基于SAW气敏阵列的火电厂排放物SO2与NO2监测装置设计

(1.北京师范大学 信息科学与技术学院，北京 100875； 2.中国科学院声学研究所，北京 100080)

大气污染中火电厂排放物是重要的污染源之一，其中的有害气体排放物SO2与NO2更会对人类社会生存和发展造成极大危害[1]。这些气体具有很强的毒害作用，不仅直接影响着人类的身体健康,同时还具有腐蚀性，会形成酸雨，严重阻碍工农业生产发展，影响天气气候，破坏自然环境。

世界各国非常重视火电厂污染排放治理工作,相继制定了电力企业生产规范。例如美国规定其燃煤电厂现有机组SO2与NOx(以NO2计)最大排放量分别为64ppm和66ppm；欧盟规定其现有机组SO2最大排放量为70ppm，NOx最大排放量为97ppm(对大于300 MW机组，以NO2计)。我国近些年来更是针对大气污染状况，进一步加大了对火电厂污染物排放的治理力度，采用立法形式规定火电厂生产排放标准，对于不同地理区域、不同时期建造的火电厂，SO2的最大排放量限制在35～400 mg/m3之间(折合12ppm～140ppm),NO2的最大排放量限制在50～200 mg/m3之间(折合24ppm～97ppm)。

尽管电力行业采取了多种措施治理污染排放[2]，但由于受各电厂运行状况、燃料供应、设备老化等因素影响，有些火电厂污染排放控制并不稳定，有时会出现排放超标、甚至严重超标的状况。因此，对火电厂大气污染排放物进行实时监测，以便及时采取措施加以控制，是当前环境保护面临的迫切任务之一。

本文以SAW气敏阵列为基础，构建火电厂大气污染排放物SO2与NO2监测装置，重点探讨检测装置硬件电路设计过程以及采用人工神经网络实现有害气体检测方法，并通过相关实验和实际测试，验证了监测装置的可行性。

1 SO2与NO2监测装置设计

1.1 监测装置总体设计

基于SAW气敏阵列的监测装置是针对火电厂大气污染排放物SO2和NO2有害气体进行检测的，要求能够在混合气体中准确检测出浓度超过10 ppm的有害气体，并当有害气体超过预设门限时及时把告警信息无线上传到监控中心；此外监测装置还要满足实时自动监测、检测记录存储与上传、性价比高、体积小巧、操作便捷等功能需求。

比较一些可行方案后，结合SAW气体传感器的特性[3]，选择以SAW气敏阵列为传感模块，以人工神经网络为气体检测方法，设计和实现了火电厂排放物SO2与NO2监测装置，其总体结构如图1所示，下面就各个主要组成部分展开探讨。

图1 SO2与NO2监测装置总体结构

1.2 SAW气敏阵列

监测装置中的SAW气敏阵列结构见图2，主要由5个气敏谐振器及其配套的放大、混频、滤波等电路构成，此外还包括参考传感器电路，可为混频操作提供基准频率信号。

气敏谐振器中的SAW器件选用深圳市奥宇达电子有限公司TO-39声表面波谐振器，其中心频率为433.92 MHz，可调频差为+/-75 kHz，插入损耗为2.5 dB。依据SO2和NO2的化学性质并结合被测气体浓度变化范围较宽等特点，经过理论分析、文献调研[4]和实验探索，对5个气敏谐振器涂覆了特定的敏感薄膜，气敏谐振器1～3分别涂覆碳纳米管聚苯胺膜(Carbon Nanotube-Polyanilin)、聚苯胺膜(Polyaniline)和硫化镉(CdS)3种敏感薄膜[5]，用于检测低浓度(0ppm～20ppm)、中浓度(20ppm～800ppm)和高浓度(800ppm～1200ppm)的SO2；气敏谐振器4～5分别涂覆酞菁铜/多壁碳纳米管(Phthalocyanine Copper/Multi-walled Carbon-Nanotube)混合物[6]和二氧化碲(TeO2)二种敏感膜[7]，用于检测较低浓度(0ppm～100ppm)和较高浓度(100ppm～1200ppm)的NO2。这些气敏谐振器受到被测气体作用时，谐振频率fi(i=1,2,…,5)将发生变化，从而可反映出被测气体的状态[8]。

