下载文档原格式
第26卷,总第149期2008年5月,第3期《节能技术》E NER G Y CO NSERV ATI ON TECH N O LOG Y V ol 126,S um 1N o 1149May 12008,N o 13基于神经网络的CO 2-MDEA -PZ -H 2O体系相平衡计算郑洪川,李红艳,贾林祥(哈尔滨工业大学低温与超导技术研究所,黑龙江 哈尔滨 150080)摘 要:虽然已有热力学模型能够对C O 2-MDEA -PZ -H 2O 体系相平衡进行计算,但是误差较大。
本文在文献数据的基础上采用两隐含层BP 神经网络及V LBP 算法对C O 2平衡分压进行了预测。
训练后的神经网络预测值与实验值的平均偏差仅为1192%,与热力学模型相比有了很大的改进。
因此采用BP 神经网络对C O 2-MDE A -PZ -H 2O 体系相平衡进行预测是非常有效的。
关键词:神经网络;M DEA ;C O 2;相平衡;净化中图分类号:TE6 文献标识码:A 文章编号:1002-6339(2008)03-0226-02Calculation o f Pha se Equi libr ium for CO 2-MDEA -PZ -H 2OSystem B a sed On BP A r ti f icial N eural N et w or kZHE NG H ong -chuan ,LI H ong -yan ,JI A Lin -xiang(Institute of Cryogenics and Superc onductivity Technology ,Harbin Institute of Technology ,H arbi n 150080,China )Abstract :In order to calculate the phase equilibrium for C O 2-MDEA -PZ -H 2O system ,we have g ot some therm odynam ic models ,but their errors are relatively large 1Based on literature data ,this paper intr oduces BP ar tificial neural netw ork (BP -AN N )w ith tw o hidden layers to predict the C O 2partial pressure 1The mean de 2viation of predicted value g ot from BP -AN N trained pr operly and experiment data is 1192%,thi s result is much better than therm odynamic m odels ′1S o intr oducing BP -AN N to predict phase equilibrium of C O 2-M DEA -PZ -H 2O system is e ffective 1K ey w or ds :ar tificial neural netw ork ;MDEA ;CO 2;phase equilibrium ;purification 收稿日期 2008-04-10 修订稿日期 2008-04-16作者简介郑洪川(8～),硕士研究生。
基于神经网络的气体传感器研究近年来，随着物联网技术的发展，气体传感器逐渐被广泛应用于城市环境监测、工业生产以及生物医疗领域等众多领域。
然而，目前传统的气体传感技术存在一些局限性，比如不具备足够高的准确性和稳定性，容易受到外界干扰。
为了克服这些缺点，学术界和工业界开始利用神经网络技术来提高气体传感器的性能。
神经网络技术是模拟人类大脑神经网络工作原理的一种计算模型，它的特点是具备自学习和自适应能力。
目前已经被广泛应用于图像识别、语音识别、自然语言处理、预测分析等领域。
相比传统方法，基于神经网络的气体传感器具有更高的灵敏度和准确度，容易适应复杂的环境变化，因此受到越来越多的关注。
基于神经网络的气体传感器的核心技术是利用目标气体的特性来提取气体传感器信号中的有用信息。
传感器信号通常包含噪声、毛刺和漂移等干扰，这些因素会降低传感器的准确性和稳定性。
因此，在利用神经网络技术进行信号处理前，需要对传感器信号进行预处理，以提高提取特征的精度和可靠性。
目前，基于神经网络的气体传感器主要采用三种结构。
第一种是单层感知器，它是一种仅由输出层构成的神经网络结构，适用于单一气体的分类。
第二种是多层感知器，它由输入层、隐藏层和输出层构成，适用于多种气体的分类。
第三种是具有反向传播算法的神经网络结构，它可以利用误差反向传播算法来自适应地更新权重和偏差参数，以提高气体传感器的分类和预测性能。
