基于1D-WCWKCNN的痕量甲烷氣體濃度檢測

闞玲玲, 朱富海, 梁洪衛(wèi)

東北石油大學(xué)電氣信息工程學(xué)院, 黑龍江 大慶 163318

引 言

天然氣組成成分主要有甲烷(85%)和少量乙烷(9%)、 丙烷(3%)、 氮(2%)和丁烷(1%)。 在工業(yè)發(fā)展過程中, 需要跨地區(qū)進(jìn)行天然氣運(yùn)輸, 運(yùn)輸管道在長時(shí)間工作的情況下會(huì)存在泄漏的情況。 當(dāng)空氣中的甲烷濃度達(dá)到5%, 氧氣濃度大于等于12%時(shí), 遇到明火, 則會(huì)發(fā)生爆炸。 為了防止發(fā)生安全事故, 需要對管道周圍進(jìn)行甲烷氣體的檢測。 在甲烷氣體檢測領(lǐng)域中, 檢測甲烷氣體的光譜學(xué)技術(shù)有差分光學(xué)吸收光譜(DOAS)、 差分吸收激光雷達(dá)(DIAL)、 傅里葉變換紅外光譜(FTIR)、 可調(diào)諧半導(dǎo)體激光吸收光譜(TDLAS)[1-8]。 TDLAS技術(shù)具有高精度、 高分辨率、 高穩(wěn)定性和快速響應(yīng)的特點(diǎn), 鑒于這些優(yōu)勢, TDLAS技術(shù)常用于氣體檢測領(lǐng)域當(dāng)中[9]。 Jiang等[10-13]利用TDLAS技術(shù), 借助甲烷氣體的二次諧波信號(hào)的幅值與甲烷氣體濃度擬合直線對甲烷氣體濃度進(jìn)行檢測。 利用TDLAS技術(shù)對甲烷濃度進(jìn)行檢測時(shí), 需要擬合二次諧波信號(hào)幅值與甲烷濃度值的直線。 人工在尋找最優(yōu)擬合直線這個(gè)過程中, 存在噪聲和人為操作對二次諧波信號(hào)的幅值產(chǎn)生上下波動(dòng)的影響, 造成人工篩選二次諧波信號(hào)的時(shí)間成本增加。 在目標(biāo)氣體檢測效率上需要進(jìn)一步提高。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)最早由LeCun等提出, 近年來該網(wǎng)絡(luò)在諸多領(lǐng)域表現(xiàn)出優(yōu)異的性能[14]。 卷積神經(jīng)網(wǎng)絡(luò)(CNN)在處理一維數(shù)據(jù)中表現(xiàn)出較大的優(yōu)勢。 目前, 許多研究人員已經(jīng)開始研究CNN在一維信號(hào)處理中的應(yīng)用。 Zhao等[15]提出的一維深度卷積神經(jīng)網(wǎng)絡(luò)(1D-DCNN)對乙烯、 一氧化碳和甲烷混合氣體進(jìn)行識(shí)別, 識(shí)別準(zhǔn)確率為96.3%。 1D-DCNN模型中卷積層卷積核大小為3×1, 對于混合氣體信號(hào)每個(gè)輸出特征值只能獲取輸入信號(hào)相鄰3個(gè)值之間的特征關(guān)系, 限制了網(wǎng)絡(luò)學(xué)習(xí)混合氣體信號(hào)特征的能力。 Zhang[16]利用一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)并結(jié)合時(shí)差法對天然氣流量進(jìn)行了測量, 提出的一維卷積神經(jīng)網(wǎng)絡(luò)中卷積層卷積核大小為5×1, 每個(gè)輸出特征值只能獲取輸入信號(hào)相鄰5個(gè)值之間的特征關(guān)系, 限制了1D-CNN學(xué)習(xí)特征的能力。 Peng等[17]利用38層的深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN), 采用3×3的卷積核對輸入的一氧化碳、 甲烷、 氫氣和乙烯氣體測量數(shù)據(jù)進(jìn)行特征提取, 增加了網(wǎng)絡(luò)對氣體數(shù)據(jù)特征提取的復(fù)雜度。 Wei等[18]采用卷積核為5×5的LeNet-5卷積神經(jīng)網(wǎng)絡(luò)(CNN)對甲烷(CH4)和一氧化碳(CO)混合氣體輸入數(shù)據(jù)進(jìn)行特征提取, 存在目標(biāo)氣體數(shù)據(jù)特征提取復(fù)雜性增加的問題。 郝惠敏等[19]將不同濃度甲烷(CH4)、 乙烷(C2H6)、 丙烷(C3H8)、 正丁烷(C4H10)、 異丁烷(iso-C4H10)、 正戊烷(C5H12)、 異戊烷(iso-C5H12)七種單組分烷烴及其混合氣體紅外光譜數(shù)據(jù)轉(zhuǎn)換為二維RGB彩色圖像, 利用卷積神經(jīng)網(wǎng)絡(luò)對其進(jìn)行特征提取時(shí)存在較為繁瑣的問題。

