基于有限样本学习的碳氢化合物气体浓度高精度在线测量方法

《Sensors and Actuators A: Physical》：A Hydrocarbon Gas Concentration High Accuracy On-line Measurement Method Based on Learning with Limited Samples

当前高精度在线烃类气体检测面临环境干扰和气体组成变化的双重挑战。本文提出基于GRU-Attention模型的修正方法，通过整合温度、湿度、气压和传感器信号等多参数输入，有效解决NDIR技术在3.3μm波段检测中的光谱重叠、组分动态变化和环境漂移问题，在150-5000mg/m3范围内实现1.7%平均修正误差，其性能接近实验室级GC-FID系统。

　　在当前的工业环境中，对碳氢化合物气体进行高精度、实时的在线检测仍然是一个挑战。尤其是在使用非分散红外（NDIR）技术时，环境因素的干扰和气体成分的波动显著影响了检测的准确性。为了解决这些问题，本文提出了一种基于门控循环单元（GRU）-注意力机制的碳氢化合物气体浓度校正方法。该方法不仅能够减少由温度、湿度、气压以及碳氢化合物混合比例变化引起的测量误差，还能克服在有限训练样本条件下学习的局限性。

碳氢化合物气体在许多领域中具有重要的应用价值，包括石油勘探、石油化工、环境监测以及深水探测等。这些气体主要由沸点低于120℃的烷烃、烯烃和苯系化合物组成。它们在大气中具有高度的反应性，容易参与对流层的光化学反应，从而对空气质量造成影响。因此，对这些气体浓度进行实时监测具有重要意义，不仅有助于识别工艺异常（如泄漏和反应不完全），还能提前评估与致畸、致癌成分相关的环境健康风险。

现有的碳氢化合物气体检测方法虽然多样，但存在一定的局限性。例如，气相色谱-火焰离子化检测（GC-FID）技术虽然在非甲烷总烃的测量方面表现优异，但其操作过程复杂，难以实现真正的实时在线检测。而光离子化检测技术虽然适用于挥发性有机化合物（VOCs）的测量，但同样面临类似的挑战。此外，NDIR技术虽然能够提供在线监测，但其测量精度受到三个关键因素的限制：混合碳氢化合物在目标波长下的吸收率不均导致的光谱重叠；实际油气混合物中多种成分比例的动态波动，使得成分表征不稳定；以及由温度、湿度和气压变化引起的浓度读数非线性漂移。

为了解决这些问题，本文引入了一种基于GRU的模型，结合注意力机制，以增强模型在有限数据集下的泛化能力。该模型通过将温度、湿度、气压和传感器输出信号（RLA）作为多参数输入，并将由气相色谱测量的总碳氢化合物浓度作为模型输出，实现了基于NDIR的高精度碳氢化合物在线测量。实验验证表明，在总碳氢化合物浓度范围为150至5000 mg/m3、温度范围为-12℃至43℃、湿度范围为0.8至8.8 g/m3、气压范围为100.3至101.2 kPa的条件下，该模型的平均校正误差仅为1.7%。这一结果表明，该方法在实际应用中具有较高的准确性和可靠性。

本文的研究成果不仅为NDIR技术在大气碳氢化合物气体污染物检测中的应用提供了技术支持，还为工业环境下的气体监测提供了一种新的解决方案。通过结合GRU和注意力机制，该方法在处理多成分气体时表现出较强的适应能力，能够有效应对光谱干扰、成分波动和环境变化等复杂问题。同时，该方法在数据集规模有限的情况下，仍能实现较高的精度，为实际工程应用提供了重要的参考价值。

在具体实施过程中，本文采用气相色谱仪作为总碳氢化合物浓度的参考测量工具。通过将气相色谱仪的测量结果与NDIR传感器的数据进行对比，可以构建出温度、湿度、气压、传感器响应和总碳氢化合物浓度之间的映射关系。这些关系的建立为模型的训练和优化提供了基础，使得模型能够更准确地校正NDIR传感器的测量误差。实验数据表明，该方法在517个样本上的表现优于传统方法，其相对误差控制在1.7%以内，达到了实验室级GC-FID系统的精度水平。

此外，该模型在训练时间和响应速度方面也表现出显著优势。模型训练仅需不到1分钟，响应时间则低于1秒，这使得其在实际应用中具有更高的效率和实时性。这种高效的模型结构不仅适用于工业环境，还可能在其他需要高精度气体检测的场景中发挥作用，如环境监测、安全防护和科研实验等。

本文的研究不仅关注技术实现，还对影响总碳氢化合物浓度检测的各个因素进行了深入分析。碳氢化合物化合物在吸收光谱中表现出多种化学键的吸收特征，如C-H伸缩振动、对称和不对称的CH?、CH?和CH基团伸缩模式，以及甲基（CH?）伸缩振动和烯烃的ν=CH吸收带。这些吸收特征在不同的温度、湿度和气压条件下会发生变化，进而影响传感器的输出信号。因此，对这些因素的深入研究有助于优化检测方法，提高检测精度。

在数据采集方面，本文采用了气相色谱仪作为总碳氢化合物浓度的测量工具。通过使用100 mL的注射器作为稀释容器，对甲烷标准气体进行连续稀释，以获得不同浓度的气体样本。这些样本的测量结果被用作模型的训练和验证数据，以确保模型的准确性和可靠性。实验过程中，样本的采集和处理严格按照标准流程进行，以减少外部干扰因素对测量结果的影响。

实验结果的讨论表明，本文的实验样本来自河南省15个中石化加油站，涵盖了常见的碳氢化合物类型，如汽油、柴油和溶剂等。这些样本的地理分布和采集数量如图6所示，表明样本具有较高的代表性和均匀性。通过对这些样本的测量和分析，可以验证模型在实际应用中的性能。实验数据表明，该模型在处理不同环境条件下的气体样本时，能够保持较高的测量精度，从而满足工业应用的需求。

在结论部分，本文指出，本研究首次成功实现了NDIR技术在工业环境中对总碳氢化合物的高精度、实时在线监测。通过克服环境波动和多成分干扰等关键问题，该方法在实际应用中表现出良好的适应性和可靠性。与传统的GC和催化转换方法相比，该方法在检测精度和实时性方面具有明显优势。同时，该方法在数据集规模有限的情况下，仍能实现较高的精度，为实际工程应用提供了重要的参考价值。

此外，本文的研究还为未来碳氢化合物气体检测技术的发展提供了方向。通过结合先进的机器学习方法，如GRU和注意力机制，可以进一步提高检测系统的智能化水平。同时，该方法在处理多成分气体时表现出较强的适应能力，为未来开发更加通用的气体检测系统奠定了基础。未来的研究可以进一步探索如何在更广泛的环境条件下优化该方法，以提高其在实际应用中的适用性和可靠性。

总的来说，本文的研究为NDIR技术在碳氢化合物气体检测中的应用提供了新的思路和技术支持。通过结合GRU和注意力机制，该方法不仅能够提高检测精度，还能克服环境因素对测量结果的影响，从而实现高精度、实时的在线监测。这种创新性的方法为工业环境下的气体监测提供了重要的技术保障，有助于提高环境监测的效率和准确性。同时，该方法在数据集规模有限的情况下，仍能实现较高的精度，为实际工程应用提供了重要的参考价值。