CN106769731B - 颗粒物浓度的测量方法及装置 - Google Patents
颗粒物浓度的测量方法及装置 Download PDFInfo
- Publication number
- CN106769731B CN106769731B CN201611262460.7A CN201611262460A CN106769731B CN 106769731 B CN106769731 B CN 106769731B CN 201611262460 A CN201611262460 A CN 201611262460A CN 106769731 B CN106769731 B CN 106769731B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- light
- parameters
- concentration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000013618 particulate matter Substances 0.000 title claims description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 230000028161 membrane depolarization Effects 0.000 claims abstract description 23
- 239000002245 particle Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000000691 measurement method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000010287 polarization Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 claims 1
- 230000006698 induction Effects 0.000 claims 1
- 238000000149 argon plasma sintering Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 230000005250 beta ray Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种颗粒物浓度的测量方法及装置,所述颗粒物浓度的测量方法包括以下步骤:(A1)建立神经网络模型;(A2)测量获得待测颗粒物的退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度,并将其输入所述神经网络模型;所述退偏比为侧向散射光的退偏比;(A3)神经网络模型输出修正后的颗粒物浓度。本发明具有颗粒物浓度实时校正、测量结果准确等优点。
Description
技术领域
本发明涉及颗粒物浓度监测领域,特别涉及一种基于光散射原理的颗粒物浓度测量方法及装置。
背景技术
目前,颗粒物浓度的测量方法主要包括:标准称重法、振荡天平法、β射线法和光散射法,光而散射法因其重复性好、灵敏度高等优势广泛应用于在线颗粒物监测领域。然而,光散射法是基于光的散射原理进行测量的,对环境的适应性很差,散射信号很容易受到颗粒物粒径的大小、形状,折射率及环境温湿度等因素的影响,因此需要对浓度转换系数K值进行定时校准。通常采用光散射法与β射线法、光散射法与振荡天平法(或滤膜称重法)等联用技术来实现K值的定时校准,同时还需采用动态加热系统来减小温湿度的影响,从而保证光散射法检测结果的准确性。虽然联用技术在一定程度上可以对K值进行校准,但仍存在以下缺陷:
1、不能对K值进行实时校准,一般是在颗粒物测量一段时间后(如2小时)才会对K值进行校准;
2、联用技术引入β射线法或振荡天平法或滤膜称重法,提高了成本,增大了系统的复杂程度,装置整体体积增大,无法进行便携式颗粒物测量。
发明内容
为了解决上述现有技术方案中的不足,本发明提供了一种实时校正、测量结果准确可靠,有效降低颗粒物颜色、形状、粒径、温湿度等因素对散射信号影响的颗粒物浓度的测量方法。
本发明的目的是通过以下技术方案实现的:
一种颗粒物浓度的测量方法,所述测量方法包括以下步骤:
(A1)建立神经网络模型;
(A2)测量获得待测颗粒物的退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度,并将其输入所述神经网络模型;所述退偏比为侧向散射光的退偏比;
(A3)神经网络模型输出修正后的颗粒物浓度。
根据上述的测量方法,优选地,所述神经网络模型的建立方法如下:
