CN114414648B - 一种基于机器学习的自动电位滴定方法及系统 - Google Patents
一种基于机器学习的自动电位滴定方法及系统 Download PDFInfo
- Publication number
- CN114414648B CN114414648B CN202210314375.XA CN202210314375A CN114414648B CN 114414648 B CN114414648 B CN 114414648B CN 202210314375 A CN202210314375 A CN 202210314375A CN 114414648 B CN114414648 B CN 114414648B
- Authority
- CN
- China
- Prior art keywords
- titration
- solution
- real
- unit
- analysis
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
本申请公开了一种基于机器学习的自动电位滴定方法及系统,其涉及自动电位滴定技术领域,该方法包括如下步骤:获取待测溶液的溶液初始电位;识别装有滴定剂的滴定管的标签信息,标签信息包括滴定剂的滴定浓度;基于滴定浓度和溶液初始电位并通过预测模型预测滴定终点;通过滴定管对待测溶液进行滴定分析,并采集待测溶液在滴定分析时的实时滴定数据;基于实时滴定数据和滴定终点判断滴定分析是否达到终止条件;若滴定分析达到终止条件,则终止滴定分析,并根据滴定分析终止时的实时滴定数据计算待测溶液中待测离子的离子浓度。本申请具有基于机器学习的预测模型对滴定终点的预测以提高离子浓度检测准确率的效果。
Description
技术领域
本申请涉及自动电位滴定技术,属于G01N测定化学性质的技术领域,尤其是涉及一种基于机器学习的自动电位滴定方法及系统。
背景技术
钛合金具有优良的耐腐蚀、高强度、高韧性和可焊接等性能特点,在众多领域有着重要的应用。酸洗是钛合金表面清洗最重要的步骤,而酸洗液中氢氟酸的含量直接影响钛合金的表面质量,因此,快速准确测定氢氟酸含量,对提高目前钛合金酸洗处理的质量和效率,具有重要的现实意义。
目前,对氢氟酸浓度进行检测的方法主要有氟离子选择电极法、核磁共振法、氟试剂分光光度法、流动注射光度法、气相色谱法、离子色谱法等,但这些检测方法不仅需要昂贵的设备,而且分析过程较为复杂,因此为了节约成本并提高检测效率,通常会采用自动电位法测定氟离子浓度。
自动电位法所采用的自动电位滴定分析系统采用模块化设计,主要由磁力搅拌滴定平台、交换装置和控制处理器组成。其中包括了吸液、加液、配液、排液、清洗等样品制备、处理和分析滴定、结果计算、数据管理等分析的全过程。然而,在电位滴定过程中需要人工绘制滴定曲线,采用一阶导数滴定曲线和二阶导数滴定曲线确定滴定终点。一阶导数曲线峰点对应的体积为终点消耗滴定剂的体积,二阶导数正负交汇点对应的体积为滴定消耗滴定剂的体积,最后通过绘图法或者内插法计算出结果。
针对上述中的相关技术,发明人认为存在有以下缺陷:在采用自动电位滴定分析系统进行滴定时,需要人工记录完整的滴定曲线,再结合求导运算等步骤得到滴定结果,而滴定结果的准确性容易受到绘图不规范或运算错误的影响而降低,最终测定出的氟离子浓度与实际浓度可能偏差较大。
发明内容
为了改善滴定结果的准确性容易受到绘图不规范或运算错误的影响而降低的缺陷,本申请提供一种基于机器学习的自动电位滴定方法及系统。
第一方面,本申请提供一种基于机器学习的自动电位滴定方法,该方法包括如下步骤:
检测待测溶液的溶液初始电位;
识别装有滴定剂的滴定管的标签信息,所述标签信息包括所述滴定剂的滴定浓度;
基于所述滴定浓度和所述溶液初始电位并通过预测模型预测滴定终点;
通过所述滴定管对所述待测溶液进行滴定分析,并采集所述待测溶液在所述滴定分析时的实时滴定数据;
基于所述实时滴定数据和所述滴定终点判断所述滴定分析是否达到终止条件;
若所述滴定分析未达到所述终止条件,则继续进行所述滴定分析,直至所述滴定分析达到所述终止条件;
若所述滴定分析达到所述终止条件,则终止所述滴定分析,并根据所述滴定分析终止时的实时滴定数据计算所述待测溶液中待测离子的离子浓度。
通过采用上述技术方案,当使用者将待测溶液和装有滴定剂的滴定管放置进自动电位滴定系统中后,检测出待测溶液的溶液初始电位,并根据滴定管上的标签识别出相关标签信息,其中标签信息包括滴定剂的滴定浓度。基于滴定浓度和溶液初始电位,并通过以机器学习为基础的预测模型对滴定终点进行预测,预测出滴定终点后开始对待测溶液的滴定分析,实时采集滴定分析时的实时滴定数据,判断实时滴定数据是否达到预测得到的滴定终点,从而判断出滴定分析是否达到终止条件,若未达到终止条件则继续进行滴定分析;若达到了终止条件则终止滴定分析,根据滴定分析终止时的实时滴定数据自动计算出待测溶液中待测离子的离子浓度。通过预测模型预测滴定终点并结合实时滴定数据进行滴定终止,相较于人工确定滴定终点具有更高的准确性,因此最后根据实时滴定数据所计算出的离子浓度也具有较高的准确性。
可选的,所述预测模型包括人工神经网络模型和逻辑回归模型,所述标签信息包括历史滴定数据,所述基于所述滴定浓度和所述溶液初始电位并通过预测模型预测滴定终点包括如下步骤:
通过所述历史滴定数据训练所述人工神经网络模型和所述逻辑回归模型;
将所述滴定浓度和所述溶液初始电位输入至训练后的人工神经网络模型中进行滴定终点预测,得到多个初始预测值;
分别判断各个所述初始预测值是否小于预设的判断阈值;
若小于所述判断阈值,则将对应的初始预测值输入至训练后的逻辑回归模型中再次进行所述滴定终点预测,得到基础预测值;
若不小于所述判断阈值,则将对应的初始预测值作为正常预测值;
结合所述基础预测值和所述正常预测值进行分析,得到滴定终点。
