CN109596545A - 全光谱水质监测设备质控方法 - Google Patents

Abstract

本发明实施例涉及一种全光谱水质监测设备质控方法，所述光谱水质监测设备质控方法包括：对全光谱水质监测设备建立设备质控模型；设备质控模型包括第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵和模型迭代次数；根据第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵和模型迭代次数训练设备质控模型；根据训练后的设备质控模型对第二水质可观变量集合进行解析，得到水质隐藏变量数据；将水质隐藏变量数据发送至全光谱水质监测设备；全光谱水质监测设备根据水质隐藏变量数据进行水质监测校准。

Description

全光谱水质监测设备质控方法

技术领域

本发明涉及水质监测领域，尤其涉及一种全光谱水质监测设备质控方法。

背景技术

随着国家对环保的日益重视，水质监测行业已成为我国环保领域重点发展项目之一。传统水质监测是通过化学试剂来进行反应，然后再通过比色法等来测量水质。虽然化学法监测水质更为准确，但是建站费用高、需要定期维护化学试剂、监测周期较长，难以实现大规模部署。而基于多光谱吸收率相关性的认知分析所衍生的光谱法，无需化学试剂，测量时间短。但由于光谱法是基于直接监测水吸收的光谱而得到的结果，因此在实际水环境中，监测结果可能会受到水的浊度、色度等其他因素的影响，使得监测结果不准确。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种全光谱水质监测设备质控方法，对全光谱水质监测设备建立设备质控模型的方式，刻画当前待监测水样的隐藏状态，从而对全光谱水质监测设备进行质控调优，使得全光谱水质监测设备可以避免因水样差异带来的计算误差，所得到水质监测结果更为准确。

为实现上述目的，本发明提供了一种全光谱水质监测设备质控方法，包括：

对全光谱水质监测设备建立设备质控模型；所述设备质控模型包括第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵和模型迭代次数；

根据所述第一水质可观变量集合、所述预设的水质隐藏变量个数范围、所述预设的初始概率状态矩阵和所述模型迭代次数训练所述设备质控模型；

根据训练后的设备质控模型对第二水质可观变量集合进行解析，得到水质隐藏变量数据；

将所述水质隐藏变量数据发送至所述全光谱水质监测设备；

所述全光谱水质监测设备根据所述水质隐藏变量数据进行水质监测校准。

优选的，在所述根据所述第一水质可观变量集合、所述预设的水质隐藏变量个数、所述预设的初始概率状态矩阵和所述模型迭代次数训练所述设备质控模型之前，所述方法还包括：

所述设备质控模型获取所述预设的初始概率状态矩阵。

优选的，所述根据所述第一水质可观变量集合、所述预设的水质隐藏变量个数范围、所述预设的初始概率状态矩阵和所述模型迭代次数训练所述设备质控模型具体为：

根据所述第一水质可观变量集合、所述预设的水质隐藏变量个数范围、所述预设的初始概率状态矩阵得到水质隐藏变量集合；

根据所述第一水质可观变量集合、所述水质隐藏变量集合、所述预设的水质隐藏变量个数范围、所述预设的初始概率状态矩阵、所述模型迭代次数和所述预设的训练算法训练设备质控模型。

进一步优选的，所述预设的训练算法训练为向前向后算法。

优选的，在所述根据所述第一水质可观变量集合、所述水质隐藏变量集合、所述预设的水质隐藏变量个数范围、所述预设的初始概率状态矩阵、所述模型迭代次数和所述预设的训练算法训练设备质控模型之后，所述方法还包括：

根据训练结果从所述预设的水质隐藏变量个数范围中确定水质隐藏变量的个数。

进一步优选的，在所述根据训练结果从所述预设的水质隐藏变量个数范围中确定水质隐藏变量的个数之后，所述方法还包括：

根据所述训练后的设备质控模型和所述水质隐藏变量的个数对第二水质可观变量集合进行解析，得到水质隐藏变量数据，用以所述全光谱水质监测设备根据所述水质隐藏变量数据进行水质监测校准。

优选的，所述对全光谱水质监测设备建立设备质控模型具体为：

根据时间参数获取与所述时间参数相匹配获取所述第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵和模型迭代次数，并根据所述第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵和模型迭代次数建立所述设备质控模型。

