CN116297251B - 一种多传感器组合的水质检测系统及其检测探头 - Google Patents
一种多传感器组合的水质检测系统及其检测探头 Download PDFInfo
- Publication number
- CN116297251B CN116297251B CN202310551258.XA CN202310551258A CN116297251B CN 116297251 B CN116297251 B CN 116297251B CN 202310551258 A CN202310551258 A CN 202310551258A CN 116297251 B CN116297251 B CN 116297251B
- Authority
- CN
- China
- Prior art keywords
- water body
- type
- data
- neural network
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 184
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 239000000523 sample Substances 0.000 title claims abstract description 72
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 239000002131 composite material Substances 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 28
- 238000004448 titration Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 238000011897 real-time detection Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 239000000243 solution Substances 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012372 quality testing Methods 0.000 claims description 4
- 239000011259 mixed solution Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 239000007788 liquid Substances 0.000 description 11
- 238000007689 inspection Methods 0.000 description 8
- 239000010865 sewage Substances 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000000741 silica gel Substances 0.000 description 2
- 229910002027 silica gel Inorganic materials 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002572 peristaltic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000012086 standard solution Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
-
- 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
Abstract
本发明涉及光谱水质检测技术领域,具体公开了一种多传感器组合的水质检测系统及其检测探头,包括水质监测模块,用于获取检测参数;水体识别模块,获取受检水体的类型;模型建立模块,对不同类型的水体建立对应的复合神经网络模型;以及数据修正模块,本发明通过将温度、色度、浊度、盐度这些物理量纳入复合神经网络模型,建立基于多种影响因子的全光谱数据的水质光谱模型,综合形成非常具有辨别的光谱指纹数据,通过具有辨别的光谱指纹数据训练出获得某个水体复合神经网络模型,对水体有较好的识别功能,在水质污染溯源方向有非常好的实用性,同时分析时间短,分析结果与标准数据偏移率低。
