體的濃度為：

根據式(4)可知，同一紅外檢測系統－/為常數；ln1－ln2可以由探測器的讀數值計算得到；ln2－ln1只隨外界環境變化，可通過算法計算進行校正；ln0(2)－ln0(1)在計算過程中被消除掉，從而實現了比值法消除光源不穩因子的影響。

2）BP神經網絡溫度、濕度修正模型

由于氣體吸光度受環境影響，包括溫度、氣壓等。所以為了提高氣體濃度計算的準確度，對監測光譜進行溫度和氣壓補償。BP神經網絡的計算流程如圖2所示。

進行氣體配置實驗，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模型的輸入向量，以酒精濃度作為模型的輸出向量，對所測量的數據進行神經網絡模型訓練。該模型為3輸入1輸出的BP神經網絡模型。隱含層節點的數量根據公式(5)進行計算：

式中：為輸入節點；為輸出節點；為1～10的常數。訓練模型分別采用tansig和purelin函數作為隱含層與輸出層傳遞函數。

2.2 實驗仿真

1）酒精標氣與電壓關系模型

建立傳感器與氣體濃度關系模型，擬合輸入輸出模型關系，求取擬合參數。采用己知濃度的標準酒精氣體、高純度氮氣，配置不同濃度的酒精樣品氣體。根據酒精樣品氣體濃度配比，得到相應的酒精氣體探測器電壓和參考電壓，部分數據如表1所示，用指數函數擬合酒精標氣濃度與探測器電壓變化關系，得到酒精標氣與電壓關系模型。

圖1 紅外氣體檢測模塊

圖2 BP神經網絡的計算流程簡圖

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，隨著酒精標氣濃度的升高，探測器輸出變弱，呈指數關系，說明在實驗室穩定的環境下，酒精標氣的光譜吸收遵循朗伯比爾定律。酒精標氣標定實驗所得到的具體函數表達式為：

式中：代表經放大、模數轉換后的探測器電壓輸出；為通入的標氣濃度。擬合的指數模型評價參數如表2所示。

2）BP神經網絡溫度、濕度修正模型

在MATLAB仿真程序中建立BP神經網絡模型，BP神經網絡通過計算最小均方根誤差訓練模型參數，訓練步數增大，均方根誤差不斷減小，直到誤差達到允許誤差范圍或者超出訓練步數后訓練停止。本模型學習速率0.2，隱含層6個神經元，訓練步數61步。誤差隨訓練變化圖和三層神經網絡圖如圖4所示。

圖3 酒精標氣與電壓關系模型

表2 模型評價參數表

圖4 誤差隨訓練次數變化

圖5中、分別表示隱含層、輸出層的權值、閾值，對于訓練好的BP模型，這些都是已知參數。如圖5所示，建立3層BP神經網絡，輸入層包含3個輸入變量，分別為電壓、溫度和濕度；隱含層為6個，輸出層為1個，即氣體濃度。

3 模型評價

當建立模型之后，要對模型進行驗證和質量的評價，以確定模型對光譜信息和濃度信息之間的回歸關系是否正確，模型是否滿足定量測量的精度要求，模型是否需要進行必要的修正。設定標氣濃度為100ppm（1ppm=0.001‰），分別采用指數擬合算法和神經網絡溫濕度補償算法進行檢測，并對結果進行模型參數評價。分別采用指數擬合算法和BP神經網絡算法對測試集樣本數據進行預測，兩種算法的氣體濃度預測值與真實值如圖6所示。從數據分布可以看出，相對于BP神經網絡算法而言，指數擬合算法預測數據分布更分散，與真實值偏差更大。

分析表3和表4中的數據可知，BP神經網絡溫濕度校正的方法預測的酒精濃度比指數擬合方法誤預測濃度更接近于真實值，整體樣本誤差的標準差也更小，以上數據驗證了BP神經網絡溫濕度校正的方法對酒精濃度預測具有較好的效果。

圖5 三層神經網絡

圖6 兩種算法輸出結果比較圖

表3 部分預測誤差表

表4 誤差標準差

4 結論

本文對基于指數函數擬合模型算法與BP神經網絡溫濕度校正的方法在實際數據計算中進行了對比，計算所得BP神經網絡溫濕度校正的方法取得了相對更好的效果。通過實驗對系統結果進行誤差評價，對比兩組誤差標準差可得，加入校正算法提高了氣體濃度預測穩定性和準確性。

[1] 王志芳, 王書濤, 王貴川. 粒子群優化BP神經網絡在甲烷檢測中的應用[J]. 光子學報, 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神經網絡的可燃混合氣體分析方法的研究[J]. 計量學報, 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]. 儀器儀表學報, 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]. 大氣與環境光報, 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在線測量呼出氣體中的CO2和水汽[J]. 光學學報, 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, 李長俊. 基于BP神經網絡預測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] 劉國華. 機動車尾氣高溫CO、CO2排放因子檢測關鍵技術研究[D]. 北京: 中國科學技術大學, 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。