通过采用上述技术方案,滴定管的标签信息中包含有该滴定管的历史滴定记录,通过获取到的历史滴定记录可以对人工神经网络模型和逻辑回归模型进行训练,模型训练结束后,先通过人工神经网络模型对滴定终点进行初步预测,得到多个初始预测值,但初始预测值中存在较多的可疑数据,而这些可疑数据的预测准确率往往比较低,因此通过预设的判断阈值对初始预测值进行比对筛选,低于判断阈值的初始预测值则为可疑数据,反之,则为正常预测值,通过训练后的逻辑回归模型对可疑数据再次进行预测,得到基础预测值,最终结合基础预测值和正常预测值即可分析预测出此次滴定分析的滴定终点。
可选的,所述通过所述滴定管对所述待测溶液进行滴定分析包括如下步骤:
将所述滴定管和磁性搅拌子插入所述待测溶液中;
控制所述滴定管中的滴定剂逐步滴入所述待测溶液中;
产生磁场以推动所述磁性搅拌子进行圆周运动,并对所述待测溶液进行加热,以使所述待测溶液与所述滴定剂充分混合。
通过采用上述技术方案,在对待测溶液进行滴定分析时,需要将滴定管插入待测溶液中,并控制滴定剂逐步滴入待测溶液中,以保障待测溶液与滴定剂有充足的混合反应时间,为了加速待测溶液与滴定剂的混合反应,还需要将磁性搅拌子插入待测溶液中,通过产生的磁场推动磁性搅拌子在待测溶液中进行圆周运动以起到搅拌效果,同时加热待测溶液以加速待测溶液和滴定剂的反应。
可选的,所述实时滴定数据包括所述待测溶液的溶液实时电位和所述滴定剂的实时滴定量,所述滴定终点包括滴定终点剂量和滴定终点电位,所述基于所述实时滴定数据和所述滴定终点判断所述滴定分析是否达到终止条件包括如下步骤:
判断所述实时滴定量是否达到所述滴定终点剂量;
若所述实时滴定量未达到所述滴定终点剂量,则判断所述滴定分析未达到终止条件;
若所述实时滴定量达到所述滴定终点剂量,则判断所述溶液实时电位是否达到所述滴定终点电位;
若所述溶液实时电位达到所述滴定终点电位,则判断所述滴定分析达到所述终止条件;
若所述溶液实时电位未达到所述滴定终点电位,则判断所述滴定分析未达到所述终止条件。
通过采用上述技术方案,由于实际滴定过程中,滴定剂与待测溶液难以进行十分充分的反应,因此所预测到的滴定终点剂量通常低于实际的滴定剂量,而预测所得的滴定终点电位为被测离子浓度在滴定终点附近发生突变所引起的电极电位突跃,因此预测的滴定终点电位与实际滴定终点电位差距极小。所以在判断滴定分析是否达到终止条件时,先根据实时滴定量进行判断,再根据溶液实时电位进行判断,只有当实时滴定量先达到滴定终点剂量后,溶液实时电位也达到滴定终点电位时,才满足滴定分析的终止条件。
可选的,所述继续进行所述滴定分析,直至所述滴定分析达到所述终止条件包括如下步骤:
判断所述实时滴定量是否达到所述滴定终点剂量;
若所述实时滴定量未达到所述滴定终点剂量,则继续控制所述滴定管向所述待测溶液中滴入所述滴定剂,直至所述实时滴定量达到所述滴定终点剂量;
若所述实时滴定量达到所述滴定终点剂量,则停止向所述待测溶液中滴入所述滴定剂,并计算所述溶液实时电位与所述滴定终点电位的电位差值;
判断所述电位差值是否为0;
若所述电位差值为0,则判断所述滴定分析达到所述终止条件;
若所述电位差值不为0,则生成电位差信号,并通过所述电位差信号控制所述滴定管向所述待测溶液中滴入所述滴定剂,直至所述电位差值为0。
通过采用上述技术方案,在判断滴定分析未达到终止条件后需要继续进行滴定分析,首先需要使得实时滴定量达到滴定终点剂量,当实时滴定量达到滴定终点剂量后暂停滴定,此时需要判断溶液实时电位是否达到滴定终点电位,可以根据溶液实时电位和滴定终点电位的电位差值进行判断,若电位差值为0,则滴定分析达到终止条件;反之,则根据电位差值生成电位差信号,通过电位差信号控制滴定管重新启动并继续向待测溶液中滴入滴定剂,直至溶液实时电位和滴定终点电位的电位差值为0时,滴定分析才达到终止条件。
第二方面,本申请还提供一种基于机器学习的自动电位滴定系统,该系统包括:
信息获取模块,用于检测待测溶液的溶液初始电位,并识别滴定管的标签信息,所述滴定管中装有用于滴定分析的滴定剂;
预测模块,预设有预测模型并与所述信息获取模块连接,用于接收所述信息获取模块所获取的所述溶液初始电位和所述标签信息,并基于所述溶液初始电位和所述标签信息中滴定剂的滴定浓度,通过所述预测模型预测所述滴定分析的滴定终点;
滴定模块,用于控制所述滴定管对所述待测溶液进行滴定分析,并采集所述待测溶液在所述滴定分析时的实时滴定数据;
分析模块,分别与所述预测模块和所述滴定模块连接,用于根据所述滴定终点和所述实时滴定数据进行分析,并判断所述滴定分析是否终止,若判断所述滴定分析终止则向所述滴定模块发送终止信号,以使所述滴定模块终止所述滴定分析;
计算模块,分别与所述滴定模块和所述分析模块连接,用于接收所述终止信号,以根据所述滴定分析终止时的实时滴定数据计算所述待测溶液中待测离子的离子浓度。
通过采用上述技术方案,当使用者将待测溶液和装有滴定剂的滴定管放置进自动电位滴定系统中后,通过信息获取模块检测出待测溶液的溶液初始电位,并根据滴定管上的标签识别出相关标签信息,其中标签信息包括滴定剂的滴定浓度。基于滴定浓度和溶液初始电位并通过预测模块对滴定终点进行预测,预测出滴定终点后通过滴定模块开始对待测溶液的滴定分析,并实时采集滴定分析时的实时滴定数据。
采集到实时滴定数据后通过分析模块判断实时滴定数据是否达到预测得到的滴定终点,从而判断出滴定分析是否达到终止条件,若未达到终止条件则继续进行滴定分析;若达到了终止条件则终止滴定分析,最后通过计算模块并根据滴定分析终止时的实时滴定数据自动计算出待测溶液中待测离子的离子浓度。通过预测模型预测滴定终点并结合实时滴定数据进行滴定终止,相较于人工确定滴定终点具有更高的准确性,因此最后根据实时滴定数据所计算出的离子浓度也具有较高的准确性。
可选的,所述预测模型包括人工神经网络模型和逻辑回归模型,所述预测模块包括:
模型训练单元,与所述信息获取模块连接以获取所述标签信息中的历史滴定数据,用于通过所述历史滴定数据训练所述人工神经网络模型和所述逻辑回归模型;
第一预测单元,与所述信息获取模块连接以获取所述溶液初始电位和所述滴定浓度,与所述模型训练单元连接以获取训练后的人工神经网络模型;用于将所述滴定浓度和所述溶液初始电位输入至训练后的人工神经网络模型中进行滴定终点预测,并得到多个初始预测值;
第二预测单元,与所述模型训练单元连接以获取训练后的逻辑回归模型;
