CN101349700A - 堆肥中对苯二酚的在线检测方法及检测系统 - Google Patents

Abstract

本发明涉及一种堆肥中对苯二酚的在线检测方法，该方法首先将生物传感器置于待测溶液中，利用电化学分析仪对生物传感器采集的电流变化数据进行分析，得到响应电流变化特征值、响应电流稳定时间和稳态电流值，将这些参数值输入到神经网络分析设备中，经分析运算后得到对苯二酚的浓度值。本发明还涉及一种可用于上述检测方法中的在线检测系统，包括三电极装置、电化学分析仪和神经网络分析设备，三电极装置与电化学分析仪连接，电化学分析仪与神经网络分析设备连接，三电极装置是以修饰了漆酶－Fe₃O₄磁性纳米颗粒交联体的碳糊电极作为工作电极。本发明的在线检测方法及在线检测系统具有简便、高效、灵敏、抗干扰能力强、成本低等特点。

Description

堆肥中对苯二酚的在线检测方法及检测系统

技术领域

本发明涉及一种对苯二酚的在线检测方法及系统，尤其涉及一种利用生物化学电极和神经网络模型进行对苯二酚检测的方法及系统。

背景技术

酚类物质是大规模有机化工工业非常重要的基本原料和副产物，在环境中存在很广，难以被生物或非生物降解，具有高毒性。作为公认的有害物质，酚对人体健康和环境有很大的影响。在城市生活垃圾堆肥系统中，存在有多种酚类污染物，堆肥菌种通过分泌出的木质素过氧化物酶、锰过氧化物酶、漆酶和酚氧化酶等多种酶，均可以催化酚类物质的解毒和氧化。因此，有必要对堆肥过程中的酚类物质进行监测控制。

目前，对于酚含量的测定采用较多的有分光光度法、高效液相色谱法(HPLC)、气相色谱法等方法进行检测。但这些方法由于底物浊度的要求和光干扰物质的影响，限制了其精确性和使用范围，还往往需要进行繁琐耗时的预处理，此外检测仪器比较昂贵，且不便携带，不能进行实时检测。生物传感器是近年来发展起来的可以对环境中有害物质进行快速、准确、实时检测的新方法，其灵敏度高、选择性好、操作简单，正逐步走向微型化、阵列化，从单一测定发展成同时测定多种物质，传感技术也在不断更新，越来越广泛地应用在环境监测领域中。此前，我们开发了基于磁性纳米粒子固定技术的漆酶传感器用于垃圾堆肥中对苯二酚的检测，实现了堆肥系统中酚类物质的快速检测。然而，受线性检测范围的影响，将传感器用于实际样品检测，有一定局限性。

生物传感器与神经网络相结合的检测方法是近年来污染物快速检测的一种趋势，不仅继承了生物传感器快速、简便，灵敏的优势，还能有效避免检测范围限制、信号重叠和干扰等影响，实现污染物快速准确检测。神经网络由于其固有的自学习、自适应、自组织和大规模并行处理等能力，已经在模式识别、信号处理、系统辨识、控制以及优化等领域得到了广泛的应用，尤其在复杂系统的预测和软测量领域显示了巨大的优越性。因此，如何结合生物传感器技术与人工神经网络技术建立一种在线检测系统，实现对堆肥系统中对苯二酚的实时在线测定，就成为本领域技术人员所要解决的一个问题。

发明内容

本发明要解决的技术问题是克服现有技术的不足，提供一种简便、高效、抗干扰能力强的堆肥中对苯二酚的在线检测方法，还提供一种成本低、灵敏度高、检测速度快、检测结果更准、检测范围更宽的堆肥中对苯二酚的在线检测系统。