除了以上三种结构，还有一些基于神经网络的深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）。
这些模型在通用图像、视频、语音等领域已经得到广泛应用，如何将它们应用于气体传感器也是一个热门研究方向。
这些模型可以更加精确地提取气体传感器中的特征，从而提高气体传感器的分类和预测性能。
基于神经网络的气体传感器在实际应用中还面临着一些挑战。
首先，神经网络结构的设计需要考虑到气体传感器的实时性和各种异常情况的处理。
神经网络在空气污染预测中的应用研究随着城市化进程的加快和工业化程度的提高，空气污染成为了大家关注的焦点问题。
在过去的几十年间，科学家们通过不断的研究和运用各种技术手段，对空气质量的监控、预测和治理取得了一定的进展。
而其中一个被广泛运用的技术便是神经网络。
下面本文将结合案例，对神经网络在空气污染预测中的应用展开研究。
一、神经网络是什么神经网络是一种基于人造神经元之间相互连接而构建起来的拓扑结构，以实现对信息的处理和模拟人类大脑决策的机器学习模型。
它的核心思想是通过训练数据集来获得模型的隐式知识，使之能够自动预测、分类和识别目标，具有更强的自适应性和泛化性能。
在计算机科学、工业控制、金融服务、医学诊断等领域具有极广泛的应用。
二、神经网络在空气污染预测中的应用案例随着空气污染日益加剧，人们对于监测和预测空气污染的要求也越来越高，其中神经网络就成为了一种常用的预测手段。
以我国的广东省为例，广东省环境监测中心曾经利用神经网络对大气污染物进行预测，以辅助和改进环境监测与预警水平。
该研究从广东省2012年PM2.5实时数据中获得了67,869条统计数据，以外部数据因素（如湿度、温度、风速等）和PM2.5水平输入神经网络进行建模、模拟和优化。
经过训练和测试，该模型的准确度和稳定性得到了较高的确认，有效地提高了预测精度和预警预报能力。
三、神经网络在空气污染预测中的优势环境污染是一个非常复杂的系统问题，涉及到众多因素的综合作用，比如人类活动、气象因素、自然环境和生态系统等。
这其中，许多关键因素尤其是非线性因素，很难用传统的数学模型和统计学方法来描述。
而神经网络在解决这类问题时，具有如下的独特优势。
1. 非线性建模能力强神经网络可以通过多层连接和非线性转换来实现对于复杂污染影响因素和污染物间相互作用的深度解析和建模。
这样不仅可以为预测准确度提供了可靠依据，也可以在一定程度上解决传统模型面对较为复杂系统和多源数据集时可能出现的过拟合和欠拟合问题。
第25期2023年9月江苏科技信息Jiangsu Science and Technology InformationNo.25Spetember,2023作者简介:程逸雯(2002 ),女,江苏南京人,本科生;研究方向:状态估计,故障预警,神经网络㊂基于多元状态评估与BP 神经网络的燃气轮机故障预警研究程逸雯(江苏大学,江苏镇江212013)摘要:燃气轮机的透平故障,由于缺乏直接的诊断手段,经常在发现时已发展成严重故障,给发电企业造成巨大的经济损失,因此透平故障的早期预警具有较大的经济意义㊂文章针对燃气透平故障预警问题,采用多元状态估计方法(MSET )和BP (Back Propagation )神经网络方法进行了对比研究㊂文章首先介绍了这两种方法的预警原理,然后对一个燃气轮机透平故障实例采用这两种方法进行了详细分析,最后对这两种方法的预警结果进行了对比评价㊂结果表明,多元状态估计方法和BP 神经网络都可对燃气透平的故障进行早期预警,多元状态估计方法相对效果更好㊂关键词:燃气透平;故障预警;多元状态估计;BP 神经网络中图分类号:TK47㊀㊀文献标志码:A0㊀引言㊀㊀燃气轮机主要包含三大部件:压气机㊁燃烧室㊁燃气透平㊂由于受高温运行环境及频繁启停的影响,随着运行时间的增加,燃机透平会产生不同程度的性能衰退和部件损伤,甚至会造成各种严重事故,产生巨量的经济损失[1]㊂由于燃气轮机结构的高度集成化和精密化,对燃气透平进行诊断的直接手段有限,发现故障时往往已发展成严重故障㊂对燃气轮机透平的异常工况进行预警,能够在故障早期对设备进行检修,避免重大事故发生,减少经济损失㊂目前,燃气轮机的故障预警已有一定的研究㊂文献[2]应用多元状态估计方法(MSET)建立了压气机在正常运行状态下的非参数模型,利用滑动窗口确定预警阈值,并通过仿真试验进行了验证㊂文献[3]基于燃气轮机的运行数据,采用MSET 法建立了燃烧室在正常运行状态下的预警模型,并引入了相似度函数,可以更早地发现设备的故障隐患㊂文献[4]提出基于极端梯度提升和局部均值分解与核主元分析相结合的燃气轮机转子故障预警方法,利用转子的振动数据建立预测模型,并通过案例进行了验证㊂本文基于MSET 方法对燃气透平的故障预警进行研究,并同时采用BP(Back Propagation)神经网络方法进行了预警效果对比㊂1㊀常用故障预警技术㊀㊀重型燃机燃气透平的初温很高,F 级初温约1350ħ,H 