基于WOA-WNN-LSTM算法的红外CO痕量气体压力补偿与时序浓度分析.pdfVIP

第45卷，第4期光谱学与光谱分析Vol.45,No.4,pp994-1007

2025年4月SpectroscopyandSpectralAnalysisApril,2025

基于WOA-WNN-LSTM算法的红外CO痕量气体

压力补偿与时序浓度分析

1.煤炭科学研究总院研究生院，北京100013

2.中煤科工集团沈阳研究院有限公司煤矿灾害防控全国重点实验室，辽宁沈抚示范区113122

3．中国矿业大学（北京）应急管理与安全工程学院安全工程与工程系，北京100083

摘要红外光谱分析是工业环境气体定量分析的重要手段，当前红外气体检测仪的测量精度受环境压力

变化影响较大，导致检测数据在不同压力条件下偏离实际气体浓度。为提高红外气体传感器的精度，选择了

鲸鱼优化算法（whaleoptimizationalgorithm，WOA）和小波神经网络（waveletneuralnetwork，WNN）相结合

的压力补偿算法，并结合长短期记忆法（longshort-termmemory，LSTM)对补偿后的数据进行预测。通过搭

建工业环境气体压力补偿实验平台，使用高精度配气仪配置100～900ppm标准CO气体，在80～120kPa

范围内进行数百组重复实验，发现CO气体传感器在负压条件下测量值小于标气浓度，正压条件下测量值大

于标气浓度，并随压力变化呈线性关系，绝对误差最高为86ppm。将传感器数据使用小波神经网络进行误

差降低，初步补偿后的CO误差降至26ppm，但由于参数可移植性较差，个别数据误差较大。进一步使用鲸

鱼优化算法优化小波神经网络的参数后，补偿效果显著提升，传感器测量值与真值之差保持在0.004%以内

且数据稳定。最终结合LSTM进行气体浓度预测，预测值与实际值之间的均方根误差（RMSE)均小于0.1，

平均绝对误差（MAE)均小于0.020，实验结果表明，WOA-WNN-LSTM算法能够有效提高红外气体传感器

的测量精度，成功消除环境压力对测量结果的影响，为工业环境气体检测提供了更为可靠和精准的解决

方案。

关键词红外光谱分析；环境压力补偿；鲸鱼优化算法；小波神经网络；时序浓度预测

文献标识码：AD0l:10.3964/j.issn.1000-0593(2025)04-0994-14

中图分类号：0657.3

理、原位在线分析，同时在大气压条件下采用针-环式等离子

引言体发生器对氨气/甲烷-空气进行电离，研究了放电电压、电

极间隙、高压电极放电末端与接地电极的距离及氩气体积流

“双碳”背景下，大气环境污染物的定量检测对气体传感量对射流长度的影响，结果表明：等离子体射流的最大长度

器精度要求逐步提高，在工业环境监测中，气体检测的准可以达到80mm；高压电极放电端与接地端之间的距离越

确性对于识别危险源、预防燃气泄露和可燃气体爆炸、保护大，射流长度越长但并非线性增长。梁运涛等[8-101使用傅里

环境以及确保生产安全至关重要。环境温度和气压变化影响叶变换红外(FTIR)光谱仪开发了一套用于监控废气浓度的

传感器测量痕量气体的准确度，从而影响工业环境中的安全便携式气体分析仪，分析物各组分的检出限均小于10×

预警系统[2-3]。环境压力的变化会导致单位体积内的气体量10-，并且提出了一种基于红外气体传感器的温度补偿方

变化，即气体分子间的距离变化，从而影响红外线吸收能法，采用GA-BP神经网络降低红外气体传感器误差。相关学

量[4-5]，即便待测气体浓度未变，测量值与真实值的偏差也者采用了可调谐激光器，选择不同待测气体的吸收峰，实现

需通过对压