生物传感器与人工神经网络相结合的检测方法是近年来污染物快速检测的一种趋势，能有效避免检测范围限制、信号重叠和干扰等影响，实现污染物快速准确检测。漆酶生物传感器利用漆酶(laccase，EC 1.10.3.2)催化空气中的氧气直接氧化对苯二酚，使对苯二酚的一个羟基失去H⁺，变成醌类物质，再由电极表面补偿一个电子将其还原成对苯二酚，这一过程可产生响应电流信号进行识别。神经网络由于其固有的自学习、自适应、自组织和大规模并行处理等能力，能进行非线性和信号重叠分析，尤其在复杂系统的预测和软测量领域显示了巨大的优越性。本发明正是利用上述原理将生物传感技术和神经网络模型分析相结合，提出了一种堆肥中对苯二酚的在线检测方法，其特征在于首先，将生物传感器置于待测溶液中，利用电化学分析仪对生物传感器采集的电流变化数据进行分析，得到响应电流变化特征曲线、响应电流稳定时间和稳态电流值，由响应电流变化特征曲线确定出响应电流变化特征值，将响应电流变化特征值、响应电流稳定时间和稳态电流值作为输入向量输入到神经网络分析设备中，经人工神经网络模型分析运算后得到输出向量，该输出向量即为待测溶液中对苯二酚的浓度值。

上述在线检测方法中用到的生物传感器为修饰了漆酶-Fe₃O₄磁性纳米颗粒交联体的碳糊电极。该生物传感器的工作条件为：

还原电位          -0.232V

磷酸盐缓冲溶液    pH值5.5。

上述在线检测方法中用到的电化学分析仪是采用计时电流法对电流变化数据进行分析。

上述神经网络分析设备中的人工神经网络模型是采用包括输入层、隐含层和输出层的三层反馈型神经网络模型，其中隐含层设有十个隐含层神经元，隐含层的传递函数为对数S型传递函数(Logsig)，输出层的传递函数为对数S型传递函数，所述人工神经网络模型采用的算法为麦夸特法(Levenberg-Marquardt算法)。

针对上述在线检测方法，本发明还提出了一种堆肥中对苯二酚的在线检测系统，其特征在于所述检测系统包括三电极装置、电化学分析仪和神经网络分析设备，三电极装置通过导线与电化学分析仪连接，电化学分析仪与神经网络分析设备连接；所述三电极装置是以修饰了漆酶-Fe₃O₄磁性纳米颗粒交联体的碳糊电极作为工作电极(即漆酶传感器)，以饱和甘汞电极作为参比电极，以铂片电极作为对电极。

上述检测方法可以检测到的堆肥中对苯二酚含量的浓度范围为1×10^-7～3.6×10^-4M，其预测值与实验值线性关系比较，拟合度R²为0.9957。

与现有技术相比，本发明的优点在于利用漆酶传感器在还原电位-0.232V条件下，检测堆肥复杂系统里对苯二酚的含量，将相关数据运用人工神经网络进行分析预测，在1×10^-7～3.6×10^-4M的非线性范围内建立了电流变化与对苯二酚含量之间的相关关系，实现了堆肥中对苯二酚含量的软测量。为了验证本方法的性能，采用非线性回归模型进行预测，得到回归方程为：

y＝0.8333x³-1.8577x²+2.0437x-0.0405

其中，y是对苯二酚浓度(μM)，x是电流变化值(μA)。图6表示在堆肥浸出液中对苯二酚含量为1×10^-7～4.5×10^-4M的范围内，进行人工神经网络模型与非线性回归模型的预测误差比较。由图6可见，人工神经网络模型的拟合度(ANN R²＝0.9957)优于回归模型的拟合度(NR R²＝0.9778)。

将本发明的在线检测方法和本发明的检测系统应用到对苯二酚的测定过程中，能够实时、在线地获取目的信息；由于本发明的检测方法无需对待测样品进行复杂繁琐的预处理，因此检测方法更加简便；由于结合了生物传感和电化学检测技术，本发明的检测方法也更加的灵敏、快速和高效；相比于现有的检测设备，本发明检测系统的成本也更加经济；从预测误差的对比来看，本发明的检测结果也更加准确。因此，本发明的检测堆肥中对苯二酚的方法是一种实时、在线、简便、高效、精准地检测方法，能有效避免检测范围限制、信号重叠和干扰等影响，进行非线性测定，提高酚类物质测定的效率和抗干扰能力，实现城市生活垃圾堆肥控制系统中快速、低成本、高效地在线检测对苯二酚的含量。

