CN111812041A - 一种水体cod便携式测量系统及方法 - Google Patents
一种水体cod便携式测量系统及方法 Download PDFInfo
- Publication number
- CN111812041A CN111812041A CN202010601766.0A CN202010601766A CN111812041A CN 111812041 A CN111812041 A CN 111812041A CN 202010601766 A CN202010601766 A CN 202010601766A CN 111812041 A CN111812041 A CN 111812041A
- Authority
- CN
- China
- Prior art keywords
- particle
- cod
- optimal position
- water body
- spectral data
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000000126 substance Substances 0.000 title abstract description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title abstract description 4
- 229910052760 oxygen Inorganic materials 0.000 title abstract description 4
- 239000001301 oxygen Substances 0.000 title abstract description 4
- 239000000523 sample Substances 0.000 claims abstract description 50
- 230000003595 spectral effect Effects 0.000 claims abstract description 31
- 239000013307 optical fiber Substances 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims description 86
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 5
- 229910052744 lithium Inorganic materials 0.000 claims description 5
- 229910052724 xenon Inorganic materials 0.000 claims description 5
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 claims description 5
- 230000000087 stabilizing effect Effects 0.000 claims description 4
- 238000002835 absorbance Methods 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000017525 heat dissipation Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000000862 absorption spectrum Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004847 absorption spectroscopy Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于水质监测技术领域，主要涉及一种水体COD便携式测量系统及方法，包括如下步骤：搭建基于光纤探头的硬件框架；采集水样的光谱数据；构建基于PSO‑PLS算法的COD预测模型；显示输出COD的值。本发明主要利用PSO‑PLS算法建立COD预测模型，可以有效筛选用于水体COD测量建模的波长，以及提取冗长光谱数据信息中的有效变量，从而提高预测模型精度；同时该发明方法及系统可实现水体COD的在线测量，解决了传统实验方法操作复杂、可能造成二次污染、预测模型精度不高等缺陷问题。
Description
技术领域
本发明属于水质监测技术领域，具体涉及一种水体COD便携式测量系统及方法。
背景技术
水是生命存在和经济发展的必要条件。随着社会的进步，水污染问题日益突出，严重威胁着社会的可持续发展和人类的生存。在水质监测中，化学需氧量(Chemical OxygenDemand,COD)是评价水体受有机物污染的重要环境监测指标，也是河流和工业废水水质研究及污水处理厂处理效果评价的重要参数。研究COD测量方法和研制水体COD在线测量设备对控制水污染，保护生态环境具有重要意义。
目前，检测水体COD的主要方法可大致分为两类:第一类是根据化学分析方法来检测COD；第二类是通过物理方法进行检测.化学方法主要以重铬酸钾法与高锰酸盐指数法为代表,其特点是测量精度高、耗时较长、对水样的预处理过程复杂、所用化学试剂易产生二次污染。物理方法主要以紫外吸收光谱法为代表，其特点是分析灵敏度高、不需要对水样进行预处理、无二次污染、操作简便、分析速度快。