Description
技术领域
本发明涉及光谱水质检测技术领域,具体的,涉及一种多传感器组合的水质检测系统及其检测探头。
背景技术
国内目前环保行业均以传统的国标法检测方式,利用化学反应原理检测水质单个指标物浓度。这种方法发展成熟,但有设备体积大、需要恒温有建设施工要求、分析时间长(1小时/次)、耗电量大、需要化学试剂、二次污染等缺点。
在通过便携式检测探头进行光谱法水质监测方面,现有技术均未达到满足测量精度的范围,与实际水样的浓度偏差在±20%左右,目前还确实可以替代国标法水质监测站的光谱法水质多参数传感器的便携式检测探头。
而制约便携式检测探头获取精确数据的原因包括:
(1)测量物质内因子影响:很多物质在特定波长区间内都有较强的吸光度,叠加度较高,互相干扰。
(2)环境影响因子:温度、色度、浊度、盐度等因素对光谱法影响非常大,需要补偿修正或消除影响。
(3)仪器系统本身的影响:灯源衰减、电流稳定性、干扰性、光学镜头污染等等,在长期使用过程中都对测量结果影响较大。
(4)量程、分辨率等参数的适应性:现实中实际水样有工业废水、农业有机废水、河流湖泊等等不同的水体,内成份复杂、变化多、浓度大小不一,对于光谱法传感器的适应性设计要求比较高。
为解决采用全光谱的便携式检测探头测量精度不足的问题,本发明提出一种多传感器组合的水质检测系统及其检测探头。
发明内容
本发明的目的在于提供一种多传感器组合的水质检测系统及其检测探头,解决以下技术问题:
如何解决采用全光谱的便携式检测探头测量精度不足的问题。
本发明的目的可以通过以下技术方案实现:
一种多传感器组合的水质检测系统,包括:
水质监测模块,用于获取检测参数,检测参数包括受检水体的物理量数据组以及,受检水体的第一光谱数据组;
水体识别模块,对物理量数据组和光谱数据组按照预设规则进行比对分析,获取受检水体的类型;
模型建立模块,对不同类型的水体建立对应的复合神经网络模型;
数据修正模块,将实时的检测参数输入训练好的对应的复合神经网络模型中,由复合神经网络模型输出第二光谱数据组。
通过上述技术方案:将温度、色度、浊度、盐度这些物理量纳入复合神经网络模型,建立基于多种影响因子的全光谱数据的水质光谱模型,综合形成非常具有辨别的光谱指纹数据,通过具有辨别的光谱指纹数据训练出获得某个水体复合神经网络模型,对水体有较好的识别功能,在水质污染溯源方向有非常好的实用性。
作为本发明的进一步技术方案:所述预设的识别规则包括:
建立不同类型水体的数据库,所述数据库包括每个类型的水体所有种类的数据以及对应标准浓度区间;
将实时的检测参数与每个类型的水体的数据库进行比对分析,获取水体类型。
作为本发明的进一步技术方案:所述将实时的检测参数与每个类型的水体的数据库内进行比对分析的过程包括:
通过公式:,
获取受检水体与比对水体的偏离系数;其中,n是检测参数数据类型的数量,是每个参数偏离度权重系数,/>是受检水体第k个数据的具体数值,/>是受检水体所对应的标准水体类型中第k个数据的标准取值区间,/>是标准取值区间的中间值,/>;
将偏离系数与标准偏离区间/>进行比对;
若,则判断该比对水体的类型为受检水体的类型;
若,则判断该比对水体的类型不是受检水体的类型;
若,则判断该比对水体的类型与受检水体的类型近似。
通过上述技术方案:由受检水体的检测参数获取其与比对水体的偏离系数,通过偏离系数准确的判断受检水体是否与比对水体属于同一类水体,可以对水体实现自动化判断,简化使用本发明检测系统的检测探头的使用步骤。
作为本发明的进一步技术方案:所述预设的识别规则还包括:
数据库加入每个类型的水体的各种成分的所有的浓度排序信息;
将实时的检测参数的成分的排序信息与数据库中的所有的浓度排序信息进行比对,保留排序信息符合的水体类型;
将排序信息符合的水体的实时的检测参数与每个类型的水体的数据库内进行比对分析,获取水体类型。
通过上述技术方案:对水体的类型判断添加计算量更少的前置步骤,消除部分明显不符合要求的水体,可以极大的提升水体类型的判断效率,进一步减少使用本发明检测系统的检测探头的数据获取时间,提升检测效率。
作为本发明的进一步技术方案:建立所述复合神经网络模型的样本数据获取过程包括:
获取某一类型的水体样本,并由高精度实验室检测装备检测实际值;
对每一个由检测探头获取的第一光谱数据组中的光谱数据所对应的物质制备滴定液;
将样本等分为与光谱数据数量相同的份数,对每一份样本将等体积的滴定液分若干次加入,由检测探头获取每次加入滴定液后的混合液的第一检测值;
排除滴定过程中数据波动不超过精度需求的样本数据,将剩余数据输入复合神经网络模型中作为训练样本。
