CN104597086B - 一种蔗糖罐内糖浆浓度的测量装置以及测量方法 - Google Patents

Abstract

本发明公开了一种蔗糖罐内糖浆浓度的测量装置以及测量方法，装置包括：双类型电极传感器，用于采集蔗糖罐的截面的多个电阻抗值数据，该双类型电极传感器包括：一个条形金属电极以及N个矩形金属电极，一个条形金属电极和N个矩形金属电极沿蔗糖罐的内壁的周向进行等距设置，电极和蔗糖罐绝缘，且蔗糖罐始终接地，其中，条形金属电极设于矩形金属电极的二分之一高度处；以及糖浆浓度分析系统，用于接收双类型电极传感器采集的多个电阻抗值数据，根据电阻抗值数据计算所述蔗糖罐内糖浆的浓度值。本发明中通过双类型电极传感器测量条形金属电极与矩形金属电极之间电阻抗的方式，能够全面反应蔗糖罐内的截面传感器物场信息，使得测量精度较高。

Description

一种蔗糖罐内糖浆浓度的测量装置以及测量方法

技术领域

本发明涉及蔗糖含量检测技术，特别涉及一种蔗糖罐内糖浆浓度的测量装置以及测量方法。

背景技术

煮糖罐的一个生产周期需要经过装料，蒸浓，起晶，止晶，养晶，浓缩，出糖阶段。起晶过程需要掌握并控制罐内糖浆的过饱和度，糖厂煮糖罐生产过程中的自动控制系统，是提高糖膏结晶产量和质量的重要环节。自动控制系统能够在线检测糖膏的过饱和度，同时实时精确计量流量。整个煮糖过程就是根据不同阶段的要求，控制不同的过饱和系数。蔗糖浆浓度检测对蔗糖生产具有重要意义。

目前，煮糖罐内糖膏浓度的测量主要采用常规单测量点检测技术如电导法、折光法、射线法、红外线法等。由于煮糖生产过程中煮糖罐内的糖膏结晶过程具有不均匀的泡状流动状态，电特性随浓度高低变化等特点，使得常规单测量点法测量结晶浓度存在较大误差，煮糖监测系统无法发挥作用。一方面，这些检测法均是单相流的检测仪表，对多组分的蔗糖浆，由于成分流动的复杂多变性，对测量浓度、流量、流型辨识不适用，因而这类方法往往不能保证在整个生产过程中都有很高的测量精度，测量误差也较大，无法实现在线自动监测。同时，由于单测量点检测法传感器装备存在一定的误差，使得单测量点检测法得到的数据冗余度较高，增大检测结果误差。糖厂生产主要是利用工艺过程对原材料、制品的定性定量分析测定得到的参数来指导生产，需要测定结果快速准确，而单测量点法在蔗糖厂的锤度检测方面精度不够。单测量点检测法不能有效、全面反应传感器物场信息。针对煮糖生产过程的不均匀泡沫流状态特性，单测量点检测法的不足尤为突出，传感器采集数据对生产过程的指导作用不全面，不能及时反映生产状态，已无法满足生产管理的需要。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种蔗糖罐内糖浆浓度的测量装置，从而克服单测量点检测法得出的蔗糖浆浓度精度不高导致不能实时监测的缺点。

为实现上述目的，本发明提供了一种蔗糖罐内糖浆浓度的测量装置，包括：双类型电极传感器，用于采集所述蔗糖罐的截面的多个电阻抗值数据，该双类型电极传感器包括：一个条形金属电极以及N个矩形金属电极，所述一个条形金属电极和所述N个矩形金属电极沿所述蔗糖罐的内壁的周向进行等距设置，所述电极和所述蔗糖罐绝缘，且所述蔗糖罐始终接地，其中，所述条形金属电极设于所述矩形金属电极的二分之一高度处；以及糖浆浓度分析系统，用于接收所述双类型电极传感器采集的多个电阻抗值数据，根据所述电阻抗值数据计算所述蔗糖罐内糖浆的浓度值。

