CN102636418A - 一种多光谱后向散射式烟尘粒径及浓度测量装置及其测量方法 - Google Patents

Abstract

本发明属于环境污染监测领域，具体涉及一种基于多光谱后向散射式烟尘粒径及浓度的同时测量装置及其测量方法。多光谱后向散射式烟尘粒径及浓度测量装置，由宽谱光源发出的可见光，经反射式光纤探头中的照明光纤入射到烟道中，可见光经烟道中烟尘散射后形成的散射光经装有定期吹扫装置的防尘玻璃进入读出光纤，通过分光器件分光，由线阵CCD获得后向散射光的多光谱光强信息，由信号采集及数据处理部分进行建模、反演及监测。本发明探测器部分与光源可集成在一起，无需角度调试，根据散射理论，使测量装置具有更高的灵敏度。该探测方法具有求解过程简单、反演速度快以及反演结果稳定等优点。

Description

一种多光谱后向散射式烟尘粒径及浓度测量装置及其测量方法

技术领域

本发明属于环境污染监测领域，具体涉及一种基于多光谱后向散射式烟尘粒径及浓度的同时测量装置及其测量方法。

背景技术

光与颗粒作用会产生散射现象。将探测器安装在某一散射角处，获得散射光强数据后，基于散射理论实现烟尘粒径及浓度的反演。光散射法保留了浊度法中可实现对排放源的远距离、长期连续测量的优点。但是前向散射法和边散射法的探测器与光源仍为分离放置，因此安装复杂，要求角度精确；而目前常用的浊度法在烟尘浓度极低时，光强变化不大；浓度极高时，光强衰减过大，从而信噪比大大降低，因此在上述情况下，效果较差；当烟尘组分发生变化时，测量结果也会出现偏差。光后向散射法的最大优势在于探测器与光源可集成在一起，无需角度调试；根据散射理论，后向散射法具有更高的灵敏度，这对于目前普遍采用多级除尘装置后的低烟尘浓度情况下的测量具有十分重要的意义。

根据Mie散射理论，在最简单的情况下，若待测颗粒系为粒径均为D的球形颗粒系，且颗粒之间满足不相关单散射的条件，则N_D个粒径为D的单分散系在波长为λ时的后向散射光与入射光之间满足相应的关系。在实际情况下，待测颗粒系大多不是单分散的颗粒系，而是具有一定粒径分布范围的多分散系。为了便于粒径分布的反演，一般常采用体积分布f(D)代替数量分布，对于多分散系的粒径分布反演，直接根据测量值反演粒径是十分困难的，必须先将它离散化，即划分成一系列的粒级S，它表示在[D_min，D_max]范围内粒径的分档数，用

为子区间[D_j，D_j+1]的中点。这样，由于待求的粒径分布有S个未知量，所以应采用多个波长同时进行测量，即构成方程组E_U＝Af，其中E_U为不同波段的后向散射测量值，A为包含

和

的U×S阶加权矩阵，f为所求的系列离散粒级的分布。理论上只要已知列向量E，通过求解方程组即可确定粒径分布f。但是，在光后向散射法粒径分布求解过程中，系数矩阵A的条件数往往非常大，对方程组的直接求解常常得到一组非物理解。因此必须采用一种合适的反演方法来获得待测颗粒系的粒径分布。

发明内容

本发明的目的在于提供一种基于多光谱后向散射式烟尘粒径及浓度的同时测量装置及其测量方法。

本发明的目的是这样实现的：

多光谱后向散射式烟尘粒径及浓度测量装置，由宽谱光源、由多芯光纤、照明光纤和读出光纤组成的反射式光纤探头、防尘玻璃、定期吹扫装置、隔振装置、分光器件、线阵CCD、信号采集及数据处理部分组成，其特征是：宽谱光源发出的可见光，经反射式光纤探头中的照明光纤入射到烟道中，可见光经烟道中烟尘散射后形成的散射光经装有定期吹扫装置的防尘玻璃进入读出光纤，通过分光器件分光，由线阵CCD获得后向散射光的多光谱光强信息，由信号采集及数据处理部分进行建模、反演及监测。反射式光纤探头由多芯光纤嵌入6根照明光纤和1根读出光纤构成，6根照明光纤呈正六边形均匀围绕在读出光纤周围。宽谱光源为卤素灯白光光源。