作为本发明的进一步技术方案:所述复合神经网络模型的样本数据获取过程还包括:
取样本数据获取过程中未被排除的且完成滴定样本液体水样;
将多份水样两两混合滴定,由检测探头获取每次滴定后的混合物的第二检测值,将所有第二检测值输入复合神经网络模型中作为训练样本。
通过上述技术方案:可以获取大量的样本数据,便于对复合神经网络模型进行训练,此外获取的单因子数据是基于单因子浓度线性变化获取的,双因子数据是基于单因子数据滴定后的实验液获取的,数据线性度高,用于机器学习训练效果好。
作为本发明的进一步技术方案:所述复合神经网络模型是四层BP神经网络的预测模型,其输入层的数据为全体物理量数据组以及第一光谱数据组,其输出层输出的第二光谱数据组为预测数据,两层隐藏层分别提前单因子条件下的数据特征以及双因子条件下的数据特征。
本发明还提供的一种多传感器组合水质检测探头,包括探头本体,所述探头本体上开设有容纳检测液的检查口,所述检查口两侧分别开设有发射窗和入射窗,所述探头本体内设置有光学检测组件,所述光学检测组件包括设置在检查口一侧的光源,所述光源与发射窗之间设有第一凸透镜,所述入射窗后方设置有收束透过入射窗线的第二凸透镜,所述第二凸透镜后方设有接收收束后光线的狭缝、准直镜和光栅,所述光栅后方设有用于接收穿过光栅的光线的第三凸透镜,所述第三凸透镜后方设有用于检测光强的光谱传感器矩阵;
所述检查口上方设有反射透镜,所述反射透镜上方设有光电接收器;
所述探头本体外设置有传感器组。
进一步的:所述传感器组包括pH传感器和电导率电极,所述pH传感器使用导热性硅胶贴在金属外壳的内壁上,所述探头本体前端嵌入不导电的高性能塑胶块,上面嵌入电导率电极,所述发射窗和入射窗外安装有雨刷刮片,所述雨刷刮片清洁时间可设定。
本发明的有益效果:
(1)本发明通过将温度、色度、浊度、盐度这些物理量纳入复合神经网络模型,建立基于多种影响因子的全光谱数据的水质光谱模型,综合形成非常具有辨别的光谱指纹数据,通过具有辨别的光谱指纹数据训练出获得某个水体复合神经网络模型,对水体有较好的识别功能,在水质污染溯源方向有非常好的实用性,同时分析时间短,分析结果与标准数据偏移率低。
(2)本发明由受检水体的检测参数获取其与比对水体的偏离系数,通过偏离系数准确的判断受检水体是否与比对水体属于同一类水体,可以对水体实现自动化判断,简化使用本发明检测系统的检测探头的使用步骤。
(3)本发明对水体的类型判断添加计算量更少的前置步骤,消除部分明显不符合要求的水体,可以极大的提升水体类型的判断效率,进一步减少使用本发明检测系统的检测探头的数据获取时间,提升检测效率。
(4)本发明可以获取大量的样本数据,便于对复合神经网络模型进行训练,此外获取的单因子数据是基于单因子浓度线性变化获取的,双因子数据是基于单因子数据滴定后的实验液获取的,数据线性度高,用于机器学习训练效果好。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明模块关系流程图;
图2是本发明检测探头内部结构示意图。
附图标记说明:
1、电导率电极;2、光源;3、第一凸透镜;4、发射窗;5、反射透镜;6、光电接收器;7、入射窗;8、第二凸透镜;9、狭缝;10、准直镜;11、光栅;12、第三凸透镜;13、光谱传感器矩阵。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,在一个实施例中,提供了一种多传感器组合的水质检测系统,包括:
水质监测模块,用于获取检测参数,检测参数包括受检水体的物理量数据组以及,受检水体的第一光谱数据组,其中,物理量数据组包括温度、色度、浊度、盐度数据,由对应传感器直接获取;第一光谱数据组由全光谱检测探头获取包括悬浮物、化学需氧量、总有机碳、可溶性有机碳、氨氮、亚硝氮、总磷、总氮、蓝绿藻等多种光谱数据,全光谱检测探头是利用不同物质对不同波段的光吸收度不同的原理实现测算物质浓度或者含量的;
水体识别模块,对物理量数据组和光谱数据组按照预设规则进行比对分析,获取受检水体的类型,水体类型由农业污水、工业污水,颜料污水等区别度大的分类组成;
模型建立模块,对不同类型的水体建立对应的复合神经网络模型;
数据修正模块,将实时的检测参数输入训练好的对应的复合神经网络模型中,由复合神经网络模型输出第二光谱数据组。
通过上述技术方案:将温度、色度、浊度、盐度这些物理量纳入复合神经网络模型,建立基于多种影响因子的全光谱数据的水质光谱模型,综合形成非常具有辨别的光谱指纹数据,通过具有辨别的光谱指纹数据训练出获得某个水体复合神经网络模型,对水体有较好的识别功能,在水质污染溯源方向有非常好的实用性。
