CO_(2)传感器压力补偿结构搭建及测试精度分析OA

工业生产中高精度气体传感器的研发与应用,已成为环境监测技术领域的重要发展方向,然而,现有CO_(2)传感器在实际工况下受环境压力影响显著。通过搭建压力补偿结构、开展试验验证、设计算法补偿,重点探究了2大核心问题:传感器检测精度随环境压力的变化规律及最优压力补偿CO_(2)体积分数预测方法,旨在有效提升CO_(2)传感器的检测精度与工作稳定性。首先,搭建了CO_(2)传感器压力补偿试验平台,提出了试验步骤以及相应的分析方法。其次,在环境压力为80~120 kPa区间内,测试体积分数为2%~18%的CO_(2),结果显示,相同体积分数的CO_(2)气体,环境压力越偏离标准大气压(101 kPa),其体积分数测试值与真实值偏离越大,且体积分数测试值随环境压力的升高而缓慢升高,在环境压力为100 kPa时,对应的测试体积分数最接近真实值。再次,选用小波神经网络-长短期记忆(Wavelet Neural Network-Long Short-Term Memory,WNN-LSTM)模型和角蜥蜴优化-最小二乘-小波神经网络-长短期记忆(Horned Lizard Optimization Algorithm-Least Squares-Wavelet Neural Network-Long Short-Term Memory,HLOA-LS-WNN-LSTM)模型,对压力补偿前的测试数据进行了算法修正,相同体积分数的CO_(2)气体在经过优化模型补偿后可以克服环境压力变化,体积分数测试值与真实值高度接近。另外,由于仅通过误差分析难以直观判断2种压力补偿算法的优劣,因此进一步将环境压力、测量体积分数、标准气体体积分数与模型融合,对比分析了2种模型的预测性能,结果发现,HLOA-LS-WNN-LSTM模型预测精度更高、稳定性更好,受环境压力变化影响更小。综上所述,明确了CO_(2)传感器检测精度随环境压力的变化规律,构建了最优的压力补偿浓度预测方法;采用体积分数为10%的CO_(2)标准气体测试数据,通过小样本训练实现了CO_(2)体积分数高精度预测,有效保障了CO_(2)传感器的检测精度与稳定性,为CO_(2)精准监测提供了技术支撑。