应用多光谱后向散射式烟尘粒径及浓度测量装置的测量方法，包括步骤如下：

(1)可见光经烟道形成散射光；

(2)读出光纤获得散射光，经过分光器件分光，由线阵CCD获得后向散射光的多光谱信息

(3)线阵CCD获得后向散射光的多光谱信息后，将粒径分布函数f(D)离散化即划分成一系列的粒级S，表示在[D_min，D_max]范围内粒径的分档数，Mie散射粒径离散化公式：

$\frac{I{\left(\mathrm{\λ}\right)}_i}{I_0{\left(\mathrm{\λ}\right)}_i}=\frac{3{\mathrm{\λ}}^2}{4{\mathrm{\π}}^3{r}^2}{N}_D\underset{j=1}{\overset{s}{\mathrm{\Σ}}}{C}_j\frac{i_1(2\mathrm{\π}{\stackrel{\‾}{D}}_j/\mathrm{\λ},m,\mathrm{\θ})+i_2(2\mathrm{\π}{\stackrel{\‾}{D}}_j/\mathrm{\λ},m,\mathrm{\θ})}{{\stackrel{\‾}{D}}_j^3}{f}_j({\stackrel{\‾}{D}}_j,D_1,D_2),$ 其中I为后向散射光强，I₀为入射光强，λ为入射波长，r为探测距离，N_D为粒子总数，i₁、i₂为散射强度函数，

为子区间[D_j，D_j+1]的中点；

(4)获取OBE值，其中

$\mathrm{OBE}={|\frac{{(I/I_0)}_i}{{(I/I_0)}_k}-\frac{\frac{3{\mathrm{\λ}}_i^2}{4{\mathrm{\π}}^3{r}^2}{N}_D\underset{j=1}{\overset{s}{\mathrm{\Σ}}}\frac{i_1(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_i,m,\mathrm{\θ})+i_2(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_i,m,\mathrm{\θ})}{{\stackrel{\‾}{D}}_j^3}{f}_j({\stackrel{\‾}{D}}_j,D_1,D_2)}{\frac{3{\mathrm{\λ}}_k^2}{4{\mathrm{\π}}^3{r}^2}{N}_D\underset{j=1}{\overset{s}{\mathrm{\Σ}}}\frac{i_1(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_k,m,\mathrm{\θ})+i_2(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_k,m,\mathrm{\θ})}{{\stackrel{\‾}{D}}_j^3}{f}_j({\stackrel{\‾}{D}}_j,D_1,D_2)}|}^2,i\≠k;$

(5)设待测颗粒系的粒径分布符合Rosin-Rammler双参数函数f₁(D)＝f₁(D，D₁₁，D₁₂)分布，通过神经网络算法改变f₁(D)两个可调整的特征参数D₁₁和D₁₂，直到目标函数值OBE₁最小；

(6)设待测颗粒系的粒径分布符合正态双参数函数f₂(D)＝f₂(D，D₂₁，D₂₂)分布，通过神经网络算法改变f₂(D)两个可调整的特征参数D₂₁和D₂₂，直到目标函数值OBE₂最小；

(7)将得到的目标函数值OBE₁与OBE₂进行比较，取目标函数最小值所对应的分布函数作为要求得的粒径分布，根据粒径分布求解浓度。

本发明的有益效果在于：

本发明基于后向散射多光谱信息实现粒径和浓度的同时测量，探测器部分与光源可集成在一起，无需角度调试；根据散射理论，使测量装置具有更高的灵敏度。构建的基于非独立模式下的神经网络反演模型的探测方法具有求解过程简单、反演速度快以及反演结果稳定等优点。

