CN115236149A - 一种基于电化学传感器的水质检测方法和系统 - Google Patents
一种基于电化学传感器的水质检测方法和系统 Download PDFInfo
- Publication number
- CN115236149A CN115236149A CN202210856338.1A CN202210856338A CN115236149A CN 115236149 A CN115236149 A CN 115236149A CN 202210856338 A CN202210856338 A CN 202210856338A CN 115236149 A CN115236149 A CN 115236149A
- Authority
- CN
- China
- Prior art keywords
- water quality
- temperature compensation
- model
- electrochemical sensor
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 238000013213 extrapolation Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000001537 neural effect Effects 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000000137 annealing Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000001816 cooling Methods 0.000 description 9
- 238000002922 simulated annealing Methods 0.000 description 9
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于电化学传感器的水质检测方法和系统,涉及水质检测传感器领域。该方法包括:通过电化学传感器采集被测水质的检测数据,通过温度补偿模型对所述被测水质的检测数据进行温度补偿,获得补偿后的检测数据,调用模拟数据库结合外推法估算所述补偿后的检测数据的预设参数检测值,本方案通过温度补偿模型进行温度补偿,收敛速度更快,准确率高,消耗时间更短,偏离程度更低,有效避免了陷入局部最优,提高了电化学传感器温度补偿模型的可靠性和稳定性。采用外推法使温度量程更广。
Description
技术领域
本发明涉及水质检测传感器领域,尤其涉及一种基于电化学传感器的水质检测方法和系统。
背景技术
水质监测作为水污染治理工作的重要环节,是实现水质保护的基础,是人们认识水质,评价水质,掌握水质质量的重要手段。水质采集数据作为水质污染评估的重要依据,能够全面、及时、准确的反映水质状况,对发现水体污染,对治理水源,保护水质起到重要作用。
由于对水质参数的多样性和采集数据的准确性要求越来越高,以及采购部门对系统开发成本越来越敏感,传统的水质监测系统已经无法满足低功耗、高精度的工作需求。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种基于电化学传感器的水质检测方法和系统。
本发明解决上述技术问题的技术方案如下:
一种基于电化学传感器的水质检测方法,包括:
S1,通过电化学传感器采集被测水质的检测数据;
S2,通过温度补偿模型对所述被测水质的检测数据进行温度补偿,获得补偿后的检测数据;
S3,调用模拟数据库结合外推法估算所述补偿后的检测数据的预设参数检测值。
本发明的有益效果是:本方案通过温度补偿模型进行温度补偿,收敛速度更快,准确率高,消耗时间更短,偏离程度更低,有效避免了陷入局部最优,提高了电化学传感器温度补偿模型的可靠性和稳定性。采用外推法使温度量程更广。
进一步地,还包括:通过预设神经网络模型结合退火神经算法构建温度补偿模型。
进一步地,所述通过温度补偿模型对所述被测水质的检测数据进行温度补偿,具体包括:
通过训练后的预设神经网络模型获得退火神经算法的编码长度;
根据所述编码长度结合退火神经算法获得模型初始权值和模型阈值;
根据所述初始阈值和所述模型阈值对所述温度补偿模型进行更新;
根据更新后的温度补偿模型对所述被测水质的检测数据进行温度补偿。
进一步地,所述S3之前,还包括:
采集多组被测水质的检测数据;
根据所述检测数据获得在不同温度下被测水质的预设参数检测值;
根据所述预设参数检测值和所述预设参数检测值对应的温度值构建模拟数据库。
进一步地,所述预设神经网络模型为:两个节点的输入层、5个节点的隐含层和1个节点的输出层的神经网络模型。
本发明解决上述技术问题的另一种技术方案如下:
一种基于电化学传感器的水质检测系统,包括:采集模块、温度补偿模块和估算模块;