优选的，在所述全光谱水质监测设备根据所述水质隐藏变量数据进行水质监测校准之后，所述方法还包括：

获取所述全光谱水质监测设备进行水质监测校准后所得到的水质监测结果数据；

根据所述水质监测结果数据、所述预设的初始概率状态矩阵和所述模型迭代次数训练所述设备质控模型。

本发明实施例提供的全光谱水质监测设备质控方法，对全光谱水质监测设备建立设备质控模型的方式，刻画当前待监测水样的隐藏状态，从而对全光谱水质监测设备进行质控调优，使得全光谱水质监测设备可以避免因水样差异带来的计算误差，所得到水质监测结果更为准确。

附图说明

图1为本发明实施例提供的全光谱水质监测设备质控方法流程图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

为了更好的理解本发明提供的全光谱水质监测设备质控方法，首先对基于光谱测量的全光谱水质监测原理进行简要说明。

待监测的水样的对于光吸收程度和水样浓度的关系是遵循朗伯比尔定律的。朗伯比尔定律是描述物质对某一波长光吸收的强弱与吸光物质的浓度及其液层厚度间的关系的定律。

朗伯比尔定律数学表达式：A＝lg(1/T)＝Kbc。(式1)

其中，A为吸光度；T为透光度,可以理解为出射光强度比入射光强度；K为摩尔吸收系数，它与吸收物质的性质及入射光的波长λ有关；c为吸光物质的浓度，单位为mol/L；b为吸收层厚度，单位为cm。也就是说，当一束平行单色光垂直通过吸光物质时,吸光度A与吸光物质的浓度c及吸收层厚度b成正比，且透光度T与c、b成反比。

待监测的水样中不同的物质对不同波长的光的吸收强度不同，并且待监测的水样中的物质都存在其相对应的光谱。当使用包括紫外光、可见光、红外光的全光谱光源照射待监测的水样时，由于全光谱光源所发出的光是全谱的，也就是包括所有的光波，全光谱水质监测设备可以监测待监测水样中对各种波长的光吸收度，相应得到待监测的水样中各种物质的分布。

但是，由于光谱法直接测量的是待监测的水样中物质的吸收光谱，而基于实验室建立的标准液体吸收光谱的模型，在实际水环境中可能会受到浊度、色度、水温等其他因素的影响，造成标准液体吸收光谱的模型数据不准确。当全光谱水质监测设备只使用标准液体吸收光谱的模型进行水质监测时，全光谱水质监测设备所得到的数据也会不准确。因此，基于实时光谱数据建立水质指标与高相关性波段光谱的设备质控模型，对全光谱水质监测设备进行质控，对全光谱水质监测设备基于标准液体吸收光谱的模型所得到的数据进行校正和调优，可以避免因水样差异带来的计算误差，使全光谱水质监测设备具有广泛化的适用范围的同时，也能根据局地水环境进行数据的校正和调优。

本发明所述全光谱水质监测设备质控方法，用于对全光谱水质监测设备基于标准液体吸收光谱的模型所得到的数据进行校正和调优，其方法流程图如图1所示，包括如下步骤：

步骤110，对全光谱水质监测设备建立设备质控模型；

具体的，隐马尔可夫模型(Hidden Markov Model，HMM)是一种统计模型，它用来描述一个含有隐含未知参数的马尔科夫过程，通过HMM模型，可以从可观察的参数中确定该过程中的隐含参数。也就是说，通过对全光谱水质监测设备建立一个基于HMM模型的设备质控模型，可以刻画出当前观测序列的隐藏状态，从而对全光谱水质监测设备进行校正调优。

根据时间参数获取与时间参数相匹配获取所述第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵和模型迭代次数，并根据第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵和模型迭代次数建立基于HMM模型的设备质控模型。

其中，第一水质可观变量集合可以理解为全光谱水质监测设备的历史观测序列，也就是全光谱水质监测设备在没有进行设备校正前，所检测到的待监测的水样中物质的光谱数据，也可以理解为样本数据。

预设的水质隐藏变量个数范围可以理解为影响水质监测数据的隐含参数的数目范围。可以理解的是，本领域技术人员可以根据实际需要自行设置预设的水质隐藏变量个数范围，使得水质隐藏变量个数在一个合理的区间内，均方误差达到最小，不会因水质隐藏变量个数过大而造成运算缓慢，也不会因水质隐藏变量个数过小而造成计算不准确。

