对于多组分混合气体定量分析而言, 基于特征光谱的定量分析技术具有不可比拟的优势, 而定量检测效率与精度取决于其采用的光谱数据处理算法的优劣。 优化光谱分析算法参数与改进光谱数据处理方式是提高定量分析速度与精度的重要手段。 针对井下多组分气体定量分析建模过程中支持向量机(SVM)参数难以确定, 并且随组分数增多而呈指数增长的光谱数据运算量的问题, 提出了一种改进型粒子群优化-支持向量机(PSO-SVM)算法。 该算法主要针对多组分气体混合光谱数据量大, 光谱特征信息存在交叠的问题进行研究。 通过粒子变异约束PSO算法的收敛路径, 再通过粒子信息共享提高模型优化效率, 最后利用设置动态不敏感区提高模型精度。 设计了一种井下多组分气体快速定量检测系统。 该系统由CPU控制信号调制模块驱动红外光源, 信号光经过滤尘除湿后的气室照射在探测器上。 在压力与温度传感器补偿的基础上, 由信号处理模块将探测得到的光信号量化传入CPU, 最终, 结合改进型PSO-SVM算法实现各组分气体浓度的定量分析。 在完成井下实际样气采集、 预处理的基础上, 对浓度范围0～100%的CH4和浓度范围0～10%的C2H6, C3H8, SO2和CO2共5种组分的混合气体进行了测试, 获得了800组红外光谱数据, 其中训练集400组, 验证集400组。 采用SVM建立了多组分气体的定量分析模型, 利用改进型PSO对SVM中的参数进行了优化, 并将获得的最优参数重建了定量分析模型。 对采集的红外光谱数据分别由本算法与传统BP网络算法进行各组分气体浓度反演, 实验结果显示, 由于变异粒子对其产生的约束, 使最优值收敛范围变小, 从而提高了收敛速度, 该算法建模时间仅为传统方法的1/10; 由于通过气体光谱特性给出不敏感区, 使特征光谱计算时交叉敏感效率降低, 从而提高了模型预测的准确度, 平均误差约为传统方法的1/5。 由此可见, 该算法在全局优化及快速收敛方面得到了显著提升, 改进型PSO结合SVM用于井下多组分气体定量分析是可行的。 改进型PSO-SVM算法对于多组分气体混合红外光谱数据的分离具有很好的适用性, 其有一定的实际应用价值。

针对FTIR光谱分析数据计算量大, 具有相同基团的多组分混合气体交叉灵敏度过高, 以及在线分析过程中基线漂移等问题, 提出了一种改进的TR2-1(Tikhonov 2norm-1norm)正则化特征变量提取法。 该方法借鉴TR1和TR2模型的基本思想, 引入谱线距离和谱线系数绝对值最小化两个约束项来保证所提取特征量的准确度, 消除基线漂移所带来的影响, 并结合上述两种模型建立了不适定问题的最优化求解通式。 该通式有效地克服了经验法和实验法确定正则矩阵和参数所带来的误差。 实验以浓度为0.01%~20%的甲烷、 乙烷、 丙烷、 正丁烷、 异丁烷、 正戊烷和异戊烷气体为例进行了特征光谱选取。 结果表明, 对于浓度为0.2%的甲烷气体, 其预测误差平方和仅为2.6×10-4, 可决系数达到0.959 2, 分析准确度高, 有效增强了TR正则法的实用性。

特征变量选取与模型的建立是光谱定量分析的两个主要研究内容。 首先讨论了Tikhonov正则化特征光谱选取算法在多组分烷烃气体分析应用中的参数确定方法, 然后针对甲烷、 乙烷、 丙烷、 异丁烷、 正丁烷、 异戊烷和正戊烷七种烃烷的小浓度分析, 从中红外吸收光谱中提取了七组特征光谱, 并用这些特征光谱作为输出, 用神经网络建立了七种烃烷气体的分析模型。 为克服神经网络的过训练问题, 提出根据误差处理的方式从多个训练好的网络中选择最优网络的网络最优参数选择法。 最后给出了分析模型的标气检验结果表明, 在各种烃烷气体1%范围内, 提出的分析方法有效消除了各种烷烃之间的交叉敏感, 交叉干扰小于0.5%; 分辨率高, 达20×10-6。