CN102192894A

CN102192894A - 光纤传感煤矿瓦斯的激光光谱吸收检测方法

Info

Publication number: CN102192894A
Application number: CN 201110070937
Authority: CN
Inventors: 周孟然; 张海庆
Original assignee: Individual
Current assignee: Individual
Priority date: 2011-03-24
Filing date: 2011-03-24
Publication date: 2011-09-21

Abstract

本发明公开了一种光纤传感煤矿瓦斯的激光光谱吸收检测方法，首先选取出双波长宽带光源的测量波长与参考波长，其次根据选取出的双波长宽带光源，利用波分复用技术对多个分别注入有混合气体的气室进行检测，得到混合气体中待检测瓦斯组分的浓度C，最后采用BP算法，建立神经网络模型，利用神经网络模型对待检测瓦斯组分的浓度进行预测，并建立待检测瓦斯组分浓度的预测模型。

Description

光纤传感煤矿瓦斯的激光光谱吸收检测方法

技术领域

本发明涉及瓦斯气体监测方法领域，具体为一种光纤传感煤矿瓦斯的激光光谱吸收检测方法。

背景技术

在我国煤炭行业，瓦斯灾害始终是煤矿安全生产的大敌，已成为制约煤矿安全生产的主要因素。如今随着煤矿开采工艺、开采技术手段的不断改进、开采规模的不断扩大以及开采深度的不断延伸，煤层瓦斯涌出量也越来越大，同时高瓦斯矿井也越来越多，安全隐患也越来越多。瓦斯事故特别是重、特大瓦斯事故在煤矿事故中占的比例也越来越高，造成的恶劣影响也越来越大。煤矿瓦斯监测是我国当前煤矿安全生产监督管理工作的重中之重。建立一个***、全面的煤矿瓦斯实时监测***，对煤矿安全生产进行有效监控，这样可以有效地预防和减少安全生产事故的发生。瓦斯灾害实时监测技术及设备的开发，是预防瓦斯事故的重要防线和保障措施。

针对以往瓦斯化学检测方法的缺陷，国内外都已经发展了光学检测，如光学干涉法瓦斯检测器和红外瓦斯检测仪等，在仪器的测量精度和范围等方面有了较大的提高，但这类仪器的主要问题是井下安全解决不了，以及单台仪器的大量布点而导致整个监测***的造价太高，限制了应用范围，对此可以利用气体分子的一条孤立的吸收谱线对瓦斯气体的吸收光谱进行测量，从而可方便地鉴别出瓦斯气体，避免了光谱的干扰。传统红外在线传感器通常受来自其它气体成分（包括粉尘、水分背景成分等）交叉干扰影响，很难精确的校正背景气体交叉干扰所带来的数据误差，此问题在探测含量很低时，显得越来越严重，而且需要复杂的气体采样和预处理***，响应时间不能满足实时响应的需求，不能进行有效的实时检测控制。

发明内容

本发明的目的是提供一种光纤传感煤矿瓦斯的激光光谱吸收检测方法，以解决现有技术的检测方法易受干扰的问题。

为了达到上述目的，本发明所采用的技术方案为：

光纤传感煤矿瓦斯的激光光谱吸收检测方法，其特征在于：基于双波长吸收光谱技术，采用双波长宽带光源向注入气室的混合气体发射信号光，采用光接收装置接收双波长宽带光源透过气室中混合气体的信号光，包括以下步骤：

（1）根据待检测的混合气体，选取出双波长宽带光源的测量波长与参考波长：

利用差吸光度的公式，应用K系数法确定双波长宽带光源的测量波长与参考波长，所述差吸光度

的公式为：

Figure 2011100709372100002DEST_PATH_IMAGE004

式中：

Figure 2011100709372100002DEST_PATH_IMAGE006

为双波长宽带光源中的测量波长，

Figure 2011100709372100002DEST_PATH_IMAGE008

为双波长宽带光源中的参考波长，

Figure 2011100709372100002DEST_PATH_IMAGE010

为混合气体中干扰组分在测量波长下的吸光度，

Figure 2011100709372100002DEST_PATH_IMAGE012

为混合气体中干扰组分在参考波长下的吸光度，

为测量波长下的掩蔽系数，为参考波长下的掩蔽系数，K为系数，

Figure 2011100709372100002DEST_PATH_IMAGE018

；

根据差吸光度

的公式，选取使差吸光度最小的测量波长

的波长值、参考波长

的波长值作为双波长宽带光源的测量波长值和参考波长值，以消除混合气体中干扰组分的影响；

（2）采用步骤（1）选取出的双波长宽带光源，利用波分复用技术对多个分别注入有混合气体的气室进行检测，根据各个气室对应的光接收装置接收到的光信号，得到混合气体中待检测瓦斯组分的浓度