作为本发明的进一步技术方案:预设的识别规则包括:
建立不同类型水体的数据库,数据库包括每个类型的水体所有种类的数据以及对应标准浓度区间;
将实时的检测参数与每个类型的水体的数据库进行比对分析,获取水体类型。
作为本发明的进一步技术方案:将实时的检测参数与每个类型的水体的数据库内进行比对分析的过程包括:
通过公式:,
获取受检水体与比对水体的偏离系数;其中,n是检测参数数据类型的数量,是每个参数偏离度权重系数,/>是受检水体第k个数据的具体数值,/>是受检水体所对应的标准水体类型中第k个数据的标准取值区间,/>是标准取值区间的中间值,/>;
将偏离系数与标准偏离区间/>进行比对;
若,则判断该比对水体的类型为受检水体的类型;
若,则判断该比对水体的类型不是受检水体的类型;
若,则判断该比对水体的类型与受检水体的类型近似,在完成与所有类型水体的比对后,若无符合/>的水体,则将与所有近似类型的比对水体比对过程中/>值最小的比对水体的类型作为受检水体的类型,通过该比对水体对应的复合神经网络所获得的第二光谱数据组需要标注为参考数据,应当在实验室条件下进行精准测量或者将污水充分搅拌均匀后再次测量。
通过上述技术方案:由受检水体的检测参数获取其与比对水体的偏离系数,通过偏离系数准确的判断受检水体是否与比对水体属于同一类水体,可以对水体实现自动化判断,简化使用本发明检测系统的检测探头的使用步骤。
作为本发明的进一步技术方案:预设的识别规则还包括:
数据库加入每个类型的水体的各种成分的所有的浓度排序信息;
将实时的检测参数的成分的排序信息与数据库中的所有的浓度排序信息进行比对,保留排序信息符合的水体类型;
将排序信息符合的水体的实时的检测参数与每个类型的水体的数据库内进行比对分析,获取水体类型。
通过上述技术方案:对水体的类型判断添加计算量更少的前置步骤,消除部分明显不符合要求的水体,可以极大的提升水体类型的判断效率,进一步减少使用本发明检测系统的检测探头的数据获取时间,提升检测效率。
需要说明的是,本发明是基于预先训练好的复合神经网络系统的,对于在实际检测过程中无法获取识别结果的水体,需要在模型建立模块中按照提供的方法建立新的模型。
作为本发明的进一步技术方案:建立复合神经网络模型的样本数据获取过程包括:
获取某一类型的水体样本,并由高精度实验室检测装备检测实际值;
对每一个由检测探头获取的第一光谱数据组中的光谱数据所对应的物质制备滴定液;
将样本等分为与光谱数据数量相同的份数,对每一份样本将等体积的滴定液分若干次加入,由检测探头获取每次加入滴定液后的混合液的第一检测值;
排除滴定过程中数据波动不超过精度需求的样本数据,具体为,所有滴定产生的数据中最大值与最小值的差值落入两倍标准精度范围之内,如标准精度范围,则精度需求为/>,将剩余数据输入复合神经网络模型中作为训练样本。
作为本发明的进一步技术方案:复合神经网络模型的样本数据获取过程还包括:
取样本数据获取过程中未被排除的且完成滴定样本液体水样;
将多份水样两两混合滴定,由检测探头获取每次滴定后的混合物的第二检测值,将所有第二检测值输入复合神经网络模型中作为训练样本。
通过上述技术方案:可以获取大量的样本数据,便于对复合神经网络模型进行训练,此外获取的单因子数据是基于单因子浓度线性变化获取的,双因子数据是基于单因子数据滴定后的实验液获取的,数据线性度高,用于机器学习训练效果好。
以农业污水作为示例,其建立模型的数据过程的步骤包括:
步骤一:从各地取有代表性的不同污染状况和浓度的农业污水总共10个,要求取样的COD、氨氮、总磷、总氮浓度分别满足20至1000mg/L、10-500mg/L、2-100mg/L、15-750mg/L。每组同时同地取样分为0.5L和2L各1瓶,其中0.5L的使用高精度实验室检测装备检测实际值,2L用于模型训练和数据复检,样品保障在取样后3天内完成测试,保存于冷藏柜中,室温20℃,测量时一边搅拌(搅拌机)一边使用蠕动泵循环泵入检测室。
需要说明的是,步骤一中进行了的四组滴定实验是排除滴定过程中数据波动不超过精度需求的样本数据的结果,同时在COD测量中,选择超过标液浓度50%的值设为最大量程。
步骤二:分别使用COD为2000mg/L的0.4L标液、氨氮为1000mg/L的0.4L标液、总磷为200mg/L的0.4L标液、总氮为1500mg/L的0.4L标液来滴定0.4L的每组实际水样(分成0.4L的4份,剩余约0.4L留样冷藏柜待复查),并得出单因子影响的光谱数据组和浊度、电导率、PH、温度数据(下称4常规),每到滴定10%的时候停止并搅拌5分钟后使用检测探头检测,得到含初始点数据共11个光谱数据(单因子实际水样光谱数据)和4常规数据,获得如下实验记录表格一。
