基于中紅外光譜技術的非接觸式氣體識別電子鼻系統*

鄭明杰

(長春工業大學 人文信息學院，吉林 長春 130122)

0 引 言

隨著人們生活水平的不斷提高和社會的發展，由多種成分組成的混合氣體越來越得到人們的重視。目前對于混合氣體識別常用方法是熱分解質譜法、氣體傳感器檢測法和真空固相提取氣相色譜法等[1～3]。雖然這些檢測方法能夠準確地提取信息，但分析過程都比較復雜、周期長、成本高[4～6]，并且不能實現實時檢測。

針對混合氣體的快速識別，本文基于可調諧二極管激光吸收光譜與波長調制光譜(TDLAS—WMS)技術，采用中紅外的可調諧分布反饋式量子級聯激光器(DFB—QCL)，構建了可對混合氣體進行非接觸式識別的電子鼻系統。實驗中，對四種氣體成分的混合氣體進行實時檢測，并采用PCA與BP混合神經網絡模式作為系統模式識別算法[5]，能夠準確地進行區分。

1 系統結構

1.1 系統結構

設計的電子鼻系統結構如圖1所示，包括電學部分和光學部分。其中，電學部分包括QCL驅動器、溫度控制器和鎖相放大器組成；光學部分包括反射鏡陣列、掃描振鏡、長光程吸收氣室和中紅外光電探測器組成。

圖1 電子鼻系統結構框圖

電子鼻系統基于“時分復用”思想而設計[7]，利用自主研制的QCL驅動器和溫度控制器使各QCL激射波長控制在氣體吸收譜帶，并在不同的時隙內有序的工作。掃描振鏡的小步長階躍響應時間為500 μs，使得從一路QCL到另一路的切換時間小于1 s，從而使整個復用過程占用較短時間。各QCL發出的光束先經平行準直處理，然后被反射鏡M1～M5反射，沿著不同的路徑到達掃描振鏡上的同一點，適當控制掃描振鏡的旋轉角度，可以使不同波長的光束經掃描振鏡反射后沿同一光學路徑傳播。然后經過裝有混合氣體的多次反射長光程吸收氣室，鎖相放大器通過檢測光電探測器輸出信號的幅值，基于比爾—朗伯定律，計算出被測氣體各組成成分的濃度值。

1.2 QCL驅動器

QCL驅動電源由供電電源、控制器模塊、壓控恒流源模塊和保護電路模塊組成，如圖2所示。

圖2 QCL驅動電源

控制器模塊用于控制數/模轉換器(DAC)產生驅動壓控恒流源模塊的直流電壓。壓控恒流源模采用硬件和軟件雙閉環反饋控制方法。在硬件反饋環中，利用運算放大器深度負反饋原理來穩定環路增益、提高信噪比、減小非線性失真以及擴展通頻帶寬度。在軟件反饋環中，采用PID控制算法來消除硬件反饋環中由于MOS管反向飽和漏電流(漏—柵電流)所引入的實際電流值與理論值之間的微小差異。在電源紋波抑制中，對傳統的π型濾波網絡加以改進，利用達林頓管來對電容進行等效變換，用小電容來產生大電容的濾波效果，同時新的濾波網絡還具有延時軟啟動/軟關閉的作用，這可以避免激光器受到上電或斷電瞬間的浪涌電流沖擊。

1.3 QCL溫度控制器

QCL溫度控制器以即半導體制冷器(TEC)執行元件，以熱敏電阻器為溫度傳感元件，搭建了性能優異的QCL溫度控制器的硬件電路。QCL溫度控制器的系統組成框圖如圖3所示。

圖3 QCL溫度控制器系統組成框圖

QCL溫度控制器以D/A模塊和TEC控制芯片組成前向通路，以溫度傳感器信號采集電路和A/D模塊組成溫度信息采集電路，構成了完整的閉環溫度控制結構。MCU通過A/D模塊獲得溫度傳感器采集放大信息，調整數字控制量，數字控制量由D/A模塊和TEC控制芯片轉換為TEC控制電流，控制對QCL的加熱和制冷。

1.4 鎖相放大器

鎖相放大器結構如圖4所示，它包括倍頻和移相單元、模擬乘法器單元和低通濾波單元。

圖4 鎖相放大器框圖

將5 kHz參考方波信號送至倍頻和移相單元，產生10 kHz的方波信號，且其相位可從0°調節到180°；利用一種高精度平衡調制器(AD630)實現差分信號和相位可調諧的10 kHz方波信號相乘。乘法器的輸出信號經由一個八階巴特沃斯低通濾波器做濾波處理，從而得到二次諧波信號。

2 系統軟件設計

MCU將所采集到的數據通過串口傳送給上位機，基于LabVIEW虛擬儀器平臺，采用主成分分析(PCA)和反向傳播(BP)混合神經網絡模式對混合氣體進行識別[8]。首先，上位機利用公式(1)對采集到的數據進行歸一化處理，剔除原始數據中的冗余量，進行預處理

y=(x-minValue)/(maxValue-minValue).