获取输入端参数与输出端参数的系列数据,所述输入端参数包括:退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度,所述输出端参数为颗粒物实际浓度;
将所述输入端参数的系列数据进行归一化处理;
将所述输入端参数的归一化数据作为输入端,颗粒物实际浓度的系列数据作为输出端,神经网络对所述输入端参数的归一化数据和颗粒物实际浓度的系列数据进行训练,从而建立神经网络模型。
根据上述的测量方法,可选地,引入BP神经网络学习算法或RBF神经网络学习算法进行数据训练,建立神经网络模型。
根据上述的测量方法,优选地,待测颗粒物的退偏比、侧向散射信号和后向散射信号通过颗粒物浓度的测量装置测量获得。
本发明还提供一种结构简单、体积小、成本低的颗粒物浓度测量装置,所述测量装置包括:
侧向散射单元,所述侧向散射单元包括:准直透镜组、偏振分束镜、第一探测器和第二探测器;所述偏振分束镜将准直后的侧向散射光分束,形成水平偏振光和垂直偏振光,所述水平偏振光和垂直偏振光分别进入所述第一探测器和第二探测器进行检测;
后向散射单元,所述后向散射单元包括:聚焦透镜和第三探测器,经聚焦后的侧向散射光进入所述第三探测器进行检测。
根据上述的测量装置,可选地,所述第一探测器、第二探测器和第三探测器均为PIN光电二极管。
与现有技术相比,本发明具有的有益效果为:
1、本发明将退偏比、侧向散射信号、后向散射信号、温湿度数据作为输入端,颗粒物实际浓度作为输出端进行自学习,学习足够的样本后建立神经网络模型,所述神经网路模型有效修正了颗粒物颜色、粒径、形状、粒子折射率、温湿度等因素对光散射信号的影响。
2、本发明采用偏振分束镜对侧向散射光分成水平偏振光和垂直偏振光,从而获得退偏比,侧向散射信号;同时与测量后获得的后向散射信号、环境温度及相对湿度一起输入神经网络模型,从而获得实时校正的颗粒物浓度,检测结果准确可靠。
3、本发明的测量装置无需引入β射线法与动态加热系统,大大降低成本,同时装置结构简单、体积小。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于举例说明本发明的技术方案,而并非意在对本发明的保护范围构成限制。图中:
图1是本发明实施例1的颗粒物浓度测量装置的结构简图;
图2是本发明实施例1的颗粒物浓度测量方法的神经网络模型示意图。
实施方式
图1-2以下说明描述了本发明的可选实施方式以教导本领域技术人员如何实施和再现本发明。为了教导本发明技术方案,已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型或替换将在本发明的范围内。本领域技术人员应该理解下述特征能够以各种方式组合以形成本发明的多个变型。由此,本发明并不局限于下述可实施方式,而仅由权利要求和它们的等同物限定。
实施例1
图1示意性地给出了本实施例的颗粒物浓度测量装置的结构简图,如图1所示,所述颗粒物浓度测量装置包括光源1、准直透镜2、光感应区3、光阱4,所述测量装置进一步包括:
侧向散射单元5,所述侧向散射单元包括:准直透镜组51、偏振分束镜52、第一探测器53和第二探测器54;所述偏振分束镜将准直后的侧向散射光分束,形成水平偏振光和垂直偏振光,所述水平偏振光和垂直偏振光分别进入所述第一探测器和第二探测器进行检测;
后向散射单元6,所述后向散射单元包括:聚焦透镜61和第三探测器62,经聚焦后的侧向散射光进入所述第三探测器进行检测。
图2示意性地给出了本实施例的颗粒物浓度测量方法的神经网络模型示意图,如图2所示,所述颗粒物浓度的测量方法包括以下步骤:
(A1)建立神经网络模型;
(A2)测量获得待测颗粒物的退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度,并将其输入所述神经网络模型;所述退偏比为侧向散射光的退偏比;所述退偏比、侧向散射信号和后向散射信号通过上述颗粒物浓度的测量装置测量获得,环境温度与相对湿度通过温湿度表测量获得;
(A3)神经网络模型输出修正后的颗粒物浓度。
进一步地,所述神经网络模型的建立方法如下:
获取输入端参数与输出端参数的系列数据,所述输入端参数包括:退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度,所述输出端参数为颗粒物实际浓度;
将所述输入端参数的系列数据进行归一化处理;
将所述输入端参数的归一化数据作为输入端,颗粒物实际浓度的系列数据作为输出端,神经网络对所述输入端参数的归一化数据和颗粒物实际浓度的系列数据进行训练,从而建立神经网络模型。
进一步地,引入BP神经网络学习算法或RBF神经网络学习算法进行数据训练,建立神经网络模型。
通过神经网络学习算法将输入端参数的数据和输出端参数的数据进行大量训练,从而建立神经网络模型的方法为现有技术,在此不再赘述。
