基于改进型BP神经网络的SF6气体传感器

针对非色散红外SF_6气体传感器测量精度易受环境温度、气压影响的问题,提出采用混合粒子群优化-误差反向传播(PSO-BP)神经网络预测模型对环境温度、气压变化引起的测量偏差进行实时补偿,并与其他补偿方法进行分析比较。实验结果表明,该SF_6气体传感器在气体浓度0~1000×10~(-6)、温度10~40℃、气压100~120 kPa,相对测量误差为1.5%,检测精度小于±15×10~(-6),检测分辨率为1×10~(-6),有效地消除了环境温度、气压波动引起的非线性影响。相比于经验公式法和RBF神经网络补偿方法,该方法具有较高的测量准确度和稳定性,且无需增加电路模块,有利于降低传感器的体积和成本。     

矿井内CH4与CO2双组分NDIR传感器的设计与实现

为了实现对矿井有害气体的有效监测和控制,本文基于非色散红外(NDIR)原理,设计了一种双组分气体传感器。重点提出了一种反射式气室,然后利用光学仿真软件LightTools对腔体内的光线传播方向进行了光线追迹分析,并对到达探测器4个接收面的光强分布进行了模拟分析,验证了该气室的可行性与优越性。在器件上选用电调制红外光源和热释电探测器,由单片机处理电信号并输出气体浓度信息,大大提高了检测精度。实验结果表明,该传感器能够准确检测0～2000 ppm范围内的甲烷与二氧化碳气体浓度,满量程精度可达4.5%。可以满足矿井内甲烷、二氧化碳气体浓度检测的需要,具有广阔的应用前景。     

基于GWO-BP神经网络补偿的SF6红外气体传感器

为实现电力系统中SF 6气体的有效监测与控制,本文基于非色散红外原理(NDIR),设计了一种SF 6气体传感器。但是,在实际的测量中,环境的温度与气压差异性容易影响SF 6气体浓度检测装置的检测精度,因此需要采取适当的方法消除环境引起的测量误差。本文采用灰狼智能优化算法—误差反向传播(GWO-BP)神经网络对环境温度与气压变化引起的测量误差进行了补偿,并与其他补偿方法作了比较。分析得出:进行补偿后的浓度数据在0~2000 ppm范围内误差为±15 ppm,满量程误差为0.75%FS,有效提升了传感器的测量精度与稳定性。相较于电路补偿法,该方法有更高的测量精度,并且降低了传感器的体积和成本。