所述采集模块用于通过电化学传感器采集被测水质的检测数据;
所述温度补偿模块用于通过温度补偿模型对所述被测水质的检测数据进行温度补偿,获得补偿后的检测数据;
所述估算模块用于调用模拟数据库结合外推法估算所述补偿后的检测数据的预设参数检测值。
本发明的有益效果是:本方案通过温度补偿模型进行温度补偿,收敛速度更快,准确率高,消耗时间更短,偏离程度更低,有效避免了陷入局部最优,提高了电化学传感器温度补偿模型的可靠性和稳定性。采用外推法使温度量程更广。
进一步地,还包括:温度补偿模型构建模块,用于通过预设神经网络模型结合退火神经算法构建温度补偿模型。
进一步地,所述温度补偿模块具体用于通过训练后的预设神经网络模型获得退火神经算法的编码长度;
根据所述编码长度结合退火神经算法获得模型初始权值和模型阈值;
根据所述初始阈值和所述模型阈值对所述温度补偿模型进行更新;
根据更新后的温度补偿模型对所述被测水质的检测数据进行温度补偿。
进一步地,还包括:模拟数据库构建模块,用于采集多组被测水质的检测数据;
根据所述检测数据获得在不同温度下被测水质的预设参数检测值;
根据所述预设参数检测值和所述预设参数检测值对应的温度值构建模拟数据库。
进一步地,所述预设神经网络模型为:两个节点的输入层、5个节点的隐含层和1个节点的输出层的神经网络模型。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明的实施例提供的一种基于电化学传感器的水质检测方法的流程示意图;
图2为本发明的实施例提供的一种基于电化学传感器的水质检测系统的结构框图;
图3为本发明的其他实施例提供的基于电化学传感器的高温水质检测方法的流程示意图;
图4为本发明的其他实施例提供的构建神经网络(BP)模型的示意图;
图5为本发明的其他实施例提供的模拟退火神经算法(SA-BP)构建温度补偿模型的流程示意图;
图6为本发明的其他实施例提供的外推法算法流程图示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明实施例提供的一种基于电化学传感器的水质检测方法,包括:
S1,通过电化学传感器采集被测水质的检测数据;
S2,通过温度补偿模型对所述被测水质的检测数据进行温度补偿,获得补偿后的检测数据;
S3,调用模拟数据库结合外推法估算所述补偿后的检测数据的预设参数检测值。其中,预设参数检测值可以是被测水质的pH值、DO(溶解氧)和氨氮。
可选地,在某一实施例中,外推法算法流程如图6所示,包括以下步骤:
步骤S11:调用模拟数据库中的YnT,将YnT按该参数的浓度由大到小排列得到YKT,其中Y(k,T)>Y(k-1,T),T∈(0,TMAX];
步骤S12:设计评价函数P(YT)。
P(YT)=[Y(k,T)-YT]*[Y(k-1,T)-YT],
式中,YT是某参数经过温度补偿的浓度,Y(k,T)为T温度下的模拟数据库中第k组数据的浓度,k∈[1,K],T∈[T工作min,T工作max]。
步骤S13:当P(YT)>0时,令k=k-1,重复步骤S12。当P(YT)<0时,输出Y(T)=Y(k,T)-{Y(k,T工作min/2+T工作MAX/2)-Y(T工作min/2+T工作max/2)};
步骤S14:代入被测水体的当前温度T′,得到估算值Y(T′)=Y(k,T′)-{Y(k,T工作min/2+T工作max/2)-Y(T工作min/2+T工作max/2)}。最后输出Y(T′)和YT,T∈[T工作min,T工作max]。
最后,通过本方法模拟的误差为:
E=A+B+C+D,
式中:A为构建模拟数据库时,XnT和YnT的误差;B为基于改进的SA-BP神经网络的预测误差,一般预测误差范围在-0.1mg/L~0.1mg/L之间;C为隔水降温时,进行低温数据检测测量出的电压XT的误差;D为外推法的误差,与测量组数n有关,为(YnTmax-YnTmin)/n。
本方案通过温度补偿模型进行温度补偿,收敛速度更快,准确率高,消耗时间更短,偏离程度更低,有效避免了陷入局部最优,提高了电化学传感器温度补偿模型的可靠性和稳定性。采用外推法使温度量程更广。
可选地,在某一实施例中,如图3所示,一种基于电化学传感器的高温水质检测方法,包括构建模拟数据库、构建神经网络(BP)模型、模拟退火神经算法(SA-BP)构建温度补偿模型、采用隔水降温的方法,进行低温数据检测、温度降低而数值增高、外推法估算。
优选地,在上述任意实施例中,还包括:通过预设神经网络模型结合退火神经算法构建温度补偿模型。
优选地,在上述任意实施例中,所述通过温度补偿模型对所述被测水质的检测数据进行温度补偿,具体包括:
通过训练后的预设神经网络模型获得退火神经算法的编码长度;需要说明的是,编码长度获取过程可以包括:设置SA(退火)算法初始温度t0=100、最低温度tmin=0、迭代次数L=100、温度衰减系数α=0.98,根据BP神经网络的结构确定SA算法的编码长度。