，待检测瓦斯组分的浓度

的公式为：

Figure 2011100709372100002DEST_PATH_IMAGE022

式中：

Figure 2011100709372100002DEST_PATH_IMAGE024

，分别为待检测瓦斯组分在所选择的测量波长、参考波长下的吸收系数，为气室长度，

Figure 2011100709372100002DEST_PATH_IMAGE030

分别为光接收装置在所选择的测量波长

、参考波长

处输出的光强度值；

（3）采用BP算法，建立神经网络模型，利用神经网络模型对步骤（2）得到的各个气室中待检测瓦斯组分的浓度进行学习，并根据所述神经网络模型找出待检测瓦斯组分浓度随时间变化的规律，然后将待检测瓦斯组分的浓度随时间变化的规律信息存储在神经网络模型具体的权值和偏置值中，用以预测未来时间的瓦斯浓度，最后利用神经网络模型三层前馈神经网络建立待检测瓦斯组分浓度的预测模型。

所述的光纤传感煤矿瓦斯的激光光谱吸收检测方法，其特征在于：所述双波长宽带光源采用激光器经过两块不同波长的单色器进行选取得到。

所述的光纤传感煤矿瓦斯的激光光谱吸收检测方法，其特征在于：所述光接收装置为光探测器，光接收装置接收经过气室中混合气体的信号光，所述光接收装置将光信号转换成电信号后传送至数据处理模块，数据处理模块将处理后的数据送入计算机。

所述的光纤传感煤矿瓦斯的激光光谱吸收检测方法，其特征在于：在计算机中采用EDA软件，通过BP算法设计神经网络模型的程序，然后写入FPGA中以建立神经网络模型。

本发明首先根据监测的瓦斯气体，选取出满足条件的双波长宽带光源的测量波长与参考波长；然后根据选取出的波长选择合适的双波长宽带光源，利用波分复用技术实现多点的检测；其次将利用激光光谱吸收技术，对多点检测的数据进行处理，得出待检测瓦斯组分的浓度值；最后利用神经网络模型通过对待检测瓦斯组分浓度值进行学习，找出待检测瓦斯组分浓度变化的内在规律，并将其存储在神经网络模型具体的权值和偏置值中，用以预测未来的数据。利用神经网络模型三层前馈神经网络对待检测瓦斯组分浓度建立预测模型，讨论了神经网络模型的各种参数设置的问题，用MATLAB进行了仿真实验，实验表明神经网络模型用于瓦斯浓度的预警是可行的。

本发明从硬件结构的优化角度入手，对Sigmoid函数的硬件实现方式进行了比较研究，找出了较合理的设计方案，利用EDA技术，采用自顶向下的设计方法，通过FPGA硬件技术实现了神经网络模型的建立。

本发明方法简单易行，便于实现，不需要复杂的气体采用和预处理***，就可以消除干扰组分的影响，有效地降低了干扰组分所带来的数据误差，提高了检测精度。

附图说明

图1为本发明所采用的检测装置***框图。

图2为本发明瓦斯浓度预测原理框图。

图3为本发明FPGA建立神经网络模型的软硬件框图。

具体实施方式

如图1所示。本发明采用由数据处理控制器控制的激光器，通过两种不同波长的单色器进行选取获得双波长宽带光源。激光器通过光纤连接发射装置，发射装置包括光学准直***，激光器的信号光通过发射装置向气室中的混合气体发射。光接收装置采用光探测器，通过光探测器接收从气室出射的光信号，并将光信号转换成电信号后传送至数据处理模块，经过数据处理模块处理后再通过网口传送至计算机。

1. 波长的选取

基于双波长吸收光谱技术的传感***尽管有许多优点，但是如何正确选择双波长，则是设计的关键。在双波长选取中加入系数倍率器，使

或者

的信号经过放大，经过进一步的数据处理，输入到差算回路中可得到一般的关系式：

Figure 2011100709372100002DEST_PATH_IMAGE032

（1）

Figure 2011100709372100002DEST_PATH_IMAGE034

（2）

表示差吸光度。系数、

称为掩蔽系数即将被消除组分的某—波长的吸光度乘以掩蔽系数，以扩大双组分体系的应用。应用K系数法可使干扰组分的差吸光度的一般形式如（1）式，也可表示为（2）。若干扰组分的吸收光谱图是单调下降曲线时，可令