(1)

其中,x,y分別為數據歸一化處理前、后的值，maxValue,minValue分別為其中一種氣體數據樣本的最大值和最小值。

然后對預處理后的數據進行PCA，實現數據的降維。最后通過BP神經網絡，對降維后的數據進行模式識別，最終將混合氣體成分識別出來。具體方法步驟如下：

1)首先對混合氣體樣本進行檢測，每種氣體樣品采集60組數據，共計60×4組數據，構成樣本數據庫。對被測混合氣體樣品數據與數據庫進行PCA分析，計算測量數據的方差與協方差，實現數據的降維。利用降維后得到的PC繪制坐標系得到二維的PCA散點圖譜，通過PCA圖譜可以直觀得到數據之間的相互關系。

2)然后對PCA所得到的新數據組進行BP神經網絡所需參數的設定。根據被測樣本為四種混合氣體，確定BP神經網絡輸入層/輸出層節點數為4個。由于隱含層為輸入層/輸出層節點數的總和，所以,確定為8個。

3)上位機采用BP神經網絡模式識別算法，通過PCA得到的結果與數據庫中的數據相比對，識別被測氣體樣品。

3 實驗結果與分析

實驗中，利用自主研制的電子鼻系統對四種氣體成分的混合氣體進行非接觸式檢測，檢測對象分別為CO,CH4,NO2,C2H4氣體。將電子鼻系統裝入5 L測量容器中，對被測混合氣體進行測量，測試環境為室溫20 ℃，濕度為50 %RH。當樣品在氣室中靜置5 min后采集傳感器數據。

選取電子鼻系統在潔凈空氣中的傳感器輸出值與在測試混合氣體環境中傳感器輸出值的比值(靈敏度)做為樣本數據庫，進行模式識別。模式識別所采用的方法為PCA和BP神經網絡。將訓練樣本數據進行數據預處理后，通過PCA和BP識別后后的圖譜如圖5所示。

圖5 電子鼻系統PCA和BP識別結果

由圖5中可以看出:不同被測氣體可以單一地被區分開來，具有相近吸收譜段的被測氣體在圖中的位置也相鄰。

同時， PCA和BP混合神經網絡在訓練過程中誤差和訓練次數的變化過程如圖6所示。

由此可見，PCA和BP混合神經網絡可以利用原始訓練樣本訓練好的系統模型準確地識別出檢測對象。

圖6 混合神經網絡的誤差和訓練次數

4 結 論

基于(TDLAS—WMS)技術，采用激射波長為中紅外的可調諧DFB—QCL，結合PCA和BP混合神經網絡模式識別算法，研制出應用于非接觸式混合氣體識別電子鼻系統。實驗結果表明:本系統能夠準確區分四種氣體成分的混合氣體。若對該系統進一步優化設計，建立更加全面的數據庫，可以實現更多組分的混合氣體進行識別。

參考文獻:

[1] 張覃軼,孫 偉,謝長生，等.基于電子鼻的空氣中可揮發有機物定量分析[J].傳感器與微系統,2006,25(11):21-24.

[2] 欒淑禾，閏衛平，全寶富，等.用于電子鼻研究的多傳感器實時動態測試系統設計[J].測控技術,2005,24(2):1-4.

[3] 劉樹海，鄭傳濤，徐 琳，等.基于恒電流源的電阻式氣敏傳感器檢測系統[J].吉林大學學報:信息科學版,2012,30(4):376-378.

[4] 張曉敏.電子鼻在食品工業中的應用進展[J].中國食品添加劑，2008(2)：52-56.

[5] 張順平，張覃軼，李登峰,等.電子鼻技術在食醋識別中的應用[J].傳感技術學報，2006，19(1)：104-107.

[6] 張 鑫.基于LabVIEW的陣列式氣體傳感器動態數據采集系統[D].廈門：廈門大學,2007.

[7] Esmaeil Mahmoudi.Electronic nose technology and its applications[J].Sensors & Transducers,2009,107(8):17-25.

[8] Catarina Bastos A,Naresh M.Potential of an electronic nose for the early detection and differentiation between streptomyces in potable water[J].Sensors and Actuators B,2006,116:151-155.