利用光谱法检测气体的方法

技术领域

本公开涉及废弃检测的技术领域，具体涉及一种利用光谱法检测气体的方法。

背景技术

在利用光谱法检测危害废气的体积含量时，需要利用红外线光对光声池内部的被测气体进行照射，气体在红外线光的作用下变为激发态，会生成光谱声信号，用于分析混合气体各个危害气体的体积含量，然而在进行分析的过程中，由于目前的分析架构无法将光声池内部的干扰信号一起进行训练，导致训练出来的模型与实际值偏差较大，且光谱声信号的数据不容易进行收敛，极大地影响了检测的速率。

发明内容

本公开的目的在于克服现有技术的不足，提供一种利用光谱法检测气体的方法，该利用光谱法检测气体的方法能够解决现有技术中无法将光声池内部的干扰信号一起进行训练，导致训练出来的模型与实际值偏差较大，且光谱声信号的数据不容易进行收敛，极大地影响了检测的速率的问题。

根据本公开实施例的第一方面，提供一种利用光谱法检测气体的方法，该方法包括：

将多个已知样本通入光声池中，每个所述已知样本中均包含至少一种已知体积含量的气体；

将红外光线逐一透过能过滤单一气体特征频率的滤光片后，射入所述光声池中，形成第一光谱声信号，所述第一光谱声信号的数量与已知样本中气体的种类对应；

将已知样本中各气体的体积含量与所述第一光谱声信号输入bp神经网络模型中，建立目标bp神经网络模型；

将待测混合气体通入光声池中，并将红外光线逐一透过能过滤单一气体特征频率的滤光片后，射入所述光声池中，形成第二光谱声信号，所述第二光谱声信号的数量与待测混合气体中气体的种类对应；

将所述第二光谱声信号输入所述目标bp神经网络模型中，得到待测混合气体中各气体的含量。

在一个实施例中，所述将已知样本中各气体的体积含量与所述第一光谱声信号输入bp神经网络模型中，建立目标bp神经网络模型包括：

初始化神经网络，对每个神经元的w和b赋予随机值；

将已知样本中各气体的体积含量与所述第一光谱声信号输入至神经网络模型的输入层，进行一次正向传播后，得到输出层各个神经元的输出值；

计算输出层的误差，并通过反向传播算法，计算出每一层的每个神经元的误差；

根据所述每一层的每个神经元的误差，完成对bp神经网络模型的训练，建立目标bp神经网络模型。

在一个实施例中，所述根据所述每一层的每个神经元的误差，完成对bp神经网络模型的训练，建立目标bp神经网络模型包括：

根据所述每一层的每个神经元的误差，计算每个神经元的

对每个神经元的

将每个神经元的w和b分别更新为w+Δw、b+Δb，完成对bp神经网络模型的训练。

在一个实施例中，所述将多个已知样本通入光声池中，每个所述已知样本中均包含至少一种已知体积含量的气体之前，所述方法还包括：

将声光池的温度调节至18-22℃。

在一个实施例中，所述将声光池的温度调节至18-22℃之前，所述方法还包括：

在光声池的内壁安装硅胶垫。

在一个实施例中，所述将已知样本中各气体的体积含量与所述第一光谱声信号输入bp神经网络模型中，建立目标bp神经网络模型包括：

将所述第一光谱声信号作为输入端，已知样本中各气体的体积含量作为输出端，输入至bp神经网络模型中，建立bp神经网络模型。

在一个实施例中，所述将待测混合气体通入光声池中之前，所述方法还包括：

采用第一真空泵抽气。

在一个实施例中，所述将多个已知样本通入光声池中之前，所述方法还包括：

采用第二真空泵抽气。

本公开提供的一种利用光谱法检测气体的方法，能够有效减少分析过程中干扰信号对检测结果的影响，提高检测危险气体体积的准确率，且利用智能化计算方法可以快速得出检测气体的体积含量，提高了检测效率。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为本公开实施例提供的一种利用光谱法检测气体的方法的流程图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1为本公开实施例提供的一种利用光谱法检测气体的方法的流程图。如图1所示，该方法包括：

步骤101、将多个已知样本通入光声池中，每个所述已知样本中均包含至少一种已知体积含量的气体；

步骤102、将红外光线逐一透过能过滤单一气体特征频率的滤光片后，射入所述光声池中，形成第一光谱声信号，所述第一光谱声信号的数量与已知样本中气体的种类对应；

在本步骤中，可以将每个已知样本中的滤光片设置成能够透过唯一气体特征频率的滤光片。

例如，在第一个已知样本中，可以将滤光片设置成能够过滤二氧化硫特征频率的滤光片，该滤光片可以称作二氧化硫滤光片；在第二个已知样本中，可以将滤光片设置成能够过滤二硫化碳特征频率的滤光片，该滤光片可以称作二硫化碳滤光片；在第三个已知样本中，可以将滤光片设置成能够过滤四氟化硫特征频率的滤光片，该滤光片可以称作四氟化硫滤光片，在第N个已知样本中，可以将滤光片设置成能够过M气体征频率的滤光片，该滤光片可以称作M气体滤光片。