針對痕量天然氣泄漏檢測在應(yīng)用TDLAS技術(shù)需要人工花費(fèi)大量時(shí)間去篩選二次諧波信號(hào)的問題, 本文提出了一種基于寬卷積和寬卷積核一維卷積神經(jīng)網(wǎng)絡(luò)1D-WCWKCNN(wide convolution and wide kernel 1D convolutional neural networks)的痕量甲烷氣體濃度檢測方法。 該方法利用1D-WCWKCNN模型中寬卷積層和寬卷積核一維卷積層對甲烷氣體濃度信號(hào)——甲烷二次諧波信號(hào)進(jìn)行特征提取, 使網(wǎng)絡(luò)進(jìn)行一次卷積后能夠獲得二次諧波信號(hào)中更長序列以及該序列邊界信息與氣體濃度之間的特征關(guān)系。 利用1D-WCWKCNN模型中的最大池化層對信號(hào)主要特征進(jìn)行保留, 去除冗余信息, 減小計(jì)算量, 簡化網(wǎng)絡(luò)復(fù)雜度, 最后借助1D-WCWKCNN模型中的全連接層輸出待測痕量甲烷氣體濃度。 利用該方法解決了TDLAS技術(shù)中為確定最優(yōu)幅值-濃度擬合直線, 人工逐步篩選大量的二次諧波信號(hào)的問題。 利用本文提出的方法可以針對多種痕量甲烷氣體濃度進(jìn)行有效的檢測。

1 實(shí)驗(yàn)部分

1.1 痕量甲烷氣體數(shù)據(jù)獲取

為了確保能夠采集不同種甲烷氣體透射光強(qiáng)二次諧波信號(hào)的數(shù)據(jù), 搭建了如圖1所示的痕量甲烷氣體濃度數(shù)據(jù)采集裝置。 實(shí)驗(yàn)裝置主要由PCI-1D TDLAS控制器、 PC機(jī)、 采集裝置NI PXIe-1082、 DFB激光器(nanoplus, 1654nm)、 Herriott氣體池、 PD光電探測器(Thorlabs, PDA20CS)、 氣體質(zhì)量流量控制器(ALICAT, MCS-Series)、 甲烷氣體罐、 氮?dú)鈿怏w罐組成。 實(shí)驗(yàn)裝置中應(yīng)用波長調(diào)制技術(shù)。 實(shí)驗(yàn)裝置包括三部分： (1)波長調(diào)制、 (2)氣體吸收、 (3)數(shù)據(jù)采集。 甲烷氣體濃度數(shù)據(jù)采集實(shí)驗(yàn)裝置的三部分分別由紅色框、 藍(lán)色框和紫色框標(biāo)出。

