利用CGC-BiGRU框架实现TDLAS重叠吸收光谱分离，用于混合气体检测

《Sensors and Actuators B: Chemical》：TDLAS overlapping absorption spectral separation using a CGC-BiGRU framework for mixed gas detection

　　

• •
  提出了一种结合CGC-BiGRU模型的TDLAS双气体检测传感器。
• •
  CGC-BiGRU模型有效抑制了CO和CH₄之间的交叉干扰。
• •
  这两种气体都表现出优异的线性，R²值超过0.999。
• •
  在最佳积分时间下，CO和CH?的MDL分别为27.44 ppb和2.61?ppm。

引言

一氧化碳（CO）和甲烷（CH₄）是工业过程控制和环境监测中的关键气体。它们的准确检测对公共安全和环境保护具有重要意义[1], [2]。化石燃料的不完全燃烧会产生CO，即使在微量水平下也具有高度毒性[3]。甲烷作为天然气和煤矿气的主要成分，既有强烈的温室效应，又具有易燃和爆炸性[4], [5], [6]。在煤矿开采、火灾报警和机动车排放等场景中，CO和CH₄经常以混合气体的形式存在[7]。因此，在能源、化工和环境安全领域，实现CO和CH₄的同步、实时和高精度监测已成为迫切需求[8]。

随着激光传感技术的不断进步，已经提出了多种高灵敏度的光谱检测方法，包括石英增强光声光谱（QEPAS）、腔体衰减光谱（CRDS）、腔体增强吸收光谱（CEAS）和光诱导热弹性光谱（LITES）[9], [10], [11], [12], [13], [14], [15], [16]。然而，当这些高灵敏度的光谱技术应用于实验室之外时，其系统稳定性可能会受到低频机械干扰、环境湿度波动以及外部声学和热噪声的显著影响。相比之下，可调谐二极管激光吸收光谱（TDLAS）已成为在线气体检测的主流方法，它具有高选择性、非接触操作、毫秒级响应和对环境干扰的强抵抗力[17], [18], [19], [20], [21]。在实际应用中，用于多气体检测的TDLAS往往会在有限的波长范围内遇到特征吸收光谱不可避免的重叠问题，使得基于单光谱线或线性模型的传统浓度反演方法难以准确应用，从而大大降低了检测的准确性和可靠性[22], [23], [24]。因此，在严重光谱重叠和复杂噪声背景下实现双气体信号的有效分离和高精度浓度反演对双组分气体检测系统的准确性和稳定性提出了严峻挑战[25], [26], [27]。以前，多组分气体混合光谱的分离和反演主要依赖于非负最小二乘法、小波连续变换和多项式拟合等传统方法[28], [29], [30]。这些方法通常依赖于明确的模型假设和手动参数选择，在严重光谱重叠或复杂噪声背景下容易出现分离准确性降低和鲁棒性不足的问题。

随着深度学习的快速发展，卷积神经网络（CNN）、长短期记忆网络（LSTM）和残差网络（ResNet）等模型已被广泛应用于光谱分析[31], [32], [33], [34], [35], [36]。通过多层次的非线性架构，深度学习有助于学习高维光谱表示及其潜在相关性，对复杂噪声和非线性失真具有很强的鲁棒性。特别是在双组分气体检测场景中，深度学习方法可以在一定程度上减轻光谱混叠引起的交叉干扰，实现对重叠吸收特征的充分表征和分离，从而提高气体浓度反演的准确性和稳定性[37]。例如，Hou等人提出了一种基于深度学习的光热弹性光谱检测方法，有效分离了混合气体中的重叠吸收线，C₂H₂的检测限达到了0.541 ppmv，NH₃的检测限达到了1.350 ppmv[38]。Fan等人进一步引入了一种零吸收辅助的多任务学习策略，在光谱重叠和线性失真的情况下实现了C₂H₂浓度和气体压力的同步反演，从而显著提高了多参数测量的准确性[39]。Peng等人提出了一种基于多维特征融合的并行双输出模型，用于NO和NH₃混合气体的光谱分离和浓度检测，验证了深度学习方法在复杂光谱分析中的有效性[40]。现有的深度学习方法在处理高度相关光谱信号时仍面临特征共享和任务冲突的挑战。单一模型结构无法同时考虑不同气体组分的差异化特征学习。这也为研究更具针对性的网络结构和学习机制提供了空间。