级初温约1500ħ,未来初温可达1600ħ以上㊂在这种高温下,常规的测温技术早已不可用,生产厂家一般提供基于燃气透平排气分散度的燃烧保护系统进行在线故障监控,而实际应用中,当监控系统发出报警时,燃机热通道部件往往已损坏严重㊂由于缺少高温测量数据,对燃气透平的故障预警一般都采用间接的数据分析方法进行㊂本文对常用的多元状态估计方法和BP 神经网络方法进行介绍㊂1.1㊀多元状态估计方法(MSET )㊀㊀多元状态估计方法(MSET)首先由美国阿尔贡国家实验室研究并应用于设备预警系统中,在核电厂信号验证㊁仪表精度监控㊁组件运行失常等场景中得到了验证[5-6]㊂MSET 后来被田纳西大学核能实验室推广为更一般的非线性状态估计(Nonlinear State Estimation Technique,NSET)方法,并得到了广泛应用㊂Smart Signal 公司基于MSET 专利开发了一种监测设备性能的技术,并于2014年获得了中国专利[7]㊂多元状态估计(MSET)方法是将当前运行数据和已生成的历史运行数据进行对比,计算多元状态之间的相似度,从而进行故障预警的方法[5]㊂基于MSET 的状态估计基本流程[8]如图1所示㊂训练数据K 为正常运行状态下,各个观测参数(共n 个)的观测数据,用行向量表示某时刻所有观测参数的值㊂生产系统中的历史数据库导出的数据集一般都用表格的一行来表示某时刻的测点值,索引为时间戳,故本文采用行向量,从而与实际数据集一致,且与其他文献中采用列向量不同[8]㊂训练集K图1㊀MSET多元状态估计方法预警的基本流程必须包含系统全范围的动态参数,包括稳定状态和变工况状态,但不能够有故障数据在内㊂从某时间点开始的训练数据K可以用下式表示为矩阵:K=[X(t1),X(t2), ,X(t k)]T(1)X(ti)=[x1(t i),x2(t i), ,x n(t i)]T(2)从训练矩阵K中,抽取一部分(d个)能够代表系统运行状态的数据,组成状态矩阵D㊂状态矩阵D是一个dˑn的矩阵,其中d为其中所包含状态的数量,n为观测参数的个数㊂由抽取状态组成的状态矩阵可表示为:D=x1(t1)x2(t1) x n(t1)x1(t2)x2(t2) x n(t2)︙︙⋱︙x1(t d)x2(t d) x n(t d)éëêêêêêùûúúúúú(3)训练矩阵K中除去状态矩阵D中的状态数据后,余下部分便组成了剩余矩阵L((k-d)ˑn)㊂X obs 为系统当前观测值形成的新观测向量,对该观测向量的估计向量X est,通过状态矩阵D和权值向量W的点积计算得出:X est=D T㊃W(4)权值向量W表征状态估计向量和状态矩阵间相似性测度的大小,取状态估计向量X est和观测向量X obs的残差最小化如下:minε2=min[(X obs-D T㊃W)T㊃(X obs-D T㊃W)](5)㊀㊀式(5)的最小二乘解可表示为:W=(D㊃D T)-1㊃(D㊃X obs)大多数系统的状态数据间都会存在一定的相关性,而数据之间的相关性会导致矩阵不可逆,限制了权值向量W的求取㊂MSET方法利用基于相似性原理的相似性运算符 代替点积,通过计算数据状态间的相似程度来表征其权值,解决了数据相关所造成的矩阵不可逆,如下所示:W=(D D T)-1㊃(D X obs)(6)从而,系统当前状态估计向量和观测向量的关系如下:X est=D T㊃(D D T)-1㊃(D X obs)(7)基于正常数据的健康残差可得到设备预警的残差阈值㊂当计算出的实际残差(向量的L2范数)大于残差阈值时,触发设备报警,同时可计算出造成报警的主要测点如下:S res=X est-X obs(8)ε=|S res|(9)式(8)~(9)中:S res为残差向量;X est为估计向量;X obs为观测向量;ε为残差向量的L2范数㊂1.2㊀BP神经网络㊀㊀BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络[9],是20世纪末期神经网络算法的核心,也是如今发展迅猛的深度学习算法的基础㊂BP算法的基本思想是:学习过程由信号的正向传播和误差的反向传播两个过程组成,通过这两个过程的反复迭代,对神经网络各层的权值参数和偏置参数进行不断调整,直到达到预先设定的训练次数,或输出误差小于指定的阈值㊂BP神经网络应用于故障预警时,一般是基于大量的正常运行数据训练网络模型,基于得到的神经网络模型和观测向量的当前数据确定观测向量的期望数据,当观测数据和期望数据的残差超出了设定的阈值后触发报警,同时给出形成残差的主要测点㊂与MSET方法相比,除了模型不同,预警的思路是一致的㊂BP神经网络故障预警的基本流程如图2所示,变量命名和MSET方法保持一致㊂2㊀燃气轮机透平故障实例㊀㊀某联合循环机组(GE的9FA燃气轮机),在2022年9月揭缸检修时发现透平末级动叶出现长度超过5.08cm(2英寸)的不规则缺口,修复成本巨大㊂而图2㊀BP 神经网络预警基本流程在之前的运行过程中,运行人员并未观察到特别的异常情况;如果在动叶出现初期裂纹时能及时发现,则可避免故障范围的扩大和经济损失的大量增加㊂通过对检修前1年多的历史数据进行分析,可以大概推断出现初期故障的可能时间㊂该厂已实施了SIS㊁MIS 