本发明属于环境监测领域，具体的说，涉及一种颗粒物影响下采用双波长激光检测气体浓度的系统及方法。
背景技术：
1、煤燃烧产生的气体检测是环境保护和工业监管中至关重要的一环。现代煤燃烧产生的废气包含多种污染物，如二氧化硫、氮氧化物、颗粒物等，这些污染物对空气质量和人类健康都具有潜在的危害。因此，对煤燃烧排放的有害气体进行准确、及时的监测显得尤为重要。
2、在现有的气体监测技术中，常用的方法包括在线监测和间歇性监测。在线监测是通过安装在排放口的传感器和监测设备实时监测废气中污染物的浓度和排放量。这些设备可以测量不同污染物的浓度，如二氧化硫、氮氧化物和颗粒物，并将数据传输到中央监控系统进行实时分析和记录。间歇性监测则是通过定期取样、送样到实验室进行化验分析，以评估废气排放的污染物含量。
3、然而，以上方法几乎都是通过电化学方法检测，均存在探测不准确，而且不易操作，灵活性低等问题。针对上述情况，本发明公开了一种在颗粒物干扰下的气体浓度检测系统。本发明通过神经网络算法矫正在不同颗粒物浓度下的气体浓度，进而得到更为准确可靠的气体浓度数据，最终达到为环境污染治理提供更好的数据支撑的目的。
技术实现思路
1、本发明需同时测量颗粒物浓度和气体浓度，通过发射两个不同波段的激光实现。由于测量颗粒物浓度的激光波长和测量气体的激光波长差距较大，所以同时发射这两种波长的激光，不会对颗粒物和气体的测量产生影响。测量颗粒物浓度的波长为tof激光雷达的固定波长，测量气体浓度的波长为相关气体的气体吸收峰附近的波长。由于颗粒物对气体测量存在较大影响，所以我们通过对颗粒物浓度分类，对不同颗粒物浓度范围搭建不同的卷积神经网络模型，实现不同颗粒物浓度下气体浓度的准确测量。
2、为达到上述目的，本发明的技术方案如下：
3、所述的气体浓度预测系统、方法及模型训练方法，主要由气体浓度训练方法，测试方法，颗粒物影响下的气体浓度检测系统构成。本发明旨在在多因素干扰下，检测气体浓度，以上所述的干扰主要指颗粒物浓度，检测气体主要是so2；
4、进一步地，总共获取k个颗粒物浓度，按照颗粒物浓度从小到大划分，将k个颗粒物浓度从小到大完全分配到j个类别中，从而得到j类的颗粒物浓度信息；构造j个颗粒物浓度集，标记为k1、k2、...、kj，其中k1、k2、...、kj各含有mj个颗粒物浓度信息，j∈[1，j]且m1+m2+...+mj＝k；
5、进一步地，对按照颗粒物浓度进行划分的颗粒物浓度集(kj)，针对每个颗粒物浓度集里的mj个颗粒物浓度信息，在第mj个含有颗粒物浓度信息的气室中充入浓度为ci的气体，其中下标i表示第，个气体浓度，通过可调谐气体激光器获取在第mj个颗粒物浓度干扰下的第i个气体浓度
6、进一步地，针对每个类别中的mj个颗粒物浓度，重复采集每个颗粒物浓度下的不同气体浓度数据，得到在mj个颗粒物浓度下，对气体浓度为ci的气室重复n次实验，得到在第mj个颗粒物条件下的输入矩阵表示为：
7、
8、其中，中mj表示第mj个颗粒物浓度条件，ci表示在第mj个颗粒物浓度条件下分别充入的i种不同浓度的气体，n表示对于同一种气体浓度和颗粒物浓度下的重复采集数据的次数，表示第n次采集在气体浓度为ci，颗粒物浓度为mj时的气体吸收波长处的强度值；
9、对于j个颗粒物浓度类别，对应j个气体浓度输入矩阵，将各类别的气体浓度矩阵输入对应的神经网络模型进行训练；
10、进一步地，对于不同类别，训练各自卷积神经网络模型，模型包含输入层，卷积层，激活层，池化层，全连接层；
11、进一步地，输入层用于提取不同颗粒物浓度下的气体浓度特征，输入不同颗粒物浓度下的不同气体浓度数据以及对应的气体浓度真值数据ci，将输入数据转化成网络可以识别的特征矩阵和特征向量；
12、进一步地，卷积层运算公式为：
13、
14、其中，i，j表示输出的空间位置，s表示第s个卷积核，m，n表示卷积核的空间位置，c表示输入的通道数；
15、进一步地运用relu激活函数，公式如下：
16、f(x)＝max(0，x)
17、其中，x是输入值，f(x)是函数的输出；
18、进一步地，池化层用最大池化对其进行降维处理，池化层输出为：
19、
20、进一步地，全连接层输出为：
21、
22、其中，i表示池化窗口的输入节点，k表示输出节点。
23、进一步地，将训练好的神经网络模型集成到实时是气体浓度检测系统中，通过实时采集的颗粒物浓度数据和气体浓度数据预测真实浓度数据；
24、进一步地，气体浓度检测系统是基于tof激光雷达和可调谐气体激光器的双波长气体浓度检测系统结构，主要包括颗粒物浓度检测模块和气体浓度检测模块；
