一种基于CPSO_BPNN红外ETO气体传感器的温度补偿方法

本发明涉及红外气体传感器，尤其涉及一种基于改进粒子群优化算法的红外eto气体传感器的温度补偿方法。

背景技术：

1、环氧乙烷(eto)是医疗设备行业中广泛使用的主要灭菌剂，是一种无色气体，在常温下易燃易爆，具有较强的穿透性和杀菌能力。当病人在治疗过程中暴露于医疗器械和设备上的eto气体时，可能会引发感染。过量接触eto气体可能导致刺激，如皮肤、眼睛、肠胃或呼吸道刺激，甚至对中枢神经系统有抑制作用。各国都对环氧乙烷的使用和废气处理制定了严格规定。因此，开发一款专门用于检测eto气体并带有温度补偿功能的传感器至关重要。为了减小温度对传感器性能的影响，常用的方法是进行温度补偿，以提高传感器的稳定性和精度。目前，温度补偿主要有硬件和软件两种方法。硬件补偿需要采用一系列复杂的电路和元器件，成本高昂，可靠性较差，且不易维护。软件补偿可以通过精确的算法和计算来获得高精度和可靠的补偿结果，受到广泛应用。公开号为cn114076743a的发明专利，公开了一种ndir气体传感器的温度补偿方法，将各个量程点的标准气体对应的光强补偿系数与电阻系数进行多项式拟合，从而得到补偿曲线。公开号为cn107907250a的发明专利，公开一种硅-蓝宝石压力传感器的温度补偿方法及装置，结合硅-蓝宝石压力传感器温度漂移特性设计了一种结合最小二乘线性拟合及抛物线插值的补偿算法，该算法得到的压力温度关系曲线更贴合实际压力温度变化规律。公开号为cn105807340a的发明专利，公开一种船用温湿度传感器的温度补偿方法，利用放大电路温度特异性曲线，结合转换系数，采用多元回归分析方法，使用最小二乘法对选取的方程进行拟合和分析。这些算法在计算的过程中可能会存在异常值，这些值可能会对回归线性拟合造成较大的影响，同时，最小二乘法在非线性关系处理中可能需要变量转化，这一过程相对比较复杂。因此，迫切需要一种计算过程简单且适合非线性计算的、迭代次数少的算法对传感器进行温度补偿。

技术实现思路

1、本发明所解决的技术问题是提供一种基于bp神经网络改进粒子群优化算法的红外eto气体传感器温度补偿方法，经过温度补偿后eto气体传感器浓度测量结果显示，测量精度小于2％。

2、为了解决上述技术问题，本发明的技术方案是：

3、建立一种基于bp神经网络的改进粒子群优化算法的红外eto气体传感器温度补偿方法，主要包括：构建数据集；eto气体传感器通气实验，获得实验数据，每组数据包括测量通道电压值(sig)、参考通道电压值(ref)和温度传感器采集到的电压值(temp)；所获的数据集归一化处理；构建bpnn算法模型，在优化bpnn的权值和阈值时加入混沌映射优化粒子群优化算法；使用获得的数据集对上述cpso_bpnn神经网络模型进行训练，从而得到预测浓度值。本发明所提出的方法在温度范围为25℃-65℃，量程为0-927mg/l的测量中相对误差小于2％，已经超越目前行业标准5％的相对误差，有效降低了外部温度或者其他因素对传感器输出的影响。

4、本发明所采用的技术方案是按照以下步骤进行：

5、步骤1：数据集采集、处理：

6、本发明通过采集不同温度、不同浓度条件下eto气体传感器的测量通道电压值、参考通道电压值和温度传感器电压值作为样本数据；将样本数据进行标准化；然后将样本数据划分为训练集和预测集，用于预测eto气体的浓度值。

7、步骤2：构建bp神经网络：

8、确定bp神经网络的表达式及输入层、隐藏层和输出层节点数。

9、步骤3：利用改进粒子群优化算法优化bp神经网络的权值和阈值：

10、(1)初始化粒子种群；

11、(2)计算和更新各个最优粒子和全局最优粒子的位置和速度；

12、(3)采用logistic混沌自适应方法初始化w，使权重w具有一定的随机性，以便更好地探索搜索空间；

13、(4)调节学习因子c1和c2，在搜索初期获得粒子的多样性，以获得更好更高质量的粒子；

14、(5)将每个粒子的最佳适应度值与全局最佳适应度值进行比较；

15、(6)计算粒子的速度和位置；

16、(7)判断是否达到最大迭代次数或者误差参数小于设定的误差值；

17、(8)使用改进的pso算法，将得到的最优权重和阈值分配给bp神经网络进行训练和学习。

18、本发明通过实验获得的80组数据，包含传感器的测量通道信号值，参考信号值和温度信号值归一化后组成的数据集；将数据集划分为预测集和训练集；再将采集到的三列信号值归一化并输入至bp神经网络；通过改进粒子群优化算法优化bp神经网络的权值和阈值，最后得到预测的eto气体的浓度值。

19、本发明与现有技术相比具有如下优点：

20、本发明提供一种基于bpnn改进粒子群优化算法的红外eto气体传感器温度补偿方法，该方法预测精度高、拥有较高的自学能力，可以有效消除局部最优解，在25℃-65℃温度范围和0-927mg/l浓度范围的测量中相对误差小于2％，已超越目前行业标准5％的相对误差，有效降低了外部温度或者其他因素对传感器输出的影响。

技术特征：

1.一种基于cpso_bpnn神经网络的红外eto气体传感器的温度补偿方法，其特征在于，包括：

2.根据权利要求1所述的温度补偿方法，其特征在于，改进粒子群优化算法具体步骤包括：

3.根据权利要求1所述的温度补偿方法，其特征在于，步骤一和步骤二数据采集和温度补偿模型的建立，步骤一为在不同浓度不同温度条件下采集的eto气体传感器的测量通道电压值、参考通道电压值和温度传感器电压值作为样本数据；再将样本数据划分为训练集和预测集；将标准化处理后的样本数据按照cpso_bpnn神经网络模型进行训练；进而得到eto气体浓度检测模型。

技术总结
一种基于CPSO_BPNN的非色散红外ETO气体传感器的温度补偿方法，包括：采集ETO红外气体传感器的测量通道电压值、参考通道电压值和温度传感器电压值三列信号值作为BPNN的输入，以ETO红外气体传感器标准浓度作为神经网络的输出；采用基于混沌粒子群优化算法对BPNN的权重和阈值进行优化，对该模型进行训练得到温度补偿模型，将预测集数据输入到该温度补偿模型中，以确定当前阶段的ETO气体浓度值。本发明使ETO红外气体传感器的精度得到了显著提升，使其在0‑927 mg/L的测量范围内的相对误差小于2%，超过当前行业标准5%的相对误差，有效地减少了外部温度或其他因素对传感器输出的影响。

技术研发人员：梁晋涛,王莉汝,张佳杨,周治德
受保护的技术使用者：桂林电子科技大学
技术研发日：
技术公布日：2024/11/21