等信息化系统,从实时数据库中导出燃机相关测点2021年7月至2022年8月的历史数据,保存到CSV 文件中,然后进行数据分析㊂首先对机组的历史数据进行清洗,删除停机期间和启停机过程中的数据,仅保留机组正常运行期间的数据,再删除由于采集系统故障造成的错误数据(比如部分测点在燃机运行期间,出现了极少数的0值)㊂该燃机部分月份的发电功率-透平排气压力曲线如图3所示㊂燃机的功率与透平排气压力正常情况下应该呈现出比较规则的线性关系,如图3中从2021年7月至2022年1月的曲线㊂但是从2022年3月开始,曲线形状有了较大变化,出现少量与主体变化不一致的异常点,曲线形状也变得不规则了㊂运行人员根据运行经验,也指出功率-透平排气压力曲线出现了异常㊂可以大体认定从2022年3月开始,燃机透平已出现故障(由于2022年2月燃机基本处于停机状态,故不考虑2月)㊂图3㊀机组功率与透平排气压力关系的演化3㊀燃气透平数据分析㊀㊀选取2021年7 12月的机组运行数据为正常运行数据建立模型,然后根据2022年1 8月的实际运行数据计算估计数据,并与实际数据进行对比,观察残差变化情况㊂测点选取机组功率㊁透平排气压力㊁透平排气温度3个测点㊂经数据清洗后,有效的训练数据共379843条记录(数据采用周期是10s),每条记录包括1个时间戳和3个值,即机组功率㊁透平排气压力㊁透平排气温度3个测点同一时刻的值㊂3.1㊀MSET 方法3.1.1㊀数据归一化㊀㊀采用最大值-最小值法,对数据进行归一化处理,避免测点因取值工程范围差异对残差造成额外的影响:x scaled =x -x minx max -x min(10)式(10)中:x 为测点历史数据;x min 为测点历史最小值;x max 为测点历史最大值;x scaled 为测点归一化后历史数据㊂3.1.2㊀确定状态矩阵㊀㊀针对每一个测点,将(0,1)区间划分为100等份,搜索与每个分隔点最接近的历史记录并保存,删除重复记录后,最终得到状态矩阵,其测点数值分布如图4所示,可以看出基本覆盖了各个测点的整个变化区间㊂MSET 方法要求状态矩阵尽可能覆盖所有的运行工况㊂图4㊀状态矩阵中测点数值的分布3.1.3㊀确定健康残差及报警阈值㊀㊀健康残差取剩余矩阵(即除去状态矩阵后的训练集)中每个向量的估计值与原始值之差的L2范数,计算结果如图5~6所示(曲线中的斜直线是因为对应时间停机,相关数据被清洗掉了)㊂图5中功率测点的估计值和实际值比较吻合,差异很小;图6显示残差的最大值为0.12㊂图5㊀燃机功率实际值与估计值对比图6㊀正常运行数据对应的残差趋势㊀㊀根据经验,报警阈值选取剩余矩阵最大残差的1.3倍:E y =1.3E v (11)式(11)中:E y 为残差报警阈值;E v 为健康残差最大值㊂本案例中,健康残差最大值为0.12,残差报警阈值为0.156㊂3.1.4㊀计算观测向量的估计向量并计算残差㊀㊀根据2022年1月至8月底的历史数据,计算每个观测向量对应的估计向量,同时计算这两个向量的残差值,计算结果如图7所示㊂从2022年3月开始,残差出现了一些极大值㊂图7㊀观测数据的实际残差变化情况3.1.5㊀确定报警时间㊀㊀同时做出正常运行数据的健康残差㊁观测数据的实际残差㊁残差报警阈值的曲线,以确定报警时间,如图8所示㊂图8㊀健康残差㊁实际残差㊁报警阈值曲线㊀㊀从图8可见,实际残差从2022年3月开始,多次穿越残差报警阈值线㊂若在2022年3月进行异常预警,则与2022年9月检修时发现透平动叶故障相比,可以提前5个月发现设备出现异常情况,此时进行检修,很大可能避免透平动叶出现大型缺口的严重故障㊂3.2㊀BP 神经网络方法3.2.1㊀训练BP 神经网络模型㊀㊀采用经典的3层神经网络模型,输入层神经元个数为测点个数3,隐藏层的神经元个数选取20,输出层的神经元个数同输入层㊂经过10epochs 迭代后,模型的损失(loss)为0.00148,2次迭代间损失变化已很小㊂图9为透平排气压力对估计值和实际值曲线,可以明显看出有一些偏差㊂图10为健康残差变化曲线,健康残差的最大值为0.27,与MSET 方法类似,报警阈值取最大残差的1.3倍,为0.351㊂3.2.2㊀估计观测向量并计算残差㊀㊀根据估计向量和观测向量的残差,计算其L2范数得到总残差,变化曲线如图11所示㊂3.2.3㊀确定报警时间㊀㊀与MSET 方法类似,同时做出健康残差㊁实际残差㊁残差报警阈值的曲线,确定报警时间,如图12所示㊂从图12可以看出,从2022年3月份开始,实际残差值多次穿越报警阈值线,从而触发多次报警,与MSET 方法的结论相同㊂3.3㊀MSET 方法与BP 神经网络方法比较㊀㊀通过比较这两种方法可以发现,MEST 方法和BP 神经网络方法得到的预警时间基本一致,都从2022年3月份开始出现报警㊂但MEST 方法对正常数据的估计值要比BP 神经网络更加准确,其最大残差要远远小于BP 