预设的初始概率状态矩阵可以理解为待监测的水样中物质的初始状态数据。在对全光谱水质监测设备建立一个基于HMM模型的设备质控模型之前，设备质控模型需要获取预设的初始概率状态矩阵。可以理解的是，本领域技术人员可以根据实际需要自行设置预设的初始概率状态矩阵，使得预设的初始概率状态矩阵符合当前计算需求。

模型迭代次数可以理解为设备质控模型训练时的循环次数。

步骤120，训练设备质控模型；

具体的，首先，在设备质控模型中根据第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵得到水质隐藏变量集合。水质隐藏变量集合可以理解为通过设备质控模型计算历史观测序列所刻画出的历史观测序列的隐藏状态序列，也就是影响待监测的水样中物质吸收光谱的不可观测的因素集合。这一过程为在训练设备质控模型前的前置步骤，也就是首次使用备质控模型时所需步骤。

在得到了水质隐藏变量集合后，还需要根据第一水质可观变量集合、水质隐藏变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵、模型迭代次数和预设的训练算法训练设备质控模型，并根据训练结果从预设的水质隐藏变量个数范围中确定最优的水质隐藏变量的个数。其中，所使用的预设的训练算法为向前向后算法(Forwardbackward algorithm)。模型迭代次数可以理解为模型训练次数。水质隐藏变量的个数可以理解为影响待监测的水样中物质吸收光谱的不可观测的因素的数目，且这个数据是使得均方误差最小的数目。这一过程可以理解为设备质控模型学习偏差的过程。

进一步具体的，在HMM模型中，已知隐藏状态的集合，观察值的集合，以及一个观察序列(第一水质可观变量集合)，求使得该观察序列出现的可能性最大的模型参数。这正好就是向前向后算法要求解的问题：已知一系列的观察值X，在隐含变量Y未知的情况下求最佳参数θ*，使得：

其中，∏为初始状态概率矩阵，X为第一水质可观变量集合，Y为水质隐藏变量集合，θ为模型参数，也可以理解为设备质控模型学习偏差的参数，θ*可以理解为设备质控模型学习偏差的最佳参数。

在HMM模型进行训练的过程中，会不断完善模型参数，得到更优的最佳参数θ*，使得设备质控模型学习偏差更小，从而使得设备质控模型更加完善。

在一个具体的例子中，水质监测设备在三个月内以每两个小时进行一次数据采集的频率采集待监测水样的全光谱反射值，反射值范围为200nm至732.5nm，每2.5nm为一个反射值，共213个波段。在这三个月中对设备质控模型进行训练，并分别测试隐藏状态数目为3、6、12、30下的训练结果，最终得到隐藏状态数目为12时，均方误差达到最小。也就是说，此例中从预设的水质隐藏变量个数范围为“3、6、12、30”中确定水质隐藏变量的个数为12。

步骤130，根据训练后的设备质控模型对第二水质可观变量集合进行解析；

具体的，与第一水质可观变量集合相对应，第二水质可观变量集合可以理解为当前全光谱水质监测设备的待监测水样的全光谱观测序列，第二水质可观变量集合是当前需要被监测的数据，而非历史性(样本)的数据。第二水质可观变量集合可以是全光谱水质监测设备通过标准液体吸收光谱的模型对待监测水样进行光谱解析所得到的。标准液体吸收光谱的模型可以理解为基于实验室建立的在理想状态下，水样中的物质与光谱关系的对照模型。

设备质控模型在训练完成后，就可以使用设备质控模型对水质监测设备进行质控了。首先，根据训练后的设备质控模型对第二水质可观变量集合进行解析，得到水质隐藏变量数据。水质隐藏变量数据可以理解为当前待监测水样水质的隐藏状态数据，也就是造成标准液体吸收光谱的模型数据不准确的数据，例如水样的色度、水温等数据。

步骤140，全光谱水质监测设备根据水质隐藏变量数据进行水质监测校准；

具体的，设备质控模型向全光谱水质监测设备发送水质隐藏变量数据，使得全光谱水质监测设备根据水质隐藏变量数据进行水质监测校准。水质监测校准可以包括水质浓度数据等的关于水质监测的结果数据的校准。这一过程可以理解为通过基于HMM的设备质控模型刻画出当前观测序列的隐藏状态，从而实现对全光谱水质监测设备进行质控、调优的过程。