25、进一步地，通过发射波长为λ1的激光，依据tof测距原理，得到距离与浓度之间的关系，从而得到颗粒物浓度
26、进一步地，通过发射波长为λ2的激光，得到气体吸收波长处的强度值
27、进一步地，通过上述模块获取待测区域的颗粒物浓度数据和颗粒物影响下的气体吸收波长处的强度值
28、进一步地，判断得到的颗粒物浓度所在的浓度类别，选择相对应的气体浓度预测模型；
29、进一步地，将所述待测区域的气体浓度数据输入经上面所述的气体浓度预测模型；
30、进一步地，获取所述气体浓度预测模型输出的待测区域内的气体浓度预测值
31、进一步地，所述的tof激光雷达颗粒物浓度检测系统，包括如下构成：
32、发射模块和接收模块；
33、进一步地，所述tof激光发射模块，包括如下构成：
34、光源模块：包含激光发射管、激光发射板和雷达主控板，提供烟气气溶胶检测系统的基本光源。激光发射管发射光源信号，激光发射板将光扩散传播出去；
35、激光驱动电路：用于提供合适tof激光雷达发射光信号的稳定驱动电压；
36、传感器接口：为传感器提供电源、所需的偏置电压/电流信号、数字控制相位，并从传感器读取数据流；
37、进一步地，所述tof激光接收模块，包括如下构成：
38、激光接收透镜：收集从被测物体上反射回来的光；
39、探测系统感光元件：接收反射光；
40、传感器接口：用于与外部(到pc或处理单元)的通信，将读取到的距离信息和浓度信息传输给存储分析模块处理；
41、进一步地，按照如下方法建立测量距离和真实距离的差值和颗粒物浓度的关系：
42、a)将激光发射模块发射出的带有调制信号的某个固定波长信号，通过标准气室，接收模块得到对应的距离信息d0；
43、b)将激光发射模块发射出的带有调制信号的某个固定波长信号，通过检测气室，接收模块得到对应的距离信息d；
44、c)得到测量距离与真实距离的差值
45、d)通过气室中颗粒物浓度传感器，得到当时的颗粒物浓度f；其中，通过燃烧不同重量的烟饼产生不同浓度的颗粒物；
46、e)通过多项式拟合，建立与颗粒物浓度f的关系，得到颗粒物浓度和距离之差之间的关系式从而通过tof的测量距离计算颗粒物浓度数据；
47、进一步地，所述气体的浓度检测模块是通过可调谐半导体激光器实现，包括如下构成：
48、主控模块：控制整个系统正常工作同时负责计算烟囱废气排放信息；
49、半导体激光器：采用集成的半导体激光器，利用激光吸收光谱技术进行烟囱废气量的测量；
50、探测装置：用于接收经待测气体吸收后的光功率；
51、锁相放大器：完成对检测信号的二次谐波信号提取；
52、进一步地，按照如下方法检测废气浓度，本发明使用半导体激光器，运用激光吸收光谱技术进行气体量(so2)的测量；
53、进一步地，所述半导体激光器采用二氧化硫在7.4μm附近的激光吸收谱线作为中心波长进行气体的浓度检测，激光输出口包含聚光透镜，所述聚光透镜将经充分吸收后的的激光功率聚集在探测装置上，保证信号质量；
54、进一步地，所述的半导体激光器包含信号发生器，可以产生高频正弦波信号及低频扫描信号，正弦波信号实现激光信号的高频调制，降低低频噪声的干扰并为锁相放大器提供参考信号。锁相放大器模块通过对应气体吸收峰二次谐波与一次谐波强度的比值反演计算得到气体浓度随时间变化的信息；
55、进一步地，将训练好的卷积神经网络模型集成到分析模块中，气体浓度预测结果保存至存储模块中。
1.一种颗粒物影响下的气体浓度预测模型的训练方法，其特征在于，包括：
2.一种颗粒物影响下的气体浓度预测方法，其特征在于，包括：
3.如权利要求1所述的第mj个颗粒物条件下的输入矩阵其特征为：
4.如权利要求1所述的卷积神经网络模型，包含输入层，卷积层，激活层，池化层，全连接层，具体如下：
5.如权利要求2所述的的获取颗粒物的浓度数据，其特征在于，基于tof激光雷达获取颗粒物浓度数据，通过建立测量距离和真实距离的差值和颗粒物浓度的关系，得到颗粒物浓度，具体包括以下步骤：
6.如权利要求2所述的获取训练不同颗粒物浓度下的不同浓度气体的浓度检测数据，其特征在于，基于可调谐半导体激光器获取气体浓度数据，运用激光吸收光谱技术进行气体的测量，本发明以检测so2为主，其特征为：
7.如权利要求4所述的基于tof激光雷达获取颗粒物浓度数据，其特征在于：
8.如权利要求5所述的可调谐二极管激光吸收光谱技术(tdlas)，其特征在于：
9.如权利要求6所述，基于可调谐半导体激光器获取气体浓度数据，其特征在于：
