基于1D-WCWKCNN的痕量甲烷氣體濃度檢測

闞玲玲, 朱富海, 梁洪衛

東北石油大學電氣信息工程學院, 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%)。 在工業發展過程中, 需要跨地區進行天然氣運輸, 運輸管道在長時間工作的情況下會存在泄漏的情況。 當空氣中的甲烷濃度達到5%, 氧氣濃度大于等于12%時, 遇到明火, 則會發生爆炸。 為了防止發生安全事故, 需要對管道周圍進行甲烷氣體的檢測。 在甲烷氣體檢測領域中, 檢測甲烷氣體的光譜學技術有差分光學吸收光譜(DOAS)、 差分吸收激光雷達(DIAL)、 傅里葉變換紅外光譜(FTIR)、 可調諧半導體激光吸收光譜(TDLAS)[1-8]。 TDLAS技術具有高精度、 高分辨率、 高穩定性和快速響應的特點, 鑒于這些優勢, TDLAS技術常用于氣體檢測領域當中[9]。 Jiang等[10-13]利用TDLAS技術, 借助甲烷氣體的二次諧波信號的幅值與甲烷氣體濃度擬合直線對甲烷氣體濃度進行檢測。 利用TDLAS技術對甲烷濃度進行檢測時, 需要擬合二次諧波信號幅值與甲烷濃度值的直線。 人工在尋找最優擬合直線這個過程中, 存在噪聲和人為操作對二次諧波信號的幅值產生上下波動的影響, 造成人工篩選二次諧波信號的時間成本增加。 在目標氣體檢測效率上需要進一步提高。

卷積神經網絡(CNN)最早由LeCun等提出, 近年來該網絡在諸多領域表現出優異的性能[14]。 卷積神經網絡(CNN)在處理一維數據中表現出較大的優勢。 目前, 許多研究人員已經開始研究CNN在一維信號處理中的應用。 Zhao等[15]提出的一維深度卷積神經網絡(1D-DCNN)對乙烯、 一氧化碳和甲烷混合氣體進行識別, 識別準確率為96.3%。 1D-DCNN模型中卷積層卷積核大小為3×1, 對于混合氣體信號每個輸出特征值只能獲取輸入信號相鄰3個值之間的特征關系, 限制了網絡學習混合氣體信號特征的能力。 Zhang[16]利用一維卷積神經網絡(1D-CNN)并結合時差法對天然氣流量進行了測量, 提出的一維卷積神經網絡中卷積層卷積核大小為5×1, 每個輸出特征值只能獲取輸入信號相鄰5個值之間的特征關系, 限制了1D-CNN學習特征的能力。 Peng等[17]利用38層的深度卷積神經網絡(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據進行特征提取, 增加了網絡對氣體數據特征提取的復雜度。 Wei等[18]采用卷積核為5×5的LeNet-5卷積神經網絡(CNN)對甲烷(CH4)和一氧化碳(CO)混合氣體輸入數據進行特征提取, 存在目標氣體數據特征提取復雜性增加的問題。 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據轉換為二維RGB彩色圖像, 利用卷積神經網絡對其進行特征提取時存在較為繁瑣的問題。

針對痕量天然氣泄漏檢測在應用TDLAS技術需要人工花費大量時間去篩選二次諧波信號的問題, 本文提出了一種基于寬卷積和寬卷積核一維卷積神經網絡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——甲烷二次諧波信號進行特征提取, 使網絡進行一次卷積后能夠獲得二次諧波信號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系。 利用1D-WCWKCNN模型中的最大池化層對信號主要特征進行保留, 去除冗余信息, 減小計算量, 簡化網絡復雜度, 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技術中為確定最優幅值-濃度擬合直線, 人工逐步篩選大量的二次諧波信號的問題。 利用本文提出的方法可以針對多種痕量甲烷氣體濃度進行有效的檢測。

1 實驗部分

1.1 痕量甲烷氣體數據獲取

為了確保能夠采集不同種甲烷氣體透射光強二次諧波信號的數據, 搭建了如圖1所示的痕量甲烷氣體濃度數據采集裝置。 實驗裝置主要由PCI-1D TDLAS控制器、 PC機、 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)、 氣體質量流量控制器(ALICAT, MCS-Series)、 甲烷氣體罐、 氮氣氣體罐組成。 實驗裝置中應用波長調制技術。 實驗裝置包括三部分： (1)波長調制、 (2)氣體吸收、 (3)數據采集。 甲烷氣體濃度數據采集實驗裝置的三部分分別由紅色框、 藍色框和紫色框標出。