根据所述编码长度结合退火神经算法获得模型初始权值和模型阈值;其中,获得模型初始权值和模型阈值的过程,可以如步骤P2:
根据所述初始阈值和所述模型阈值对所述温度补偿模型进行更新;
根据更新后的温度补偿模型对所述被测水质的检测数据进行温度补偿。
可选地,在另一实施例中,模拟退火神经算法(SA-BP)构建温度补偿模型,如图5所示,包括以下步骤:
步骤P1:设置SA(退火)算法初始温度t0=100、最低温度tmin=0、迭代次数L=100、温度衰减系数α=0.98,根据BP神经网络的结构确定SA算法的编码长度,随机生成初始解S。
步骤P2:通过改进模拟退火算法可以得到神经网络(BP)温度补偿模型的最优初始权值和阈值。其中,数据预处理阶段会将所有的数据规范化到0-1之间,并且神经网络的输出也是0-1之间的向量,因此其中的网络结点值也应位于0-1中。通过改进模拟退火算法可以得到BP神经网络温度补偿模型的最优初始权值和阈值为:
W1=[0.8122-0.3785-0.5788-0.1168*0.0217-0.3227*0.8549*0.5421-0.6075-0.3770];
W2=[0.9273*0.1952-0.0256*0.7923*0.3090];
B1=[0.3890-0.1784-0.4655-0.4067];
B2=[0.1474];
inputWeights=net.W1;%当前输入层权值
inputbias=net.B1;%当前输入层阀值
layerWeights=net.W2;%当前网络层(隐藏层)权值
layerbias=net.B2;%当前网络层(隐藏层)阀值
步骤P3:根据随机扰动β,产生新解S′。
S′=S+βt,
其中,β的取值范围为[0,1],t为当前温度。
步骤P4:计算增量ΔF=F(S′)-F(S),其中F(S)为评价函数,是输入训练样本的均方误差。
式中,Yi是训练样本的预测输出,Yi′(S)为训练样本的期望输出,n为训练样本的个数。
步骤P5:若ΔF<0则把S′作为新的当前解,否则按Metropolis概率exp(-ΔF/t)将S′作为新的当前解,t为当前温度。
步骤P6:如果满足终止判定条件,则把当前值作为最优解并输出,结束程序。否则降低温度,继续重复步骤P3-P5。相邻温度衰减公式如下:
ti+1=αti,
所述采用隔水降温的方法,进行低温数据检测,具体方法包括将被测水体隔开,进行降温处理。对于某一参数,当温度到达该参数电化学传感器的工作温度时,测量出电压XT,XT为该参数在T温度下的电压,T∈[T工作min,T工作max];
所述温度降低而数值增高,将在温度降低时与外界发生物质交换而导致数值增加的一类水质参数分为不适合外推法计算的水质参数。
优选地,在上述任意实施例中,所述S3之前,还包括:
采集多组被测水质的检测数据;
根据所述检测数据获得在不同温度下被测水质的预设参数检测值;
根据所述预设参数检测值和所述预设参数检测值对应的温度值构建模拟数据库。
可选地,在某一实施例中,构建模拟数据库,其中,模拟数据库中存储着DO(氨氮)的YnT、XnT、T和n,YnT为模拟数据库中T温度下DO(氨氮)第n组数据的浓度,n∈[1,n],T∈[O,Tmax]。XnT是与YnT对应的电压。T是YnT的对应温度。N为YnT对应的组数。例如Y(3,25℃)=10mg/L和X(3,25℃)=0.3V;
包括以下步骤:
采集n组被测水质,n≥5,采集的数据组数越多,外推法模拟越准确;
将被测水质进行1℃的等温降温;
选定需要测量的参数,在降温的过程中采用该参数的电化学传感器测量电压XnT,同时通过实验或仪器测出该参数的值YnT,XnT表示第n组温度T下该参数的电压,YnT表示第n组温度T下的值,温度传感器测量温度T,T∈(0,TMAX],一般情况下T<120℃;参数的值YnT可以是DO、氨氮、pH等水质参数,YnT为模拟数据库中T温度下DO(氨氮)第n组数据的浓度。例溶解氧的Y(3,25℃)=10mg/L表示25℃温度下溶解氧第3组数据的浓度为10mg/L。
其中构建神经网络(BP)模型如图4所示,利用神经网络(BP)对不同的温度点下、不同数值的样本实验数据进行融合,建立XnT-YnT温度补偿模型。构建一个输入层有2个节点(温度和电压),隐含层有5个节点,输出层有1个节点(检测数值)的神经网络(BP)模型;
优选地,在上述任意实施例中,所述预设神经网络模型为:两个节点的输入层、5个节点的隐含层和1个节点的输出层的神经网络模型。
在某一实施例中,一种基于电化学传感器的高温水质检测方法,包括:
步骤1:确定被测水质的最高温度TMAX,确定所需的检测参数;其中,根据检测需要进行设置,例如云南腾冲的热海,温度高达102℃,设置TMax=102。这里的TMAX为采集数据建立模拟数据库提供依据,采集水样时温度应尽量接近TMAX,测量的量程才能满足水体的检测需求。例如滇池富营养化较为严重,所需检测参数包括氨氮和磷。
