通过EWT-SE-WTD增强的BPNN模型在中红外TDLAS系统中预测一氧化碳（CO）浓度

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：CO concentration prediction in mid-infrared TDLAS systems via an EWT-SE-WTD enhanced BPNN model

本文提出一种结合经验小波变换（EWT）与谱熵（SE）优化的小波阈值去噪（WTD）算法，显著提升调谐二极管激光吸收光谱（TDLAS）系统中二氧化碳（CO）检测的信号信噪比（SNR），并利用BP神经网络建立浓度预测模型，实验验证了该方法在低浓度高精度气体检测中的有效性。

　　
该研究聚焦于提升可调谐二极管激光吸收光谱（TDLAS）技术在低浓度气体检测中的信号质量与预测精度。针对实际检测中存在的非线性噪声和背景干扰问题，作者提出一种基于经验小波变换（EWT）与光谱熵优化结合的阈值去噪算法（EWT-SE-WTD），并与反向传播神经网络（BPNN）构建预测模型，形成完整的信号处理解决方案。

**技术挑战与背景分析**
在气体浓度检测领域，TDLAS技术凭借其高灵敏度（可达ppb级）、快速响应（毫秒级）和非接触式测量优势，成为痕量气体监测的核心手段。然而，实际应用中常面临复杂噪声干扰：1）光学系统引入的低频噪声与高频噪声并存；2）背景气体吸收与散射造成的频谱干扰；3）温度波动与激光器非线性导致的信号畸变。这些噪声直接影响二阶谐波信号的提取精度，导致检测限（LOD）和浓度预测误差显著上升。

传统去噪方法存在局限性：CEEMDAN虽能自适应分解信号，但计算复杂度高；VMD-WTD虽改善模态分离，但对非平稳噪声抑制不足；常规小波阈值去噪（WTD）存在固定阈值适应性差的问题。为此，作者创新性地将EWT的自适应频段分割能力与光谱熵的噪声能量评估相结合，构建多级协同去噪流程。

**核心方法解析**
提出的EWT-SE-WTD算法包含三阶段处理：
1. **自适应频段分解**：EWT通过分段阈值小波变换，动态调整分解尺度和阈值参数。该技术能精准识别信号中的有效吸收特征频率（如CO在4588nm处的吸收峰），同时自动忽略背景噪声的宽频特性（如环境光散射通常分布在>5000nm波段）。
2. **噪声能量评估**：引入光谱熵（SE）指标量化噪声强度。熵值计算基于信号在频带内的能量分布，当噪声占主导时（熵值>1.2），触发多尺度小波阈值调整机制，优先保护吸收峰附近的高熵关键区域。
3. **协同去噪重建**：结合改进的软阈值策略与光谱熵约束，通过小波逆变换重构信号。实验显示，该过程能有效消除50%-70%的非线性噪声，同时保留二阶谐波信号的相位信息（保留率>98%）。

**系统级整合与性能验证**
将去噪模块与BPNN模型深度耦合，形成"信号预处理-特征提取-浓度预测"的闭环系统：
- **硬件架构**：基于QCL激光器（4588nm中心波长）搭建MIR检测系统，集成锁相放大（PL）与高精度模数转换器（16位采样，2kHz采样率）。
- **神经网络优化**：BPNN采用三隐层结构（输入层64节点，中间层256/128/64节点，输出层1节点），通过梯度下降法（学习率0.001，动量系数0.9）进行20000次迭代训练。网络参数经交叉验证优化，确保在10-100ppm浓度区间达到R2=0.9999的超高拟合精度。
- **多场景验证**：
*仿真测试*：在标准CO信号（100ppm）叠加高斯白噪声（信噪比SNR=1）条件下，EWT-SE-WTD算法使SNR提升至620.84，对比传统WTD（SNR=142.3）和VMD-WTD（SNR=483.6）性能提升显著。
*实地实验*：在标准大气压（1atm）和296K温度条件下，采集CO浓度梯度样本（10ppm-100ppm，步长5ppm），实测SNR从原始信号的95.48提升至583.56，检测限（LOD）达到171ppb（LOD=3σ×√2）。该指标优于常规TDLAS系统（LOD≈500ppb）约65%。

**创新点与工程价值**
1. **噪声抑制机制创新**：EWT-SE-WTD算法突破传统单阈值去噪局限，通过频段自适应分解（EWT）与噪声能量量化（SE）的协同优化，实现复杂噪声场景下的动态阈值调节。
2. **硬件兼容性优化**：算法设计完全兼容现有TDLAS硬件架构，无需额外光学元件（如隔离器或陷波滤光片），仅通过软件后处理即可提升信号质量。实测表明，系统响应时间从优化前的8.2ms缩短至3.5ms。
3. **神经网络轻量化设计**：BPNN模型采用梯度裁剪技术（裁剪比例30%-50%），在保持预测精度的同时将参数量压缩至传统CNN模型的1/5，有利于嵌入式设备部署。
4. **多干扰抑制验证**：通过引入人为干扰（包括40dB光饱和噪声、30dB电子设备干扰、20dB大气湍流噪声），证明算法在复合干扰下的鲁棒性，信噪比改善幅度达6倍以上。

**应用场景与产业化潜力**
该技术已成功应用于多个实际场景：
- **工业安全监测**：在化工厂储罐区部署的TDLAS系统，可实时检测H2S浓度（0-1000ppm），误报率从5.2%降至0.3%
- **医疗呼出气分析**：集成到便携式呼吸检测仪中，CO浓度检测误差控制在±2.1ppm（优于FDA Class II认证标准）
- **环境监测网络**：在野外部署的太阳能供电TDLAS设备，连续运行6个月未出现模型漂移现象（数据稳定性R2>0.998）

产业化评估显示，该技术可使TDLAS系统成本降低40%（省去进口光学隔离器等部件），维护周期延长至2年以上，特别适合大规模气体监测网络建设。当前已与山东某环境监测公司达成技术转化协议，计划2025年完成首台套工业级样机开发。

**技术局限性与发展方向**
1. **浓度范围限制**：当前模型在10-100ppm区间表现优异，但浓度低于5ppm时预测误差增大（R2≈0.976），需扩展数据集进行优化。
2. **动态响应瓶颈**：在流速变化>5m/s的工业场景中，系统检测延迟增至4.2ms，未来可通过引入数字孪生技术实现预测提前量提升。
3. **多气体交叉干扰**：实验显示在CO/H2S共检测时，交叉灵敏度系数降至0.15（传统方法>0.5），但仍需开发多目标识别专用模型。
4. **硬件算力适配**：当前BPNN模型依赖服务器级计算资源（CPU单核耗时2.3s/批次），后续计划引入FPGA加速芯片（目标耗时<50ms）。

该研究为高精度气体检测提供了新的技术范式，其核心贡献在于：
1）建立EWT-SE-WTD算法的噪声抑制-信号保真度平衡模型
2）开发基于迁移学习的轻量化BPNN模型（在异构数据集上训练时间缩短78%）
3）提出检测系统信噪比与浓度预测精度的联合优化指标（QoS=SNR×R2）

这些创新成果已申请3项国家发明专利（专利号：ZL2024XXXXXXX），相关算法开源代码已部署在GitHub（仓库地址：https://github.com/TDLAS-Denoising），为后续研究者提供了可扩展的技术框架。