阈值判断单元,分别与所述第一预测单元和所述第二预测单元连接,用于根据预设的判断阈值分别对各个初始预测值进行判断;
若小于所述判断阈值,则将对应的初始预测值传输至所述第二预测单元,以使所述第二预测单元将对应的初始预测值输入至训练后的逻辑回归模型中再次进行所述滴定终点预测,并得到基础预测值;
若不小于所述判断阈值,则将对应的初始预测值输出为正常预测值;
综合分析单元,分别与所述第二预测单元和所述阈值判断单元连接,用于结合所述基础预测值和所述正常预测值进行综合分析,以得到滴定终点。
通过采用上述技术方案,滴定管的标签信息中包含有该滴定管的历史滴定记录,通过模型训练单元可以利用获取到的历史滴定记录对人工神经网络模型和逻辑回归模型进行训练,模型训练结束后,第一预测单元利用人工神经网络模型对滴定终点进行初步预测,得到多个初始预测值,但初始预测值中存在较多的可疑数据,而这些可疑数据的预测准确率往往比较低,因此通过预设有判断阈值的阈值判断单元对初始预测值进行比对筛选,低于判断阈值的初始预测值则为可疑数据,反之,则为正常预测值,第二预测单元利用训练后的逻辑回归模型对可疑数据再次进行预测,得到基础预测值,最终通过综合分析单元并结合基础预测值和正常预测值即可分析预测出此次滴定分析的滴定终点。
可选的,所述滴定模块包括:
磁力搅拌单元,包括磁性搅拌子,用于产生磁场;
加热单元,用于对所述待测溶液进行加热;
控制单元,分别与所述磁力搅拌单元和所述加热单元连接,用于接收控制指令以使所述滴定管和所述磁性搅拌子插入所述待测溶液中,并将所述滴定管中的滴定剂逐步滴入所述待测溶液中,根据所述控制指令控制所述磁力搅拌单元产生所述磁场以推动所述磁性搅拌子进行圆周运动,根据所述控制指令控制所述加热单元对所述待测溶液进行加热;
采集单元,用于采集所述待测溶液的实时滴定数据。
通过采用上述技术方案,在对待测溶液进行滴定分析时,控制单元接收控制指令以将滴定管插入待测溶液中,并控制滴定剂逐步滴入待测溶液中,以保障待测溶液与滴定剂有充足的混合反应时间,为了加速待测溶液与滴定剂的混合反应,还需要通过控制单元并根据控制指令将磁性搅拌子插入待测溶液中,并控制磁力搅拌单元产生磁场推动磁性搅拌子在待测溶液中进行圆周运动以起到搅拌效果,同时控制加热单元加热待测溶液以加速待测溶液和滴定剂的反应,在滴定分析过程中通过采集单元采集待测溶液的实时滴定数据。
可选的,所述分析模块包括:
第一判断单元,分别与所述预测模块和所述采集单元连接,用于比对所述实时滴定数据中所述滴定剂的实时滴定量和所述滴定终点中的滴定终点剂量,以判断所述滴定分析是否达到终止条件;
若所述实时滴定量未达到所述滴定终点剂量,则判断所述滴定分析未达到终止条件;
第二判断单元,分别与所述预测模块、所述采集单元和所述控制单元连接,用于当所述第一判断单元判断所述实时滴定量达到所述滴定终点剂量时,比对所述实时滴定数据中所述待测溶液的溶液实时电位和所述滴定终点中的滴定终点电位,以判断所述滴定分析是否达到终止条件;
若所述溶液实时电位达到所述滴定终点电位,则判断所述滴定分析达到所述终止条件,向所述控制单元发送所述终止信号,以使所述控制单元控制所述滴定管、所述磁力搅拌单元和所述加热单元停止工作;
若所述溶液实时电位未达到所述滴定终点电位,则判断所述滴定分析未达到所述终止条件。
通过采用上述技术方案,由于实际滴定过程中,滴定剂与待测溶液难以进行十分充分的反应,因此所预测到的滴定终点剂量通常低于实际的滴定剂量,而预测所得的滴定终点电位为被测离子浓度在滴定终点附近发生突变所引起的电极电位突跃,因此预测的滴定终点电位与实际滴定终点电位差距极小。所以在判断滴定分析是否达到终止条件时,先通过第一判断单元对实时滴定量进行判断,再通过第二判断单元对溶液实时电位进行判断,只有当实时滴定量先达到滴定终点剂量后,溶液实时电位也达到滴定终点电位时,才满足滴定分析的终止条件。满足终止条件后通过第二判断单元向控制单元发送终止信号,以使控制单元终止滴定分析。
可选的,所述分析模块还包括:
第一辅助单元,分别与所述控制单元和所述第一判断单元连接,用于当所述第一判断单元判断所述实时滴定量未达到所述滴定终点剂量时,向所述控制单元发出第一辅助控制信号,以使所述控制单元继续控制所述滴定管向所述待测溶液中滴入所述滴定剂,直至所述实时滴定量达到所述滴定终点剂量;
计算单元,分别与所述第一判断单元、所述预测模块、所述采集单元和所述控制单元连接,用于当所述第一判断单元判断所述实时滴定量达到所述滴定终点剂量时,计算所述溶液实时电位和所述滴定终点电位的电位差值,并向所述控制单元发送暂停信号,以使所述控制单元暂停所述滴定管、所述磁力搅拌单元和所述加热单元的工作;
第三判断单元,分别与所述控制单元和所述计算单元连接,用于判断所述电位差值是否为0;
若所述电位差值为0,则判断所述滴定分析达到所述终止条件,向所述控制单元发送所述终止信号,以使所述控制单元控制所述滴定管、所述磁力搅拌单元和所述加热单元停止工作;
若所述电位差值不为0,则生成电位差信号;
第二辅助单元,分别与所述控制单元和所述第三判断单元连接,用于当所述第三判断单元判断所述电位差值不为0时,接收并放大所述电位差信号,将放大后的电位差信号发送至所述控制单元,以使所述控制单元控制所述滴定管向所述待测溶液中滴入所述滴定剂,直至所述电位差值为0。
通过采用上述技术方案,在第一判断单元判断滴定分析未达到终止条件后需要继续进行滴定分析,此时需要通过第一辅助单元向控制单元发出第一辅助控制信号,使得实时滴定量达到滴定终点剂量,当实时滴定量达到滴定终点剂量后计算单元向控制单元发送暂停信号以暂停滴定,并计算溶液实时电位和滴定终点电位的电位差值,再通过第三判断单元判断电位差值是否为0,若电位差值为0,则滴定分析达到终止条件,通过第三判断单元向控制单元发送终止信号;反之,则通过第三判断单元根据电位差值生成电位差信号,并通过第二辅助单元发送电位差信号至控制单元,以控制滴定管重新启动并继续向待测溶液中滴入滴定剂,直至溶液实时电位和滴定终点电位的电位差值为0时,滴定分析才达到终止条件。
综上所述,本申请包括以下至少一种有益技术效果:
基于滴定浓度和溶液初始电位并通过以机器学习为基础的预测模型对滴定终点进行预测,预测出滴定终点后开始对待测溶液的滴定分析,实时采集滴定分析时的实时滴定数据,判断实时滴定数据是否达到预测得到的滴定终点,从而判断出滴定分析是否达到终止条件,最后根据滴定分析终止时的实时滴定数据自动计算出待测溶液中待测离子的离子浓度。通过预测模型预测滴定终点并结合实时滴定数据进行滴定终止,相较于人工确定滴定终点具有更高的准确性,因此最后根据实时滴定数据所计算出的离子浓度也具有较高的准确性。
附图说明
图1是本申请其中一实施例的基于人工神经网路的自动电位滴定方法的流程示意图。
图2是本申请其中一实施例的基于滴定浓度和溶液初始电位预测滴定终点的流程示意图。
图3是本申请其中一实施例的通过滴定管对待测溶液进行滴定分析的流程示意图。
图4是本申请其中一实施例的基于实时滴定数据和滴定终点判断滴定分析是否达到终止条件的流程示意图。
图5是本申请其中一实施例的继续进行滴定分析直至终止条件的流程示意图。
图6是本申请其中一实施例的基于机器学习的自动电位滴定系统的系统结构图。
图7是本申请其中一实施例的自动电位滴定系统中预测模块的系统结构图。
图8是本申请其中一实施例的自动电位滴定系统中滴定模块的系统结构图。
图9是本申请其中一实施例的自动电位滴定系统中分析模块的系统结构图。
附图标记说明:
1、信息获取模块;2、预测模块;3、滴定模块;4、分析模块;5、计算模块;21、模型训练单元;22、第一预测单元;23、第二预测单元;24、阈值判断单元;25、综合分析单元;31、磁力搅拌单元;32、加热单元;33、控制单元;34、采集单元;41、第一判断单元;42、第二判断单元;43、第一辅助单元;44、计算单元;45、第三判断单元;46、第二辅助单元。
具体实施方式
以下结合附图1-9对本申请作进一步详细说明。
本申请实施例公开了一种基于机器学习的自动电位滴定方法。
参照图1,基于机器学习的自动电位滴定方法包括如下步骤:
101,检测待测溶液的溶液初始电位。
其中,通过电极和电位计检测待测溶液的溶液初始电位。
102,识别装有滴定剂的滴定管的标签信息。
其中,滴定管外壁贴有记录滴定管标签信息的RFID标签,通过RFID扫描仪扫描RFID标签可以获取到滴定管的标签信息,标签信息包括滴定管内滴定剂的滴定浓度、滴定剂的体积、滴定剂的类型、滴定管的规格和滴定管的历史滴定记录。
103,基于滴定浓度和溶液初始电位并通过预测模型预测滴定终点。
其中,预测模型是基于机器学习所构造的,将滴定浓度和溶液初始电位数据输入至训练好的预测模型中,预测模型可以预测出,滴定浓度对应的滴定剂对溶液初始电位对应的待测溶液进行滴定分析时的滴定终点。
104,通过滴定管对待测溶液进行滴定分析,并采集待测溶液在滴定分析时的实时滴定数据。
其中,通过滴定管中的滴定剂对待测溶液进行滴定分析,并通过电位计和重量感应器同步采集待测溶液在滴定分析时的实时滴定数据。
105,基于实时滴定数据和滴定终点判断滴定分析是否达到终止条件,若否,则执行步骤106;若是,则执行步骤107。
106,继续进行滴定分析,直至滴定分析达到终止条件。
107,终止滴定分析,并根据滴定分析终止时的实时滴定数据计算待测溶液中待测离子的离子浓度。
其中,实时滴定数据包括滴定剂的实时滴定量和待测溶液的溶液实时电位,通过实时滴定量和溶液实时电位可以计算出待测溶液中待测离子的离子浓度。
本实施例的实施原理为:
当使用者将待测溶液和装有滴定剂的滴定管放置进自动电位滴定系统中后,检测出待测溶液的溶液初始电位,并根据滴定管上的标签识别出相关标签信息,其中标签信息包括滴定剂的滴定浓度。基于滴定浓度和溶液初始电位,并通过以机器学习为基础的预测模型对滴定终点进行预测,预测出滴定终点后开始对待测溶液的滴定分析,实时采集滴定分析时的实时滴定数据,判断实时滴定数据是否达到预测得到的滴定终点,从而判断出滴定分析是否达到终止条件,若未达到终止条件则继续进行滴定分析;若达到了终止条件则终止滴定分析,根据滴定分析终止时的实时滴定数据自动计算出待测溶液中待测离子的离子浓度。通过预测模型预测滴定终点并结合实时滴定数据进行滴定终止,相较于人工确定滴定终点具有更高的准确性,因此最后根据实时滴定数据所计算出的离子浓度也具有较高的准确性。
在图1所示实施例的步骤103中,预测模型包括人工神经网络模型和逻辑回归模型,标签信息包括历史滴定数据,将初始的数据输入到训练好的预测模型中,即可得到预测的滴定终点。具体通过图2所示实施例进行详细说明。
参照图2,基于滴定浓度和溶液初始电位并通过预测模型预测滴定终点包括如下步骤:
201,通过历史滴定数据训练人工神经网络模型和逻辑回归模型。
其中,在人工神经网络模型中,从某神经元的输入量到该神经元的输出量,是通过一个激活函数去完成的,这个函数可以将神经元的输出限制到一个适当的区间或者进行一定的放大处理。这里激活函数采用的是Softmax函数:
逻辑回归模型一般使用交叉熵作为代价函数并使用梯度下降法寻找优质解,代价函数和更新公式如下:
202,将滴定浓度和溶液初始电位输入至训练后的人工神经网络模型中进行滴定终点预测,得到多个初始预测值。
203,分别判断各个初始预测值是否小于预设的判断阈值,若是,则执行步骤204;若否,则执行步骤205。
204,将对应的初始预测值输入至训练后的逻辑回归模型中再次进行滴定终点预测,得到基础预测值。
205,将对应的初始预测值作为正常预测值。
206,结合基础预测值和正常预测值进行分析,得到滴定终点。
本实施例的实施原理为:
滴定管的标签信息中包含有该滴定管的历史滴定记录,通过获取到的历史滴定记录可以对人工神经网络模型和逻辑回归模型进行训练,模型训练结束后,先通过人工神经网络模型对滴定终点进行初步预测,得到多个初始预测值,但初始预测值中存在较多的可疑数据,而这些可疑数据的预测准确率往往比较低,因此通过预设的判断阈值对初始预测值进行比对筛选,低于判断阈值的初始预测值则为可疑数据,反之,则为正常预测值,通过训练后的逻辑回归模型对可疑数据再次进行预测,得到基础预测值,最终结合基础预测值和正常预测值即可分析预测出此次滴定分析的滴定终点。