上述技术方案中，所述矩形金属电极大于或等于3个。

上述技术方案中，所述糖浆浓度分析系统为计算机系统。

本发明的另一目的在于提供一种蔗糖罐内糖浆浓度的测量装置，从而克服单测量点检测法得出的蔗糖浆浓度精度不高导致不能实时监测的缺点。

为实现上述目的，本发明提供了一种采用上述所述蔗糖罐内糖浆浓度的测量装置的测量方法，包括以下步骤：1)以条形金属电极为固定测量电极，测量所述N个矩形金属电极与所述固定测量电极之间的电阻抗值，共得到N个电阻抗值数据；2)所述糖浆浓度分析系统接收所述N个电阻抗值数据，当所述电阻抗值数据小于或等于3个，根据所述电阻抗值数据计算所述糖浆的浓度值；当所述电阻抗值数据大于3个，对所述电阻抗值数据进行降维和去冗余，再根据进行降维和去冗余后的所述电阻抗值数据计算所述糖浆的浓度值。

上述技术方案中，采用主成分分析法对所述电阻抗值数据进行降维和去冗余，具体包括以下步骤：

21)标准化处理所述电阻抗值数据变量，使每一个所述电阻抗值数据变量的均值为0，方差为1；

22)对标准化后的m维所述电阻抗值数据变量进行相关性分析；设r_ij为标准化后所述电阻抗值数据变量X_i与X_j的相关系数，则r_ij的计算公式为相关系数矩阵为：R＝(r_ij)_m*m；根据相关系数矩阵整理得到实对称矩阵R＝XX^T/(m-1)，X为原始电阻抗值数据变量集合；

23)主成分电阻抗值数据变量的贡献率分析及主成分电阻抗值数据变量的选择；其中贡献率是第i个主成分电阻抗值数据变量的方差在全部主成分电阻抗值数据变量方差中所占比重β₁，累积贡献率为根据累计贡献率β≥80％时取主成分电阻抗值数据变量的个数，其中，λ_i为X的特征值，i＝1Λm；

24)利用cov(Y_i,X_j)＝cov(Y_i,u_j1Y+u_j2Y₂+u_jmY_m)＝u_jiλ_i求原始电阻抗值数据变量与主成分电阻抗值数据变量之间的相关系数，其中，Y为选取的主成分电阻抗值数据变量；X为原始电阻抗值数据变量；u为X的协方差矩阵的特征向量。

上述技术方案中，所述电阻抗值数据输入RBP神经网络进行训练，训练后所述RBP神经网络输出所述糖浆的浓度值。

与现有技术相比，本发明具有如下有益效果：

1.本发明中的测量装置和测量方法，通过双类型电极传感器测量条形金属电极与矩形金属电极之间电阻抗的方式，能够全面反应蔗糖罐内的截面传感器物场信息，使得测量精度较高，在保证测量精度情况下大大减少了数据处理时间，从而能够实时得到蔗糖浆浓度数据。