紫外-可见吸收光谱法检测水体COD的理论基础为朗伯-比尔定律，该方法通过建立有机化合物吸收光谱和样本浓度之间的线性关系，拟合定标曲线，测定未知浓度溶液吸光度来反演COD的值。其核心技术依赖于光谱分析方法的发展和用于光谱检测的光学器件的不断更新，利用光谱的特性可以分析物质的组成结构，实现对物质进行分类识别或定量分析。而光学精密仪器的发展使得，采集的光谱数据更加完善，完善的光谱数据可以更充分的反映物质的组成成分，利用化学计量学算法提高拟合曲线的精度，实现水体COD的快速、精确、无污染测量。光谱分析方法主要经历了从单波长分析法到光谱分析法的演变过程。从单波长分析法、双波长补偿分析法到多波长建模法。虽然补偿了水中悬浮颗粒物带来的散射干扰，且化学计量法的引入提高了分析精度，但这些方法从本质上依赖于水体中影响水质参数的有机物对特定波长光的特征吸收，同一波长组合建模可能适用于特定应用场景，不具普适性，而全光谱建模法将很好地解决这些问题。
然而原始光谱数据维数高，光谱信息中包含大量冗余变量，直接将全光谱数据进行建模存在精度低，计算复杂等问题。目前，用于全光谱建模的算法主要有偏最小二乘回归(Partial Least Squares Regression,PLSR)、支持向量机回归(Support VectorRegression,SVR)、人工神经网络(Artificial Neural Network，ANN)和机器学习(MachineLearning，ML)等。单一仍然存在光谱信息重叠，预测模型精度不高等问题。
发明内容
本发明的目的是：旨在提供一种水体COD便携式测量方法及系统，用来解决传统水体COD测量操作复杂、成本高、容易引起第二次污染、预测模型精度不高等缺陷问题。
为实现上述技术目的，本发明采用的技术方案如下：
一种水体COD便携式测量方法，包括如下步骤：
步骤1：搭建基于光纤探头的硬件框架，光纤探头作为传感器，浸没在待测水样中，接收水样信息，采集的光信号通过微型光谱仪进行光电转换，输出结果通过显示模块进行显示；
步骤2：采集水样的光谱数据，利用光纤探头采集n组光谱数据，每组光谱数据进行多次采集；
步骤3：构建基于PSO-PLS算法的COD预测模型；
步骤4：显示输出COD的值。
进一步，所述搭建基于光纤探头的硬件框架，光纤探头作为传感器，浸没在待测水样中，接收水样信息，采集的光信号通过微型光谱仪进行光电转换，输出结果通过显示模块进行显示步骤具体实现如下：
将光纤探头，电源模块，显示模块，微型光谱仪，光源模块以及控制系统作为硬件框架，其中电源模块为整个系统供电，光纤探头作为传感器；
将光纤探头浸没在待测水样中，接收水样信息，采集的光信号通过微型光谱仪进行光电转换，输出结果通过显示模块进行显示。
进一步，所述采集水样的光谱数据，利用光纤探头采集n组光谱数据，每组光谱数据进行多次采集步骤具体实现如下：
利用光纤探头采集n组光谱数据，每组光谱数据进行多次采集，采集光谱的参数设置为积分时间为100ms，平均次数为5，平滑度为3，将采集的光谱数据进行处理，删除其中光谱异常值，将剩余的光谱数据作为粒子群算法建模的数据集，数据集每一行为一个COD浓度，每一列为一个波长点，矩阵中的数值为吸光度。
进一步，所述构建基于PSO-PLS算法的COD预测模型步骤具体实现如下：
以上述数据矩阵为输入，设定粒子群算法的目标函数为F(x)＝min(RMSE)，RMSE为预测值和实际值的样本标准偏差，令每一个波长点为一个粒子，筛选建立PLS模型的波长点，Xi＝(xi1,xi2,…,xin)为粒子i的当前位置，Vi＝(vi1,vi2,…,vin)为粒子i的当前飞行速度，Pbesti＝(Pbesti1,Pbesti2,…,Pbestin)为粒子i所经历的最优位置，称为个体最优位置，F(X)为目标函数，粒子的最优值通过以下公式确定：
而种群中粒子的速度和位置更新公式为：
Vij(t+1)＝wvij(t)+c1r1(Pbestij(t)-xij(t))+c2r2(Pbestj(t)-xij(t)) (2)
式中，i表示第i个粒子；j表示粒子的第j维；vij(t)表示粒子i在进化到第t代时的j维飞行速度分量；xij(t)表示粒子在进化到第t代时j维位置分量；Pbestij(t)表示粒子i在进化到第t代时的j维个体最优位置Pbesti分量；Gbestj(t)表示进化到t代时整个粒子群最优位置Gbest的j维分量；C1,C2为学习因子；r1,r2为[0,1]的随机数。
进一步，还包括如下步骤：
随机初始化所有粒子的速度和位置，每个粒子的最优位置Pbesti设为其初始位置，种群的最优位置Gbest设置为初始粒子的全局最优位置；
根据式(1)与式(2)调整当前粒子的位置和速度；
将每个粒子的当前位置与其历史最优位置进行比较，若优于历史最优位置，则将当前位置作为个体的最优位置，否则，沿用历史最优位置；
将每个粒子的个体最优位置与群体最优位置进行比较，若优于群体最优位置则替代之，否则群体最优位置保持不变；
检查算法终止条件，若满足条件，则终止迭代，否则返回步骤2；
粒子群算法中的参数包含种群规模N，学习因子C1和C2，粒子最大速度Vmax，最大迭代次数T；
其中，粒子的最大速度Vmax是为了防止粒子速度过大而超出搜索范围，并对粒子速度进行限制；