Figure 2011100709372100002DEST_PATH_IMAGE036

=1时，则

Figure 2011100709372100002DEST_PATH_IMAGE038

令

Figure 2011100709372100002DEST_PATH_IMAGE040

，则干扰组分的差吸光度

Figure 2011100709372100002DEST_PATH_IMAGE042

=0,也就是消除了干扰组分的影响。

若两组分共存时，设干扰组分、待测组分及混合物在两个波长下的吸光度分别为

，

，

Figure 2011100709372100002DEST_PATH_IMAGE044

，

Figure 2011100709372100002DEST_PATH_IMAGE046

，，

Figure 2011100709372100002DEST_PATH_IMAGE050

，则有

Figure 2011100709372100002DEST_PATH_IMAGE052

Figure 2011100709372100002DEST_PATH_IMAGE054

Figure 2011100709372100002DEST_PATH_IMAGE056

通过调整系数，使

Figure 2011100709372100002DEST_PATH_IMAGE058

则

Figure 2011100709372100002DEST_PATH_IMAGE060

。这样就消除了干扰组分以及混合物的影响，同理多组分干扰的处理过程也可用相似的方法。

2. 激光吸收光谱

光源基本上采用激光器，经两块不同波长的单色器进行选取，测量波长为

，参考波长

，则两波长的光经气室后的输出分别为：

Figure 2011100709372100002DEST_PATH_IMAGE062

（3）

（4）

式中，分别表示光探测器在波长

，

处输出光强度值；

Figure 2011100709372100002DEST_PATH_IMAGE066

光源的发光强度；

Figure 2011100709372100002DEST_PATH_IMAGE068

分别为光探测器在波长

，

处的光电灵敏度。

表为是浓度，

定义为气室长度，

，

定义各个波长的吸收系数，

为背景的干扰。通过调整光路使，由（3）/（4）进行可得到：

（5）

从理论分析可以得出，测量波长输出的光强度值远小于参考波长输出的光强度值，即

Figure 2011100709372100002DEST_PATH_IMAGE079

，对（5）式进一步处理可得到：

（6）

3. 神经网络模型

3.1 BP算法

BP算法的基本原理是根据希望的输出和实际的网络输出之间的误差平方和最小的原则来调整网络的权值，它主要由信息的正向传递和误差的反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态，若在输出层没有得到期望的输出，则计算输出层的误差变化值，然后通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值，直至达到期望目标值。

如前所述，多层网络中某一层的输出成为下一层的输入。描述此操作的等式为：

（7）

这里，M是网络的层数。

BP算法第一步是通过网络将输入向前传播：

m=0，1，…，M-1 （8）

最后一层神经元的输出是网络的输出：

下一部是通过网络将敏感性反向传播：

（9）

， m=M-1，…，2，1 （10）

最后，使用近似的最速下降法更新权值和偏置值：

（11）

（12）

3.2 BP神经网络模型参数

BP神经网络模型的设计包括网络的隐层数、隐层神经元数及输入输出层节点数的确定。

（1）．隐层数

一般认为，增加隐层数可以降低网络误差，提高精度，但也会使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。Hornik等早己证明：含一个隐含层的多层前馈网络能够以任意精度逼近任何有理函数。

一般地，靠增加隐层神经元数来获得较低的误差，其训练效果要比增加隐含层数更容易实现。在实际应用中，优先考虑3层BP网络（即有1个隐层）。

（2）．隐层神经元数

在BP网络中，隐含层神经元数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。过多的网络节点会增加训练网络的时间且会使网络的泛化能力减弱，网络的预测能力下降，但网络节点过少则建模不充分。

确定隐层神经元数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐含层神经元数。研究表明，隐层神经元数不仅与输入和输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。

一般地，隐层神经元数在输入层节点和输出层节点数之间必须小于N-1（其中N为训练样本数），否则，网络模型的***误差与训练样本的特性无关而趋于零，即建立的网络模型没有泛化能力，也没有任何实用价值。同理可推得：输入层的节点数（变量数）必须小于N-1。

（3）．输入和输出层节点数

如图2所示。输入和输出层节点数由具体问题决定，对时间序列预测问题，输入层节点数等于所开窗口大小。对于瓦斯监测***中的重要指标瓦斯浓度，我们有理由认为近期数据比远期数据对未来的影响更大，因此为了对时刻t+n的数据进行预测，从时刻t到t+n-1的近期历史数据就形成了当前窗口，其中n就是窗口大小，即输入层节点数。又由于只限于一维时间序列，故仅需要一个输出层节点来表示第t+n时刻的预测值。

4.神经网络的FPGA实现

理论上，神经网络的实现应该是无限精度的。在实际中提出了有限精度问题，即在神经网络的具体实现中，达到要求的输出精度，必需的网络精度如何选择，这些问题在神经网络的设计与实现中决定着网络的规模、速度、容量和成本。如果网络输入和传递函数输出是同样有限精度，就可以实现乘法器的复用，所以传递函数、乘法器和加法器同时做有限精度运算。

如图3所示。整个***按功能可以分成四个部分：接口模块、控制模块、BP算法模块组成和计算机处理***。

控制模块完成了传输状态信息的返回、算法模块的初始化及调度问题。使整个***有条不紊的进行工作。BP算法模块是***的核心，它直接实现了BP神经网络的功能，它包括神经元的运算以及神经网络的子模块。所有的采集数据均在该模块进行处理，其性能反映了整个设计的优劣。接口模块完成计算机与神经网络之间的数据的传输。传输函数的实现，通过VHDL编程仿真运行。