毕业设计一氧化碳报警器.docx

毕业设计一氧化碳报警器.docx

《毕业设计一氧化碳报警器.docx》由会员分享，可在线阅读，更多相关《毕业设计一氧化碳报警器.docx（39页珍藏版）》请在冰豆网上搜索。

毕业设计一氧化碳报警器

一氧化碳报警器

摘要

随着工业的发展和汽车尾气的大量排放，空气遭到了严重的污染，同时在家庭生活中，煤气的不完全燃烧也将产生大量的一氧化碳气体，而一氧化碳气体的化学性质比较稳定，在室内通风条件不大好的情况下，可能引起人体中毒，产生致命后果。

因此需要对大气中的一氧化碳气体进行监测。

本文主要对一氧化碳报警器的原理进行了分析，其中重点分析了一氧化碳传感器探测信号的模式分类及识别，其原理是采用温度调制模式，基于统计学原理，采用贝叶斯公式对各模式进行识别。

对于一氧化碳传感器的信号处理方法，主要介绍了快速傅立叶变换方法（FFT）和离散小波变换方法（DWT）。

同时还对目前一氧化碳监测中存在的主要问题进行了初步的分析。

最后，根据一氧化碳传感器的原理，针对家庭中一氧化碳气体的监测，初步确定一氧化碳传报警器的设计要求，根据当前一氧化碳传感器的发展状况，选用MOTOROLA公司的MGS1100芯片进行一氧化碳报警器的设计。

同时对MGS1100传感器的结构及工作模式进行了介绍。

根据MGS1100芯片的结构及工作模式，设计了报警器电路，并对报警器的控制软件进行了初步的设计，最后完成了对一氧化碳报警器的调试，调试结果表明该报警器是可以在实际中使用。

关键词　一氧化碳报警器；温度调制模式；传感器

Cosannuncitor

Abstract

Withthedevelopingofindustryandexhaustgasexpellingofcars,theatmosphereispolluting.Atthesametime,theincompleteinflammationofgaswillproducemuchCOinfamily,andCOisakindofgaswhichisstabilizationinchemiccharacter,willbringpoisoningtopersonwhenthehouseisstuffiness.SoitisneedtomonitortheCOinhouse.

ThispaperanalyzestheprincipleofCOsannunciator,focusontheanalysisofthemodelclassificationandrecognitionofCOsensor,theoperationalprincipleofCOsensorisbasedonstatisticsandtemperaturemoderatemodel.ThesignalprocessmethodofCOsensorincludeFFT（FastFourierTransform）andDWT（DiscreetWaveTransform）.Attheend,introducethemainproblemofCOmonitor.

Attheend,basedontheoperationalprincipleofCOsensor,accordingtotherequirementofCOmonitorinhouse,decidetheparametersofCOsannunciator.AccordingtothedevelopmentofCOsensor,selectMGS1100ofMOTOLORAtodesigntheCOsannunciator.Atthesametime,introducethestructureandoperationalprincipleofMGS1100,anddesignthealarmcircuitandcontrolsoft.Attheend,finishthedebuggingofCOsannunciator,theresultshowtheCOsannunciatorcanbeusedinrealism.

Keywords　COsannunciator;temperaturemoderatemodel;senso

不要删除行尾的分节符，此行不会被打印

摘要

Abstract

千万不要删除行尾的分节符，此行不会被打印。

在目录上点右键“更新域”，然后“更新整个目录”。

打印前，不要忘记把上面“Abstract”这一行后加一空行

第1章绪论

1.1课题背景

随着工业的发展和汽车尾气的大量排放，空气遭到了严重的污染，因此对大气中有毒气体的监测也成为人们关心的一个主要问题，而大气中一氧化碳气体对人体的毒害是致命的，因此，迫切需要开发一种仪器来检测家庭和工农业生产过程中的一氧化碳气体。