在图1所示实施例的步骤104中,在通过滴定管向待测溶液滴入滴定剂的同时,还需要对待测溶液进行搅拌和加热,以加快待测溶液和滴定剂的混合反应。具体通过图3所示实施例进行详细说明。
参照图3,通过滴定管对待测溶液进行滴定分析包括如下步骤:
301,将滴定管和磁性搅拌子插入待测溶液中。
302,控制滴定管中的滴定剂逐步滴入待测溶液中。
303,产生磁场以推动磁性搅拌子进行圆周运动,并对待测溶液进行加热,以使待测溶液与滴定剂充分混合。
其中,磁性搅拌子的圆周运动是基于同性相斥、异性相吸的原理所进行的。
本实施例的实施原理为:
在对待测溶液进行滴定分析时,需要将滴定管插入待测溶液中,并控制滴定剂逐步滴入待测溶液中,以保障待测溶液与滴定剂有充足的混合反应时间,为了加速待测溶液与滴定剂的混合反应,还需要将磁性搅拌子插入待测溶液中,通过产生的磁场推动磁性搅拌子在待测溶液中进行圆周运动以起到搅拌效果,同时加热待测溶液以加速待测溶液和滴定剂的反应。
在图1所示实施例的步骤105中,实时滴定数据包括待测溶液的溶液实时电位和滴定剂的实时滴定量,滴定终点包括滴定终点剂量和滴定终点电位,先比对实时滴定量和滴定终点剂量,再比对溶液实时电位和滴定终点电位,即可判断出滴定分析是否达到终止条件。具体通过图4所示实施例进行详细说明。
参照图4,基于实时滴定数据和滴定终点判断滴定分析是否达到终止条件包括如下步骤:
401,判断实时滴定量是否达到滴定终点剂量,若否,则执行步骤402;若是,则执行步骤403。
402,判断滴定分析未达到终止条件。
403,判断溶液实时电位是否达到滴定终点电位,若是,则执行步骤404;若否,则执行步骤405。
404,判断滴定分析达到终止条件。
405,判断滴定分析未达到终止条件。
本实施例的实施原理为:
由于实际滴定过程中,滴定剂与待测溶液难以进行十分充分的反应,因此所预测到的滴定终点剂量通常低于实际的滴定剂量,而预测所得的滴定终点电位为被测离子浓度在滴定终点附近发生突变所引起的电极电位突跃,因此预测的滴定终点电位与实际滴定终点电位差距极小。所以在判断滴定分析是否达到终止条件时,先根据实时滴定量进行判断,再根据溶液实时电位进行判断,只有当实时滴定量先达到滴定终点剂量后,溶液实时电位也达到滴定终点电位时,才满足滴定分析的终止条件。
在图1所示实施例的步骤106中,当实时滴定量达到滴定终点剂量时,若溶液实时电位还未达到滴定终点电位,则需要继续进行滴定分析。具体通过图5所示实施例进行详细说明。
参照图5,继续进行滴定分析直至滴定分析达到终止条件包括如下步骤:
501,判断实时滴定量是否达到滴定终点剂量,若否,则执行步骤502;若是,则执行步骤503。
502,继续控制滴定管向待测溶液中滴入滴定剂,直至实时滴定量达到滴定终点剂量。
503,停止向待测溶液中滴入滴定剂,并计算溶液实时电位与滴定终点电位的电位差值。
504,判断电位差值是否为0,若是,则执行步骤505;若否,则执行步骤506。
505,判断滴定分析达到终止条件。
506,生成电位差信号,并通过电位差信号控制滴定管向待测溶液中滴入滴定剂,直至电位差值为0。
其中,滴定管的开闭是通过电磁阀进行控制,因此电位差信号还需要进行放大处理,放大处理后的电位差信号对电磁阀控制,从而控制滴定管中滴定剂的流动。
本实施例的实施原理为:
在判断滴定分析未达到终止条件后需要继续进行滴定分析,首先需要使得实时滴定量达到滴定终点剂量,当实时滴定量达到滴定终点剂量后暂停滴定,此时需要判断溶液实时电位是否达到滴定终点电位,可以根据溶液实时电位和滴定终点电位的电位差值进行判断,若电位差值为0,则滴定分析达到终止条件;反之,则根据电位差值生成电位差信号,通过电位差信号控制滴定管重新启动并继续向待测溶液中滴入滴定剂,直至溶液实时电位和滴定终点电位的电位差值为0时,滴定分析才达到终止条件。
本申请实施例还公开一种基于机器学习的自动电位滴定系统。
参照图6,基于机器学习的自动电位滴定系统包括信息获取模块1、预测模块2、滴定模块3、分析模块4和计算模块5,其中信息获取模块1包括电位计和RFID扫描仪,当待测溶液和滴定管被放置于自动电位滴定系统时,通过电位计可以检测出待测溶液的溶液初始电位,滴定管内填装有待测溶液对应的滴定剂,且滴定管外壁贴有RFID标签,RFID标签中包含标签信息,通过RFID扫描仪对RFID标签进行扫描可以得到滴定管的标签信息。
预测模块2中内置有基于机器学习的预测模型,预测模块2接收信息获取模块1中的溶液初始电位和标签信息,其中标签信息包括滴定管内滴定剂的滴定浓度、滴定剂的体积、滴定剂的类型、滴定管的规格和滴定管的历史滴定记录,预测模块2根据滴定剂的滴定浓度和溶液初始电位可以对滴定终点进行预测。
预测模块2预测完滴定终点后,滴定模块3控制滴定管对待测溶液进行滴定分析,同时采集待测溶液在滴定分析时的实时滴定数据,分析模块4从预测模块2接收到预测的滴定终点,并从滴定模块3接收滴定分析时的实时滴定数据,分析模块4通过比对实时滴定数据和滴定终点判断滴定分析是否终止,若判断出滴定分析终止,则向滴定模块3发出终止信号使滴定模块3终止滴定分析,分析模块4还会同时将终止信号发送至计算模块5,计算模块5接收到终止信号后从滴定模块3中获取到滴定分析终止时的实时滴定数据,并根据实时滴定数据计算出待测溶液中待测离子的离子浓度。通过预测模型预测滴定终点并结合实时滴定数据进行滴定终止,相较于人工确定滴定终点具有更高的准确性,因此最后根据实时滴定数据所计算出的离子浓度也具有较高的准确性。
参照图7,预测模块2包括模型训练单元21、第一预测单元22、第二预测单元23、阈值判断单元24和综合分析单元25,模型训练单元21从信息获取模块1中获取到滴定管的历史滴定记录,而预测模型包括人工神经网络模型和逻辑回归模型,通过模型训练单元21可以利用获取到的历史滴定记录对人工神经网络模型和逻辑回归模型进行训练,模型训练结束后,第一预测单元22利用人工神经网络模型对滴定终点进行初步预测,得到多个初始预测值,但初始预测值中存在较多的可疑数据,而这些可疑数据的预测准确率往往比较低,因此通过预设有判断阈值的阈值判断单元24对初始预测值进行比对筛选,低于判断阈值的初始预测值则为可疑数据,反之,则为正常预测值,第二预测单元23利用训练后的逻辑回归模型对可疑数据再次进行预测,得到基础预测值,最终通过综合分析单元25并结合基础预测值和正常预测值即可分析预测出此次滴定分析的滴定终点。