附图说明

图1为本发明在线检测系统的结构示意图；其中：1——三电极装置，2——电化学分析仪，3——神经网络分析设备。

图2为基于BP神经网络的在线检测方法流程示意图；

图3为本发明神经网络模型的网络拓扑结构图；其中：A1、A2、A3为三个响应电流变化特征值，A4为响应电流稳定时间，A5为稳态电流值，C为对苯二酚浓度输出值；

图4为本发明神经网络模型的传递函数与隐含层神经元数的优化结果图；其中RMSE为均方根误差；

图5为本发明神经网络模型的算法优化结果图；其中RMSE为均方根误差；

图6为本发明的人工神经网络模型与回归模型的预测误差对比图。

具体实施方式

1、在线检测系统的制备

针对本发明的技术方案，本实施例首先构建一种堆肥中对苯二酚的在线检测系统(见图1)，其特征在于所述检测系统包括三电极装置、电化学分析仪和神经网络分析设备，三电极装置通过导线与电化学分析仪连接，电化学分析仪与神经网络分析设备连接；所述三电极装置是以修饰了漆酶-Fe₃O₄磁性纳米颗粒交联体的碳糊电极作为工作电极(即漆酶传感器)，以饱和甘汞电极作为参比电极，以铂片电极作为对电极。

上述漆酶传感器通过以下方法制备：首先制作碳糊电极，在PVC管中放入碳棒，距表面8mm处放入磁体，形成磁性区域，再用石墨封闭。将电极表面抛光，然后用水冲洗电极表面，再依次用HNO₃(50％质量浓度)、丙酮、水超声波清洗，最后再用缓冲液冲洗，自然晾干。然后，氮气保护下，制备Fe₃O₄胶状沉淀，然后加入聚乙二醇、正硅烷乙酯、甲醇、氨丙基三甲氧基硅烷、戊二醛完成硅烷化和功能化，再将漆酶交联到Fe₃O₄磁性纳米颗粒表面。最后取适当量的漆酶-Fe₃O₄磁性纳米颗粒交联体滴涂在电极表面，空气中干燥1小时，用缓冲液冲洗，去掉未固定的漆酶-Fe₃O₄磁性纳米颗粒交联体，置于4℃贮存备用。

上述的电化学分析仪采用的是上海辰华仪器公司生产的CHI660B电化学系统。

上述神经网络分析设备中包含有一套人工神经网络分析程序，该神经网络分析的建模及检测流程如图2所示。所述人工神经网络模型为三层反馈型神经网络模型(即BP网络)，包括输入层、隐含层(一层)和输出层，该神经网络模型具有很强的非线性映射能力，很好的训练和预测能力，是当前应用最多、效果最好的人工神经网络模型(ANN模型)。Matlab 7.0及其自带的神经网络工具箱被用于构建ANN模型。该人工神经网络模型是通过以下方法和步骤建立的。

首先通过电化学实验对不同浓度的对苯二酚溶液进行检测，获得51组样本数据，并将其分成三个部分，分别为训练集、检验集和测试集。训练集包括25组数据，检验集包括14组数据，测试集包括12组数据。我们用回归分析手段将每组样本数据进行整理，获得每组样本的响应电流变化特征曲线：y＝A₁x²+A₂x+A₃，其中y代表电流，x代表时间(见图3)，得到每组样本的响应电流变化特征值(即A₁、A₂、A₃)。另外，电化学检测和分析得到的响应电流稳定时间(A₄)和稳态电流值(A₅)也是传感器检测中的重要参考因子和检测因子。因此，本发明的人工神经网络模型以上述五个参数(即响应电流稳定时间、稳态电流值和三个响应电流变化特征值)作为输入层的五个输入向量(即输入神经元)。而本发明最后要获得的数据为对苯二酚的浓度值，因此在该人工神经网络模型的输出层设一个输出神经元，对外输出对苯二酚浓度值这一输出向量(C)(见图3)。

上述人工神经网络模型的输入向量和输出向量确定以后，再进行传递函数与隐含层神经元数的优化。在传递函数与隐含层神经元数的优化中，考虑到线形传递函数与S型传递函数，都是比较常用的功能函数，其中S型传递函数因为强大的非线性接近能力，更是被经常用于隐含层，而输出层的传递函数往往取决于输出范围，因此本发明组合了四种类型的传递函数用于隐含层传递函数和输出层传递函数的研究，这四种传递函数分别为：双向正切S型传递函数(Tansig)、对数S型传递函数(Logsig)、线性传递函数(Purelin)和对称饱和线性传递函数(Satlins)。这四种函数的表达式分别为：