需要说明的是，采用上述不同种类的滤光片可以得到不同的光谱信号。

步骤103、将已知样本中各气体的体积含量与所述第一光谱声信号输入bp神经网络模型中，建立目标bp神经网络模型；

在一个实施例中，述将已知样本中各气体的体积含量与所述第一光谱声信号输入bp神经网络模型中，建立目标bp神经网络模型包括：

初始化神经网络，对每个神经元的w和b赋予随机值；

将已知样本中各气体的体积含量与所述第一光谱声信号输入至神经网络模型的输入层，进行一次正向传播后，得到输出层各个神经元的输出值；

计算输出层的误差，并通过反向传播算法，计算出每一层的每个神经元的误差；

根据所述每一层的每个神经元的误差，完成对bp神经网络模型的训练，建立目标bp神经网络模型。

在一个实施例中，所述根据所述每一层的每个神经元的误差，完成对bp神经网络模型的训练，建立目标bp神经网络模型包括：

根据所述每一层的每个神经元的误差，计算每个神经元的

对每个神经元的

将每个神经元的w和b分别更新为w+Δw、b+Δb，完成对bp神经网络模型的训练。

所述将已知样本中各气体的体积含量与所述第一光谱声信号输入bp神经网络模型中，建立目标bp神经网络模型包括：

将所述第一光谱声信号作为输入端，已知样本中各气体的体积含量作为输出端，输入至bp神经网络模型中，建立bp神经网络模型。

步骤104、将待测混合气体通入光声池中，并将红外光线逐一透过能过滤单一气体特征频率的滤光片后，射入所述光声池中，形成第二光谱声信号，所述第二光谱声信号的数量与待测混合气体中气体的种类对应；

步骤105、将所述第二光谱声信号输入所述目标bp神经网络模型中，得到待测混合气体中各气体的含量。

可选地，所述将多个已知样本通入光声池中，每个所述已知样本中均包含至少一种已知体积含量的气体之前，所述方法还包括：

将声光池的温度调节至18-22℃。

可选地，所述将声光池的温度调节至18-22℃之前，所述方法还包括：

在光声池的内壁安装硅胶垫。

可选地，所述将待测混合气体通入光声池中之前，所述方法还包括：

采用第一真空泵抽气。

本公开实施例中，在将待测混合气体通入光声池中之前，先采用第一真空泵抽气，以保证测试过程中光声池内部没有气体残留，以提高检测结果的准确性。

可选地，所述将多个已知样本通入光声池中之前，所述方法还包括：

采用第二真空泵抽气。

本公开实施例中，在将多个已知样本通入光声池中之前，采用第二真空泵抽气，以保证测试过程中光声池内部没有气体残留，以进一步提高检测结果的准确性。

需要说明的是，本公开实施例中的第一真空泵和第二真空泵可以是同一个真空泵，也可以是两个独立的真空泵，本公开实施例不进行具体限制。

本公开提供的一种利用光谱法检测气体的方法，能够有效减少分析过程中干扰信号对检测结果的影响，提高检测危险气体体积的准确率，且利用智能化计算方法可以快速得出检测气体的体积含量，提高了检测效率。

本公开实施例中的利用光谱法检测气体的方法可以用于废弃检测场景，当然也可以用于其他需要对混合气体中各气体含量的进行检测的场景，本公开实施例不对其应用场景进行限制。

下面以一个具体的实施例对本公开实施例中利用光谱法检测气体的方法进行详细的说明。

本公开实施例以已知体积含量的二硫化碳、二氧化硫和四氟化硫作为已知样本，以二氧化硫滤光片、二硫化碳滤光片、四氟化硫滤光片为例进行说明，其中，二氧化硫滤光片表示为能过滤二氧化硫特征频率的滤光片，二硫化碳滤光片表示能过滤二硫化碳特征频率的滤光片，四氟化硫滤光片表示能过滤四氟化硫特征频率的滤光片，测试20组实验数据，将已知二硫化碳、二氧化硫、四氟化硫体积含量的样本混合气体通入光声池中，分别采用二氧化硫滤光片、二硫化碳滤光片和四氟化硫滤光片过滤后得到相应的光谱声信号，将光谱声信号和已知的各个气体的体积含量输入bp网络模型中进行训练，再利用4组待测混合气体进行验证，验证结果如下：

根据上表实验数据可知，本公开实施例利用光谱法检测气体的方法得到的各组分体积分数与实际各组分体积分数基本吻合，且误差率不超过3％。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。