圖1 甲烷氣體數(shù)據(jù)采集裝置

實(shí)驗(yàn)在室溫條件下進(jìn)行, 對50～1 000 mg·L-1內(nèi)的甲烷氣體進(jìn)行透射光強(qiáng)信號(hào)的數(shù)據(jù)采集以及透射光強(qiáng)二次諧波濃度信號(hào)的獲取, 使用中心波長λ=1 654 nm的DFB激光器作為光源, 其光源輸出功率P可調(diào), 最佳工作功率為3 mW。 調(diào)節(jié)激光器使其輸出1 653～1 654 nm波長的激光。 在這個(gè)波長范圍內(nèi)排除了其他氣體對痕量甲烷氣體的吸收干擾。 氣體吸收過程在Herriott氣體池中完成。 激光在Herriott氣體池中反射52次, 光程長達(dá)到14.5 m, 氣體池內(nèi)壓強(qiáng)與外界壓強(qiáng)一致, 實(shí)際溫度為20.4 ℃。 利用PD(Thorlabs, PDA20CS)探測氣體池出光孔的透射光強(qiáng)信號(hào)并使用采集卡將獲得的透射光強(qiáng)信號(hào)傳輸?shù)诫娔X上, 通過鎖相放大等一系列的信號(hào)處理后, 提取透射光強(qiáng)信號(hào)的二次諧波信號(hào), 然后進(jìn)行保存。 具體過程如下： 首先, 設(shè)置激光器和數(shù)據(jù)采集參數(shù), 將激光器溫度設(shè)置為28 ℃, 激光器波長以0.01 nm·mA-1的變化率在1 653.6～1 653.7 nm范圍內(nèi)變化。 利用信號(hào)發(fā)生器產(chǎn)生一個(gè)2 Hz的低頻掃描信號(hào)和一個(gè)31.2 kHz、 初相位為π/2的高頻調(diào)制信號(hào)驅(qū)動(dòng)激光器, 從而實(shí)現(xiàn)對激光器的輸出波長的調(diào)制。 激光的掃描周期設(shè)置為400 ms, 采樣點(diǎn)數(shù)設(shè)置為10 000。 其次, 向氣體池依次充入通過質(zhì)量流量控制器配比的不同濃度的痕量甲烷氣體。 當(dāng)充入某一濃度的氣體時(shí), 待吸收穩(wěn)定后, 在同一濃度下采集多組數(shù)據(jù)。 為了避免不同氣體對氣體濃度測量結(jié)果的干擾, 用高純度(99.99%)的氮?dú)鈱erriott氣體池進(jìn)行吹掃, 吹掃時(shí)間為2 min, 再充入另一種類濃度的甲烷氣體, 如此反復(fù)測量與采集。 最后, 利用PD探測器探測透射光強(qiáng)信號(hào), 為確保探測到最佳透射光強(qiáng)信號(hào), PD增益設(shè)置為3 dB, 使用采集卡將獲得的透射光強(qiáng)信號(hào)傳輸?shù)诫娔X上, 通過鎖相放大等一系列的信號(hào)處理后, 提取透射光強(qiáng)信號(hào)的二次諧波信號(hào), 進(jìn)行痕量甲烷氣體數(shù)據(jù)保存。 實(shí)驗(yàn)采集的痕量甲烷氣體濃度種數(shù)、 組數(shù)、 總樣本數(shù)如表1所示。 該樣本數(shù)據(jù)為透射光強(qiáng)二次諧波信號(hào), 部分采集結(jié)果如圖2所示, 全部采集結(jié)果如圖3所示。

表1 甲烷氣體濃度種數(shù)

圖2 二次諧波信號(hào)

圖3 甲烷氣體二次諧波信號(hào)

1.2 數(shù)據(jù)處理

數(shù)據(jù)處理使用Windows10(64位操作系統(tǒng)), Intel(R)Core(TM) i7-10510U CPU@1.80GHz處理器, Python3.8。

1.2.1 數(shù)據(jù)集劃分

根據(jù)實(shí)驗(yàn)中采集的痕量甲烷氣體濃度數(shù)據(jù)所制作的氣體濃度數(shù)據(jù)集如表2所示, 該數(shù)據(jù)集對痕量甲烷氣體數(shù)據(jù)進(jìn)行了訓(xùn)練樣本與測試樣本的劃分。 痕量甲烷氣體濃度數(shù)據(jù)集中訓(xùn)練集和測試集劃分完成之后對該數(shù)據(jù)集進(jìn)行1 000次的迭代訓(xùn)練。 借助數(shù)據(jù)集訓(xùn)練1D-WCWKCNN模型, 通過判別模型訓(xùn)練后的檢測結(jié)果對模型參數(shù)進(jìn)行調(diào)整, 優(yōu)化訓(xùn)練結(jié)果。

表2 實(shí)驗(yàn)數(shù)據(jù)集

1.2.2 1D-WCWKCNN

痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)的波形特點(diǎn)以及噪聲、 人為操作對信號(hào)幅值產(chǎn)生上下波動(dòng)的影響。 該影響會(huì)造成人工篩選二次諧波信號(hào)時(shí)間成本的增加。 為了解決該問題, 提出一種1D-WCWKCNN網(wǎng)絡(luò)模型方法來處理透射光強(qiáng)二次諧波信號(hào)進(jìn)行甲烷氣體濃度檢測。 1D-WCWKCNN的痕量甲烷氣體濃度檢測模型結(jié)構(gòu)如圖4所示, 該模型組成部分包括： 1層痕量甲烷氣體濃度信號(hào)數(shù)據(jù)輸入層、 6層卷積層、 6層最大池化層、 1層Flatten層、 1層Dense層。