$\mathrm{Tansig}\left(x\right)=\frac{1-e^{-2x}}{1+e^{-2x}}$

$\mathrm{Logsig}\left(x\right)=\frac{1}{1+e^{-x}}$

Purelin(x)＝x

$\mathrm{Satlins}\left(x\right)\text{=}\left\{\begin{array}{cc}-1& x\&le;-1\\ x& -1<x<1\\ 1& x\&GreaterEqual;1\end{array}\right..$

上述各传递函数的适用范围分别为：Tansig(-1，1)，Logsig(0，1)，Purelin(-∞，∞)，Satlins[0，1]。本发明的人工神经网络模型中根据公式 $X=\frac{\ln \left(x\right)-\ln \left(x_{\min }\right)}{\ln \left(x_{\max }\right)-\ln \left(x_{\min }\right)}$ 对输入参数和输出参数都进行了归一化(数据范围：0～1)，其中x表示输入参数或输出参数，x_min表示所选择样本中输入或输出参数的最小值，x_max表示所选择样本中输入或输出参数的最大值。因此以上四种传递函数都适用。初步采用Levenberg-Marquardt算法的trainlm训练函数(trainlm以及后面提到的traingdm、traingd、traingdx、traincgb等都是Matlab神经网络函数工具箱中采用Levenberg-Marquardt算法对神经网络进行训练的一个训练函数)训练网络，建立BP网络。根据Kolmogorov定理，即 $n_2=\sqrt{(n_1+m+1)+a},$ n₂、n₁、m分别代表BP神经网络构建中间隐含层神经元数目、输入层神经元数目和输出层神经元数目，a在1～10内取值，计算得到可以采用的中间层神经元数范围为4～13，我们通过进一步对这一范围内模型预测性能进行比较，得到最优的中间层神经元数；每个梯度对应的传递函数模式采用上述四种类型的传递函数进行组合(即隐含层传递函数-输出层传递函数)；而每一种隐含层神经元数和传递函数模式的组合对应一种人工神经网络模型，计算出各神经网络模型下的均方根差，经计算、筛选后的对比结果如图4所示，根据图4即可确定出最优的隐含层神经元数和传递函数模式的组合，本技术方案中所确定的最优化组合为10个隐含层神经元数和Logsig-Logsig传递函数模式的组合，因为该最优化组合的均方根误差(root mean square oferror，简称RMSE)最小(仅为6.8472μM)(如图4中虚线箭头所示)。所述均方根误差 $\mathrm{RMSE}=\sqrt{\mathrm{\&Sigma;}{(a_i-{\hat{a}}_i)}^2/n}$ 被用于衡量网络性能的好坏，这里a_i和

分别代表预测浓度和实际浓度，n代表检测的样本数。

上述隐含层神经元数和传递函数模式的优化是在Levenberg-Marquardt算法的训练下进行的，现根据上述确定的最优化模型(即传递函数模式为Logsig-Logsig，隐含层神经元数为10个)再进行算法的进一步优化。在算法优化过程中，对7种算法(trainbfg、trainbr、trainlm、traingdm、traingd、traingdx、traincgb)下神经网络模型的预测性能进行比较，经计算后的优化结果如图5所示，可见当采用Levenberg-Marquardt算法时，神经网络模型有最好的预测性能(RMSE＝6.8472μM)，因此本技术方案的人工神经网络模型中最优的算法为Levenberg-Marquardt算法。

最终优化后的神经网络模型参数如下表所示：

参数	值
		输入层神经元数	5
隐含层神经元数	10
		输出层神经元数	1
隐含层传递函数	Logsig
		输出层传递函数	Logsig
优化算法	Levenberg-Marquardt backpropagation(trainlm)
		RMSE(μM)	6.8472

2、堆肥条件

具体堆料组成如下：土壤218g，取样于地表层以下1m处；稻草2600g，食堂残余物988g，麸皮52g，含水率51％。对堆料混合后进行好氧堆肥，环境温度保持在30℃(水浴恒温)，通风量为0.033m³/h，堆肥处理40天。