步骤2:构建模拟数据库;
步骤3:利用神经网络(BP)对不同的温度点下、不同数值的检测样本实验数据进行融合,建立温度补偿模型;
步骤4:运用模拟退火神经算法(SA-BP)构建温度补偿模型;其中,电化学传感器一般在10℃到30℃内误差较小,但是天然水体中的温度变化范围相对于传感器的准确测量温度范围要大得多。不同的参数需要通过SA-BP算法构建不同的温度补偿模型XnT-YnT。不同参数的温度补偿模型XnT-YnT的构建方法(模拟退火神经算法(SA-BP))均相同。
步骤5:运用电化学传感器测量数据,采用温度补偿模型进行温度补偿,最后采用外推法估算检测值。其中,测试数据可以是电化学传感器的测量数据为XnT,XnT表示第n组温度T下该参数的电压。
其中,温度补偿后得到XnT-YnT(电压XnT为自变量,浓度YnT为因变量的函数。注:模拟数据库中记录的数据是XnT和与XnT对应的YnT),YnT为模拟数据库中T温度下DO(氨氮)第n组数据的浓度,该浓度通过实验或仪器测出为真实值,n∈[1,n],T∈[0,T ma×]。XnT为模拟数据库中与YnT对应的电压。
估算检测值可以包括:估算值为Y(T1),表示在T1(注:T1为无法用电化学传感器准确测量的温度)温度下的检测参数的浓度。
可选地,在某一实施例中,还包括:采集n组被测水质;将被测水质进行1℃的等温降温;对于某一参数,在降温过程中采用该参数的电化学传感器测量电压XnT,通过实验或仪器测出该参数的值YnT,XnT表示第n组温度T下该参数的电压,YnT表示第n组温度T下的值,温度传感器测量温度T,T∈(0,TMAX]。在某一实施例中,采集n组数据,同时测量需要检测参数的XnT和与XnT对应的YnT(注:XnT由电化学传感器测量,YnT由实验或仪器测出。YnT为T温度下DO(氨氮)第n组数据的浓度,如果测量的是pH,则YnT为T温度下第n组数据的pH值。
可选地,在某一实施例中,还包括:运用模拟退火神经算法(SA-BP)构建温度补偿模型,可以包括:
设置SA(退火)算法初始温度t0、最低温度tmin、迭代次数L、温度衰减系数α,根据BP神经网络的结构确定SA算法的编码长度,随机生成初始解S。其中,退火算法是一种新的随机搜索方法,初始解的值不影响输出结果,S∈N,该解代表电压XnT。模拟退火算法来源于固体退火原理,计算过程由″产生新解→计算目标函数差→接受或舍弃″的迭代,并逐步衰减t值,算法终止时的当前解即为所得近似最优解,这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。所以算法计算的次数由初始温度t0控制,在温度降低的过程中不断的产生新解,使新解与最优解靠近,当温度降到O时,新解将非常接近最优解
根据随机扰动β,产生新解S′。
S′=S+βt,
其中,β的取值范围为[0,1],t为当前温度。
计算增量ΔF=F(S′)-F(S),其中F(S)为评价函数,是输入训练样本的均方误差。
式中,Yi是训练样本的预测输出,Yi′(S)为训练样本的期望输出,n为训练样本的个数。
若ΔF<0则把S′作为新的当前解,否则按Metropolis概率exp(-ΔF/t)将S′作为新的当前解,t为当前温度。其中,当前解表示表示与YnT对应的电压XnT。
如果满足终止判定条件,则把当前解作为最优解并输出,结束程序。否则降低温度,继续重复第二步-第四步。相邻温度衰减公式如下:
ti+1=αti,
可选地,在某一实施例中,还包括:运用电化学传感器测量数据,采用温度补偿模型进行温度补偿,最后采用外推法估算检测值,可以包括:
采用隔水降温的方法,将被测水体隔开,进行降温处理。对于某一参数,当温度到达该参数电化学传感器的工作温度时,测量出电压XT,XT为该参数在T温度下的电压,T∈[T工作min,T工作max];
将所测得的电压XT,代入对应参数的温度补偿模型Y(X,T)中,得到YT,YT为T温度下该参数经过温度补偿的浓度,T∈[T工作min,T工作max];
判断所检测的参数是否因温度降低而数值增高。如果是,则输出YT,T∈[T工作min,T工作max];如果不是,则进行下一步。
调用模拟数据库中的YnT,将YnT按该参数的浓度由大到小排列得到YKT,其中Y(k,T)>Y(k-1,T),T∈(0,Tmax];
设计评价函数P(YT)。
P(YT)=[Y(k,T)-YT]*[Y(k-1,T)-YT],
式中,YT是某参数经过温度补偿的浓度,Y(k,T)为T温度下的模拟数据库中第k组数据的浓度,k∈[1,K],T∈[T工作min,T工作max]。
当P(YT)>0时,令k=k-1,重复设计评价函数P(YT)的步骤。当P(YT)<0时,输出Y(T)=Y(k,T)-{Y(k,T工作min/2+T工作max/2)-Y(T工作min/2+T工作max/2)};