圖4 痕量甲烷氣體濃度檢測模型

1.2.3 特征提取

實(shí)驗(yàn)在檢測痕量甲烷氣體濃度的過程中, 利用卷積層提取痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)與甲烷氣體濃度關(guān)系的主要特征, 其卷積層計(jì)算公式為

(1)

式(1)中,C(j)為第j個(gè)卷積結(jié)果, 1≤j≤Na-Nb+1,A為輸入的痕量甲烷氣體濃度信號(hào), 其維數(shù)為(1,Na),B為卷積核, 其維數(shù)為(1,Nb)。

痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)與該氣體濃度關(guān)系的特征提取過程如圖5所示, 其中, 寬卷積核卷積層具體卷積過程如圖5(a)所示, 步長為1的40×1寬卷積核在痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)的序列上移動(dòng)進(jìn)行卷積運(yùn)算, 一次卷積運(yùn)算后最終輸出與前一層非等長的序列。 寬卷積層卷積過程如圖5(b)所示, 寬卷積操作采用“SAME”填充方式, 步長為1的40×1卷積核在痕量甲烷氣體濃度信號(hào)的序列上移動(dòng)進(jìn)行寬卷積運(yùn)算, 一次寬卷積運(yùn)算后最終輸出與前一層等長的序列。

圖5 卷積過程

卷積核的尺寸大小能夠決定卷積運(yùn)算從痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)中提取不同信息的能力。 在傳統(tǒng)一維卷積神經(jīng)網(wǎng)絡(luò)中采用窄卷積核, 其大小為3×1。 對于每個(gè)輸出特征值只能獲取輸入信號(hào)相鄰的3個(gè)值之間的特征關(guān)系, 極大的限制了一維卷積神經(jīng)網(wǎng)絡(luò)提取信號(hào)特征的能力[20]。 痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)可以看作是一維時(shí)間序列, 根據(jù)該信號(hào)的特點(diǎn)提出的1D-WCWKCNN模型中引入寬卷積以及在卷積層中引入寬卷積核, 其卷積層分為兩種, 一種是采用40×1寬卷積核的卷積層, 另一種是采用卷積核大小為40×1的寬卷積層來提取甲烷氣體透射光強(qiáng)二次諧波信號(hào)的特征, 使網(wǎng)絡(luò)進(jìn)行一次卷積后能夠獲得痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)中更長序列以及序列邊界信息與氣體濃度之間的特征關(guān)系, 能夠有效地獲取痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)的特征。

實(shí)驗(yàn)在處理痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)的過程中, 為了對痕量甲烷氣體濃度信號(hào)的主要特征進(jìn)行保留, 1D-WCWKCNN的痕量甲烷氣體濃度檢測模型采用最大池化層對經(jīng)過卷積層后的痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)進(jìn)行最大池化(Max pooling)操作。 其過程如圖6所示, 對痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)中的序列進(jìn)行最大池化操作能夠?qū)υ摑舛刃盘?hào)的主要特征進(jìn)行保留, 去除干擾甲烷氣體濃度計(jì)算的信息, 減少計(jì)算量, 簡化1D-WCWKCNN網(wǎng)絡(luò)的復(fù)雜度。 針對神經(jīng)網(wǎng)絡(luò)在甲烷氣體濃度檢測方面的應(yīng)用, 極大地提高了1D-WCWKCNN網(wǎng)絡(luò)的統(tǒng)計(jì)效率和計(jì)算速度。