优选的，设备质控模型存储于云服务器中，云服务器与全光谱水质监测设备通过网络进行数据交互。这样可以使得设备质控模型中的数据可以共享于多个全光谱水质监测设备中，且对每个全光谱水质监测设备所进行的质控都是闭环的。

优选的，在全光谱水质监测设备根据水质隐藏变量数据进行水质监测校准之后，设备质控模型需要获取全光谱水质监测设备进行水质监测校准后所得到的水质监测结果数据。并根据水质监测结果数据、预设的初始概率状态矩阵和模型迭代次数再次训练设备质控模型。

本发明实施例提供的全光谱水质监测设备质控方法，对全光谱水质监测设备建立设备质控模型的方式，刻画当前待监测水样的隐藏状态，从而对全光谱水质监测设备进行质控调优，使得全光谱水质监测设备可以避免因水样差异带来的计算误差，所得到水质监测结果更为准确。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种全光谱水质监测设备质控方法，其特征在于，所述光谱水质监测设备质控方法包括：

对全光谱水质监测设备建立设备质控模型；所述设备质控模型包括第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵和模型迭代次数；

根据所述第一水质可观变量集合、所述预设的水质隐藏变量个数范围、所述预设的初始概率状态矩阵和所述模型迭代次数训练所述设备质控模型；

根据训练后的设备质控模型对第二水质可观变量集合进行解析，得到水质隐藏变量数据；

将所述水质隐藏变量数据发送至所述全光谱水质监测设备；

所述全光谱水质监测设备根据所述水质隐藏变量数据进行水质监测校准。

2.根据权利要求1所述的全光谱水质监测设备质控方法，其特征在于，在所述根据所述第一水质可观变量集合、所述预设的水质隐藏变量个数、所述预设的初始概率状态矩阵和所述模型迭代次数训练所述设备质控模型之前，所述方法还包括：

所述设备质控模型获取所述预设的初始概率状态矩阵。

3.根据权利要求1所述的全光谱水质监测设备质控方法，其特征在于，所述根据所述第一水质可观变量集合、所述预设的水质隐藏变量个数范围、所述预设的初始概率状态矩阵和所述模型迭代次数训练所述设备质控模型具体为：

根据所述第一水质可观变量集合、所述预设的水质隐藏变量个数范围、所述预设的初始概率状态矩阵得到水质隐藏变量集合；

根据所述第一水质可观变量集合、所述水质隐藏变量集合、所述预设的水质隐藏变量个数范围、所述预设的初始概率状态矩阵、所述模型迭代次数和所述预设的训练算法训练设备质控模型。

4.根据权利要求3所述的全光谱水质监测设备质控方法，其特征在于，所述预设的训练算法训练为向前向后算法。

5.根据权利要求1所述的全光谱水质监测设备质控方法，其特征在于，在所述根据所述第一水质可观变量集合、所述水质隐藏变量集合、所述预设的水质隐藏变量个数范围、所述预设的初始概率状态矩阵、所述模型迭代次数和所述预设的训练算法训练设备质控模型之后，所述方法还包括：

根据训练结果从所述预设的水质隐藏变量个数范围中确定水质隐藏变量的个数。

6.根据权利要求5所述的全光谱水质监测设备质控方法，其特征在于，在所述根据训练结果从所述预设的水质隐藏变量个数范围中确定水质隐藏变量的个数之后，所述方法还包括：

根据所述训练后的设备质控模型和所述水质隐藏变量的个数对第二水质可观变量集合进行解析，得到水质隐藏变量数据，用以所述全光谱水质监测设备根据所述水质隐藏变量数据进行水质监测校准。

7.根据权利要求1所述的全光谱水质监测设备质控方法，其特征在于，所述对全光谱水质监测设备建立设备质控模型具体为：

根据时间参数获取与所述时间参数相匹配获取所述第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵和模型迭代次数，并根据所述第一水质可观变量集合、预设的水质隐藏变量个数范围、预设的初始概率状态矩阵和模型迭代次数建立所述设备质控模型。

8.根据权利要求1所述的全光谱水质监测设备质控方法，其特征在于，在所述全光谱水质监测设备根据所述水质隐藏变量数据进行水质监测校准之后，所述方法还包括：

获取所述全光谱水质监测设备进行水质监测校准后所得到的水质监测结果数据；

根据所述水质监测结果数据、所述预设的初始概率状态矩阵和所述模型迭代次数训练所述设备质控模型。