神经网络的最大残差㊂而对实际残差超㊀㊀图9㊀BP神经网络模型实际值与估计值图10㊀正常运行数据的健康残差图11㊀实际残差变化曲线图12㊀BP 神经网络方法确定的健康残差㊁实际残差㊁报警阈值曲线出报警阈值的程度来说,MSET 方法更加灵敏,其计算得到的实际残差高于报警阈值的程度要远大于BP 神经网络方法㊂对于本案例的分析,BP 神经网络方法仅拿来作对比验证,所以没有进行深度调优,相对于简单易用的MSET 方法来说,BP 神经网络方法能达到相同的预测效果,需要有更多的投入㊂4 结语㊀㊀燃气透平早期故障的智能预警,对于避免重大故障的发生和巨大经济的损失具有十分重要的意义[10]㊂本文对燃气透平的具体案例进行了预警研究,MSET方法和BP神经网络方法都可以做到提前预警,因此都可以用来对燃气透平进行早期的故障预警㊂经过比较,在不投入较大代价情况下,MSET方法对数据的估计值更精确一些,更适合用来对燃气透平进行预警㊂参考文献[1]应雨龙,李靖超,庞景隆,等.基于热力模型的燃气轮机气路故障预测诊断研究综述[J].中国电机工程学报,2019(3):731-743.[2]陆永卿,涂雷,茅大钧.基于MSET的压气机故障预警研究[J].上海电力大学学报,2021(2): 133-137.[3]黄伟,张泽发.基于相似度分析的电站燃气轮机燃烧室故障预警研究[J].上海电力大学学报,2020 (3):220-224.[4]章明明,茅大钧,董渊博.基于LMD-XGBoost和KPCA的燃气轮机转子故障预警研究[J].青海电力, 2022(3):14-21.[5]SINGER R M,GROSS K C,HERZOG J P,et al. Model-based nuclear power plant monitoring and fault detection:theoretical foundations[Z].1997. [6]GROSS K,SINGER R,WEGERICH S,et al. Application of a model-based fault detection system to nuclear plant signals[Z].1997.[7]J.P.赫措格.用于预报和预测的序列核回归建模系统:CN103842923A[P].2014-06-04.[8]刘鑫沛.基于相似性建模的发电设备故障预警方法研究[D].保定:华北电力大学,2014.[9]张妮,车立志,吴小进.基于数据驱动的故障诊断技术研究现状及展望[J].计算机科学,2017(S1): 37-42.[10]文成林,吕菲亚.基于深度学习的故障诊断方法综述[J].电子与信息学报,2020(1):234-248.(编辑㊀李春燕)Research on early warning of gas turbine based on multivariate state estimation andBP neural networkCheng YiwenJiangsu University Zhenjiang212013 ChinaAbstract Due to the lack of direct diagnostic methods turbine faults in gas turbines often develop into serious faults when discovered causing huge economic losses to power generation enterprises.Therefore early warning of turbine faults has great economic significance.The article compares the multivariate state estimation method MSET and BP Back Propagation neural network method for gas turbine fault warning.Firstly the warning principles of these two methods were introduced followed by a detailed analysis of a gas turbine fault example using these two methods. Finally the warning results of these two methods were compared and evaluated.The results show that both the multivariate state estimation method and the BP neural network can provide early warning for gas turbine faults and the multivariate state estimation method is relatively more effective.Key words gas turbine fault warning multivariate state estimation BP neural network。
