基于温度调制技术的混合气体浓度检测方法,涉及半导体气体传感领域。解决了目前对混合气体的浓度预测,难以进行更精确分析的问题。本技术通过温度调制技术,在空间域的尺度下扩充的气敏响应数据的特征,并且采用LSTM神经网络模型处理时间序列数据,充分挖掘了序列数据所包含的特征信息,二者结合显著提高了混合气体浓度的识别精度。本发明主要用于故障时变压器油中释放的H<subgt;2</subgt;和CO气体的浓度检测。
背景技术
作为电力运输和分配的枢纽设备,变压器的可靠运行是电力系统安全、稳定的关键。目前,油中溶解气体分析技术(DGA)被认为是变压器故障诊断最为有效的方法。通过气体检测系统对变压器油分解气体进行监测,有助于实现对变压器的运行状态的在线监测。在变压器发生故障时,变压器油中会先后释放出CO和H2
两种气体,这两种气体可看作两种典型的变压器油中溶解特征气体,因此实时检测CO和H2
气体对变压器设备的安全稳定运行具有重要意义。目前,通常采用气相色谱对变压器油中溶解气体分离后进行检测,溶解气体的提取基本步骤包括变压器油的取样、净化、油中溶解气体脱气分离等。随后,气相色谱仪将混合物分离成单一组分,然后这些组分被送入红外光谱或气体传感器等进行浓度检测。然而,由于CO和H2
气体在色谱柱中移动速度相近,两者在经过色谱柱后的出峰时间较为接近,导致传感器检测的信号峰有一定重合,因此在实际检测中会出现一定误差。
近些年来,由金属氧化物(MOS)气敏传感器阵列以及人工智能算法组成的人工嗅觉系统在气体实时检测领域表现出显著优势。MOS气敏传感器具有检测速度快、操作简单、成本低的特点。人工智能算法具有很强的特征提取和识别能力,可以自发提取数据中的特征信息,并通过自学习完成模型参数的更新,具有较强的泛化能力。目前,人工嗅觉系统已经在工业污染监测、食品安全、医疗领域等方面发挥重要作用。然而,目前对混合气体的预测研究很多只关注种类的预测,而对浓度这一关键指标有所忽略,难以进行更精确的分析。因此,开发一种混合气体的浓度预测的方法具有重要的应用价值。
实现思路