圖6 最大池化過程

實(shí)驗(yàn)利用基于1D-WCWKCNN的痕量甲烷氣體濃度檢測模型獲取甲烷氣體濃度時(shí), 需要對經(jīng)過卷積-池化后的痕量甲烷氣體濃度信號(hào)進(jìn)行進(jìn)一步處理。 利用Flatten層將其多維的數(shù)據(jù)一維化, 用作1D-WCWKCNN卷積層到全連接層的過渡。 利用全連接層(Dense layer), 將其單元連接到前向?qū)又械乃袉卧? 該層計(jì)算公式如等式(2)所示, 輸入值x乘以權(quán)重w, 乘積相加, 然后在總和上加上偏差b。 最后該結(jié)果被輸入到激活函數(shù)f, 激活函數(shù)計(jì)算輸出預(yù)測值[21]。 本文中選用linear函數(shù)作為激活函數(shù), 其表達(dá)式由式(3)所示。 1D-WCWKCNN網(wǎng)絡(luò)最后經(jīng)Dense層計(jì)算輸出痕量甲烷氣體濃度值。

y=f(∑x×w+b)

(2)

Y=x

(3)

1.3 模型參數(shù)

基于1D-WCWKCNN的痕量甲烷氣體濃度檢測模型的詳細(xì)參數(shù)如表3所示, 其中, 該1D-WCWKCNN模型中總參數(shù)為12 461個(gè)。 本文選用寬卷積層和寬卷積核一維卷積層來提取甲烷氣體透射光強(qiáng)二次諧波信號(hào)特征, 經(jīng)過多次調(diào)參之后, 使1D-WCWKCNN痕量甲烷氣體濃度檢測模型進(jìn)行一次卷積后能夠獲得甲烷氣體透射光強(qiáng)二次諧波信號(hào)中更長序列以及該序列邊界信息與氣體濃度之間的特征關(guān)系。 每層卷積后添加一層最大池化層來保留二次諧波信號(hào)主要特征信息, 去除序列中冗余的信息, 減少計(jì)算量, 簡化1D-WCWKCNN網(wǎng)絡(luò)的復(fù)雜度。 每層卷積層使用線性整流函數(shù)(rectified linear unit, ReLU)作為激活函數(shù), 防止發(fā)生過擬合。 最后一層全連接層使用線性激活函數(shù)linear, 輸出痕量甲烷氣體濃度預(yù)測值, 在MSE損失函數(shù)的逼近下, 痕量甲烷氣體濃度預(yù)測值會(huì)愈來愈趨向于真實(shí)痕量甲烷氣體濃度值。 實(shí)現(xiàn)痕量甲烷氣體濃度的檢測。

表3 痕量甲烷氣體濃度檢測模型參數(shù)

2 結(jié)果與討論

本文1D-WCWKCNN模型中采用自定義的度量函數(shù)決定系數(shù)R2(coeff_determination)評估網(wǎng)絡(luò)模型訓(xùn)練和測試過程的準(zhǔn)確度。 決定系數(shù)常常在線性回歸中被用來表征有多少百分比的因變量波動(dòng)被回歸線描述。 本文中用R2表征痕量甲烷氣體濃度被回歸線描述的占比。 如果R2=1, 則表示模型完美地預(yù)測了目標(biāo)變量。 決定系數(shù)表達(dá)式如式(4)

R2=ESS/TSS=1-RSS/TSS

(4)

式(4)中, TSS=RSS+ESS, TSS(total sum of squares)為總平方和, RSS(regression sum of squares)為回歸平方和, ESS(error sum of squares)為殘差平方和。 TSS、 ESS、 RSS具體表達(dá)式如式(5)—式(7)

(5)

(6)

(7)

(8)

對1D-WCWKCNN痕量甲烷氣體濃度檢測模型進(jìn)行1 000次迭代訓(xùn)練, 利用訓(xùn)練好的1D-WCWKCNN模型對氣體濃度進(jìn)行檢測。 檢測結(jié)果如圖7(a)所示, 圖中的橫坐標(biāo)是真實(shí)甲烷濃度, 縱坐標(biāo)為預(yù)測甲烷濃度。 該圖顯示了全部數(shù)據(jù)的痕量甲烷氣體濃度回歸值。 該氣體濃度回歸值能夠反映出網(wǎng)絡(luò)輸出痕量甲烷氣體濃度值與目標(biāo)輸出濃度值之間的關(guān)系。 由圖7(a)可以看出輸出值與目標(biāo)值非常吻合, 訓(xùn)練時(shí)的準(zhǔn)確率為99.84%, 測試時(shí)的準(zhǔn)確率為99.854%。 迭代訓(xùn)練次數(shù)與決定系數(shù)的關(guān)系如圖7(b)所示, 1 000次迭代后決定系數(shù)接近0.998。 該模型方法對于痕量甲烷氣體濃度的檢測具有較高的準(zhǔn)確率, 驗(yàn)證了所提方法的可行性與準(zhǔn)確性。