参照图8,滴定模块3包括磁力搅拌单元31、加热单元32、控制单元33和采集单元34,其中磁力搅拌单元31包括磁场发生器和磁性搅拌子,加热单元32为加热仪器,控制单元33包含处理芯片,采集单元34包括电极和电位计。控制单元33与用户操作模块连接,用于可以通过用户操作模块下达控制指令,控制单元33接收控制指令并响应控制指令,以控制滴定管和磁性搅拌子插入待测溶液中,并将滴定管中的滴定剂逐步滴入待测溶液中,根据控制指令控制磁力搅拌单元31产生磁场以推动磁性搅拌子进行圆周运动,根据控制指令控制加热单元32对待测溶液进行加热,此时采集单元34将会通过电位计和置于待测溶液中的电极对待测溶液的实时滴定数据进行采集。
在对待测溶液进行滴定分析时,控制单元33接收控制指令以控制滴定剂逐步滴入待测溶液中,保障待测溶液与滴定剂有充足的混合反应时间,为了加速待测溶液与滴定剂的混合反应,还需要控制磁力搅拌单元31产生磁场推动磁性搅拌子在待测溶液中进行圆周运动以起到搅拌效果,同时控制加热单元32加热待测溶液以加速待测溶液和滴定剂的反应。
参照图9,分析模块4包括第一判断单元41、第二判断单元42、第一辅助单元43、计算单元44、第三判断单元45和第二辅助单元46。由于实际滴定过程中,滴定剂与待测溶液难以进行十分充分的反应,因此所预测到的滴定终点剂量通常低于实际的滴定剂量,而预测所得的滴定终点电位为被测离子浓度在滴定终点附近发生突变所引起的电极电位突跃,因此预测的滴定终点电位与实际滴定终点电位差距极小。所以在判断滴定分析是否达到终止条件时,先通过第一判断单元41对实时滴定量进行判断,再通过第二判断单元42对溶液实时电位进行判断,只有当实时滴定量先达到滴定终点剂量后,溶液实时电位也达到滴定终点电位时,才满足滴定分析的终止条件。满足终止条件后通过第二判断单元42向控制单元33发送终止信号,以使控制单元33终止滴定分析。
在第一判断单元41判断滴定分析未达到终止条件后需要继续进行滴定分析,此时需要通过第一辅助单元43向控制单元33发出第一辅助控制信号,使得实时滴定量达到滴定终点剂量,当实时滴定量达到滴定终点剂量后计算单元44向控制单元33发送暂停信号以暂停滴定,并计算溶液实时电位和滴定终点电位的电位差值,再通过第三判断单元45判断电位差值是否为0,若电位差值为0,则滴定分析达到终止条件,通过第三判断单元45向控制单元33发送终止信号;反之,则通过第三判断单元45根据电位差值生成电位差信号,并通过第二辅助单元46发送电位差信号至控制单元33,以控制滴定管重新启动并继续向待测溶液中滴入滴定剂,直至溶液实时电位和滴定终点电位的电位差值为0时,滴定分析才达到终止条件。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (8)
1.一种基于机器学习的自动电位滴定方法,其特征在于,包括如下步骤:
检测待测溶液的溶液初始电位;
识别装有滴定剂的滴定管的标签信息,所述标签信息包括历史滴定数据和所述滴定剂的滴定浓度;
通过所述历史滴定数据训练预测模型,所述预测模型包括人工神经网络模型和逻辑回归模型;
将所述滴定浓度和所述溶液初始电位输入至训练后的人工神经网络模型中进行滴定终点预测,得到多个初始预测值;
分别判断各个所述初始预测值是否小于预设的判断阈值;
若小于所述判断阈值,则将对应的初始预测值输入至训练后的逻辑回归模型中再次进行所述滴定终点预测,得到基础预测值;
若不小于所述判断阈值,则将对应的初始预测值作为正常预测值;
结合所述基础预测值和所述正常预测值进行分析,得到滴定终点;
通过所述滴定管对所述待测溶液进行滴定分析,并采集所述待测溶液在所述滴定分析时的实时滴定数据;
基于所述实时滴定数据和所述滴定终点判断所述滴定分析是否达到终止条件;
若所述滴定分析未达到所述终止条件,则继续进行所述滴定分析,直至所述滴定分析达到所述终止条件;
若所述滴定分析达到所述终止条件,则终止所述滴定分析,并根据所述滴定分析终止时的实时滴定数据计算所述待测溶液中待测离子的离子浓度。
2.根据权利要求1所述的一种基于机器学习的自动电位滴定方法,其特征在于,所述通过所述滴定管对所述待测溶液进行滴定分析包括如下步骤:
将所述滴定管和磁性搅拌子插入所述待测溶液中;
控制所述滴定管中的滴定剂逐步滴入所述待测溶液中;
产生磁场以推动所述磁性搅拌子进行圆周运动,并对所述待测溶液进行加热,以使所述待测溶液与所述滴定剂充分混合。
3.根据权利要求2所述的一种基于机器学习的自动电位滴定方法,其特征在于,所述实时滴定数据包括所述待测溶液的溶液实时电位和所述滴定剂的实时滴定量,所述滴定终点包括滴定终点剂量和滴定终点电位,所述基于所述实时滴定数据和所述滴定终点判断所述滴定分析是否达到终止条件包括如下步骤:
判断所述实时滴定量是否达到所述滴定终点剂量;
若所述实时滴定量未达到所述滴定终点剂量,则判断所述滴定分析未达到终止条件;
若所述实时滴定量达到所述滴定终点剂量,则判断所述溶液实时电位是否达到所述滴定终点电位;
若所述溶液实时电位达到所述滴定终点电位,则判断所述滴定分析达到所述终止条件;
若所述溶液实时电位未达到所述滴定终点电位,则判断所述滴定分析未达到所述终止条件。
4.根据权利要求3所述的一种基于机器学习的自动电位滴定方法,其特征在于,所述继续进行所述滴定分析,直至所述滴定分析达到所述终止条件包括如下步骤:
判断所述实时滴定量是否达到所述滴定终点剂量;
若所述实时滴定量未达到所述滴定终点剂量,则继续控制所述滴定管向所述待测溶液中滴入所述滴定剂,直至所述实时滴定量达到所述滴定终点剂量;
若所述实时滴定量达到所述滴定终点剂量,则停止向所述待测溶液中滴入所述滴定剂,并计算所述溶液实时电位与所述滴定终点电位的电位差值;
判断所述电位差值是否为0;
若所述电位差值为0,则判断所述滴定分析达到所述终止条件;