步骤三:取上步骤单因子滴定实际水样后的水样,容量瓶取6份100ml的水样,剩余存于冷藏柜(约200ml用于复查)。4组单因子实际混合水样4份100ml水样,两两混合滴定,每次滴定后使用检测探头检测,获得如下实验记录表格二。
步骤四:实际水样锻炼400组,后期取不同污染状况和浓度的农业污水400组,经精密检测得到标签值,再得到光谱数据和4常规数据,加入模型训练中,完成所有训练。
作为本发明的进一步技术方案:复合神经网络模型是四层BP神经网络的预测模型,属于机器学习领域,其输入层的数据为全体物理量数据组以及第一光谱数据组,其输出层输出的第二光谱数据组为预测数据,两层隐藏层分别提前单因子条件下的数据特征以及双因子条件下的数据特征。
工业园区污水模型,或者颜料污染模型均按照分类以上述步骤进行。
本发明还提供的一种多传感器组合水质检测探头,参考图2,包括探头本体,探头本体上开设有容纳检测液的检查口,检查口两侧分别开设有发射窗4和入射窗7,探头本体内设置有光学检测组件,光学检测组件包括设置在检查口一侧的光源2,光源2与发射窗4之间设有第一凸透镜3,入射窗7后方设置有收束透过入射窗7线的第二凸透镜8,第二凸透镜8后方设有接收收束后光线的狭缝9、准直镜10和光栅11,光栅11后方设有用于接收穿过光栅11的光线的第三凸透镜12,第三凸透镜12后方设有用于检测光强的光谱传感器矩阵13;
检查口上方设有反射透镜5,反射透镜5上方设有光电接收器6;
探头本体外设置有传感器组。
其中,传感器组包括pH传感器和电导率电极1,pH传感器使用导热性硅胶贴在金属外壳的内壁上,探头本体前端嵌入不导电的高性能塑胶块,上面嵌入电导率电极1,分为2个电极和1个参比电极,发射窗4和入射窗7外安装有雨刷刮片,雨刷刮片清洁时间可通过定时器设定,以针对不同水体定期清洁,消除玻璃视窗被污染形成的数据漂移现象,属于现有技术,故不作赘述。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (2)
1.一种多传感器组合的水质检测系统,其特征在于,包括:
水质监测模块,用于获取检测参数,检测参数包括受检水体的物理量数据组以及,受检水体的第一光谱数据组;
水体识别模块,对物理量数据组和光谱数据组按照预设规则进行比对分析,获取受检水体的类型;
所述预设的识别规则包括:
建立不同类型水体的数据库,所述数据库包括每个类型的水体所有种类的数据以及对应标准浓度区间;
将实时的检测参数与每个类型的水体的数据库进行比对分析,获取水体类型;
模型建立模块,对不同类型的水体建立对应的复合神经网络模型;
所述将实时的检测参数与每个类型的水体的数据库内进行比对分析的过程包括:
通过公式:
,
获取受检水体与比对水体的偏离系数;其中,/>是检测参数数据类型的数量,/>是每个参数偏离度权重系数,/>是受检水体第/>个数据的具体数值,/>是受检水体所对应的标准水体类型中第/>个数据的标准取值区间,/>是标准取值区间的中间值;
将偏离系数与标准偏离区间/>进行比对;
若,则判断该比对水体的类型为受检水体的类型;
若,则判断该比对水体的类型不是受检水体的类型;
若,则判断该比对水体的类型与受检水体的类型近似;
数据修正模块,将实时的检测参数输入训练好的受检水体类型对应的复合神经网络模型中,由复合神经网络模型输出第二光谱数据组;
复合神经网络模型是四层BP神经网络的预测模型,其输入层的数据为全体物理量数据组以及第一光谱数据组,其输出层输出的第二光谱数据组为预测数据,两层隐藏层分别提取单因子条件下的数据特征以及双因子条件下的数据特征;
其中,建立所述复合神经网络模型的样本数据获取过程包括:
获取某一类型的水体样本,并由高精度实验室检测装备检测实际值;
对每一个由检测探头获取的第一光谱数据组中的光谱数据所对应的物质制备滴定液;
将样本等分为与光谱数据数量相同的份数,对每一份样本将等体积的滴定液分若干次加入,由检测探头获取每次加入滴定液后的混合液的第一检测值;
排除滴定过程中数据波动不超过精度需求的样本数据,将剩余数据输入复合神经网络模型中作为训练样本;
取单因子滴定实际水样后的水样;
将多份水样两两混合滴定,由检测探头获取每次滴定后的混合物的第二检测值,将所有第二检测值输入复合神经网络模型中作为训练样本。
2.根据权利要求1所述的一种多传感器组合的水质检测系统,其特征在于,所述预设的识别规则还包括:
数据库加入每个类型的水体的各种成分的所有的浓度排序信息;