岛津红外光谱仪的基本构成和创新点光谱仪工作原理岛津红外光谱仪属于分析仪器、光谱分析仪器，用于物质成分的定量和定性分析。
它能广泛应用于石油、化工、医药、环保、海关、国防、科研院所等领域。
岛津红外光谱仪的基本构成：1.光源光源能发射出稳定、高强度、连续波长的红外光，通常使用能斯特（Nernst）灯、碳化硅或涂有稀土化合物的镍铬旋状灯丝。
2.干涉仪干涉仪的作用是将复色光变为干涉光。
中红外干涉仪中的分束器紧要是由溴化钾材料制成的；近红外分束器一般以石英和CaF2为材料；远红外分束器一般由Mylar膜和网格固体材料制成。
3.检测器检测器一般分为热检测器和光检测器两大类。
热检测器是把某些热电材料的晶体放在两块金属板中，当光照射到晶体上时，晶体表面电荷分布变化，由此可以测量红外辐射的功率。
热检测器有氘代硫酸三甘肽,钽酸锂等类型。
光检测器是利用材料受光照射后，由于导电性能的变化而产生信号，常用的光检测器有锑化铟、汞镉碲等类型。
岛津红外光谱仪创新点：1.接受新型定镜调整机构的角镜型干涉仪，实现了干涉度的长期稳定。
2.具有工作和通讯状态自诊断功能，提高仪器智能化水平。
3.接受网口通讯技术，提升仪器的性、牢靠性和网络化管理。
4、接受温度稳定型探测器技术，提升仪器的信噪比及光谱稳定性。
列举红外光谱仪的两种应用红外光谱仪用红外光谱法进行药物分析时具有多样性，可依据被测物质的性质快捷应用，而且无论是固态、液态或是气体，红外光谱法都可利用自身的技术进行分析，因此拓宽了红外光谱仪的定量分析。
同时，红外光谱法不需要对样品进行繁琐的前处理过程，对样品可达到无损伤、非破坏，也大大的突出了它较其他定量方法的优越性。
另外，红外光谱中的特征光谱较多，可供选择的吸取峰多，所以能便利对单一组分或是混合物进行分析。
目前，随着红外自身技术和化学计量的进展，红外的定量分析方法越来越多，包括峰高法、峰面积法、谱带比值法、内标法、因子分析法、漫反射光谱法、导数光谱法、最小二乘法、偏最小二乘法、人工神经网络等。
多组分烷烃混合气体FTIR光谱定量分析新方法金萍【期刊名称】《分析测试学报》【年(卷),期】2009(028)010【摘要】提出一种核偏最小二乘(KPLS)特征提取耦合支持向量回归机(SVR)的新方法,用于实现气测录井中傅立叶变换红外(FTIR)光谱法对甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷7种组分混合气体的定量分析.采用KPLS方法对光谱数据进行特征提取,将得到的特征组分作为SVR的输入建立7组分气体的定量分析模型.对相同混合气体进行定量分析,结果显示,采用KPLS特征提取后,SVR模型对7种组分气体的预测均方根误差(RMSEP)分别为0.116、0.079、0.104、0.092、0.108、0.029和0.016,均小于线性偏最小二乘法(LPLS)、LPLS-SVR、KPLSR以及SVR模型的RMSEP.结果表明,KPLS-SVR法可以更好地提取隐含在混合气体FTIR光谱数据与其组分浓度之间的非线性特征,并有效地消除光谱数据噪声,大幅度降低数据维数,是一种有效的气测录井烷烃混合气体定量分析方法.【总页数】5页(P1189-1193)【作者】金萍【作者单位】太原大学,机电系,山西,太原,030009【正文语种】中文【中图分类】TE642;TH744.41【相关文献】1.热重红外联用多组分混合气体产物定量分析 [J], 陈玲红;吴学成;周昊;岑可法2.基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析 [J], 郝惠敏;汤晓君;白鹏;刘君华;朱长纯3.基于极限学习机的混合气体FTIR光谱定量分析 [J], 陈媛媛;张记龙;赵冬娥4.核偏最小二乘特征提取在混合气体FTIR光谱定量分析中的应用 [J], 郝惠敏;乔聪明;汤晓君;刘君华5.基于PLS-SVR的三组分混合气体定量分析 [J], 乔聪明因版权原因，仅展示原文概要，查看原文内容请购买。
1 引言1.1 课题研究的背景地球上的大气是环境系统的重要组成要素之一，是维持生命所必需的物质。
大气犹如一个保护性的覆盖层，它给生活在地球上的生命体以营养物，并且保护它们免受外层空间造成的有害影响，大气又是植物进行光合作用所需的二氧化碳和生命体呼吸作用的氧的源泉。
大气层具有一种保护生命体的重要作用。
来自外层空间的宇宙射线，穿过大气层时大部分被大气所吸收，从而使生活在地球表面的生命体免受宇宙射线之害。
大气层可以将太阳发射的高能电磁辐射中波长短于300nm的紫外辐射滤掉，显著地降低了紫外光对生命组织的破坏作用。