2.在精度要求较高的情况下可扩大电阻抗值数据的N值，同时通过主成分分析法降低因提高精度而带来的数据冗余问题。

3.通过RBP神经网络浓度计算得到结果精度较高。

附图说明

图1是根据本发明的蔗糖罐内糖浆浓度的测量装置的结构示意图。

图2是根据本发明的RBP神经网络结构示意图。

主要附图标记说明：

1-条形金属电极，2-金属管道，3-矩形金属电极。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

如图1所示，根据本发明具体实施方式的本发明提供了一种蔗糖罐内糖浆浓度的测量装置，包括：双类型电极传感器，其包括：模拟蔗糖罐的金属管道2(在该实施例中，采用金属管道模拟实际蔗糖罐进行实验)，金属管道2为不锈钢制成，高50cm，内半径为6cm，外半径为6.1cm，金属管道2始终处于接地状态；以及一个条形金属电极1以及3个矩形金属电极3(矩形金属电极3还可以大于3个)，电极均由铜制成，矩形金属电极3轴向长度为6cm，宽度为3cm，极板间轴向距离为9.4cm。条形金属电极1半径为0.1cm，长度为2cm。一个条形金属电极1和3个矩形金属电极3沿金属管道2的内壁的周向进行等距设置，从而形成电极阵列，其中，条形金属电极1设于矩形金属电极3的二分之一高度处；在测量时以条形金属电极1为固定电极，测量矩形金属电极3与条形金属电极1之间的电阻抗值，即得到3个电阻抗值数据(在实施例方法中，3个电阻抗值数据无需进行降维和去冗余)。以及糖浆浓度分析系统，用于接收双类型电极传感器采集的3个电阻抗值数据，根据3个电阻抗值数据计算蔗糖罐内糖浆的浓度值，作为优选，糖浆浓度分析系统为计算机系统。

在本实施例中进一步地，蔗糖罐内糖浆的浓度值是基于RBP神经网络进行计算，其中，RBP神经网采用三层模型，如图2所示，输入层由数据源结点组成，为3个电阻抗值数据；中间层为隐层，隐层神经元通过变换函数对输入模式的作用作出响应；第三层为输出层，在本实施例中为蔗糖浆浓度值。输入输出层神经元的个数是由实际问题决定的，而隐层的神经元个数可以凭经验选取。

3个电阻抗值数据作为RBF神经网络输入，对其进行训练，期间利用遗传算法优化RBF神经网络的网络参数，经RBF神经网络训练后使输出的值(即糖浆浓度)达到要求。

根据本发明实施例的另一方面，若设置的矩形金属电极大于3个，由双类型电极传感器采集的电阻抗值数据可能存在冗余信息，且随着极板数目增多，维数也会增大。维数大的采集样本数据会给系统研究提供更为全面的信息，不利的是会相应增加数据采集和后期检测的复杂度。如果减少采集数据变量则会损失有用信息，得出的结论是片面的，甚至可能是错误的，如单测量点检测法得出的测量数据，只能反映该测量点信息，不是反映整个物场截面信息。因此有必要采取一种数据分析方法对采集检测数据进行预处理，降低维数并去除冗余信息。

在该实施例中，采用主成分分析法对采集的多个电阻抗值数据进行降维和去冗余，其具体包括以下步骤：

1、标准化处理原始数据变量(即电阻抗值数据变量)；

各电阻抗值数据量纲不同，数据间差异较大，为了实现电阻抗值数据变量之间的可比性，需要把不同度量的数据转化为相同度量。对电阻抗值数据变量进行标准化处理，以使每一个变量的均值为0，方差为1。

2、相关系数矩阵、特征值和特征向量的计算

对标准化后的m维电阻抗值数据变量进行相关性分析，设r_ij为标准化后电阻抗值数据变量X_i与X_j的相关系数，则r_ij的计算公式为：

相关系数矩阵为：R＝(r_ij)_m*m整理得到，实对称矩阵R＝XX^T/(m-1)。

3、主成分的贡献率分析及主成分的选择

贡献率是第i个主成分电阻抗值数据变量的方差在全部主成分电阻抗值数据变量方差中所占比重β₁为：

贡献率反应了原来m个电阻抗值数据变量包含了原始信息的成分，其中λ_i是对应矩阵X的特征值，i＝1Λm。累积贡献率为前k个主成分电阻抗值数据变量的方差和在全部电阻抗值数据变量方差中所占比重β为：

主成分电阻抗值数据变量的个数选择基于利用较少的主成分电阻抗值数据变量获取足够多的有效数据信息。主成分电阻抗值数据变量个数选择由实际所需精度来确定，一般取累积贡献率β≥80％时主成分电阻抗值数据变量个数。

4、原始电阻抗值数据变量与主成分电阻抗值数据变量之间的相关系数

cov(Y_i,X_j)＝cov(Y_i,u_j1Y₁+u_j2Y₂+Λu_jmY_m)＝u_jiλ_i (2-13)