1.2研究的目的和意义

空气中的一氧化碳为无色、无味气体，相对分子量为28.0，对空气相对密度为0.967。

在标准状况下，1L气体质量为1.25g，100ml水中可溶解0.0249mg（20︒C），燃烧时为淡蓝色火焰。

一氧化碳是有害气体，对人体有强烈的毒害作用。

一氧化碳中毒时，使红血球的血红蛋白不能与氧结合，妨碍了机体各组织的输氧功能，造成缺氧症。

当一氧化碳浓度为12.5mg/m3时，无自觉症状，50.0mg/m3时会出现头痛、疲倦、恶性、头晕等感觉，700mg/m3时发生心悸亢进，并伴随有虚脱危险，1250mg/m3时出现昏睡，痉挛而死亡。

有时根据碳氧血红蛋白（COHb）来评价室内一氧化碳低暴露水平对人体的影响，3-11岁儿童COHb平均饱和度为1.01%；12-74岁不吸烟人群为1.25%。

但成年不吸烟人群中4%的人COHb超过2-5%。

室内污染所致COHb饱和度只有超过2%，才会影响心肺病人的活动能力，加重心血管的缺血症状。

CO是燃料不完全燃烧产生的污染物，若没有室内燃烧污染源，室内CO浓度与室外是相同的。

室内使用燃气灶或小型煤油加热器，其释放CO量是NO2的10倍。

厨房使用燃气灶10-30min，CO水平在12.5-50.0mg/m3之间。

由于一氧化碳在空气中很稳定，如果室内通风较差，CO就会长时间滞留在室内。

因此，很容易致人中毒。

同时，在工农业生产中，尤其在煤炭生产基地，如果一氧化碳浓度过高，很容易引起火灾和爆炸，引起严重的事故和后果，造成重大经济损失和人员伤亡。

因而作好煤炭自燃火灾的预测预报和防灭火工作显得尤为重要。

因此，人们发现了测温法来进行温度可燃气体的监测。

测温法是发现煤炭自热和探寻高温点及火源的最直接、最可靠的方法，但煤体内部温度的测温技术尚未完全解决，目前仅作为掌握自燃动态、确定自燃区位置的一种有效的补充手段[1]。

测定矿内空气成分变化，是早期预报自燃火灾应用最广而且比较可靠的方法。

煤类火灾的主要指标是CO和H2和碳氢化合物，如乙烯C2H4、丙烯C3H6、乙炔C2H2等。

它们是按一氧化碳->氢->乙烯->丙烯->乙炔的顺序生成、释放并随温度而增加的。

当温度异常时，首先出现CO，随温度增高，出现HZ，然后是CZH4紧接着是C3H6，最后出现C2H2和其他气体[2]。

由于一氧化碳生成温度低，生成量大，其生成量随温度升高按指数规律增加。

所以，煤矿井下广泛以一氧化碳气体作为预报煤炭自燃的指标气体。

它的变化一直在煤矿安全生产活动中受到高度重视，特别是煤层有自然发火倾向的矿井更是如此。

在煤矿井下，CO的来源一般是由于煤自热或自燃产生的。

所以当井下出现CO气体或CO气体浓度稳定地增长时，就认为煤炭在自然发火或有自然发火的危险。

然而，有些矿井，煤层中本身就含有CO，在煤层开采过程中，就逸出到采掘空间的风流中来，如果对其逸出量及规律不能掌握，就会造成煤炭自燃火灾的误报，对预报和防治煤炭自然发火造成不利影响[3]。

大水头煤矿是煤层具有自然发火倾向性的矿井，经过对大水头煤矿几十次煤炭自然发火灾害有关参数的反复观察分析认为，同样是煤炭自燃造成的火灾，但每次其自然发火期的长短、氧化速度、各种灾害气体的浓度等都随时间、地点的不同有所差异，这其中的原因除一些外在的因素和煤层所处的自然环境因素外，还有一个不被人们所掌握的内在因素-煤层原生的CO成份在起着潜移默化、推波助澜的作用。

虽然确定的煤层自然发火期是3-6个月，但实际生产中常常出现一些预料之外的事例：

掘进工作面后巷几十米处高顶就有CO气体出现；炮采工作面刚开采，短期内上隅角就检测出CO气体:

综放面每月推进60m左右，其支架顶部煤体中仍能查出高浓度（最高达0.064%）的CO气体成份。

通过分析表明煤电钻打的孔内实测CO浓度高达0.5%，而且一氧化碳检测管变色环呈血红色，比火区测定的还要高。

因此要必要开发CO报警器来对CO进行监测，指导安全生产。

1.3一氧化碳报警器的发展状况

1964年，由Wickens和Hatman利用气体在电极上的氧化还原反应研制出了第一个气敏传感器，1982年英国Warwick大学的Persaud等提出了利用气敏传感器模拟动物嗅觉系统的结构[4]，自此后气体传感器飞速发展，应用于各种场合，比如气体泄漏检测，环境检测等。

现在各国研究主要针对的是有毒性气体和可燃烧性气体，研究的主要方向是如何提高传感器的敏感度和工作性能、恶劣环境中的工作时间以及降低成本和智能化等。

下面简单介绍各种常用的一氧化碳报警器的工作原理最新的研究进展。

一氧化碳报警器主要包括两部分，一部分是监测系统，由各种传感器组成，另一部分是报警系统，根据检测系统的指标作出报警判断。

首先简单介绍下一氧化碳传感器的发展状况。

气体传感器主要有半导体传感器（电阻型和非电阻型）、绝缘体传感器（接触燃烧式和电容式）、电化学式（恒电位电解式、伽伐尼电池式），还有红外吸收型、石英振荡型、光纤型、热传导型、声表面波型、气体色谱法等[5]。

电阻式半导体气敏元件是根据半导体接触到气体时其阻值的改变来检测气体的浓度；非电阻式半导体气敏元件则是根据气体的吸附和反应使其某些特性发生变化对气体进行直接或间接的检测。

接触燃烧式气体传感器是基于强催化剂使气体在其表面燃烧时产生热量，使传感器温度上升，这种温度变化可使贵金属电极电导随之变化的原理而设计的。

另外与半导体传感器不同的是，它几乎不受周围环境湿度的影响。

电容式气体传感器则是根据敏感材料吸附气体后其介电常数发生改变导致电容变化的原理而设计。

电化学式气体传感器，主要利用两个电极之间的化学电位差，一个在气体中测量气体浓度，另一个是固定的参比电极。

电化学式传感器采用恒电位电解方式和伽伐尼电池方式工作。

有液体电解质和固体电解质，而液体电解质又分为电位型和电流型。

电位型是利用电极电势和气体浓度之间的关系进行测量；电流型采用极限电流原理，利用气体通过薄层透气膜或毛细孔扩散作为限流措施，获得稳定的传质条件，产生正比于气体浓度或分压的极限扩散电流。

红外吸收型传感器，当红外光通过待测气体时，这些气体分子对特定波长的红外光有吸收，其吸收关系服从朗伯-比尔（Lambert-Beer）吸收定律，通过光强的变化测出气体的浓度。

声表面波传感器的关键是SAW（surfaceacousticwave）振荡器，它由压电材料基片和沉积在基片上不同功能的叉指换能器所组成，由延迟型和振子型两种振荡器。

SAW传感器自身固有一个振荡频率，当外界待测量变化时，会引起振荡频率的变化，从而测出气体浓度。

对CO气体检测的适用方法有比色法、半导体法、红外吸收探测法、电化学气体传感器检测法等。

比色法是根据CO气体是还原性气体，能使氧化物发生反应，因而使化合物颜色改变，通过颜色变化来测定气体的浓度，这种传感器的主要优点是没有电功耗。

半导体CO传感器，通过溶胶—凝胶法获得SnO2基材料，在基材料中掺杂金属催化剂来测定气体[6]。

现国外有研究对SnO2基材料中掺杂Pt、Pd、Au等，并发现当传感器工作在220︒C时，在SnO2中掺杂2%的Pt时，传感器对CO具有最大的敏感度。

由于气体传感器的交叉感应，使得CO传感器对很多气体如H2、CO2、H2O等都有感应，但是采用上面的方法使得对其他气体的敏感度下降很多[7]。

CO电化学气体传感器敏感电极如常用的金属材料电化学电极有Pt、Au、W、Ag、Ir、Cu等过渡金属元素，这类元素具有空余的d、f电子轨道和多余的d、f电子，可在氧化还原的过程中提供电子空位或电子，也可以形成络合物，具有较强的催化能力[8]。