附图说明

图1是本发明的光学原理图；

图2是本发明的电路原理示意图。

具体实施方式

下面结合附图举例对本发明做进一步说明，但不应以此限制本发明的保护范围。

本发明的核心是：宽谱光源经反射式光纤入射烟道后，与烟尘粒子产生散射作用，其中后向散射光通过反射式光纤探头获得，经分光器件得到后向散射多光谱光强信号，数据采集系统将这一信号实时上传至PC机，通过非独立模式下的神经网络算法对获得的信息进行数据处理，反演颗粒粒径及浓度，实现实时情况下烟尘粒径和浓度的同时测量。

本发明的多光谱后向散射式烟尘粒径及浓度同时测量的反演算法采用基于非独立模式下的神经网络反演算法。非独立模式算法又称函数限制法，它是目前应用最多、最广泛的一类方法。该方法的基本思想是：预先假定待测颗粒系的粒径分布符合某一个特定的函数，根据得到的后向散射光强数据，通过最优化算法求出最优解作为最终的粒径及浓度分布。在采用非独立模式算法求解时，假设待测颗粒系的粒径分布符合某种双参数分布函数f(D)＝f(D，D₁，D₂)，D₁和D₂是f(D)两个可调整的特征参数。则构建假设情况下的多光谱后向散射光强值之比与实测的多光谱后向散射光强之比的差的绝对值的平方这一目标函数，通过神经网络算法不断改变f(D)两个可调整的特征参数D₁和D₂，直到目标函数值最小，这时，由D₁和D₂对应的分布函数就是所要求得的粒径分布，进而根据获得的粒径分布求解浓度。

多光谱后向散射式烟尘粒径及浓度测量装置的光路原理，如图1所示。由图可见，该仪器的探头部分由宽谱光源1、多芯光纤2、防尘玻璃3、吹扫装置4、照明光纤5、读出光纤6、隔振装置7、分光器件8、线阵CCD 9构成。工作时光纤探头及防尘玻璃和吹扫装置安装在取样烟道10上，由宽谱光源1发出的多波长可见光，通过六根照明光纤5入射到取样烟道中，由于烟尘粒子的散射作用产生各个方向的散射光，部分后向散射光沿光纤探头中心的读出光纤6进入分光器件8，通过分光作用，获得后向散射光的光谱信息，由线阵CCD 9实现光电转换。

图2为信号采集部分。本发明的多光谱后向散射式烟尘粒径及浓度同时测量的信号采集系统由基于FPGA的信号采集系统，并通过USB接口与PC机通讯。硬件电路主要包括FPGA、电源电路、CCD偏置电路及驱动电路、信号预处理电路和数据传输电路。线阵CCD在FPGA产生的驱动时序作用下输出与光强相对应的离散模拟信号，输出信号经过前置放大、相关双采样等预处理之后经A/D转换成为12位的数字信号，FPGA将转换后的数字信号缓存并通过传输电路传输到PC机中，完成数据的采集。

线阵CCD 9在FPGA产生的驱动时序作用下，由EL7457和EL7156C构成驱动电路产生驱动时序，使CCD在输出端得到稳定的视频信号。通过高带宽的BFR92晶体管构成的前置放大电路和专用的信号处理芯片TDA9965组合的方式实现CCD输出信号的处理。利用TDA9965中的相关双采样方法有效去除复位噪声，经采样后的信号电平和暗电平分别输出到可编程增益放大器PGA的两个差分输入端，这样经PGA输出的就是信号电平和暗电平的插值经放大后的信号，即真实的视频信号，TDA9965芯片内部集成了一个12位的A/D，在后向散射光强较弱的特殊情况下，为了提高灰度分辨率，除了需要增加PGA的增益系数外，还需要调整A/D输入信号的偏置，以使得输入信号处于A/D的量程范围之内，偏置的大小由FPGA通过串行口控制。通过FPGA逻辑控制单元将处理后的信号送入缓存，选用兼容USB2.0的CY7C68013芯片实现与PC机的通讯。