式(2-13)Y为选取的主成分电阻抗值数据变量；X为原始电阻抗值数据变量；u为X的协方差矩阵的特征向量，其特征根是主成分的方差λ。第k个样本主成分与第j个变量样本之间的相关系数为即因子载荷量，代表选取的主成分反应原始数据中各变量的有效信息率。可见，X_i和Y_j的相关的密切程度取决于对应线性组合系数的大小。

综上，通过上述主成分分析法对采集的多个电阻抗值数据进行降维和去冗余后，将降维和去冗余后的电阻抗值数据变量作为RBF神经网络输入，并对其进行训练，从而得到蔗糖浓度(见上述)，这里不再阐述。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (6)

1.一种蔗糖罐内糖浆浓度的测量装置，其特征在于，包括：

双类型电极传感器，用于采集所述蔗糖罐的截面的多个电阻抗值数据，该双类型电极传感器包括：

一个条形金属电极以及N个矩形金属电极，所述一个条形金属电极和所述N个矩形金属电极沿所述蔗糖罐的内壁的周向进行等距设置，所述矩形金属电极和所述条形金属电极与所述蔗糖罐绝缘，且所述蔗糖罐始终接地，其中，所述条形金属电极设于所述矩形金属电极的二分之一高度处；

以及

糖浆浓度分析系统，用于接收所述双类型电极传感器采集的多个电阻抗值数据，根据所述电阻抗值数据计算所述蔗糖罐内糖浆的浓度值。

2.根据权利要求1所述的测量装置，其特征在于，所述矩形金属电极大于或等于3个。

3.根据权利要求1所述的测量装置，其特征在于，所述糖浆浓度分析系统为计算机系统。

4.一种采用权利要求1所述蔗糖罐内糖浆浓度的测量装置的测量方法，其特征在于，包括以下步骤：

1)以条形金属电极为固定测量电极，测量所述N个矩形金属电极与所述固定测量电极之间的电阻抗值，共得到N个电阻抗值数据；

2)所述糖浆浓度分析系统接收所述N个电阻抗值数据，当所述电阻抗值数据小于或等于3个，根据所述电阻抗值数据计算所述糖浆的浓度值；当所述电阻抗值数据大于3个，对所述电阻抗值数据进行降维和去冗余，再根据进行降维和去冗余后的所述电阻抗值数据计算所述糖浆的浓度值。

5.根据权利要求4所述的测量方法，其特征在于，当所述电阻抗值数据大于3个，采用主成分分析法对所述电阻抗值数据进行降维和去冗余，具体包括以下步骤：

21)标准化处理电阻抗值数据变量，使每一个所述电阻抗值数据变量的均值为0，方差为1；

22)对标准化后的m维所述电阻抗值数据变量进行相关性分析；设r_ij为标准化后所述电阻抗值数据变量X_i与X_j的相关系数，则r_ij的计算公式为相关系数矩阵为：R＝(r_ij)_m*m；根据相关系数矩阵整理得到实对称矩阵R＝XX^T/(m-1)，其中，X为原始电阻抗值数据变量集合；

23)主成分电阻抗值数据变量的贡献率分析及主成分电阻抗值数据变量的选择；其中贡献率是第i个主成分电阻抗值数据变量的方差在全部主成分电阻抗值数据变量方差中所占比重β₁，累积贡献率为根据累计贡献率β≥80％时取主成分电阻抗值数据变量的个数，其中，λ_i为X的特征值，i＝1…m；

24)利用cov(Y_i,X_j)＝cov(Y_i,u_j1Y₁+u_j2Y₂+Lu_jmY_m)＝u_jiλ_i求原始电阻抗值数据变量与主成分电阻抗值数据变量之间的相关系数，其中，Y为选取的主成分电阻抗值数据变量；X为原始电阻抗值数据变量；u为X的协方差矩阵的特征向量。

6.根据权利要求4所述的测量方法，其特征在于，所述电阻抗值数据输入RBP神经网络进行训练，训练后所述RBP神经网络输出所述糖浆的浓度值。