基于UV-DOAS的两阶段浓度检测算法研究：针对NO和SO2的混合气体

《Journal of Molecular Spectroscopy》：Study on two-stage concentration detection algorithm based on UV-DOAS: For mixed gas of NO and SO 2

提出基于Bi-LSTM与注意力机制的二阶段深度学习算法，解决紫外差分吸收光谱中NO和SO?混合气体光谱重叠问题。首先通过频域滤波消除高频噪声，再利用双阶段模型实现混合气体光谱分离与浓度检测。实验表明检测限SO?为0.06 ppm（不确定度0.31%）、NO为0.16 ppm（不确定度0.78%），精度优于传统方法。

　　这项研究聚焦于如何有效监测工业固定源排放中的两种常见大气污染物——一氧化氮（NO）和二氧化硫（SO?）。这两种气体在空气污染中具有重要地位，它们的浓度变化不仅影响空气质量，还与人类健康和生态环境密切相关。因此，精准且快速地检测这两种气体的浓度，是环境评估和污染控制的重要环节。

在工业排放源中，如燃煤电厂、钢铁冶炼和化工生产等，固定源排放是空气污染的主要来源之一。NO和SO?作为典型排放气体，其浓度水平直接关系到污染治理设备的运行效率和排放合规性。SO?是酸雨的主要成分，其对建筑物、基础设施的腐蚀作用以及对生态系统的破坏性影响不容忽视。同时，SO?对人体呼吸系统具有刺激性，长期暴露可能导致慢性支气管炎和心血管疾病。NO则与光化学烟雾的形成密切相关，其对空气质量的负面影响和对人体健康的潜在威胁，如哮喘和肺功能下降，同样受到广泛关注。鉴于此，提升对这两种气体的检测精度和效率，对于环境保护和公众健康具有重要意义。

传统的气体检测方法，如电化学传感器、色谱分析和红外光谱技术，虽然在特定应用场景中表现出一定的优势，但也存在明显的局限性。电化学传感器虽然灵敏度高，但其使用寿命有限，且需要频繁校准，这在长期监测过程中显得尤为不便。色谱分析虽然具备较低的检测限，但其操作流程复杂，难以满足在线实时监测的需求。红外光谱技术中的非分散红外（NDIR）虽然能够通过测量谱线强度来确定气体浓度，但其易受水蒸气等其他物质的干扰，影响检测结果的准确性。而光声光谱技术虽然在痕量气体检测中表现出高灵敏度，但在工业环境中，由于常见的背景噪声和振动干扰，其稳定性受到挑战。

为了解决上述问题，本研究提出了一种基于双向长短期记忆网络（Bi-LSTM）和注意力机制的两阶段深度学习算法。该算法的核心目标是解决NO和SO?混合气体在紫外差分吸收光谱中因光谱重叠而导致的相互干扰问题。在第一阶段，通过频率域滤波对混合气体的差分光密度（DOD）信号进行预处理，以去除高频噪声，从而提高信号的清晰度。随后，使用一种专门设计的光谱分离模型，将经过滤波的信号分解为单一成分的DOD信号，分别对应于NO和SO?。在第二阶段，将分离后的DOD信号输入到专用的浓度检测模型中，以实现对两种气体浓度的精准测量。

这一两阶段算法的优势在于，它不仅能够有效解决气体之间的光谱重叠问题，还能够实现更高的检测精度。与传统的分段方法和单阶段检测方法相比，该算法在处理混合气体信号时表现出更优的性能。在实验中，该方法对SO?和NO的检测限分别达到了0.06 ppm和0.16 ppm，对应的不确定性分别为0.31%和0.78%。这些结果表明，该算法在检测精度和稳定性方面均优于现有方法。

本研究的创新点在于，其提出的两阶段算法不仅结合了深度学习的强大特征提取能力，还实现了光谱分离和浓度检测的模块化设计。这种设计使得光谱分离模块和浓度检测模块可以分别进行训练，从而避免了传统方法中需要对全局模型进行优化所带来的复杂性。此外，该方法通过引入注意力机制，能够自动识别并聚焦于目标气体的关键吸收信号，进一步提升了检测的准确性。

在光谱分离阶段，Bi-LSTM+Attention网络被用于将混合气体的DOD信号分离为两个单一成分的信号。Bi-LSTM通过结合前向和后向的LSTM网络，能够捕捉DOD信号中的双向依赖关系，从而更全面地理解气体在不同波长下的吸收特性。而注意力机制则帮助模型在处理信号时，对重要的波长范围给予更高的权重，从而提高分离效果。这种结构设计不仅增强了模型的适应性，还显著提升了其在复杂信号环境下的分离能力。

在浓度检测阶段，分离后的DOD信号被输入到专门设计的检测模型中，以实现对单一气体浓度的精准测量。由于NO和SO?在紫外波段的吸收峰具有独特性，该模型能够有效区分这两种气体的特征信号，从而避免因光谱重叠导致的误判。实验结果显示，该方法在检测精度、检测限和系统稳定性方面均表现优异，为工业固定源排放的在线监测提供了一种新的解决方案。

此外，本研究还探讨了光谱分离和浓度检测的物理机制。在光谱分离过程中，通过深度学习模型对混合气体的吸收信号进行分析，能够识别出不同气体的特征吸收峰，并将其分离为独立的信号。这一过程不需要预先获取气体的差分吸收截面参数，从而降低了对实验条件的依赖。同时，由于采用了深度学习技术，该方法能够自动提取信号中的关键特征，避免了传统方法中需要手动选择波长范围的繁琐过程。

在实验设备方面，本研究使用了包括计算机、紫外光源（氘灯）、气体分布系统（LY-400D）、光谱仪（GLA639，分辨率为0.117 nm）、气体室（GC2000UV-0018）、标准气体和排气处理系统在内的多种设备。这些设备共同构成了一个完整的实验系统，能够实现对混合气体的高精度测量。实验中，高纯度氮气（N?）被用于稀释标准浓度的SO?和NO气体，以模拟真实环境下的混合气体情况。

在实验结果方面，通过训练分离模型后，对混合气体的测试集进行了光谱分离实验。实验结果显示，该方法能够有效分离不同浓度组合下的混合气体DOD信号，包括高浓度SO?和低浓度NO、低浓度SO?和高浓度NO、低浓度SO?和低浓度NO以及高浓度SO?和高浓度NO等情形。这些结果充分验证了该算法在处理复杂混合气体信号时的优越性，同时也表明其在实际应用中的可行性。

本研究的结论指出，该两阶段算法能够有效解决NO和SO?混合气体在紫外差分吸收光谱中的光谱重叠问题。通过结合Bi-LSTM和注意力机制，该方法不仅提升了检测精度，还为多组分气体的在线监测提供了一种新的思路。未来，该技术有望在环境监测、工业污染控制以及公共健康保障等领域得到广泛应用。

总的来说，这项研究为解决多组分气体检测中的光谱重叠问题提供了一种创新性的方法。通过深度学习技术，该方法能够在不依赖传统物理模型的情况下，实现对混合气体中各组分的精准分离和检测。这不仅提高了检测效率，还增强了系统的适应性和稳定性，为环境监测和污染治理提供了强有力的技术支持。