本文提出了一种基于CGC-BiGRU深度学习模型的CO-CH₄混合气体检测方法。该模型在一个统一框架内集成了定制的门控控制（CGC）和双向门控循环单元（BiGRU），以实现混合吸收光谱的高精度分离[41], [42]。该模型通过CGC结构自适应地调度共享的光谱信息和气体特定特征，利用BiGRU的联合建模能力捕捉光谱序列之间的依赖性，并充分利用混叠光谱中的时间和结构特征，从而有效抑制不同气体组分之间的交叉干扰。在获得单组分吸收光谱后，本文进一步提取它们的峰值特征，并使用峰值反演方法定量检测CO和CH₄的浓度。实验结果证实，在广泛的浓度范围和各种气体比例下，实现了稳定的光谱分离和高精度的浓度反演。

章节片段

理论和方法论

整个模型结构如图1所示。该模型以TDLAS获取的混合吸收光谱序列作为输入，依次通过三个核心阶段：时间特征提取、多任务特征调度和任务输出重建。首先，一个嵌入式的BiGRU专家网络对输入序列进行端到端特征提取，深入挖掘光谱信号在波长维度上的时间依赖性和全局结构信息。

实验设置

本实验基于TDLAS直接吸收光谱（DAS）技术构建了一个CO-CH₄双气体检测系统，如图2所示。选择了一个中心波长为2330?nm的分布式反馈（DFB）半导体激光器（Nanoplus, GmbH）作为光源。激光器的工作温度通过温度控制模块精确稳定在29.5°C，驱动电流设置为60–90?mA用于波长扫描。在驱动端，使用了30?Hz的锯齿波

模型分离效果

学习率是一个关键的超参数，决定了梯度更新的幅度。为了在模型收敛速度和训练稳定性之间取得平衡，本文基于PyTorch深度学习框架实现了模型训练，采用了Adam优化算法，并将初始学习率设置为0.0001。训练过程中，批量大小设置为128，选择均方误差（MSE）损失函数。模型训练了800个周期

结论

本文提出了一种基于CGC-BiGRU深度学习模型的TDLAS双气体传感器，用于分离混合气体中的重叠光谱。该传感器使用2330?nm的DFB激光器分别扫描CO和CH₄的吸收线，从而能够检测CO-CH₄混合物。在一个包含400个测试样本的数据集上，CO浓度的预测MAE和MRE分别为0.996?ppm和2.76%，CH₄的分别为77.129?ppm和2.63%，表明预测精度很高。

CRediT作者贡献声明

郭Sun：撰写——原始稿件、软件、方法论、研究、数据整理。刘璐芳：验证、监督、研究、形式分析。张秦端：撰写——审稿与编辑、监督、项目管理、资金获取、形式分析。张婷婷：软件、资源、研究、形式分析。王继强：验证、监督、项目管理。李东：验证、方法论、研究。吴明赫：方法论、研究、数据

利益冲突声明

作者声明他们没有已知的可能会影响本文工作报告的财务利益或个人关系。

致谢

本工作得到了国家重点研发计划（2025YFE0212500）、山东省科技中小企业创新能力提升项目（2024TSGC0050, 2024TSGC0032）、齐鲁理工学院项目（2026ZDDL01, 2024GH27）、山东省重大科技创新项目（2025CXGC010306, 2022CXGC020405–2）以及

相关新闻

生物通微信公众号

生物通新浪微博

微信

新浪微博

我要投稿

• 搜索
• 国际
• 国内
• 人物
• 产业
• 热点
• 科普

热搜：可调谐二极管激光吸收光谱|CO-CH4 混合气体检测|CGC-BiGRU 模型|光谱分离|交叉干扰抑制|浓度反演

热点排行