Application of GA-BP Model in Data Correction of Atmospheric Miniature
-
摘要: 针对大气微站中的电化学气体传感器选择性不足,容易受到非目标气体交叉干扰的问题,提出使用遗传算法(GA)优化的反向传播(BP)神经网络模型(GA-BP模型)对微站进行数据修正的方法。GA-BP模型在善于处理非线性黑箱问题的BP神经网络模型的基础上引入具有全局寻优能力的GA,通过GA对神经网络的初始参数进行优化,弥补了BP神经网络容易陷入局部极小值的缺陷,提升了模型整体的精度和稳定性。实验结果表明,经过GA-BP模型修正后的微站可以实现对混合气体中的NO2、CO、O3和SO2的准确定量分析,4种气体浓度的计算值和实测值之间的拟合优度(R2)均超过了0.95,与一元、多元线性回归和传统的BP神经网络相比,修正效果优势明显。此外,GA-BP模型还具有良好的泛化能力,将未参与训练的微站数据带入其中,得到的4种气体浓度计算值和实测值之间的R2值也均在0.88以上,证明了本方法具有很好的适用性,可以为厂家提升设备性能以及使用者得到准确的空气污染物的浓度数据提供有益的参考。Abstract: This paper addresses the issue of insufficient selectivity in electrochemical gas sensors within atmospheric miniature monitoring stations, which are susceptible to cross-interference from non-target gases. A data correction approach using a Genetic Algorithm (GA) optimized Back Propagation (BP) neural network (GA-BP model) is proposed. The GA-BP model enhances the BP neural network, adept at tackling nonlinear black-box problems, by integrating GA's global optimization capability. This integration optimizes the neural network's initial parameters, overcoming the BP network's tendency to fall into local minima, and thus enhances the model's overall accuracy and stability. Experimental results demonstrate that the miniature monitoring stations equipped with the GA-BP model can accurately quantify NO2, CO, O3, and SO2 concentrations in mixed gases. The goodness of fit (R2) between the computed values and actual measurements of these four gases exceeded 0.95. Compared to univariate, multivariate linear regressions, and traditional BP neural networks, the GA-BP model shows clear superiority. Moreover, the model exhibits strong generalization capabilities. When applied to new, untrained station data, it achieved R2 values above 0.88 for all four gas concentrations, affirming the method's robust applicability. This approach provides a beneficial reference for manufacturers to enhance equipment performance and for users to obtain accurate air pollutant concentration data.
-
表 1 不同模型应用于微站数据修正中效果的比较
Table 1. Effectiveness comparison of various models in data correction for miniature monitoring stations
模型种类 气体 RMSE值 R2值 一元线性
模型NO2 1.81 0.983 CO 183.79 0.995 O3 12.2 0.333 SO2 36.62 0.025 多元线性
模型NO2 1.61 0.986 CO 180.03 0.995 O3 3.37 0.949 SO2 23.43 0.6 BP神经
网络模型NO2 1.65±0.33 0.985±0.005 CO 267.74±98.06 0.988±0.009 O3 4.92±2.99 0.851±0.016 SO2 11.53±4.88 0.886±0.09 GA-BP
模型NO2 1.28±0.29 0.991±0.004 CO 172.33±29.77 0.995±0.002 O3 2.53±0.34 0.971±0.007 SO2 6.54±0.97 0.968±0.009 -
[1] 秦孝良, 高健, 王永敏, 等. 传感器技术在环境空气监测与污染治理中的应用现状、问题与展望[J]. 中国环境监测, 2019, 35(4): 162-172. doi: 10.19316/j.issn.1002-6002.2019.04.20 [2] 胡清, 张建宇, 王希铭, 等. 基于传感器方法的新型大气监测技术现状与发展建议[J]. 环境与可持续发展, 2019, 44(2): 43-46. doi: 10.19758/j.cnki.issn1673-288x.201902043 [3] 刘烨, 李雯. 大气污染网格化监测与传感器技术应用分析[J]. 资源节约与环保, 2022, 4: 62-65. doi: 10.3969/j.issn.1673-2251.2022.11.016 [4] 张晶雯. 大气污染热点网格技术发展现状及在太原市的运用[J]. 现代工业经济和信息化, 2018, 8(13): 52-53,57. doi: 10.16525/j.cnki.14-1362/n.2018.13.22 [5] 刘旭, 闫益康, 王海新, 等. “空天地”一体化监测技术在京津冀大气污染防治工作中的应用[J]. 