代入被测水体的当前温度T′,得到估算值Y(T′)=Y(k,T′)-{Y(k,T工作min/2+T工作max/2)-Y(T工作min/2+T工作max/2)}。最后输出Y(T′)和YT,T∈[T工作min,T工作max]。
与现有技术相比,采用的SA-BP神经网络进行温度补偿,收敛速度更快,准确率高,消耗时间更短,偏离程度更低,有效避免了陷入局部最优,提高了电化学传感器温度补偿模型的可靠性和稳定性。
采用隔水降温的方式,使用电化学传感器进行检测,能够有效的避免传感器在高温状态下损坏。同时采用SA-BP神经网络进行温度补偿使检测数据准确性更高,采用外推法使温度量程更广。
在某一实施例中,如图2所示,一种基于电化学传感器的水质检测系统,包括:采集模块1101、温度补偿模块1102和估算模块1103;
所述采集模块1101用于通过电化学传感器采集被测水质的检测数据;
所述温度补偿模块1102用于通过温度补偿模型对所述被测水质的检测数据进行温度补偿,获得补偿后的检测数据;
所述估算模块1103用于调用模拟数据库结合外推法估算所述补偿后的检测数据的预设参数检测值。
本方案通过温度补偿模型进行温度补偿,收敛速度更快,准确率高,消耗时间更短,偏离程度更低,有效避免了陷入局部最优,提高了电化学传感器温度补偿模型的可靠性和稳定性。采用外推法使温度量程更广。
优选地,在上述任意实施例中,还包括:温度补偿模型构建模块,用于通过预设神经网络模型结合退火神经算法构建温度补偿模型。
优选地,在上述任意实施例中,所述温度补偿模块1102具体用于通过训练后的预设神经网络模型获得退火神经算法的编码长度;
根据所述编码长度结合退火神经算法获得模型初始权值和模型阈值;
根据所述初始阈值和所述模型阈值对所述温度补偿模型进行更新;
根据更新后的温度补偿模型对所述被测水质的检测数据进行温度补偿。
优选地,在上述任意实施例中,还包括:模拟数据库构建模块,用于采集多组被测水质的检测数据;
根据所述检测数据获得在不同温度下被测水质的预设参数检测值;
根据所述预设参数检测值和所述预设参数检测值对应的温度值构建模拟数据库。
优选地,在上述任意实施例中,所述预设神经网络模型为:两个节点的输入层、5个节点的隐含层和1个节点的输出层的神经网络模型。
可以理解,在一些实施例中,可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是,上述各实施例是与在先方法实施例对应的产品实施例,对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明,在此不再赘述。
读者应理解,在本说明书的描述中,参考术语″一个实施例″、″一些实施例″、″示例″、″具体示例″、或″一些示例″等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,步骤的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个步骤可以结合或者可以集成到另一个步骤,或一些特征可以忽略,或不执行。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于电化学传感器的水质检测方法,其特征在于,包括:
S1,通过电化学传感器采集被测水质的检测数据;
S2,通过温度补偿模型对所述被测水质的检测数据进行温度补偿,获得补偿后的检测数据;
S3,调用模拟数据库结合外推法估算所述补偿后的检测数据的预设参数检测值。
2.根据权利要求1所述的一种基于电化学传感器的水质检测方法,其特征在于,还包括:通过预设神经网络模型结合退火神经算法构建温度补偿模型。
3.根据权利要求2所述的一种基于电化学传感器的水质检测方法,其特征在于,所述通过温度补偿模型对所述被测水质的检测数据进行温度补偿,具体包括:
通过训练后的预设神经网络模型获得退火神经算法的编码长度;
根据所述编码长度结合退火神经算法获得模型初始权值和模型阈值;
根据所述初始阈值和所述模型阈值对所述温度补偿模型进行更新;
根据更新后的温度补偿模型对所述被测水质的检测数据进行温度补偿。
4.根据权利要求1-3任一项所述的一种基于电化学传感器的水质检测方法,其特征在于,所述S3之前,还包括:
采集多组被测水质的检测数据;
根据所述检测数据获得在不同温度下被测水质的预设参数检测值;
根据所述预设参数检测值和所述预设参数检测值对应的温度值构建模拟数据库。
5.根据权利要求1-3任一项所述的一种基于电化学传感器的水质检测方法,其特征在于,所述预设神经网络模型为:两个节点的输入层、5个节点的隐含层和1个节点的输出层的神经网络模型。
6.一种基于电化学传感器的水质检测系统,其特征在于,包括:采集模块、温度补偿模块和估算模块;
所述采集模块用于通过电化学传感器采集被测水质的检测数据;
所述温度补偿模块用于通过温度补偿模型对所述被测水质的检测数据进行温度补偿,获得补偿后的检测数据;