将实时的检测参数的成分的排序信息与数据库中的所有的浓度排序信息进行比对,保留排序信息符合的水体类型;
将排序信息符合的水体的实时的检测参数与每个类型的水体的数据库内进行比对分析,获取水体类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551258.XA CN116297251B (zh) | 2023-05-17 | 2023-05-17 | 一种多传感器组合的水质检测系统及其检测探头 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551258.XA CN116297251B (zh) | 2023-05-17 | 2023-05-17 | 一种多传感器组合的水质检测系统及其检测探头 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116297251A CN116297251A (zh) | 2023-06-23 |
CN116297251B true CN116297251B (zh) | 2023-08-29 |
Family
ID=86803498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310551258.XA Active CN116297251B (zh) | 2023-05-17 | 2023-05-17 | 一种多传感器组合的水质检测系统及其检测探头 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116297251B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1137935A (ja) * | 1997-07-18 | 1999-02-12 | Fuji Electric Co Ltd | 下水中の複数成分定量方法とその装置 |
CN104122319A (zh) * | 2014-08-13 | 2014-10-29 | 北京华安奥特科技有限公司 | 一种基于离子复合电极检测技术和光谱分析技术的矿区水源识别方法及系统 |
CN104597516A (zh) * | 2015-01-19 | 2015-05-06 | 天地科技股份有限公司 | 一种矿井突水水源快速判别系统 |
CN105092493A (zh) * | 2015-06-19 | 2015-11-25 | 浙江大学 | 一种基于水样类型识别的水体cod光学测量方法 |
CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
CN106841075A (zh) * | 2016-12-27 | 2017-06-13 | 北京国电富通科技发展有限责任公司 | 基于神经网络的cod紫外光谱在线检测优化方法 |
CN106990060A (zh) * | 2017-03-24 | 2017-07-28 | 四川碧朗科技有限公司 | 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 |
CN109001136A (zh) * | 2018-09-20 | 2018-12-14 | 杭州绿洁水务科技股份有限公司 | 一种基于紫外—可见光吸收光谱的cod在线监测方法 |
AU2020101377A4 (en) * | 2020-07-15 | 2020-08-20 | Expert 365 Pty Ltd | A process and device for on-line detection of chemical oxygen demand (cod) and biological oxygen demand (bod) in water |
JP2021032898A (ja) * | 2019-08-22 | 2021-03-01 | ▲広▼州大学 | 反復分類に基づく水域識別方法及び装置 |
CN113484257A (zh) * | 2021-06-24 | 2021-10-08 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
CN113552654A (zh) * | 2021-08-31 | 2021-10-26 | 中煤科工集团重庆研究院有限公司 | 一种水源识别方法及系统 |