圖7 痕量甲烷氣體濃度檢測

本文首先利用TDLAS技術(shù), 進(jìn)行痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)的獲取, 其次借助基于1D-WCWKCNN的痕量甲烷氣體濃度檢測模型方法對該信號(hào)進(jìn)行處理并進(jìn)行甲烷氣體濃度檢測。 本文中獲取痕量甲烷氣體透射光強(qiáng)二次諧波信號(hào)10000采樣點(diǎn)的實(shí)驗(yàn)條件為室溫20.4 ℃, 激光器工作溫度28 ℃。 針對該相同實(shí)驗(yàn)條件下獲取的甲烷氣體透射光強(qiáng)二次諧波信號(hào)數(shù)據(jù)利用三種方法進(jìn)行氣體濃度預(yù)測分析并進(jìn)行了比較。 本文提出的1D-WCWKCNN方法與文獻(xiàn)[10-13]中利用TDLAS擬合直線方法檢測甲烷氣體濃度相比, 本文提出的方法減少了人工篩選最優(yōu)擬合直線的過程以及在該過程中為尋找最優(yōu)擬合直線, 人工篩選大量二次諧波的操作。 1D-WCWKCNN模型中利用寬卷積層和寬卷積核一維卷積層對痕量甲烷氣體二次諧波信號(hào)進(jìn)行處理, 提取與甲烷氣體濃度有關(guān)的特征信息, 提高了卷積層特征提取的能力, 使甲烷氣體濃度檢測準(zhǔn)確率有所提高, 從而達(dá)到對50～1 000 mg·L-1的痕量甲烷氣體濃度的有效檢測。 本文提出的1D-WCWKCNN方法與文獻(xiàn)[15-16]中傳統(tǒng)1D-CNN方法中使用的3×1和5×1窄卷積核檢測甲烷氣體濃度相比, 本文中基于1D-WCWKCNN的痕量甲烷氣體濃度檢測模型卷積層中使用40×1的寬卷積核對痕量甲烷氣體濃度信號(hào)進(jìn)行特征提取, 使網(wǎng)絡(luò)進(jìn)行一次卷積后能夠獲得該信號(hào)中更長序列以及該序列邊界信息與目標(biāo)甲烷氣體濃度之間的特征關(guān)系, 提高了1D-WCWKCNN模型特征提取的能力和甲烷氣體濃度檢測準(zhǔn)確率。 對比結(jié)果如表4所示, 綜上, 本文提出的1D-WCWKCNN方法要優(yōu)于所述TDLAS擬合直線方法和傳統(tǒng)1D-CNN方法。

表4 不同方法結(jié)果對比

3 結(jié) 論

提出了一種基于1D-WCWKCNN的痕量甲烷氣體濃度檢測方法, 在痕量天然氣泄漏檢測中, 應(yīng)用TDLAS技術(shù)解決了為尋找最優(yōu)擬合甲烷二次諧波信號(hào)幅值-甲烷濃度值的直線需要高額時(shí)間成本去篩選大量諧波信號(hào)的問題。 借助該方法進(jìn)行一次卷積后能夠獲得甲烷氣體濃度信號(hào)中更長序列以及該序列邊界信息與氣體濃度之間的特征關(guān)系, 與其他方法相比該方法信號(hào)特征提取能力強(qiáng), 檢測甲烷氣體精度高。 本文通過實(shí)驗(yàn)驗(yàn)證了所提方法的可行性, 通過實(shí)驗(yàn)所得痕量甲烷氣體檢測精確度在99.85%。 本文提出的方法在氣體檢測領(lǐng)域中針對痕量甲烷氣體進(jìn)行濃度檢測, 該方法不需要人工篩選與甲烷氣體濃度相關(guān)的二次諧波信號(hào), 使痕量甲烷氣體檢測邁向智能化具有重要意義。 由于本實(shí)驗(yàn)痕量甲烷氣體濃度種數(shù)的樣本數(shù)據(jù)有限, 如果進(jìn)一步提高甲烷濃度種數(shù)的樣本數(shù), 1D-WCWKCNN痕量甲烷氣體濃度檢測模型普適性和甲烷檢測精度將會(huì)進(jìn)一步提高。