圖1 甲烷氣體數據采集裝置

實驗在室溫條件下進行, 對50～1 000 mg·L-1內的甲烷氣體進行透射光強信號的數據采集以及透射光強二次諧波濃度信號的獲取, 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, 最佳工作功率為3 mW。 調節激光器使其輸出1 653～1 654 nm波長的激光。 在這個波長范圍內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, 光程長達到14.5 m, 氣體池內壓強與外界壓強一致, 實際溫度為20.4 ℃。 利用PD(Thorlabs, PDA20CS)探測氣體池出光孔的透射光強信號并使用采集卡將獲得的透射光強信號傳輸到電腦上, 通過鎖相放大等一系列的信號處理后, 提取透射光強信號的二次諧波信號, 然后進行保存。 具體過程如下： 首先, 設置激光器和數據采集參數, 將激光器溫度設置為28 ℃, 激光器波長以0.01 nm·mA-1的變化率在1 653.6～1 653.7 nm范圍內變化。 利用信號發生器產生一個2 Hz的低頻掃描信號和一個31.2 kHz、 初相位為π/2的高頻調制信號驅動激光器, 從而實現對激光器的輸出波長的調制。 激光的掃描周期設置為400 ms, 采樣點數設置為10 000。 其次, 向氣體池依次充入通過質量流量控制器配比的不同濃度的痕量甲烷氣體。 當充入某一濃度的氣體時, 待吸收穩定后, 在同一濃度下采集多組數據。 為了避免不同氣體對氣體濃度測量結果的干擾, 用高純度(99.99%)的氮氣對Herriott氣體池進行吹掃, 吹掃時間為2 min, 再充入另一種類濃度的甲烷氣體, 如此反復測量與采集。 最后, 利用PD探測器探測透射光強信號, 為確保探測到最佳透射光強信號, PD增益設置為3 dB, 使用采集卡將獲得的透射光強信號傳輸到電腦上, 通過鎖相放大等一系列的信號處理后, 提取透射光強信號的二次諧波信號, 進行痕量甲烷氣體數據保存。 實驗采集的痕量甲烷氣體濃度種數、 組數、 總樣本數如表1所示。 該樣本數據為透射光強二次諧波信號, 部分采集結果如圖2所示, 全部采集結果如圖3所示。

表1 甲烷氣體濃度種數

圖2 二次諧波信號

圖3 甲烷氣體二次諧波信號

1.2 數據處理

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

1.2.1 數據集劃分

根據實驗中采集的痕量甲烷氣體濃度數據所制作的氣體濃度數據集如表2所示, 該數據集對痕量甲烷氣體數據進行了訓練樣本與測試樣本的劃分。 痕量甲烷氣體濃度數據集中訓練集和測試集劃分完成之后對該數據集進行1 000次的迭代訓練。 借助數據集訓練1D-WCWKCNN模型, 通過判別模型訓練后的檢測結果對模型參數進行調整, 優化訓練結果。

表2 實驗數據集

1.2.2 1D-WCWKCNN

痕量甲烷氣體透射光強二次諧波信號的波形特點以及噪聲、 人為操作對信號幅值產生上下波動的影響。 該影響會造成人工篩選二次諧波信號時間成本的增加。 為了解決該問題, 提出一種1D-WCWKCNN網絡模型方法來處理透射光強二次諧波信號進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構如圖4所示, 該模型組成部分包括： 1層痕量甲烷氣體濃度信號數據輸入層、 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

實驗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二次諧波信號與甲烷氣體濃度關系的主要特征, 其卷積層計算公式為

(1)

式(1)中,C(j)為第j個卷積結果, 1≤j≤Na-Nb+1,A為輸入的痕量甲烷氣體濃度信號, 其維數為(1,Na),B為卷積核, 其維數為(1,Nb)。

痕量甲烷氣體透射光強二次諧波信號與該氣體濃度關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二次諧波信號的序列上移動進行卷積運算, 一次卷積運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的序列上移動進行寬卷積運算, 一次寬卷積運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算從痕量甲烷氣體透射光強二次諧波信號中提取不同信息的能力。 在傳統一維卷積神經網絡中采用窄卷積核, 其大小為3×1。 對于每個輸出特征值只能獲取輸入信號相鄰的3個值之間的特征關系, 極大的限制了一維卷積神經網絡提取信號特征的能力[20]。 痕量甲烷氣體透射光強二次諧波信號可以看作是一維時間序列, 根據該信號的特點提出的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二次諧波信號的特征, 使網絡進行一次卷積后能夠獲得痕量甲烷氣體透射光強二次諧波信號中更長序列以及序列邊界信息與氣體濃度之間的特征關系, 能夠有效地獲取痕量甲烷氣體透射光強二次諧波信號的特征。

實驗在處理痕量甲烷氣體透射光強二次諧波信號的過程中, 為了對痕量甲烷氣體濃度信號的主要特征進行保留, 1D-WCWKCNN的痕量甲烷氣體濃度檢測模型采用最大池化層對經過卷積層后的痕量甲烷氣體透射光強二次諧波信號進行最大池化(Max pooling)操作。 其過程如圖6所示, 對痕量甲烷氣體透射光強二次諧波信號中的序列進行最大池化操作能夠對該濃度信號的主要特征進行保留, 去除干擾甲烷氣體濃度計算的信息, 減少計算量, 簡化1D-WCWKCNN網絡的復雜度。 針對神經網絡在甲烷氣體濃度檢測方面的應用, 極大地提高了1D-WCWKCNN網絡的統計效率和計算速度。