CN113984681A (zh) * | 2021-09-27 | 2022-01-28 | 苏州雷博亚仪器有限公司 | 全光谱检测系统及其检测方法 |
CN115062675A (zh) * | 2022-07-28 | 2022-09-16 | 安徽新宇环保科技股份有限公司 | 一种基于神经网络的全光谱污染溯源方法及云系统 |
WO2023015606A1 (zh) * | 2021-08-09 | 2023-02-16 | 力合科技(湖南)股份有限公司 | 高浊度样品的总磷测量方法及系统、水质自动监测站、设备、存储介质 |
CN116124705A (zh) * | 2022-11-25 | 2023-05-16 | 哈尔滨工业大学(深圳) | 一种基于全光谱扫描的水质多参数在线监测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11681839B2 (en) * | 2019-09-30 | 2023-06-20 | The Board Of Trustees Of The University Of Alabama | Systems and methods for modeling water quality |
-
2023
- 2023-05-17 CN CN202310551258.XA patent/CN116297251B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1137935A (ja) * | 1997-07-18 | 1999-02-12 | Fuji Electric Co Ltd | 下水中の複数成分定量方法とその装置 |
CN104122319A (zh) * | 2014-08-13 | 2014-10-29 | 北京华安奥特科技有限公司 | 一种基于离子复合电极检测技术和光谱分析技术的矿区水源识别方法及系统 |
CN104597516A (zh) * | 2015-01-19 | 2015-05-06 | 天地科技股份有限公司 | 一种矿井突水水源快速判别系统 |
CN105092493A (zh) * | 2015-06-19 | 2015-11-25 | 浙江大学 | 一种基于水样类型识别的水体cod光学测量方法 |
CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
CN106841075A (zh) * | 2016-12-27 | 2017-06-13 | 北京国电富通科技发展有限责任公司 | 基于神经网络的cod紫外光谱在线检测优化方法 |
CN106990060A (zh) * | 2017-03-24 | 2017-07-28 | 四川碧朗科技有限公司 | 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 |
CN109001136A (zh) * | 2018-09-20 | 2018-12-14 | 杭州绿洁水务科技股份有限公司 | 一种基于紫外—可见光吸收光谱的cod在线监测方法 |
JP2021032898A (ja) * | 2019-08-22 | 2021-03-01 | ▲広▼州大学 | 反復分類に基づく水域識別方法及び装置 |
AU2020101377A4 (en) * | 2020-07-15 | 2020-08-20 | Expert 365 Pty Ltd | A process and device for on-line detection of chemical oxygen demand (cod) and biological oxygen demand (bod) in water |
CN113484257A (zh) * | 2021-06-24 | 2021-10-08 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
WO2023015606A1 (zh) * | 2021-08-09 | 2023-02-16 | 力合科技(湖南)股份有限公司 | 高浊度样品的总磷测量方法及系统、水质自动监测站、设备、存储介质 |
CN113552654A (zh) * | 2021-08-31 | 2021-10-26 | 中煤科工集团重庆研究院有限公司 | 一种水源识别方法及系统 |
CN113984681A (zh) * | 2021-09-27 | 2022-01-28 | 苏州雷博亚仪器有限公司 | 全光谱检测系统及其检测方法 |