本实施例的优势在于:1、将测量获得的退偏比、侧向散射信号、后向散射信号、温湿度数据输入神经网络模型,直接输出修正后的待测颗粒物浓度,所述神经网络模型通过大量数据经神经网络算法训练获得,实时对颗粒物颜色、粒径、形状、离子折射率、温湿度等因素进行修正,输出结果准确可靠,适用于颗粒物浓度的在线监测系统;2、无需引入β射线法与动态加热系统,装置结构简单、体积小、成本低。
实施例2
本实施例为本发明实施例1的颗粒物浓度测量方法及装置在大气监测领域的应用例。
在该应用例中,光源为激光二极管,第一探测器、第二探测器和第三探测器均为PIN光电二极管,第一探测器输出侧向散射光的垂直偏振光信号I1,第二探测器输出侧向散射光的水平偏振光信号I2,从而获得退偏比D=I1/I2;侧向散射信号I侧向=I1+I2;第三传感器输出后向散射信号I后向。同时,通过温湿度表获得环境温度T与相对湿度H,将所述退偏比D、侧向散射信号I侧向、后向散射信号I后向、环境温度T和相对湿度H输入已建立的神经网络模型中,输出待测颗粒物的实际浓度。
Claims (3)
1.一种具有实时校正功能的颗粒物浓度的测量方法,其特征在于:所述测量方法包括以下步骤:
(A1)建立神经网络模型;
(A2)激光二极管发出光射入光感应区,之后进入光阱内;测量获得待测颗粒物的侧向散射光的退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度,并将其输入所述神经网络模型;所述退偏比为侧向散射光的退偏比;
(A3)神经网络模型输出修正后的颗粒物浓度;
所述退偏比、侧向散射信号和后向散射信号通过颗粒物浓度的测量装置测量获得,所述测量装置包括:
侧向散射单元,所述侧向散射单元包括:准直透镜组、偏振分束镜、第一探测器和第二探测器;所述偏振分束镜将准直后的侧向散射光分束,形成水平偏振光和垂直偏振光,所述水平偏振光和垂直偏振光分别进入所述第一探测器和第二探测器进行检测;
后向散射单元,所述后向散射单元包括:聚焦透镜和第三探测器,经聚焦后的侧向散射光进入所述第三探测器进行检测。
2.根据权利要求1所述的测量方法,其特征在于:所述神经网络模型的建立方法如下:
获取输入端参数与输出端参数的系列数据,所述输入端参数包括:退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度,所述输出端参数为颗粒物实际浓度;
将所述输入端参数的系列数据进行归一化处理;
将所述输入端参数的归一化数据作为输入端,颗粒物实际浓度的系列数据作为输出端,神经网络对所述输入端参数的归一化数据和颗粒物实际浓度的系列数据进行训练,从而建立神经网络模型。
3.根据权利要求2所述的测量方法,其特征在于:引入BP神经网络学习算法或RBF神经网络学习算法进行数据训练,建立神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611262460.7A CN106769731B (zh) | 2016-12-30 | 2016-12-30 | 颗粒物浓度的测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611262460.7A CN106769731B (zh) | 2016-12-30 | 2016-12-30 | 颗粒物浓度的测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106769731A CN106769731A (zh) | 2017-05-31 |
CN106769731B true CN106769731B (zh) | 2020-01-31 |
Family
ID=58954098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611262460.7A Active CN106769731B (zh) | 2016-12-30 | 2016-12-30 | 颗粒物浓度的测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106769731B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109752299A (zh) * | 2018-12-25 | 2019-05-14 | 上海龙涤环保技术工程有限公司 | 一种油烟数据在线采集监测装置 |
CN109883930A (zh) * | 2019-03-25 | 2019-06-14 | 中兴仪器(深圳)有限公司 | 一种基于偏振光散射的气溶胶颗粒折射率测量方法 |
CN110907316A (zh) * | 2019-12-16 | 2020-03-24 | 中国科学院大气物理研究所 | 一种用于单颗粒物前后向散射及退偏比测量的光路系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201210132Y (zh) * | 2008-06-04 | 2009-03-18 | 太原中绿环保技术有限公司 | 激光后向散射测尘仪 |
