基于RBF神经网络的非色散红外SF_6气体传感器.pdf

基于RBF神经网络的非色散红外SF_6气体传感器是一种利用非色散红外技术（NDIR）来检测六氟化硫（SF_6）气体浓度的装置。SF_6气体广泛应用于电力传输设备，如高压开关，但其泄漏可能导致环境污染和安全问题，因此准确检测其浓度至关重要。本文主要探讨了如何通过优化传感器设计和采用径向基函数（RBF）神经网络进行温度补偿，以提高检测精度。 传感器硬件部分采用了波段在2到20微米的电调制红外宽谱光源，以及中心波长分别为3.95微米和10.55微米的双通道热释电探测器。这种单光源双波长光路结构设计可以同时监测两个特定吸收峰，对应SF_6气体的红外吸收特性，从而实现对气体浓度的精确测量。 然而，环境温度变化会直接影响红外光的吸收，导致测量误差。为了解决这个问题，研究者运用RBF神经网络进行补偿。RBF网络是一种具有快速学习能力和高精度的前馈神经网络，其核心是径向基函数作为隐藏层的激活函数。这种网络可以学习并模拟复杂非线性关系，如环境温度与SF_6气体吸收之间的关系。 实验结果表明，在环境温度10至35摄氏度范围内，SF_6气体浓度在0到0.200的条件下，传感器的检测准确度小于±1.5FS（全量程的百分比），相对标准偏差仅为1.56%。这证明了RBF神经网络补偿方法能有效地消除温度变化引起的非线性影响，提高了测量的稳定性和准确性。相比传统的经验公式法和温度控制法，这种方法无需额外的硬件温度补偿模块，有利于传感器的小型化和低成本设计。 此外，该研究还强调了红外物理在光学传感器中的应用，特别是光电检测技术在非色散红外气体传感中的重要性。通过这种技术，可以实时监测SF_6气体的浓度，确保电力设备的安全运行，并减少对环境的影响。 总结来说，基于RBF神经网络的非色散红外SF_6气体传感器结合了先进的光学设计和智能算法，实现了对SF_6气体浓度的高精度、高稳定性测量，为电力行业的气体监测提供了有效解决方案。这种方法不仅提高了测量性能，还降低了设备复杂性和成本，对于推动环保和安全监控技术的发展具有重要意义。