所述估算模块用于调用模拟数据库结合外推法估算所述补偿后的检测数据的预设参数检测值。
7.根据权利要求6所述的一种基于电化学传感器的水质检测系统,其特征在于,还包括:温度补偿模型构建模块,用于通过预设神经网络模型结合退火神经算法构建温度补偿模型。
8.根据权利要求7所述的一种基于电化学传感器的水质检测系统,其特征在于,所述温度补偿模块具体用于通过训练后的预设神经网络模型获得退火神经算法的编码长度;
根据所述编码长度结合退火神经算法获得模型初始权值和模型阈值;
根据所述初始阈值和所述模型阈值对所述温度补偿模型进行更新;
根据更新后的温度补偿模型对所述被测水质的检测数据进行温度补偿。
9.根据权利要求6-8任一项所述的一种基于电化学传感器的水质检测系统,其特征在于,还包括:模拟数据库构建模块,用于采集多组被测水质的检测数据;
根据所述检测数据获得在不同温度下被测水质的预设参数检测值;
根据所述预设参数检测值和所述预设参数检测值对应的温度值构建模拟数据库。
10.根据权利要求6-8任一项所述的一种基于电化学传感器的水质检测系统,其特征在于,所述预设神经网络模型为:两个节点的输入层、5个节点的隐含层和1个节点的输出层的神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856338.1A CN115236149A (zh) | 2022-07-15 | 2022-07-15 | 一种基于电化学传感器的水质检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856338.1A CN115236149A (zh) | 2022-07-15 | 2022-07-15 | 一种基于电化学传感器的水质检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115236149A true CN115236149A (zh) | 2022-10-25 |
Family
ID=83673192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210856338.1A Pending CN115236149A (zh) | 2022-07-15 | 2022-07-15 | 一种基于电化学传感器的水质检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115236149A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5554273A (en) * | 1995-07-26 | 1996-09-10 | Praxair Technology, Inc. | Neural network compensation for sensors |
CN110441374A (zh) * | 2019-08-08 | 2019-11-12 | 南京邮电大学 | 一种基于sa-bp神经网络的溶氧传感器补偿方法 |
CN110568144A (zh) * | 2019-09-27 | 2019-12-13 | 长春理工大学 | 一种氨氮检测的温度补偿方法 |
CN111105079A (zh) * | 2019-11-29 | 2020-05-05 | 江苏信息职业技术学院 | 一种物联网水体溶解氧预测方法及水质监测系统 |
CN111352058A (zh) * | 2018-12-20 | 2020-06-30 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 用于对测量设备的电位传感器在过程中进行校准的方法 |
CN114707692A (zh) * | 2022-02-11 | 2022-07-05 | 哈尔滨工业大学(深圳) | 基于混合神经网络的湿地出水氨氮浓度预测方法及系统 |
-
2022
- 2022-07-15 CN CN202210856338.1A patent/CN115236149A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5554273A (en) * | 1995-07-26 | 1996-09-10 | Praxair Technology, Inc. | Neural network compensation for sensors |
CN111352058A (zh) * | 2018-12-20 | 2020-06-30 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 用于对测量设备的电位传感器在过程中进行校准的方法 |
CN110441374A (zh) * | 2019-08-08 | 2019-11-12 | 南京邮电大学 | 一种基于sa-bp神经网络的溶氧传感器补偿方法 |