CN102564909B (zh) * | 2011-11-29 | 2014-05-07 | 中国科学院安徽光学精密机械研究所 | 激光自混合大气颗粒物多物理参数测量方法和装置 |
CN103969162B (zh) * | 2014-05-09 | 2016-08-31 | 山东科技大学 | 一种基于数据融合的矿井煤尘浓度测量的方法及装置 |
CN104792672A (zh) * | 2015-03-26 | 2015-07-22 | 中国人民解放军陆军军官学院 | Pm2.5质量浓度的高度分布探测装置及其探测方法 |
-
2016
- 2016-12-30 CN CN201611262460.7A patent/CN106769731B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106769731A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106769731B (zh) | 颗粒物浓度的测量方法及装置 | |
CN101802589B (zh) | 液体中粒子大小的检测方法以及装置 | |
CN101699265A (zh) | 动态偏振光散射颗粒测量装置及测量方法 | |
KR101751642B1 (ko) | 대기 관측용 라이다의 소산계수 보정방법 | |
CN106018193A (zh) | 颗粒物光散射测量系统及方法 | |
CN104422640A (zh) | 基于激光散射的空气质量检测系统 | |
CN103712914A (zh) | 同时检测气溶胶消光和散射系数的激光光腔衰荡光谱仪 | |
CN103323424A (zh) | 双通道前向散射能见度检测装置及检测方法 | |
CN109444082B (zh) | 漫反射光谱测量装置及测量方法 | |
CN102590092B (zh) | 用于激光吸收光谱技术的吸收光程延长的装置及方法 | |
CN201622228U (zh) | 动态偏振光散射颗粒测量装置 | |
Deng et al. | Eliminating the effects of refractive indices for both white smokes and black smokes in optical fire detector | |
CN104122231A (zh) | 一种在线式自校准水质浊度检测系统 | |
CN110987736B (zh) | 一种气溶胶粒谱与浓度测量装置及方法 | |
CN105092426A (zh) | 纳米颗粒90度散射光谱的测量方法 | |
CN106442680B (zh) | 一种便携式电化学法溶解氧测定仪检定方法 | |
CN105928881B (zh) | 一种透射式视程能见度仪的窗镜消光检测方法及检测装置 | |
CN205103129U (zh) | 新型颗粒物传感器 | |
CN210071661U (zh) | 一种激光气体分析仪 | |
CN105180827A (zh) | 一种检测起重机主梁上拱曲线的装置 | |
CN108226907B (zh) | 用于激光测距设备的测距校准方法和装置 | |
CN203745361U (zh) | 同时检测气溶胶消光和散射系数的激光光腔衰荡光谱仪 | |
CN104568845A (zh) | 水下全角度浊度测量设备与测量方法 | |
CN205262410U (zh) | 一种多点同时测量单面镀膜透镜的镀膜厚度装置 | |
CN204461955U (zh) | 一种粉尘浓度传感器标定量具 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210406 Address after: Hangzhou City, Zhejiang province Binjiang District 310052 shore road 760 Patentee after: Concentrating Technology (Hangzhou) Co.,Ltd. Patentee after: Meijing digital technology (Hangzhou) Co.,Ltd. Address before: Hangzhou City, Zhejiang province Binjiang District 310052 shore road 760 Patentee before: Concentrating Technology (Hangzhou) Co.,Ltd. |
|
TR01 | Transfer of patent right |