大气在保持地球热平衡方面也有着重要的作用，大气即能吸收太阳发射的红外辐射，也能把地球表层发射的红外辐射吸收掉。
大气稳定的热平衡作用，使地球表面温度无巨变现象，这对生存在地球上的生物的发展和演变有着举足轻重的作用。
经常把大气的所有成分按其浓度大小分成三大类，即主要成分、微量气体、痕量气体。
主要成分:其浓度在10-2量级，它们是氮气、氧气和氩气。
表1.1是通常情况下大气的组成比例[1]。
微量成分:其浓度在1～104ppm之间，包括二氧化碳、水汽、甲烷、氦、氖、氟等。
痕量成分:其浓度在1ppm以下，主要有氢气、臭氧、氙、氧化亚氮、一氧化氮、二氧化氮、氨气、二氧化硫、一化氧碳，以及气溶胶等。
此外还有一些大气中本来没有而纯属人为产生的污染成分，例如:氢氟碳化物(HFC S)、全氟碳化物(PFC S)、过氧化氢(H2O2)、硝酸(HNO3)、二硫化碳(CS2)及一些自由基等。
表1.1 通常情况大气的组成比例由于人类活动，污染物被不断地排放到大气环境中，但是由于自然界自身的净化能力，这些污染物可以从大气中净化掉[2]，由于这种排放和净化两种相反的作用，将使大气中的污染物浓度保持在一定的水平。
然而，随着人类生产活动的发展，人类对自然界的破坏越来越严重，当人类排放到自然界的污染物大于其自身净化能力时，大气中的污染物浓度将会增加，由于这种现象，人类和自然界中其它生物的生存环境将会受到影响，金属将会被腐蚀，一些历史古建筑将会受到损坏，这些都是大气污染对人类社会的直接影响。
除此之外，当大气中污染物的浓度达到一定程度时，由于太阳光的辐射作用，大气中将发生一系列的光化学反应，于是又会产生许多新的物质，在这个过程中，即使原来是无害的物质，比如碳氢化合物，作为光化学反应的反应物，会被变成一些对人类有害的物质。
大气污染物的种类很多，目前已认识到的空气污染物约200多种，这些污染物以分子和粒子两种形式存在于空气中。
分子状污染物主要有S02、N02、CO、03、总氧化剂、卤化氢以及碳氢化合物等；粒子状污染物有TSP、IP以及重金属和多环芳烃组成的尘粒等。
按其来源可以分为两类:一次污染物和二次污染物，一次污染物是由污染源直接排放到大气中，并且立即对大气造成污染，它包括颗粒物质、二氧化硫、氮氧化物、碳氢化合物和一氧化碳等；而二次污染物则是由多种一次污染物在空气中经过一系列的化学反应生成的反应产物，比如化学烟雾就属于二次污染物，在某些情况下，二次污染物对人类的危害要比一次污染物还要严重。
大气环境质量的日益恶化，使得人们更加重视大气环境的治理。
大气环境的治理，离不开对大气混合气体的监测！通过对混合气体的监测，就可以获得气体的浓度，进而了解一个地区的污染物分布情况，从而制定出全面合理的防治措施，有的放矢地进行工作。
在大气混合气体浓度检测技术中，按工作原理主要分为非光学分析法和光学分析法。
非光学分析法包括超声波技术、气敏法、热催化法、气象色谱法、光干涉法、被动检气管法。
非光学分析法在大气污染成分的检测中得到了非常广泛的应用，但由于其响应速度慢，不能对被测对象进行在线实时监测，因此应用范围受到了很大限制。
在光学分析中，主要基于光谱学利用光和大气污染分子相互作用的特性来进行检测，具有大范围、多组分、连续实时监测等特点，已经成为气体浓度检测的理想工具。
目前常用的光学分析方法有差分吸收光谱技术、差分吸收激光雷达技术、可调谐激光二极管激光吸收光谱技术和傅里叶变换红外光谱技术。
由于具有分辨力高、测量波段宽、灵敏度高、响应时间快等优点，傅立叶变换红外光谱(FTIR)技术成为目前气体浓度检测最为理想的手段。
然而在实际环境中，大气混合气体具有多组分并存、干扰因素多等特点，这造成了测定谱图中各组分的特征峰之间重叠现象严重、非线性明显，难以直接对混合气体进行定性、定量的分析。
因此需要采用化学计量学的方法，对谱图进行解析，以便能定量测量大气混合气体中各组分气体浓度在空间的分布情况。
目前，利用傅立叶变换红外光谱(FTIR)技术对大气中混合气体进行定量的数据处理方法中，主要是光谱差减法(Spectral Subtraction)、经典最小二乘法(CLS )、偏最小二乘法(PLS) ，但这几种方法都存在一些问题。
如：光谱差减法的主要思想是得到实测光谱后，把被分析物的参照光谱乘以某系数，然后用实测光谱与参照光谱作差，依次将光谱分开。
但该方法中系数很难确定，并且当光谱比较复杂时，被分析物的种类也很难确定。
使用CLS前，大气中的CO和H20的旋转—振动光谱必须得到补偿，但到目前为止，未出现一种可用于实践的光谱补偿技术。
虽然PLS 的使用不如上述方法严格，但PLS主要侧重定量分析，当被测样中有未知物存在时，PLS的预测灵敏度就大大降低。
近年来，人工神经网络算法(ANN)被认为是模式识别和定量分析中非常有用的工具，而且还能处理那些传统方法所不能解决的问题，因此，本研究选择人工神经网络(ANN)法对FTIR光谱图进行解析，从而反演气体的浓度，完成对气体的定量分析。