CN115062675A (zh) * | 2022-07-28 | 2022-09-16 | 安徽新宇环保科技股份有限公司 | 一种基于神经网络的全光谱污染溯源方法及云系统 |
CN116124705A (zh) * | 2022-11-25 | 2023-05-16 | 哈尔滨工业大学(深圳) | 一种基于全光谱扫描的水质多参数在线监测系统 |
Non-Patent Citations (1)
Title |
---|
基于广义回归神经网络的COD在线检测方法研究;张荣标;冯俊;谢志超;;仪器仪表学报(第11期);第2357-2361页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116297251A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100541171C (zh) | 紫外光协同臭氧消解光度法测量水体总氮总磷的方法 | |
WO2020133944A1 (zh) | 水质指标预测模型构建方法及水质指标监测方法 | |
CN103712939B (zh) | 一种基于紫外可见光谱的污染物浓度拟合方法 | |
CN106596436B (zh) | 一种基于光谱法的多参数水质实时在线监测装置 | |
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 | |
CN101105439A (zh) | 超声波协同臭氧消解光度法测量水体总氮总磷的方法 | |
CN113916847B (zh) | 一种基于光谱技术和线性支持向量算法的水质检测方法 | |
CN103175805B (zh) | 一种近红外光谱测定污水中cod和bod5指标的方法 | |
JPH08512134A (ja) | 特質決定のための化学的及び物理的パラメータの測定及び水性懸濁液の分類プロセス | |
CN108896507B (zh) | 估算河流腐殖化指数的方法 | |
CN110530801A (zh) | 全光谱水质分析系统 | |
Dafner | Segmented continuous‐flow analyses of nutrient in seawater: Intralaboratory comparison of Technicon AutoAnalyzer II and Bran+ Luebbe Continuous Flow AutoAnalyzer III | |
CN101907563A (zh) | 基于紫外发光二极管的二氧化硫分析仪及分析方法 | |
CN108507955A (zh) | 多光谱同步检测水体化学需氧量的装置及方法 | |
CN105911003B (zh) | 基于rbm回归的水质toc浓度分析方法 | |
CN113283072B (zh) | 一种适用于多场景条件的水体cod检测方法 | |
CN116297251B (zh) | 一种多传感器组合的水质检测系统及其检测探头 | |
CA2293921A1 (en) | Colorimeter apparatus and related process | |
CN108303388A (zh) | 一种原位定量表征复杂有机物和金属离子络合过程的方法 | |
Lopes et al. | The Assembling and Application of an Automated Segmented Flow Analyzer for the Determination of Dissolved Organic Carbon Based on UV‐Persulphate Oxidation | |
TWI661197B (zh) | 全光譜水質分析系統 | |
Sun et al. | Research on Multi-Parameter Portable Water Quality Detection System Based on ZYNQ Image Processing Technology. | |
CN106197697A (zh) | 一种温度检测装置 | |
CN107643258B (zh) | 一种水质参数光电准确测量方法 | |
TWM565796U (zh) | Full spectrum water quality analysis system |
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 |