气敏阵列中的放大和混频器件分别采用美国Mini-Circuits公司的MAR-6SM+和ADE-1集成电路，对气敏阵列输出的小信号进行放大和混频,接着采用截止频率为200 kHz的有源滤波器进行低通滤波，得到频偏信息Δfi=|fi-f|,(i=1,2,…,5)，这组信息对应着被测气体的浓度和种类。

1.3 频偏测量单元

频偏测量模块采用Altera公司的CPLD芯片EP1C3T100C8N，完成准确测量气敏阵列频偏数据的功能。芯片设计用Verilog HDL语言编程实现，设计思路是：对于每一组频偏信息，分别采用测周和测频两种方式获得测量值，当测量值在0～100 Hz范围内时以测周量值作为结果，而忽略测频量值；当测量值在100 Hz～20 kHz范围内时则以测频量值作为结果，而忽略测周量值。这种测周测频相互结合的电路结构可有效减小测量误差[9]。

频偏测量模块通过串行接口(UART0)与主控单元通信，可按主控单元发布的命令，启动和停止频偏测量进程、传输频偏测量结果，甚至修改频偏测量模块的相关参数。

1.4 主控单元及其外围电路

主控单元是监测装置的控制核心，主要功能包括：① 获取频偏测量数据并按人工神经网络模型实时检测SO2和NO2气体浓度；② 向PC机上传训练人工神经网络模型所用的训练样本、获取PC机得出的网络模型和参数；③ 控制被测气体的注入与清除，实现不间断自动测量；④ 存储和显示测量结果，必要时上传检测记录；⑤ 检测结果超限时通过GPRS模块把报警信息无线上传到监控中心；⑥ 对监测装置中其他电路模块参数进行设置，以便适应监测装置的各种应用场合。

主控单元由Silicon Labs公司的片上系统C8051F020单片机承担，这种单片机是标准8051单片机的高端产品，其指令执行速度更高(可达100MIPS),片上资源更加丰富，完全满足监测装置的功能需求及指标要求。在监测装置中，C8051F020片内的程序存储器和数据存储器分别用于存放程序代码和气体检测记录，快速乘法和累加引擎用于神经网络数值计算[10]，可编程定时/计数器及其阵列用于协调各电路模块的工作进程，通用I/O口线控制各种伺服机构动作和实现键盘/显示模块的连接，片内集成的多种串行接口实现各个单元或模块之间的信息沟通，此外片内的电源监视/看门狗电路可进一步保证监测装置工作的可靠性。

键盘显示模块由8个独立按键和液晶显示模组L320240A构成，作用是实时显示被测气体浓度量值、设置各种工作参数、显示检测装置工作流程。

气体注入/清除控制模块用于控制各种继电器、进气阀等伺服机构运行，实现对被测气体的注入、清除等操作。

RS232通信接口实现主控单元与PC机之间的信息交换，包括监测装置上传训练样本和PC机下传人工神经网络模型及参数。GPRS通信模块由华为GTM900B无线模块承担，实现被测气体浓度超限时无线上传告警信息功能。

2 实验与分析

实验过程主要包括以下5个环节：实验数据采集，在PC机上训练人工神经网络模型，在监测装置的片上系统中构建神经网络，在监测装置上对验证样本进行检验并对结果进行分析，在火电厂实际工况下对监测装置进行试验。

2.1 实验数据采集

对设计的SO2与NO2监测装置，首先在实验室进行测试和验证，实验室环境参数为25 ℃、30%RH、1个标准大气压。频偏信息的获取步骤是:用纯氮气(Nitrogen)分别对SO2和NO2稀释，形成各种浓度(0ppm～1200ppm)的混合气体，将混合气体通过输气管道以0.5 L/min的流量送入监测装置SAW气敏阵列通道上，在主控单元控制下，持续注入6 min的混合气体使敏感薄膜充分吸收气体分子，接着启动频偏测量模块工作，获取一组频偏数据；本次测量完毕后，用纯氮气通过气道吹拂气敏阵列中的敏感薄膜，持续吹拂8 min来清除敏感薄膜吸附的气体分子，以便进行下次测量。

对各种浓度的混合气体，采用上述步骤进行测量，共测量600次，得到600组测试数据。在考虑两种气体不同浓度混合的前提下，从600组测试数据中随机抽取400组数据作为训练样本，其余200组数据作为验证样本，分别用来对人工神经网络进行训练和检验。