采用N表示种群的规模，种群粒子数越多，表示模型寻找最优解的能力就会越强，因为种群粒子数太大，寻找最优解的速度就会减慢；学习因子C1和C2能平衡粒子在向最优解位置方向运动的权重，取C1＝C2，C1,C2的取值范围为0-4；最大迭代次数T表示算法的终止条件，该数值一般通过实验观察特定迭代次数下找到最优解的次数和解的质量，然后在求解过程所耗时间和求解精度之间取一个合适的值，w为惯性权重，表示的为全局搜索能力和局部搜索能力的权重大小，w越大，全局搜索能力越强，w越小，局部搜索能力越强。
进一步，所述显示输出COD的值步骤具体实现如下：
将粒子群算法优选的波长输入到上位机中，每次对水样进行测量时，上位机将采用优选的波长数据建立的PLS建模，输出将显示最终COD的值。
一种水体COD便携式测量系统，包括工控机，操作系统和触摸屏、为整个箱体系统提供散热的风扇、可充电锂电池、稳压模块、电压转换模、单片机、脉冲氙灯光源、微型光谱仪。
进一步，还包括基于LabVIEW编程语言编写的软件界面，用于实现水样的实时在线测量。
进一步，所述COD在线测量，根据朗伯-比尔定律，通过测量有机物对紫外光的吸收程度，计算水中COD的总量。
采用上述技术方案的发明，具有如下优点：
1、本发明主要利用PSO-PLS算法建立COD预测模型，可以有效筛选用于水体COD测量建模的波长，以及提取冗长光谱数据信息中的有效变量，从而提高预测模型精度；
2、同时该发明方法及系统可实现水体COD的在线测量；
3、解决了传统实验方法操作复杂、可能造成二次污染等缺陷问题。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明；
图1为本发明一种水体COD便携式测量系统硬件框图；
图2为本发明一种水体COD便携式测量系统结构图；
图3为一种水体COD便携式测量方法流程图；
主要元件符号说明如下：
工控机1、散热风扇2、充电锂电池3、稳压模块4、电压转化模块5、单片机6、氙灯光源7、微型光谱仪8。
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明，需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。另外，实施例中提到的方向用语，例如“上”、“下”、“顶”、“底”、“左”、“右”、“前”、“后”等，仅是参考附图的方向，并非用来限制本发明的保护范围。
如图1～2所示，本实施例的一种水体COD便携式测量系统，包括工控机1搭载WIN7操作系统和触摸屏，12v供电散热风扇2，为整个箱体系统提供散热，12v15ah可充电锂电池3，提供约8h的连续工作时长的12v稳压模块4，将锂电池的输出稳定为12v、5v电压转换模5，输出电压转换为5v给光源供电stm32单片机6，提供脉冲方波触发光源及与上位机通信5w脉冲氙灯光源7，提供200nm-400nm波段的紫外光微型光谱仪8，实现光电转换。软件部分基于LabVIEW编程语言编写软件界面实现水样的实时在线测量。
STM32单片机6通过发出PWM波实现对脉冲氙灯的触发和控制，可以在工控机1显示屏上软件界面操作调节脉冲氙灯7的光强。STM32单片机6通过USB与光谱仪8通信，控制光谱仪8将接收到的光信号转化成电信号并在软件界面显示光谱图像。
如图3所示，构建基于PSO-PLS算法的COD预测模型及数据集：以数据矩阵为输入，设定粒子群算法的目标函数为F(x)＝min(RMSE)，RMSE为预测值和实际值的样本标准偏差，令每一个波长点为一个粒子，筛选建立PLS模型的波长点，Xi＝(xi1,xi2,…,xin)为粒子i的当前位置，Vi＝(vi1,vi2,…,vin)为粒子i的当前飞行速度，Pbesti＝(Pbesti1,Pbesti2,…,Pbestin)为粒子i所经历的最优位置，称为个体最优位置，F(X)为目标函数，粒子的最优值通过以下公式确定：
而种群中粒子的速度和位置更新公式为：
Vij(t+1)＝wvij(t)+c1r1(Pbestij(t)-xij(t))+c2r2(Pbestj(t)-xij(t)) (2)
式中，i表示第i个粒子；j表示粒子的第j维；vij(t)表示粒子i在进化到第t代时的j维飞行速度分量；xij(t)表示粒子在进化到第t代时j维位置分量；Pbestij(t)表示粒子i在进化到第t代时的j维个体最优位置Pbesti分量；Gbestj(t)表示进化到t代时整个粒子群最优位置Gbest的j维分量；C1,C2为学习因子；r1,r2为[0,1]的随机数。
随机初始化所有粒子的速度和位置，每个粒子的最优位置Pbesti设为其初始位置，种群的最优位置Gbest设置为初始粒子的全局最优位置；
根据式(1)与式(2)调整当前粒子的位置和速度；
将每个粒子的当前位置与其历史最优位置进行比较，若优于历史最优位置，则将当前位置作为个体的最优位置，否则，沿用历史最优位置；
将每个粒子的个体最优位置与群体最优位置进行比较，若优于群体最优位置则替代之，否则群体最优位置保持不变；
检查算法终止条件，若满足条件，则终止迭代，否则返回步骤2；
粒子群算法中的参数包含种群规模N，学习因子C1和C2，粒子最大速度Vmax，最大迭代次数T；
其中，粒子的最大速度Vmax是为了防止粒子速度过大而超出搜索范围，并对粒子速度进行限制；