又研制了一种新型的CO电化学式气体传感器，即把多壁碳纳米管自组装到铂微电极上，制备多壁碳纳米管粉末微电极，以其为工作电极，Ag/AgCl为参比电极，Pt丝为对比电极，多孔聚四氟乙烯膜作为透气膜制成传感器，对CO具有显著的电化学催化效应，其响应时间短，重复性好[9]。

利用CO气体近红外吸收机理，研究了一种光谱吸收型光纤CO气体传感器，该仪器检测灵敏度可达到0.2×10-6[10]。

另一种光学型传感器是用溶胶—凝胶盐酸催化法和超声制得SiO2薄膜，将薄膜浸入氯化钯、氯化铜混合溶液，匀速提拉，干燥后制得敏感膜，利用钯盐与CO反应，生成钯单质，引起吸光度变化[11]。

采用超频率音响增强电镀铁酸盐方法获得磁敏感膜，磁饱和度和矫顽磁力决定对气体的响应敏感度。

当温度加热到85︒C时，得到最大响应，检测范围333ppm～5000ppm[12]。

第2章一氧化碳传感器信号处理技术

一氧化碳报警器主要由气体传感器和报警电路组成，而其性能的好坏又取决于气体传感器，因此，气体传感器所采用技术是整个系统的关键，下面我们重点分析在一氧化碳传感器中所采用的信号处理技术。

2.1气体传感器阵列信号处理技术

与哺乳动物的嗅觉系统类似，气体传感器阵列是一氧化碳传感系统的“气味感受细胞”，感受到气味时就将信号通过接口电路及一些预处理电路（生物嗅觉中对应的部位为“嗅球”）然后传到信息处理中心（大脑），通过“大脑”内的嗅觉信号处理，完成对气味的识别和简单量化，并发送相应的控制信号。

该系统称为电子鼻系统。

其信息处理中心通常由电脑或微处理器实现，其中的“嗅觉”信号处理技术对于电子鼻的性能起着关键作用。

对这一技术的研究，从气体传感器阵列和电子鼻的概念提出后，就一直都没有间断过。

一个成功的气体（气味）识别和量化系统通常要涉及到多种多维信号的处理方法，包括信号预处理、特征提取、特征选择、分类、回归、聚类以及验证等[13]，基于统计的模式识别方法、神经网络等多种信号处理方法己在电子鼻领域里得到了应用并取得了一些成果。

2.2信号预处理

信号预处理的主要目的有滤波、基线处理、漂移补偿、信息压缩以及归一化等。

图2-1为金属氧化物半导体气体传感器的一般测量电路，其中RL为串联负载电阻，Rs为气体传感器的电阻，Vcc为测量电压，V为实际传感器测量电压。

图2-1微热板式气体传感器的单臂电桥测量电路

传感器的描述信号可用电压信号（V）、电阻信号（R）和电导信号（G）等物理量表示，三个物理量互相关联，电阻和电导互为倒数，其中电压信号受串联电阻的影响，在量程大且需更改串联电阻的情况下不宜使用。

基线的概念为传感器在空气中的信号，处理方法主要有三种:

差值法，比例法和分数比值法。

以电导物理量为例，定义其在空气中的基线值为Gair，在被测气体中的值为Ggas,那么对应的三种处理方法见表2-1。

常用的处理方法为分数比值法，因此Sg又被称为电导灵敏度，成为衡量传感器气敏性能的一个重要参数。

上述基线的处理方法仅是对气体传感器信号的简单处理，基线漂移的抑制是气体传感器领域中的一个重要研究问题。

作为一种化学传感器，受空气中多种因素的影响，基线漂移缓慢、随机，迄今还没有形成一种统一的理论来描述。

小波变换技术在基线漂移抑制方面取得了较好的效果[14]。

表2-1基线处理方法

处理方法

说明

差值法

∆G=Ggas-Gair

去除叠加性噪声和漂移

比例法

rg=Ggas/Gair

去除乘积性噪声和漂移

分数比值法

是sg=（Ggas-Gair）/Gair

叠加性和乘积性噪声和飘移都有作用

作为一个随时间变化的量，气体传感器的特征信号有多种，如稳态信号、瞬态信号等。

特征是直接从传感器的原始信号提取出来的参数，各特征之间相互关联，由于交叉敏感的影响，各传感器之间也相互关联，因此这样一个原始的特征参数集是一个富含冗余信息的高维向量。

维数增多引起后续信号处理的复杂程度呈指数上升，也就是所谓的“维数咒语”问题，使得降维处理成为必要。

同时，信息冗余容易导致信号参数的协方差矩阵奇异，因此特征选择和特征提取成为气体传感器阵列信号处理的两个必要步骤。

特征选择的目的是从M个特征中选择N个参数（N

。

常用的选择方法为顺序搜索法，从集合内参数为0，逐渐增加参数数目的方法为前向搜索法；从全部特征组成参数集合开始逐渐减少参数数目的方法为后向搜索法。

顺序搜索法计算量比较大，促进了随机选择算法的发展，如模拟退火算法，遗传算法[15]等。

参数选择的评价方法主要有两种:

过滤法（filters）和打包法（wrappers）。

过滤法通过比较特征子集的信息含量（如类间距），试图寻找具有一般性的特征参数集；打包法是在特定模式识别算法的基础上根据预测的准确度来估计特征子集的性能，以大量计算为代价但能够获得较好的识别精度。

Gutierrez-Osuna[16]对8种搜索技术进行了比较，结论是各种搜索算法的性能相似。

Corcoran[17]使用遗传算法和Fisher判别式对一个温度调制阵列的参数进行选择，在保证分辨率的情况下能够将特征参数的数目减少1/10。

优化后的特征参数集代表了被测气体的所有信息，但是各个参数之间的相关性大，依然存在冗余信息。

特征提取实际上是要寻找一种变换f:

x∈ℜM→y∈ℜN（N

在电子鼻领域内使用较多的特征提取方法主要有主成分分析法（PCA）和Fisher线性判别式分析法（LinearDiscriminantAnalysis，LDA）。

PCA是沿着数据的方差最大方向作变换，该方差也是输入变量x的协方差阵的特征值。

LDA是一种分类方法，沿各类之间距离最大的方向上作变换，就是类内协方差阵SW的逆阵和类间协方差阵SB乘积SW-1SB的特征向量[18]。

2.3模式分类，识别和量化

电子鼻实现的一个重要功能是对不同的气味（体）进行分类和识别。

模式分类的目的是对一组新的气味特征向量y∈ℜN表征的对象识别，考察其为己知类型毛（w1,w2,⋯wc）中的哪一种气味wi，减小误分类率也就是要使得样本y属于类wi的概率代P（wi|y）最大，即最大后验概率法则[19]，通常使用贝叶斯公式求解。

（2-1）

式中P（y|wi）为类条件概率，P（wi）为先验概率，P（y）为样本概率，对分类问题来说可以忽略。

先验概率可以通过样本出现的频率计算得到。

通过一组高维数据直接估计P（y|wi）的难度较大，通常都对数据进行了诸多简化和近似，如假设数据是高斯分布等。

分类器的设计也主要是为了得到P（y|wi）的估计值。

在气味分类领域中常用的分类器有二次分类器（QuadraticClassifiers）[20],K最近邻分类器（KNearestNeighborClassifiers,KNN）、多层感知分类器（MultilayerPerceptronClassifiers,MLP）[21]和径向基函数分类器（RadialBasisFunctionClassifiers,RBF）[22]。

二次分类器假设所有类的概率分布函数相同且都为高斯分布，即

（2-2）

式中ui和∑i为样本均值和协方差。

指数部分为马氏距离（Mahalanobisdistance），当协方差矩阵y为单位阵时即为欧式距离，当各类的分布也为高斯分布时，二次分类器就是大家熟知的贝叶斯分类器。