CN110568144A (zh) * | 2019-09-27 | 2019-12-13 | 长春理工大学 | 一种氨氮检测的温度补偿方法 |
CN111105079A (zh) * | 2019-11-29 | 2020-05-05 | 江苏信息职业技术学院 | 一种物联网水体溶解氧预测方法及水质监测系统 |
CN114707692A (zh) * | 2022-02-11 | 2022-07-05 | 哈尔滨工业大学(深圳) | 基于混合神经网络的湿地出水氨氮浓度预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morando et al. | Proton exchange membrane fuel cell ageing forecasting algorithm based on Echo State Network | |
CN111325403B (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
CN110441374B (zh) | 一种基于sa-bp神经网络的溶氧传感器补偿方法 | |
CN110083951B (zh) | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 | |
CN109242223A (zh) | 城市公共建筑火灾风险的量子支持向量机评估与预测方法 | |
CN110824914B (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
CN112949930B (zh) | 基于pa-lstm网络的道路机动车尾气高排放预警方法 | |
Shigidi et al. | Parameter estimation in groundwater hydrology using artificial neural networks | |
CN104678312B (zh) | 一次性锂电池容量加速退化试验“倒挂”数据评估方法 | |
CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
CN117494037A (zh) | 一种基于变权vae与双通道特征融合的变压器故障诊断方法 | |
Li et al. | Degradation prediction of proton exchange membrane fuel cell based on the multi-inputs Bi-directional long short-term memory | |
CN110441815B (zh) | 基于差分进化及块坐标下降的模拟退火瑞雷波反演方法 | |
CN105938524A (zh) | 一种微生物关联网络预测方法及装置 | |
CN115035962A (zh) | 基于变分自编码器和生成对抗网络的虚拟样本生成及软测量建模方法 | |
CN112729675B (zh) | 基于维纳非线性模型的压力传感器标定装置温度建模方法 | |
CN115236149A (zh) | 一种基于电化学传感器的水质检测方法和系统 | |
Li et al. | 3-Dimensional general ADT modeling and analysis: Considering epistemic uncertainties in unit, time and stress dimension | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
Zhang et al. | Multivariate discrete grey model base on dummy drivers | |
CN114626594A (zh) | 一种基于聚类分析和深度学习的中长期电量预测方法 | |
Hu et al. | A physics-driven deep-learning inverse solver for subsurface sensing | |
Jakubiec et al. | Error model application in neural reconstruction of nonlinear sensor input signal | |
Liu et al. | The Prediction of Steel Bar Corrosion Based on BP Neural Networks or Multivariable Gray Models |
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: 20221025 |