采用N表示种群的规模，种群粒子数越多，表示模型寻找最优解的能力就会越强，因为种群粒子数太大，寻找最优解的速度就会减慢；学习因子C1和C2能平衡粒子在向最优解位置方向运动的权重，取C1＝C2，C1,C2的取值范围为0-4；最大迭代次数T表示算法的终止条件，该数值一般通过实验观察特定迭代次数下找到最优解的次数和解的质量，然后在求解过程所耗时间和求解精度之间取一个合适的值，w为惯性权重，表示的为全局搜索能力和局部搜索能力的权重大小，w越大，全局搜索能力越强，w越小，局部搜索能力越强。
实施例：
采用的水样N＝29,采集29个样本的光谱信息，剔除无效数据，建立数据矩阵。
设置初始种群个数为20，惯性权重w＝0.6，自我学习因子＝1.6，群体学习因子＝1.6，位置参数限制为[1-246]，速度限制为[0-1]，最大迭代次数为200。
直到达到最大迭代次数，采用PSO筛选出来的波长建立的最终PLS模型。
粒子群算法筛选的波长点为230.6nm、236.3nm、253.4nm、256.7nm、269.0nm、271.9nm、272.8nm和285.1nm。
将实时数据输入最终模型。
软件界面将最终模型转化为实时COD值并将COD实时显示在显示屏上。
以上对本发明提供的一种水体COD便携式测量系统及方法进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种水体COD便携式测量方法，其特征在于：包括如下步骤：
步骤1：搭建基于光纤探头的硬件框架，光纤探头作为传感器，浸没在待测水样中，接收水样信息，采集的光信号通过微型光谱仪进行光电转换，输出结果通过显示模块进行显示；
步骤2：采集水样的光谱数据，利用光纤探头采集n组光谱数据，每组光谱数据进行多次采集；
步骤3：构建基于PSO-PLS算法的COD预测模型；
步骤4：显示输出COD的值。
2.根据权利要求1所述的一种水体COD便携式测量方法，其特征在于：所述搭建基于光纤探头的硬件框架，光纤探头作为传感器，浸没在待测水样中，接收水样信息，采集的光信号通过微型光谱仪进行光电转换，输出结果通过显示模块进行显示步骤具体实现如下：
将光纤探头，电源模块，显示模块，微型光谱仪，光源模块以及控制系统作为硬件框架，其中电源模块为整个系统供电，光纤探头作为传感器；
将光纤探头浸没在待测水样中，接收水样信息，采集的光信号通过微型光谱仪进行光电转换，输出结果通过显示模块进行显示。
3.根据权利要求2所述的一种水体COD便携式测量方法，其特征在于：所述采集水样的光谱数据，利用光纤探头采集n组光谱数据，每组光谱数据进行多次采集步骤具体实现如下：
利用光纤探头采集n组光谱数据，每组光谱数据进行多次采集，采集光谱的参数设置为积分时间为100ms，平均次数为5，平滑度为3，将采集的光谱数据进行处理，删除其中光谱异常值，将剩余的光谱数据作为粒子群算法建模的数据集，数据集每一行为一个COD浓度，每一列为一个波长点，矩阵中的数值为吸光度。
4.根据权利要求3所述的一种水体COD便携式测量方法，其特征在于：所述构建基于PSO-PLS算法的COD预测模型步骤具体实现如下：
以上述数据矩阵为输入，设定粒子群算法的目标函数为F(x)＝min(RMSE)，RMSE为预测值和实际值的样本标准偏差，令每一个波长点为一个粒子，筛选建立PLS模型的波长点，Xi＝(xi1,xi2,…,xin)为粒子i的当前位置，Vi＝(vi1,vi2,…,vin)为粒子i的当前飞行速度，Pbesti＝(Pbesti1,Pbesti2,…,Pbestin)为粒子i所经历的最优位置，称为个体最优位置，F(X)为目标函数，粒子的最优值通过以下公式确定：
而种群中粒子的速度和位置更新公式为：
Vij(t+1)＝wvij(t)+c1r1(Pbestij(t)-xij(t))+c2r2(Pbestj(t)-xij(t)) (2)
式中，i表示第i个粒子；j表示粒子的第j维；vij(t)表示粒子i在进化到第t代时的j维飞行速度分量；xij(t)表示粒子在进化到第t代时j维位置分量；Pbestij(t)表示粒子i在进化到第t代时的j维个体最优位置Pbesti分量；Gbestj(t)表示进化到t代时整个粒子群最优位置Gbest的j维分量；C1,C2为学习因子；r1,r2为[0,1]的随机数。
5.根据权利要求4所述的一种水体COD便携式测量方法，其特征在于：还包括如下步骤：
随机初始化所有粒子的速度和位置，每个粒子的最优位置Pbesti设为其初始位置，种群的最优位置Gbest设置为初始粒子的全局最优位置；
根据式(1)与式(2)调整当前粒子的位置和速度；
将每个粒子的当前位置与其历史最优位置进行比较，若优于历史最优位置，则将当前位置作为个体的最优位置，否则，沿用历史最优位置；
将每个粒子的个体最优位置与群体最优位置进行比较，若优于群体最优位置则替代之，否则群体最优位置保持不变；
检查算法终止条件，若满足条件，则终止迭代，否则返回步骤2；
粒子群算法中的参数包含种群规模N，学习因子C1和C2，粒子最大速度Vmax，最大迭代次数T；
其中，粒子的最大速度Vmax是为了防止粒子速度过大而超出搜索范围，并对粒子速度进行限制。
6.根据权利要求5所述的一种水体COD便携式测量方法，其特征在于：所述显示输出COD的值步骤具体实现如下：
将粒子群算法优选的波长输入到上位机中，每次对水样进行测量时，上位机将采用优选的波长数据建立的PLS建模，输出将显示最终COD的值。
7.一种水体COD便携式测量系统，其特征在于：包括工控机，操作系统和触摸屏、为整个箱体系统提供散热的风扇、可充电锂电池、稳压模块、电压转换模、单片机、脉冲氙灯光源、微型光谱仪。