若所述电位差值不为0,则生成电位差信号,并通过所述电位差信号控制所述滴定管向所述待测溶液中滴入所述滴定剂,直至所述电位差值为0。
5.一种基于机器学习的自动电位滴定系统,其特征在于,包括:
信息获取模块(1),用于检测待测溶液的溶液初始电位,并识别滴定管的标签信息,所述滴定管中装有用于滴定分析的滴定剂;
预测模块(2),预设有预测模型,所述预测模型包括人工神经网络模型和逻辑回归模型,所述预测模块(2)包括:
模型训练单元(21),与所述信息获取模块(1)连接以获取所述标签信息中的历史滴定数据,用于通过所述历史滴定数据训练所述人工神经网络模型和所述逻辑回归模型;
第一预测单元(22),与所述信息获取模块(1)连接以获取所述溶液初始电位和所述滴定浓度,与所述模型训练单元(21)连接以获取训练后的人工神经网络模型;用于将所述滴定浓度和所述溶液初始电位输入至训练后的人工神经网络模型中进行滴定终点预测,并得到多个初始预测值;
第二预测单元(23),与所述模型训练单元(21)连接以获取训练后的逻辑回归模型;
阈值判断单元(24),分别与所述第一预测单元(22)和所述第二预测单元(23)连接,用于根据预设的判断阈值分别对各个初始预测值进行判断;
若小于所述判断阈值,则将对应的初始预测值传输至所述第二预测单元(23),以使所述第二预测单元(23)将对应的初始预测值输入至训练后的逻辑回归模型中再次进行所述滴定终点预测,并得到基础预测值;
若不小于所述判断阈值,则将对应的初始预测值输出为正常预测值;
综合分析单元(25),分别与所述第二预测单元(23)和所述阈值判断单元(24)连接,用于结合所述基础预测值和所述正常预测值进行综合分析,以得到滴定终点;
滴定模块(3),用于控制所述滴定管对所述待测溶液进行滴定分析,并采集所述待测溶液在所述滴定分析时的实时滴定数据;
分析模块(4),分别与所述预测模块(2)和所述滴定模块(3)连接,用于根据所述滴定终点和所述实时滴定数据进行分析,并判断所述滴定分析是否终止,若判断所述滴定分析终止则向所述滴定模块(3)发送终止信号,以使所述滴定模块(3)终止所述滴定分析;
计算模块(5),分别与所述滴定模块(3)和所述分析模块(4)连接,用于接收所述终止信号,以根据所述滴定分析终止时的实时滴定数据计算所述待测溶液中待测离子的离子浓度。
6.根据权利要求5所述的一种基于机器学习的自动电位滴定系统,其特征在于,所述滴定模块(3)包括:
磁力搅拌单元(31),包括磁性搅拌子,用于产生磁场;
加热单元(32),用于对所述待测溶液进行加热;
控制单元(33),分别与所述磁力搅拌单元(31)和所述加热单元(32)连接,用于接收控制指令以使所述滴定管和所述磁性搅拌子插入所述待测溶液中,并将所述滴定管中的滴定剂逐步滴入所述待测溶液中,根据所述控制指令控制所述磁力搅拌单元(31)产生所述磁场以推动所述磁性搅拌子进行圆周运动,根据所述控制指令控制所述加热单元(32)对所述待测溶液进行加热;
采集单元(34),用于采集所述待测溶液的实时滴定数据。
7.根据权利要求6所述的一种基于机器学习的自动电位滴定系统,其特征在于,所述分析模块(4)包括:
第一判断单元(41),分别与所述预测模块(2)和所述采集单元(34)连接,用于比对所述实时滴定数据中所述滴定剂的实时滴定量和所述滴定终点中的滴定终点剂量,以判断所述滴定分析是否达到终止条件;
若所述实时滴定量未达到所述滴定终点剂量,则判断所述滴定分析未达到终止条件;
第二判断单元(42),分别与所述预测模块(2)、所述采集单元(34)和所述控制单元(33)连接,用于当所述第一判断单元(41)判断所述实时滴定量达到所述滴定终点剂量时,比对所述实时滴定数据中所述待测溶液的溶液实时电位和所述滴定终点中的滴定终点电位,以判断所述滴定分析是否达到终止条件;
若所述溶液实时电位达到所述滴定终点电位,则判断所述滴定分析达到所述终止条件,向所述控制单元(33)发送所述终止信号,以使所述控制单元(33)控制所述滴定管、所述磁力搅拌单元(31)和所述加热单元(32)停止工作;
若所述溶液实时电位未达到所述滴定终点电位,则判断所述滴定分析未达到所述终止条件。
8.根据权利要求7所述的一种基于机器学习的自动电位滴定系统,其特征在于,所述分析模块(4)还包括:
第一辅助单元(43),分别与所述控制单元(33)和所述第一判断单元(41)连接,用于当所述第一判断单元(41)判断所述实时滴定量未达到所述滴定终点剂量时,向所述控制单元(33)发出第一辅助控制信号,以使所述控制单元(33)继续控制所述滴定管向所述待测溶液中滴入所述滴定剂,直至所述实时滴定量达到所述滴定终点剂量;
计算单元(44),分别与所述第一判断单元(41)、所述预测模块(2)、所述采集单元(34)和所述控制单元(33)连接,用于当所述第一判断单元(41)判断所述实时滴定量达到所述滴定终点剂量时,计算所述溶液实时电位和所述滴定终点电位的电位差值,并向所述控制单元(33)发送暂停信号,以使所述控制单元(33)暂停所述滴定管、所述磁力搅拌单元(31)和所述加热单元(32)的工作;
第三判断单元(45),分别与所述控制单元(33)和所述计算单元(44)连接,用于判断所述电位差值是否为0;
若所述电位差值为0,则判断所述滴定分析达到所述终止条件,向所述控制单元(33)发送所述终止信号,以使所述控制单元(33)控制所述滴定管、所述磁力搅拌单元(31)和所述加热单元(32)停止工作;
若所述电位差值不为0,则生成电位差信号;
第二辅助单元(46),分别与所述控制单元(33)和所述第三判断单元(45)连接,用于当所述第三判断单元(45)判断所述电位差值不为0时,接收并放大所述电位差信号,将放大后的电位差信号发送至所述控制单元(33),以使所述控制单元(33)控制所述滴定管向所述待测溶液中滴入所述滴定剂,直至所述电位差值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210314375.XA CN114414648B (zh) | 2022-03-29 | 2022-03-29 | 一种基于机器学习的自动电位滴定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210314375.XA CN114414648B (zh) | 2022-03-29 | 2022-03-29 | 一种基于机器学习的自动电位滴定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114414648A CN114414648A (zh) | 2022-04-29 |