获得后向散射多光谱信息后，根据接触法采集的烟尘粒径的扫描电镜图像可知，烟尘粒径分布符合Rosin-Rammler(R-R)函数分布或正态分布，只是不同燃煤燃烧产生粒径分布的参数不同。先将粒径分布函数f(D)离散化，即划分成一系列的粒级S，它表示在[D_min，D_max]范围内粒径的分档数，用

为子区间[D_j，D_j+1]的中点。在反演时，首先假定待测颗粒系的粒径分布符合R-R双参数f₁(D)＝f₁(D，D₁₁，D₁₂)分布，构建假设情况下的多光谱后向散射光强值之比与实测的多光谱后向散射光强之比的差的绝对值的平方这一目标函数OBE，通过神经网络算法不断改变f₁(D)两个可调整的特征参数D₁₁和D₁₂，直到目标函数值OBE₁最小；然后再假定待测颗粒系的粒径分布符合正态双参数f₂(D)＝f₂(D，D₂₁，D₂₂)分布，通过神经网络算法不断改变f₂(D)两个可调整的特征参数D₂₁和D₂₂，直到目标函数值OBE₂最小。这时将得到的目标函数A₂与A₁进行比较，取目标函数最小值所对应的分布函数作为所要求得的粒径分布，进而根据获得的粒径分布求解浓度。

Mie散射粒径离散化公式：

$\frac{I{\left(\mathrm{\λ}\right)}_i}{I_0{\left(\mathrm{\λ}\right)}_i}=\frac{3{\mathrm{\λ}}^2}{4{\mathrm{\π}}^3{r}^2}{N}_D\underset{j=1}{\overset{s}{\mathrm{\Σ}}}{C}_j\frac{i_1(2\mathrm{\π}{\stackrel{\‾}{D}}_j/\mathrm{\λ},m,\mathrm{\θ})+i_2(2\mathrm{\π}{\stackrel{\‾}{D}}_j/\mathrm{\λ},m,\mathrm{\θ})}{{\stackrel{\‾}{D}}_j^3}{f}_j({\stackrel{\‾}{D}}_j,D_1,D_2)$

目标函数：

$\mathrm{OBE}={|\frac{{(I/I_0)}_i}{{(I/I_0)}_k}-\frac{\frac{3{\mathrm{\λ}}_i^2}{4{\mathrm{\π}}^3{r}^2}{N}_D\underset{j=1}{\overset{s}{\mathrm{\Σ}}}\frac{i_1(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_i,m,\mathrm{\θ})+i_2(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_i,m,\mathrm{\θ})}{{\stackrel{\‾}{D}}_j^3}{f}_j({\stackrel{\‾}{D}}_j,D_1,D_2)}{\frac{3{\mathrm{\λ}}_k^2}{4{\mathrm{\π}}^3{r}^2}{N}_D\underset{j=1}{\overset{s}{\mathrm{\Σ}}}\frac{i_1(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_k,m,\mathrm{\θ})+i_2(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_k,m,\mathrm{\θ})}{{\stackrel{\‾}{D}}_j^3}{f}_j({\stackrel{\‾}{D}}_j,D_1,D_2)}|}^2,i\≠k$

式中I为后向散射光强；I₀为入射光强；r为探测距离；N_D为粒子总数；i₁、i₂为散射强度函数；

为子区间[D_j，D_j+1]的中点；λ为入射波长；m为烟尘粒子复折射率；θ为散射角。

Claims (4)

1.一种多光谱后向散射式烟尘粒径及浓度测量装置，由宽谱光源、由多芯光纤、照明光纤和读出光纤组成的反射式光纤探头、防尘玻璃、定期吹扫装置、隔振装置、分光器件、线阵CCD、信号采集及数据处理部分组成，其特征是：宽谱光源发出的可见光，经反射式光纤探头中的照明光纤入射到烟道中，可见光经烟道中烟尘散射后形成的散射光经装有定期吹扫装置的防尘玻璃进入读出光纤，通过分光器件分光，由线阵CCD获得后向散射光的多光谱光强信息，由信号采集及数据处理部分进行建模、反演及监测。