1.2 本论文的研究内容傅里叶变换红外光谱技术具有分辨力高、测量波段宽、灵敏度高、响应时间快等优点，已成为目前气体浓度检测最为理想的手段。
但在实际环境中，大气污染物多组份并存、干扰因素多等特点，造成了测定谱图中各组分的特征峰之间重叠现象严重、非线性明显，限制了郎伯—比尔定律的使用，需要采用新的方法对谱图进行处理。
本论文研究的内容就是，在熟悉傅里叶变换红外光谱技术和人工神经网络理论知识的基础上，查阅国内外光谱数据库，得到各气体纯光谱图，利用matlab7.0仿真出混合光谱信号，利用主成分分析法对混合光谱信号进行主成分提取，然后用人工神经网络算法对提取的混合光谱信号进行处理，进而获得混合气体的浓度信息，完成对混合气体的定量分析并对网络的综合性能进行评价。
2 傅立叶变换红外光谱技术波数在3000cm-1—10cm-1之间称为红外区,在此范围内的物质吸收红外辐射后,因分子振动、转动、或晶格等运动产生偶极矩变化,形成可观测的红外光谱。
红外吸收带的位置和强度变化成化合物的特性,是光谱定性和定量分析的基础。
鉴于其专属性强、各种基因吸收带信息多,故可用于固体、液体和气体定性和定量分析。
傅立叶变换红外光谱技术(FTIR)主要由红外光源经准直后变成平行光出射，经过几百米的光程距离，由望远镜系统接收，再经干涉仪后汇聚到红外探测器上，由探测器测量得到干涉图，经快速傅里叶变换得到气体成分的光谱信息。
该技术核心为傅立叶红外光谱仪，它具有以下特点：一是扫描速度快，可以在1s内测得多张红外谱图；二是光通量大，可以检测透射较低的样品，可以检测气体、固体、液体、薄膜和金属镀层等样品；三是分辨率高，便于观察气态分子的精细结构；四是测定光谱范围宽，只要改变光源、分束器和检测器的配置，就可以得到整个红外区的光谱。
因此FTIR技术在近些年得到了极速的发展。
2.1傅立叶变换红外光谱技术的应用现状傅立叶变换红外光谱技术[3-5]是20世纪70年代发展起来的新技术，广泛应用于有机化学、高分子化学、无机化学、化工、催化、石油、材料、生物、医药、环境等领域。
使用该技术系统研究大气环境始于20世纪90年代中期，David W.T.等[6]使用用于外场测量的开放光程FTIR系统检测环境气体，Shcaefer等[7]用FTIR研究大气痕量气体发射和吸收光谱。
傅立叶变换红外光谱技术可以测量许多污染物成分的光谱信息，包括美国最新修改列出的188种污染气体，还有大的有机分子或者酸性有机物，如苯、氯仿等。
对于在红外大气窗口35000nm、8000～12000nm有特征吸收光谱的气体分子都可以采用FTIR方法进行其浓度的探测。
FTIR在红外光谱分析方面有着明显优势，一次可以获得全部光谱(2000～15000nm)数据，不需要光谱扫描，光强利用效率高，没有分光元件，如光栅或棱镜，可以对多种组分进行同时测量。
FTIR技术也用来测量发射光谱，如监测飞机发动机和烟囱等的排放气体来反演气体的浓度。
这种技术不需要光源和后向反射器，结构简单，但缺点是不知道待测目标的温度，以及温度与发射光谱间的关系。
这种被动FTIR 近来得到了发展，采用该技术可测量各种燃烧条件下的排放气体，用分子光谱数据库HITRAN 和HITEMP 的多层反演软件来确定H 2O 、CO 2、CO 、CH 4的浓度和温度。
除了采用人工光源外，FTIR 也可以利用太阳月亮等自然光源，如以太阳为光源，地基或机载FTIR 测量大气平流层、对流层的化学成分，以月亮作光源，地基FTIR 测量高纬度大气层一天里的浓度变化情况。
目前国内采用该技术对气体浓度进行检测尚处于起步阶段。
如康建霞等[8]较详细地描述了FTIR 在大气污染分析中的应用,通过近年来发展起来的几种长程吸收方法,证实了红外傅里叶变换红外光谱法在痕量气体分析中的优越性及发展前景。
2.2 基本的探测理论每种气体都有自己的特征红外吸收波段，一个特征吸收波段对应一种检测物质。
物质对红外光能量吸收的程度除了与光在物质中经过的路程有关外，还和物质的浓度有关系，它们之间的关系符合朗伯-比尔定律。
红外光谱定量分析[9]是通过对特征吸收谱带光强被吸收程度来测量组分含量的。
由于红外光谱的谱带很多，选择余地大，可以对多组分进行定量分析。
但是红外光谱法定量灵敏度较低，对微量组分的测定信号比较弱。
随着科学技术的不断进步，利用红外技术检测大气污染的技术越来越成熟。
2.2.1 朗伯-比尔定律朗伯定律描述了光吸收度与光在吸光物质中穿过的路程成正比关系。
()()()0ln I K l I λλλ= (2.1) 比尔定律描述了光吸收度与吸收物质浓度成正比的关系。
()()()0ln I k C I λλλ= (2.2)两个定律结合在一起称为朗伯-比尔定律，它表示了光吸收度与光在吸收物质中传输的路程、吸光物质浓度之间的关系。
()()()()0ln I A k CL I λλλλ== (2.3) 此定律表明红外光吸收度与吸收污染物的浓度和吸收层的厚度成正比。
不同物质，在不同波长处的0ln I I数值是不一样的，因而红外光吸收度也依赖于波长。