8.根据权利要求7所述的一种水体COD便携式测量系统，其特征在于：还包括基于LabVIEW编程语言编写的软件界面，用于实现水样的实时在线测量。
9.根据权利要求8所述的一种水体COD便携式测量系统，其特征在于：所述COD在线测量，根据朗伯-比尔定律，通过测量有机物对紫外光的吸收程度，计算水中COD的总量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601766.0A CN111812041A (zh) | 2020-06-29 | 2020-06-29 | 一种水体cod便携式测量系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601766.0A CN111812041A (zh) | 2020-06-29 | 2020-06-29 | 一种水体cod便携式测量系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111812041A true CN111812041A (zh) | 2020-10-23 |
Family
ID=72856398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010601766.0A Pending CN111812041A (zh) | 2020-06-29 | 2020-06-29 | 一种水体cod便携式测量系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111812041A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113049512A (zh) * | 2021-03-12 | 2021-06-29 | 厦门斯坦道科学仪器股份有限公司 | 基于全波长紫外可见吸收光谱的水质在线监测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646278A (zh) * | 2013-11-14 | 2014-03-19 | 扬州西岐自动化科技有限公司 | 基于自适应策略的粒子群算法在机器人路径规划中的应用 |
| CN103793745A (zh) * | 2014-01-14 | 2014-05-14 | 北京科技大学 | 一种分布式粒子群优化方法 |
| CN103913432A (zh) * | 2014-03-25 | 2014-07-09 | 西安交通大学 | 基于粒子群算法的近红外光谱波长选择方法 |
| CN103942599A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 一种基于优胜劣汰、步步选择的粒子群优化方法 |
| CN104062273A (zh) * | 2014-04-29 | 2014-09-24 | 江西农业大学 | 基于粒子群优化算法的同步荧光光谱特征波长筛选方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN111220559A (zh) * | 2020-03-23 | 2020-06-02 | 杭州罗盘星科技有限公司 | 一种管道式全光谱水质检测装置及其方法 |
-
2020
- 2020-06-29 CN CN202010601766.0A patent/CN111812041A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646278A (zh) * | 2013-11-14 | 2014-03-19 | 扬州西岐自动化科技有限公司 | 基于自适应策略的粒子群算法在机器人路径规划中的应用 |
| CN103793745A (zh) * | 2014-01-14 | 2014-05-14 | 北京科技大学 | 一种分布式粒子群优化方法 |
| CN103913432A (zh) * | 2014-03-25 | 2014-07-09 | 西安交通大学 | 基于粒子群算法的近红外光谱波长选择方法 |
| CN103942599A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 一种基于优胜劣汰、步步选择的粒子群优化方法 |
| CN104062273A (zh) * | 2014-04-29 | 2014-09-24 | 江西农业大学 | 基于粒子群优化算法的同步荧光光谱特征波长筛选方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN111220559A (zh) * | 2020-03-23 | 2020-06-02 | 杭州罗盘星科技有限公司 | 一种管道式全光谱水质检测装置及其方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘建林: "《硬性与理性》", 30 September 2016, 北京理工大学出版社 * |
| 刘飞: "水体COD的光谱学测量方法研究与传感设备研制", 《优秀硕士论文库-工程科技Ⅰ辑》 * |
| 王晓明: "基于UV-Vis检测养殖水体中化学需氧量含量研究", 《光谱学与光谱分析》 * |
