1.一种中红外甲烷传感器测试系统，其特征在于，包括配置有变压模块的气室，集成于气室上的中红外甲烷传感器、湿度传感器、压强传感器和温度传感器，连接气室进气口的变温模块和变湿模块，以及连接气室排气口的真空抽气泵，所述变温模块进气口连接前部气源装置，所述前部气源装置至少包括气体混合配比器；

还包括PID控制模块和上位机，所述变压模块、变温模块、变湿模块、气体混合配比器、温度传感器、压强传感器、湿度传感器分别电连接PID控制模块和上位机进行通讯，所述PID控制模块用于根据预先设定的温度、压强、湿度数据以及气室内部由温度传感器、压强传感器、湿度传感器的监测数据调整变温模块、变压模块、变湿模块的工作状态，所述上位机用于接收温度传感器、压强传感器、湿度传感器以及中红外甲烷传感器的测量数据。

2.如权利要求1所述的中红外甲烷传感器测试系统，其特征在于，所述的变温模块采用局部水浴法对甲烷氮气混合气体进行加热。

3.如权利要求1所述的中红外甲烷传感器测试系统，其特征在于，所述的变压模块通过改变密闭气室内部的体积调整气室内的压强。

4.如权利要求1所述的中红外甲烷传感器测试系统，其特征在于，所述的变湿模块采用湿度发生器控制气室内部湿度。

5.如权利要求1-4任一项所述的中红外甲烷传感器测试系统，其特征在于，所述前部气源装置包括依次连接的气体混合配比器、干燥缓冲室和可控流量计，所述气体混合配比器的进气口分别连接气瓶一和气瓶二，其中气瓶一储存纯氮气，气瓶二储存5％浓度的甲烷氮气混合气体，所述可控流量计的出气口连接所述变温模块的进气口。

6.一种如权利要求1-5任一项所述的中红外甲烷传感器测试系统的数据补偿方法，其特征在于，包括如下步骤：S1、获取中红外甲烷传感器采集的不同浓度的甲烷氮气混合气体在不同温度、压强及湿度下的测量数据，从中随机选取部分数据作为训练样本数据和测试样本数据；

S2、对选取的样本数据进行预处理；

S3、将预处理后的训练样本数据送入粒子群-小波神经网络模型中进行学习，得到训练后的网络预测模型；

S4、将测试样本数据送入训练后的粒子群-小波神经网络预测模型进行测试；

S5、将通过测试验证的粒子群-小波神经网络模型配置于所述中红外甲烷传感器中。

7.如权利要求6所述的数据补偿方法，其特征在于，步骤S1具体包括：S11、根据甲烷在不同温度、压强、湿度下的红外吸收系数及国标GB13486-2014的规定，将数据采集的温度变化范围设置在263.15k-323.15k内，采集过程中从263.15k开始以5k的变量逐渐增加；压强变化范围设置在0.6atm-1.2atm内，采集过程中从0.6atm开始以0.1atm的变量逐渐增加；湿度变化范围设置在0％RH-80％RH内，采集过程中从0％RH开始以10％RH的变量逐渐增加；

S12、采集过程中，以温度为单独变量，压强与湿度以S11中设定的变化范围同时改变，再以压强为单独变量，温度与湿度以S11中设定的实验变化范围同时改变，采集温度、压强、湿度、中红外甲烷传感器输出浓度、输入的标准甲烷浓度数据；

S13、以温度、压强、湿度、中红外甲烷传感器输出浓度作为样本的输入，以标准甲烷浓度作为样本的理想输出选取部分测量数据作为训练样本数据和测试样本数据。

8.如权利要求6所述的数据补偿方法，其特征在于，步骤S2具体包括：对训练样本以及测试样本中的数据做归一化处理：

式中：xi为选取的原始样本数据；x′i为归一化后的变量；n为样本大小；xmin为选取的原始样本数据中的最小值；xmax为选取的原始样本数据中的最大值。

9.如权利要求6所述的数据补偿方法，其特征在于，步骤S3具体包括：S31、构建输入层为6，输出层为1，隐藏层节点个数为13的小波神经网络，表示为6-13-

1PSO-WNN；

S32、采用Morlet小波基函数作为隐藏层的传递函数，得到小波神经网络隐藏层的输出为：式中：hj为Morlet小波基函数；wi，j为输入层到隐藏层的权重；aj、bj分别为小波神经网络的伸缩参数和平移参数；则小波神经网络的输出为：f(x)＝maX(0，x)

式中：f(x)为Relu激活函数；wj为隐藏层到输出层的权重；

S33、网络参数初始化处理，系统随机生成S个粒子，将初始化的小波函数伸缩因子aj、平移因子bj，输入层与隐藏层之间的连接权重wij和隐藏层与输出层之间的连接权重wj采用实数编码表示成粒子的位置向量；

S44、通过比较网络的实际输出值与理想输出值之间的误差，并计算每次迭代过程中粒子适应度，判断当前训练是否已达标，表示为：式中：P为训练样本的总数；ypk为网络的实际输出值；tpk为理想的输出值；

S45、训练过程中，更新粒子的速度和位置：

vst(i+1)＝wvst(i)+c1×rand1×[pbesti-xst(i)]+c2×rand2×[gbesti-xst(i)]xst(i+1)＝vst(i)+vst(i+1)式中：w为惯性因子，w＞0；c1、c2为加速因子；rand1、rand2为(0,1)间的随机数；pbest、gbest分别为个体极值与全局最优解；s＝1，2，…，S为粒子总个数；t＝1，2，…，T，T＝156；i为当前迭代次数。

10.如权利要求9所述的数据补偿方法，其特征在于，步骤S45中，惯性因子采用随机惯性权重策略获取：*

w＝1-c1×rand1-c2×rand2。