KNN是一种非线性分类器，对y进行分类时，通过寻找数据集中最相近的k个样本并选出这k个样本的主导类作为y的类别。

KNN的分类效果好，但是需要占用大量的内存（存储样本数据），计算量大（需要将未知样本与所有数据样本的近似程度进行计算并排序）。

多层感知器（MLP）是一种常用的人工神经网络，通过将感知器的输出单元进行编码，赋予类的标号，采用后向传播算法（Back-Propagation）使用已有的数据对网络进行训练，生成分类器。

径向基函数（RBF）也是一种带有反馈连接的神经网络，其结构与MIA，相似，但是其输入输出映射和训练机制不同。

RBF是一种典型的局部逼近网络，其神经元的输入为输入矢量与权值矢量的距离乘以闽值，神经元变换函数为高斯函数。

MLP神经网络和RBF神经网络在气味分类和识别领域应用较多。

相对于气味的分类问题，电子鼻的回归分析问题更具有挑战性。

回归分析的目的是基于观测数据建立变量间适当的依赖关系，以分析数据的内在规律，并用于估计输出变量。

电子鼻领域中的回归问题主要包括三种：

混合气体分析（被估计变量为混合气体中各成分的浓度）、工艺监控（被估计变量为工艺参数）和嗅感分析（被估计变量为香、臭等感觉程度）。

估计的源变量即观测数据变量，为气体传感器阵列的输出向量。

倘若被估计的一组变量为类标识，那么模式分类也可以看作是一个回归问题，因此大部分的回归技术都可以用于模式分类。

在图2-2所示的电子鼻原理框图中，如果输出向量[y1（t），y2（t），⋯yk（t）]为混合气体浓度向量[c1（t），c2（t），⋯ck（t）]的估计，就构成了一个混合气体分析问题。

混合气体分析问题较为根本，难度也最大。

目前应用于混合气体分析问题的回归技术主要有最小二乘法、主成分回归法（PrincipalComponentRegression,PCR）、偏最小二乘法（PartialLeastSquares,PLS）、MLP和RBF等人工神经网络技术。

图2-2电子鼻原理框图

最小二乘法是以线性回归模型为基础的[23]，仍以图2-2为例，使用一由n个传感器组成的阵列检测m种气体组成的混合气体，采用气敏电阻的分数电导作为传感器的输出向量，记为s=[s1，s2⋯，sn]T，设被测气体浓度与传感器的输出信号之间的回归方程为线性。

c=sA+ε，式中，c=[c1（t），c2（t），⋯cm（t）]T，A=（aij）n×m为未知参数矩阵。

ε为均值0,方差为σ2>0的不可观测的随机变量，称为误差项。

由实验观测到P组输入输出向量，那么。

C=（cij）m×p，S=（sij）m×p，输入输出关系为C=SA+ε。

忽略误差项，当S为非奇异阵时参数矩阵可由A=S-1C计算得到，但是作为观测向量，S可能为奇异阵。

因此在矩阵分析中引入伪逆来解决这一问题。

（2-3）

S+为S的伪逆，S+S=I，上式为正规的二乘估计算法。

最小二乘法的回归方程中使用了所有传感器的输出项进行估计，由于交叉敏感和传感器输出信号的相似性，信号之间相关性大，通过PCA去除数据之间的相关性，提取主成分用于回归方程，该种方法就是主成分回归法（PCR）。

主成分的提取法则是沿着观测数据向量方差最大的方向提取，因此它们与被测气体浓度之间的线性依赖关系也并非最好[24]。

偏最小二乘法（PLS）能够处理共线性数据，在化学计量的数据分析中使用较多。

与PCR不同，PLS依次寻找各传感器与混合气体浓度之间的最大相关性。

最小二乘法、主成分回归法和偏最小二乘法的基础模型都是线性回归模型，随着测试气体浓度范围的扩展，传感器响应与气体浓度之间的非线性关系逐渐增强，具有非线性扩展能力的人工神经网络技术（