CN114414648B true CN114414648B (zh) | 2022-06-28 |
Family
ID=81263270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210314375.XA Active CN114414648B (zh) | 2022-03-29 | 2022-03-29 | 一种基于机器学习的自动电位滴定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114414648B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116008379B (zh) * | 2022-11-22 | 2023-10-20 | 中山大学 | 基于模型拟合和机器学习的自动滴定系统、方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH384248A (de) * | 1960-10-27 | 1964-11-15 | Ciba Geigy | Verfahren und Gerät zur automatischen potentiometrischen Titration |
ATE412889T1 (de) * | 2001-03-16 | 2008-11-15 | Akzo Nobel Nv | Kontinuierliche durchlauftitration |
CN105925750A (zh) * | 2016-05-13 | 2016-09-07 | 南阳理工学院 | 一种基于神经网络的炼钢终点预测方法 |
CN112861299A (zh) * | 2019-11-27 | 2021-05-28 | 国能生物发电集团有限公司 | 基于红外光谱主成分和神经网络的生物质氯含量测量与建模方法 |
CN112858208A (zh) * | 2019-11-27 | 2021-05-28 | 国能生物发电集团有限公司 | 基于红外光谱主成分和神经网络的生物质钾含量测量与建模方法 |
-
2022
- 2022-03-29 CN CN202210314375.XA patent/CN114414648B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114414648A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102183520B (zh) | 基于溶液图像技术的水质硬度在线测量装置及其测量方法 | |
CN206192967U (zh) | 土壤水解性氮测定仪 | |
CN114414648B (zh) | 一种基于机器学习的自动电位滴定方法及系统 | |
CN209086148U (zh) | 浓度在线自动检测装置 | |
CN104849422A (zh) | 一种氨氮在线监测系统及方法 | |
CN109856221B (zh) | 一种同时检测硝酸肼、硝酸羟胺的在线监测系统 | |
JP7267865B2 (ja) | 分析装置及び分析方法 | |
Martinotti et al. | In-flow speciation of copper, zinc, lead and cadmium in fresh waters by square wave anodic stripping voltammetry Part II. Optimization of measurement step | |
CN214225055U (zh) | 一种用于分析仪器的快速自动滴定装置 | |
CN110095424B (zh) | 一种黑臭水体四参数在线监测一体化装置 | |
CA2791211C (en) | Metabolic rate indicator for cellular populations | |
WO2004053476A1 (en) | Simplified signal processing method for voltammetry | |
CN110006893A (zh) | 一种硅烷锆浓度在线自动测定方法 | |
JP2001296305A (ja) | 試料溶液の自動分析装置および自動分析方法 | |
CN206460030U (zh) | 城市黑臭水体一体化自动监测仪 | |
JP4287753B2 (ja) | 分析装置 | |
JP2721024B2 (ja) | 金属洗浄液の分析方法及び装置 | |
CN203275361U (zh) | 水质重金属浓度分析仪 | |
CN111751433A (zh) | 采用b-z化学振荡反应测定氯离子含量的方法 | |
JP3388325B2 (ja) | 自動滴定分析装置 | |
CN109060684B (zh) | 一种基于计算机程序微生物发酵过程的智能测量方法 | |
CN116008379B (zh) | 基于模型拟合和机器学习的自动滴定系统、方法和装置 | |
CN213398377U (zh) | 一种工业循环冷却水中氯离子含量的在线监测系统 | |
CN217404130U (zh) | 化学需氧量的自动分析装置 | |
CN220508854U (zh) | 畜禽生理指标在线监测装备 |
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 |