科技创新与应用, 2019, 19: 1-6. doi: 10.3969/j.issn.2095-2945.2019.04.001 [6] 温雪山, 刘荣安. 大气污染防治网格化监测的应用案例分析[J]. 节能与环保, 2019, 11: 108-109. doi: 10.3969/j.issn.1009-539X.2019.01.046 [7] 邰菁菁, 叶露. 大气网格化监测技术在上海市嘉定区的应用[J]. 中国环保产业, 2020, 5: 65-69. doi: 10.3969/j.issn.1006-5377.2020.03.017 [8] 李沫. 乌鲁木齐市大气网格化监测体系建设及应用[J]. 环境生态学, 2020, 2(9): 89-91. [9] 殷小鸽, 张伟, 李喆, 等. 大气网格化监测应用——以天津市某区为例[J]. 中国新技术新产品, 2021, 8: 124-128. doi: 10.3969/j.issn.1673-9957.2021.18.041 [10] 刘心宇, 黄俊, 张丽丽, 等. 混合部署型网格化大气质量监测系统的设计及数据分析应用[J]. 环境与可持续发展, 2019, 44(4): 154-157. doi: 10.19758/j.cnki.issn1673-288x.201904154 [11] 王莉华, 安欣欣, 景宽, 等. 大气网格化监测运行维护管理现状与展望[J]. 中国环境监测, 2021, 37(2): 16-22. doi: 10.19316/j.issn.1002-6002.2021.02.03 [12] 王浩, 王超. 网格化微型空气质量监测系统可行性研究[J]. 环境工程, 2023, S1: 298-300,362. [13] 王春迎, 潘本峰, 吴修祥, 等. 基于大数据分析的大气网格化监测质控技术研究[J]. 中国环境监测, 2016, 32(6): 1-6. doi: 10.19316/j.issn.1002-6002.2016.06.01 [14] 陈红. 大气环境网格化精准监测系统概述[J]. 中国环保产业, 2016, 6: 46-48. doi: 10.3969/j.issn.1006-5377.2016.06.014 [15] 尚伟, 白笑晨, 孙亚刚, 等. 大气网格化监测系统的构建及其在区域环境空气质量精细化管理中的应用[J]. 环境工程学报, 2022, 16(9): 3081-3091. doi: 10.12030/j.cjee.202204164 [16] 梁粤. 便携式仪器在大气环境观测中数据订正的优化及应用[D]. 广州: 暨南大学, 2021. [17] 李广义. “一氧化碳”的电化学式气体传感器的应用和探讨[J]. 计量科学与技术, 2021, 65(3): 40-43. [18] 路佳城. 基于电化学传感器的大气NO2和O3监测研究[D]. 淮南: 安徽理工大学, 2022. [19] 张国城, 赵红达, 赵俊秀, 等. 两种微型空气质量监测站气体交差干扰的数学模型[J]. 计量技术, 2020, 64(1): 46-49. [20] HOSSAIN M, SAFFELL J, BARON R. Differentiating NO2 and O3 at low cost air quality amperometric gas sensors[J]. ACS Sensors, 2016, 1: 1291-1294. doi: 10.1021/acssensors.6b00603 [21] 徐雨. 城市大气测量用高灵敏NO2电化学传感系统研究[D]. 淮南: 安徽理工大学, 2018. [22] ZUIDEMA C, AFSHAR-MOHAJER N, TATUM M, et al. Efficacy of Paired Electrochemical Sensors for Measuring Ozone Concentrations[J]. Journal of Occupational and Environmental Hygiene, 2019, 16(2): 179-190. doi: 10.1080/15459624.2018.1540872 [23] 刘培源, 李剑, 夏春, 等. 多种气体对烟气分析仪中电化学传感器的交叉干扰研究[J]. 计量科学与技术, 2023, 67(7): 62-67,52. doi: 10.12338/j.issn.2096-9015.2023.0221 [24] 代啟林, 李佳颖, 李响, 等. 电化学气体传感器多传感器数据融合[J]. 仪表技术与传感器, 2016, 5: 15-17,24. doi: 10.3969/j.issn.1002-1841.2016.02.005 [25] 管海翔. 基于电化学法的微量有害气体检测技术研究[D]. 北京: 北京化工大学, 2020. [26] ZAMORA M L, BUEHLER C, LEI H. Evaluating the performance of using low-cost sensors to calibrate for cross-sensitivities in a multipollutant network[J]. ACS ES& T Engineering, 2022, 2: 780-793. [27] 闫续, 张国城, 沈上圯, 等. 网格化空气质量监测仪中气体干扰模型的建立[J]. 仪表技术与传感器, 2023(4): 36-41. doi: 10.3969/j.issn.1002-1841.2023.04.008 [28] 董珍一, 林莉, 孙旭, 等. 基于BP神经网络的超声表面波定量表征金属表层裂纹深度研究[J]. 仪器仪表学报, 2019, 40(8): 31-38. doi: 10.19650/j.cnki.cjsi.J1904987 [29] 乔文超, 王红雨, 王鸿东. 基于BP神经网络的无人机IMU多传感器冗余的补偿算法[J]. 电子测量与仪器学报, 2020, 34(10): 19-28. doi: 10.13382/j.jemi.B2002968 [30] 张建, 李阳, 程序. 车载终端校准系统设计及定位误差修正[J]. 计量科学与技术, 2023, 67(6): 16-21. doi: 10.12338/j.issn.2096-9015.2023.0160 [31] 程换新, 刘军亮. 基于GA-BP神经网络在手写数字识别中的应用研究[J]. 电子测量技术, 2019, 42(9): 89-92. doi: 10.19651/j.cnki.emt.1802355 [32] 陈岳飞, 王理, 喻准, 等. 融合型智能控制技术研究与应用[J]. 计量科学与技术, 2023, 67(6): 29-36,2. doi: 10.12338/j.issn.2096-9015.2023.0147