2.2 人工神经网络模型的训练和构建

监测装置具有5路输入数据和2路输出结果,为此在PC机上用Matlab语言编程，构建5-输入、2-输出2层前馈型人工神经网络，按照神经网络训练步骤进行有监督训练。考虑到频偏数据变化范围较大会影响数值计算精度，为此训练前先对训练样本取以10为底对数再归一化后作为神经网络的输入，对应的两种气体浓度值直接归一化后作为目标输出。在训练过程中，尝试了各种不同的神经网络模型结构和初始参数，主要包括以下几种情况：隐层神经元数目从5～15个变化，隐层传输函数采用tansig、logsig和radbas函数之一，输出层传输函数采用purelin和satlin之一，训练算法采用高斯梯度下降算法和Levenberg-Marquardt之一，网络的初始参数选取不同的数值等。进一步考虑训练过程的快速收敛性、模型结构的复杂程度、C8051F020实现神经网络的便利性等因素，从各种训练得出的网络模型中，优选出了最佳神经网络模型：隐层神经元为10个、隐层传输函数采用logsig函数、输出层传输函数采用线性传输函数(purelin)。

将PC机训练得出的最佳神经网络模型下载到监测装置中，采用C51语言对C8051F020进行程序设计，从而在监测装置上建立了最佳神经网络，对监测过程中测出的频偏数据经过神经网络计算处理，可得出混合气体中SO2与NO2的浓度估值。

2.3 监测装置对验证样本的测试和结果分析

监测装置对200组验证样本进行检验，得到200组气体浓度检测结果，图3给出了NO2浓度为50ppm时对各种浓度SO2的检测结果(因篇幅所限，未画出全部气体浓度检测结果)，从全部检测结果可以看出：

① 监测装置适合检测浓度在10ppm～1000ppm范围内变化的SO2和NO2混合气体，两种气体检测误差均小于4%，检测性能与常规SO2和NO2检测仪器相当。此外，多数火电厂排放的SO2和NO2气体大多在10ppm～1000ppm浓度范围内，说明监测装置满足火电厂污染排放检测需求。

② 监测装置检测浓度很大(大于1000ppm)的SO2和NO2混合气体时，检测结果的绝对误差较大，原因是敏感薄膜吸附气体分子会出现饱和现象，可选择性能更好的敏感薄膜材料来尝试解决问题；监测装置检测浓度很小(0～10ppm范围)的混合气体时，检测结果的相对误差较大，主要是低浓度气体易受其他气体交叉干扰，导致气敏阵列频偏变化量很小造成的，应对措施可考虑在监测装置中增加一个低浓度气体检测模型，再结合已经构建的神经网络模型,对浓度宽范围变化的气体进行分段检测。

图3 监测装置对SO2的检测结果(NO2=50ppm)

2.4 实际工况下监测装置的试验

对我国山西省某火电厂的一台200 MW发电机组正常工况下的气体排放物进行了实际检测试验，用抽气泵从烟囱采样孔抽取机组排放的污染气体，分别用德国DRAGER(德尔格)MSI VARIOx-2烟道气体分析仪和本文所构建的监测装置同时检测混合气体中SO2和NO2浓度，持续一天时间进行8次试验(每小时试验1次)，试验结果如表1所示。可以看出，监测装置与分析仪测量结果的相对误差不超过5%，表明监测装置适合于火电厂排放物SO2与NO2的监测。

表1 火电厂排放物SO2与NO2的监测结果

3 结束语

实验和实际测试结果表明，基于SAW气敏阵列的火电厂排放物SO2与NO2监测装置，可准确检测浓度在10ppm～1000ppm范围内的SO2和NO2，可快速自动地实现不间断测量，当被测气体浓度超限时可实时把告警信息无线传输到监控中心，此外监测装置的其他功能也达到了设计目标。可以预期，这种装置必将对火电厂大气污染排放物实时监测起到积极作用，也可进一步将监测装置推广应用到其他领域。

诚然，监测装置还存在一些有待改进和完善之处，例如除应对高、低浓度气体检测所采取的措施外，还可在气敏阵列中增加更多的气敏谐振器来检测更多类型的气体，也可尝试监测装置自身训练检测模型甚至进行深度学习，以进一步提高监测装置的性能。