3、堆肥浸出液制备

取堆肥样10g置于锥形瓶中，加入200mL蒸馏水，在37℃下振荡120min，速度200r/min，过滤后将滤液离心5min，10000r/min，上清液过滤即得到堆肥浸出液，再用磷酸盐缓冲液调节pH值至5.5。取200mL的堆肥浸出液将其等分为四组，往每组堆肥浸出液中加入对苯二酚，配制成浓度分别为15μM、138μM、205μM、5.35μM的四组待测样品。

4、对苯二酚的测定

在待测样品(pH值5.5)、还原电位-0.232V的工作条件下，分别检测四组不同浓度的对苯二酚，将电化学分析仪检测到的响应电流变化数据输入神经网络分析设备中，经人工神经网络模型进行分析以后，输出的检测结果如下表所示：

对苯二酚实验浓度(μM)	对苯二酚预测浓度(μM)	标准偏差(％)
			15.0000	14.0687	5.39
138.0000	147.5481	6.22
			205.0000	220.1900	6.73
5.3500	4.8709	8.65

上述检测工作均在室温(25℃)下完成。从上述结果可以清楚地看出，本方法可以提供一种在线分析系统用于堆肥复杂系统中对苯二酚含量的测定，具有快速、简便，灵敏的优点，还能有效避免线性检测范围限制、信号重叠和干扰等影响。

Claims (7)

1、一种堆肥中对苯二酚的在线检测方法，其特征在于：首先，将生物传感器置于待测溶液中，利用电化学分析仪对生物传感器采集的电流变化数据进行分析，得到响应电流变化特征曲线、响应电流稳定时间和稳态电流值，由响应电流变化特征曲线确定出响应电流变化特征值，将响应电流变化特征值、响应电流稳定时间和稳态电流值作为输入向量输入到神经网络分析设备中，经人工神经网络模型分析运算后得到输出向量，该输出向量即为待测溶液中对苯二酚的浓度值。

2、根据权利要求1所述的在线检测方法，其特征在于所述生物传感器为修饰了漆酶-Fe₃O₄磁性纳米颗粒交联体的碳糊电极。

3、根据权利要求1所述的在线检测方法，其特征在于所述生物传感器的工作条件为：

还原电位        -0.232V

磷酸盐缓冲溶液  pH值5.5。

4、根据权利要求1所述的在线检测方法，其特征在于所述电化学分析仪是采用计时电流法对电流变化数据进行分析。

5、根据权利要求1所述的在线检测方法，其特征在于所述神经网络分析设备中的人工神经网络模型是采用包括输入层、隐含层和输出层的三层反馈型神经网络模型，其中隐含层设有十个隐含层神经元，隐含层的传递函数为对数S型传递函数，输出层的传递函数为对数S型传递函数，所述人工神经网络模型采用的算法为麦夸特法。

6、一种堆肥中对苯二酚的在线检测系统，其特征在于所述检测系统包括三电极装置、电化学分析仪和神经网络分析设备，三电极装置通过导线与电化学分析仪连接，电化学分析仪与神经网络分析设备连接；所述三电极装置是以修饰了漆酶-Fe₃O₄磁性纳米颗粒交联体的碳糊电极作为工作电极，以饱和甘汞电极作为参比电极，以铂片电极作为对电极。

7、根据权利要求6所述的堆肥中对苯二酚的在线检测系统，其特征在于所述神经网络分析设备中包含有一人工神经网络模型，所述人工神经网络模型为三层反馈型神经网络模型，包括输入层、隐含层和输出层；输入层设有五个输入神经元，分别对应响应电流稳定时间、稳态电流值和三个响应电流变化特征值这五个输入向量；隐含层设有十个隐含层神经元；输出层设有一个输出神经元，对应于对苯二酚浓度这一输出向量；隐含层的传递函数为对数S型传递函数；输出层的传递函数为对数S型传递函数；所述人工神经网络模型采用的算法为麦夸特法；所述对数S型传递函数的表达式为：

$\mathrm{Logsig}\left(x\right)=\frac{1}{1+e^{-x}}.$

Images