2.根据权利要求1所述的多光谱后向散射式烟尘粒径及浓度测量装置，其特征是：所述反射式光纤探头由多芯光纤嵌入6根照明光纤和1根读出光纤构成，6根照明光纤呈正六边形均匀围绕在读出光纤周围。

3.根据权利要求1所述的多光谱后向散射式烟尘粒径及浓度测量装置，其特征是：所述宽谱光源为卤素灯白光光源。

4.应用权利要求1所述的多光谱后向散射式烟尘粒径及浓度测量装置的测量方法，其特征是：包括步骤如下：

(1)可见光经烟道形成散射光；

(2)采集后向散射光，分光后，获取后向散射光的多光谱信息；

(3)将粒径分布函数f(D)离散化即划分成一系列的粒级S，表示在[D_min，D_max]范围内粒径的分档数，Mie散射粒径离散化公式：

$\frac{I{\left(\mathrm{\λ}\right)}_i}{I_0{\left(\mathrm{\λ}\right)}_i}=\frac{3{\mathrm{\λ}}^2}{4{\mathrm{\π}}^3{r}^2}{N}_D\underset{j=1}{\overset{s}{\mathrm{\Σ}}}{C}_j\frac{i_1(2\mathrm{\π}{\stackrel{\‾}{D}}_j/\mathrm{\λ},m,\mathrm{\θ})+i_2(2\mathrm{\π}{\stackrel{\‾}{D}}_j/\mathrm{\λ},m,\mathrm{\θ})}{{\stackrel{\‾}{D}}_j^3}{f}_j({\stackrel{\‾}{D}}_j,D_1,D_2),$ 其中I为后向散射光强，I₀为入射光强，λ为入射波长，r为探测距离，N_D为粒子总数，i₁、i₂为散射强度函数，

为子区间[D_j，D_j+1]的中点；

(4)获取OBE值，其中

$\mathrm{OBE}={|\frac{{(I/I_0)}_i}{{(I/I_0)}_k}-\frac{\frac{3{\mathrm{\λ}}_i^2}{4{\mathrm{\π}}^3{r}^2}{N}_D\underset{j=1}{\overset{s}{\mathrm{\Σ}}}\frac{i_1(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_i,m,\mathrm{\θ})+i_2(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_i,m,\mathrm{\θ})}{{\stackrel{\‾}{D}}_j^3}{f}_j({\stackrel{\‾}{D}}_j,D_1,D_2)}{\frac{3{\mathrm{\λ}}_k^2}{4{\mathrm{\π}}^3{r}^2}{N}_D\underset{j=1}{\overset{s}{\mathrm{\Σ}}}\frac{i_1(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_k,m,\mathrm{\θ})+i_2(2\mathrm{\π}{\stackrel{\‾}{D}}_j/{\mathrm{\λ}}_k,m,\mathrm{\θ})}{{\stackrel{\‾}{D}}_j^3}{f}_j({\stackrel{\‾}{D}}_j,D_1,D_2)}|}^2,i\≠k;$

(5)设待测颗粒系的粒径分布符合Rosin-Rammler双参数函数f₁(D)＝f₁(D，D₁₁，D₁₂)分布，通过神经网络算法改变f₁(D)两个可调整的特征参数D₁₁和D₁₂，直到目标函数值OBE₁最小；

(6)设待测颗粒系的粒径分布符合正态双参数函数f₂(D)＝f₂(D，D₂₁，D₂₂)分布，通过神经网络算法改变f₂(D)两个可调整的特征参数D₂₁和D₂₂，直到目标函数值OBE₂最小；

(7)将得到的目标函数值OBE₁与OBE₂进行比较，取目标函数最小值所对应的分布函数作为要求得的粒径分布，根据粒径分布求解浓度。

Images