| 郑培超: "基于PSO-PLS混合算法的水体COD紫外吸收光谱检测研究", 《光谱学与光谱分析》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113049512A (zh) * | 2021-03-12 | 2021-06-29 | 厦门斯坦道科学仪器股份有限公司 | 基于全波长紫外可见吸收光谱的水质在线监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11561169B2 (en) | Method for constructing water quality index prediction models and method for monitoring water quality indexes | |
| CN102661923A (zh) | 一种复合型水质多参数在线自动监测仪 | |
| US11798400B2 (en) | Handheld monitoring and early warning device for fusarium head blight of in-field wheat and early warning method thereof | |
| CN110879212B (zh) | 一种基于近红外光谱监测流化床干燥过程状态的方法 | |
| US11221320B2 (en) | Method and apparatus for measuring leaf nitrogen content | |
| AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
| CN110057761A (zh) | 一种全光谱结合快速易测指标的水质在线监测系统与方法 | |
| CN101556245B (zh) | 一种基于红、绿、蓝三原色数字信号的叶绿素测量方法 | |
| CN111812041A (zh) | 一种水体cod便携式测量系统及方法 | |
| CN205719951U (zh) | 检测黑箱及利用该检测黑箱的苹果霉心病无损快速检测设备 | |
| CN114894725A (zh) | 一种水质多参数的光谱数据Stacking融合模型及水质多参数测量方法 | |
| Zhou et al. | Detection of chemical oxygen demand in water based on UV absorption spectroscopy and PSO-LSSVM algorithm | |
| Ye et al. | Water chemical oxygen demand prediction model based on the CNN and ultraviolet-visible spectroscopy | |
| CN116953184A (zh) | 余氯在线检测模型的构建方法及余氯浓度在线检测方法 | |
| CN110887798A (zh) | 基于极端随机树的非线性全光谱水体浊度定量分析方法 | |
| Hou et al. | A multi-channel optical sensing system based on back propagation neural network for mixed ion solution | |
| CN117723497B (zh) | 一种智能随动水质监测系统 | |
| CN113376107B (zh) | 基于云平台的水质监测系统和方法 | |
| CN116973348B (zh) | 一种紫外光度法cod在线的水质分析方法及其系统 | |
| KR20240084537A (ko) | 조류 생물반응기안의 침입종을 모니터링하기 위한 라만 분광학 방법 | |
| Geng et al. | Study on nitrate detection method in water using UV full-spectrum combined with PCA-BPNN | |
| Zhang et al. | Study on Nitrite Nitrogen Based on Ultraviolet Visible Absorption Spectrometry | |
| Lee | Artificial neural network based Raman spectroscopy system for water quality monitoring | |
| Liu et al. | Quantification of brown tide algae using EGAF coding and DFF feature fusion based on LED-induced fluorescence spectroscopy | |
| Rustandi | Raman Spectroscopy System for Water Pollution Control based on Artificial Neural Network |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |
|
| RJ01 | Rejection of invention patent application after publication |