基于智能信号处理方法的全量程氢气检测系统研究

摘要

氢气是一种新型的清洁能源和重要的化工原料,具有燃烧值高、环保、可循环使用、资源丰富等诸多优点，被广泛应用于冶金、化工、航空、航天等重要工业、国防领域。然而，氢气也是一种无色无味且易燃易爆的气体，一旦泄露或掺混浓度不准确，不但不能发挥其优势作用，反而会造成严重的后果。因此对氢气浓度的检测和分析就十分重要。
　　目前,氢气检测传感器大多只能满足一定浓度范围内的测量。但是随着氢气的广泛应用,对全量程范围氢气浓度检测的需求越来越多，也必将成为该类型产品的发展方向。同时传统的氢气检测装置只能局限于氢气浓度的检测，无法对自身状态进行评估，一旦出现故障便无法使用。这种情况导致在许多应用该产品的系统存在安全隐患，这些隐患甚至是致命的，例如运载火箭、宇宙飞船等领域的应用。因此研究具有自检测、诊断（主要包括：故障检测、故障恢复、故障诊断）功能的智能全量程氢气检测微系统具有重要的意义和迫切需求。针对这些问题，本文主要对以下内容进行了研究。
　　（1）对目前广泛应用的智能信号处理方法进行研究，并以机器学习思想和经典的贝叶斯理论为基础，简单介绍了几种智能信号处理算法的原理和特点。在此基础上，分别针对支持向量机(support vector machine,SVM)理论和相关向量机（relevance vector machine,RVM）理论进行分析。并通过几组常用的标准二值分类测试数据对两种算法的性能进行测试和比较，为后续章节奠定理论基础。
　　（2）对全量程氢气检测微系统的结构进行设计。为了满足全量程氢气浓度范围的检测，分别对三种不同原理的氢气敏感单元进行研究分析，选择不同类型氢气敏感单元的最佳量程范围用于分别测量氢气的低、中、高段浓度，并将三种敏感单元集成在一个芯片上，设计了系统的基本结构。最后通过对氢气敏感单元热场环境的仿真分析，对系统进行结构优化，完成微系统结构设计。
　　（3）针对系统特点研究氢气浓度全量程测量的信号处理方法。为了获得氢气浓度的标定数据，设计了氢气浓度标定实验系统。并通过该标定实验系统，完成了三个氢气敏感单元在不同氢气浓度下的标准数据采集工作，为后续的信号分析提供了依据。根据三个敏感单元输出信号与氢气浓度的关系，建立基于相关向量机回归的数学模型，以此来计算全量程范围内氢气的浓度值。并且应用具有“共享机制”的小生境粒子群算法对相关向量机的核函数进行优化，并通过对比分析，验证了创新算法的性能。
　　（4）针对全量程氢气检测微系统的故障检测及故障数据恢复方法进行了研究。在分析了敏感单元的几种常见故障之后，对故障数据进行了仿真，得到了故障数据的表现形式。采用数理统计的方法对系统的故障状态进行检测，通过计算输出信号相邻三点的方差来判断敏感单元是否有故障发生。在判断故障发生后，利用相关向量机的回归原理对故障信号进行恢复。在无故障时对三个敏感单元的输出信号建模，当一个敏感单元发生故障时，用其他无故障的敏感单元输出值对故障数据进行恢复，由此实现故障信号的短时恢复，提高系统的可靠性。
　　（5）针对全量程氢气检测微系统的故障诊断方法进行了研究。首先采用相关向量机分类原理对故障数据的类型做出判断，利用小波奇异熵方法对故障数据进行特征提取，将其作为相关向量机多分类机的信号源，由此提高了故障诊断的准确性。为验证提出方法的有效性，本文对多种方法进行了仿真，并与其他方法进行了比较。本文还对故障诊断技术中较典型的专家系统进行了研究，提出了基于知识推送的专家系统对系统进行故障诊断，并与相关向量机方法进行了对比分析，最终完成了全量程氢气检测微系统的智能化设计。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1课题背景及研究目的和意义

1.2 国内外研究现状分析

1.3 论文的主要研究内容及结构安排

第2章 智能信号处理方法理论基础

2.1 引言

2.2 机器学习的基本思想及贝叶斯理论

2.3 RBF神经网络基本理论

2.4 支持向量机基本理论

2.5 相关向量机基本理论

2.6 相关向量机与支持向量机对比分析

2.7 本章小结

第3章 全量程氢气检测微系统敏感芯片设计

3.1 引言

3.2 全量程氢气检测微系统敏感芯片工作原理

3.3全量程氢气检测微系统敏感芯片有限元仿真分析

3.4 全量程氢气检测微系统敏感芯片结构设计

3.5 本章小结

第4章 全量程氢气检测微系统氢气浓度测量方法

4.1 引言

4.2氢气浓度标定实验系统设计

4.3基于RVM的小样本标定数据下氢气浓度全量程测量方法

4.4 本章小结

第5章 全量程氢气检测微系统故障检测与恢复方法

5.1 引言

5.2 常见故障类型分析

5.3基于数理统计方法的故障检测

5.4 基于RVM的故障恢复方法

5.5 本章小结

第6章 全量程氢气检测微系统故障诊断方法

6.1 引言

6.2 基于小波奇异熵和相关向量机的故障诊断

6.3 基于知识推送的专家系统故障诊断

6.4 基于RVM与基于专家系统的故障诊断方法对比分析

6.5 本章小结

结论

参考文献

攻读博士学位期间发表的论文及取得的科研成果

个人简历

致谢