圖6 最大池化過程

實驗利用基于1D-WCWKCNN的痕量甲烷氣體濃度檢測模型獲取甲烷氣體濃度時, 需要對經過卷積-池化后的痕量甲烷氣體濃度信號進行進一步處理。 利用Flatten層將其多維的數據一維化, 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層中的所有單元, 該層計算公式如等式(2)所示, 輸入值x乘以權重w, 乘積相加, 然后在總和上加上偏差b。 最后該結果被輸入到激活函數f, 激活函數計算輸出預測值[21]。 本文中選用linear函數作為激活函數, 其表達式由式(3)所示。 1D-WCWKCNN網絡最后經Dense層計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

基于1D-WCWKCNN的痕量甲烷氣體濃度檢測模型的詳細參數如表3所示, 其中, 該1D-WCWKCNN模型中總參數為12 461個。 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二次諧波信號特征, 經過多次調參之后, 使1D-WCWKCNN痕量甲烷氣體濃度檢測模型進行一次卷積后能夠獲得甲烷氣體透射光強二次諧波信號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系。 每層卷積后添加一層最大池化層來保留二次諧波信號主要特征信息, 去除序列中冗余的信息, 減少計算量, 簡化1D-WCWKCNN網絡的復雜度。 每層卷積層使用線性整流函數(rectified linear unit, ReLU)作為激活函數, 防止發生過擬合。 最后一層全連接層使用線性激活函數linear, 輸出痕量甲烷氣體濃度預測值, 在MSE損失函數的逼近下, 痕量甲烷氣體濃度預測值會愈來愈趨向于真實痕量甲烷氣體濃度值。 實現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

2 結果與討論

本文1D-WCWKCNN模型中采用自定義的度量函數決定系數R2(coeff_determination)評估網絡模型訓練和測試過程的準確度。 決定系數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測了目標變量。 決定系數表達式如式(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行1 000次迭代訓練, 利用訓練好的1D-WCWKCNN模型對氣體濃度進行檢測。 檢測結果如圖7(a)所示, 圖中的橫坐標是真實甲烷濃度, 縱坐標為預測甲烷濃度。 該圖顯示了全部數據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絡輸出痕量甲烷氣體濃度值與目標輸出濃度值之間的關系。 由圖7(a)可以看出輸出值與目標值非常吻合, 訓練時的準確率為99.84%, 測試時的準確率為99.854%。 迭代訓練次數與決定系數的關系如圖7(b)所示, 1 000次迭代后決定系數接近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確率, 驗證了所提方法的可行性與準確性。

圖7 痕量甲烷氣體濃度檢測

本文首先利用TDLAS技術, 進行痕量甲烷氣體透射光強二次諧波信號的獲取, 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進行處理并進行甲烷氣體濃度檢測。 本文中獲取痕量甲烷氣體透射光強二次諧波信號10000采樣點的實驗條件為室溫20.4 ℃, 激光器工作溫度28 ℃。 針對該相同實驗條件下獲取的甲烷氣體透射光強二次諧波信號數據利用三種方法進行氣體濃度預測分析并進行了比較。 本文提出的1D-WCWKCNN方法與文獻[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擬合直線的過程以及在該過程中為尋找最優擬合直線, 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進行處理, 提取與甲烷氣體濃度有關的特征信息, 提高了卷積層特征提取的能力, 使甲烷氣體濃度檢測準確率有所提高, 從而達到對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[15-16]中傳統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進行特征提取, 使網絡進行一次卷積后能夠獲得該信號中更長序列以及該序列邊界信息與目標甲烷氣體濃度之間的特征關系, 提高了1D-WCWKCNN模型特征提取的能力和甲烷氣體濃度檢測準確率。 對比結果如表4所示, 綜上, 本文提出的1D-WCWKCNN方法要優于所述TDLAS擬合直線方法和傳統1D-CNN方法。

表4 不同方法結果對比

3 結 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, 應用TDLAS技術解決了為尋找最優擬合甲烷二次諧波信號幅值-甲烷濃度值的直線需要高額時間成本去篩選大量諧波信號的問題。 借助該方法進行一次卷積后能夠獲得甲烷氣體濃度信號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系, 與其他方法相比該方法信號特征提取能力強, 檢測甲烷氣體精度高。 本文通過實驗驗證了所提方法的可行性, 通過實驗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域中針對痕量甲烷氣體進行濃度檢測, 該方法不需要人工篩選與甲烷氣體濃度相關的二次諧波信號, 使痕量甲烷氣體檢測邁向智能化具有重要意義。 由于本實驗痕量甲烷氣體濃度種數的樣本數據有限, 如果進一步提高甲烷濃度種數的樣本數, 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進一步提高。