一種在線紫外光譜水質分析儀
加入技術交流群
3.1水循環(huán)系統(tǒng)的控制和水質數(shù)據(jù)的獲得
軟件通過繼電器控制水泵和電磁閥形成一個水路循環(huán)系統(tǒng)。當被測污水進入樣本池后，系統(tǒng)打開光源，充分預熱后，獲得光譜數(shù)據(jù)。其他水質參數(shù)則通過樣本池中的探頭，通過變送器送入。數(shù)據(jù)獲得過程如圖2所示。最后排放污水和清洗。
軟件獲得的光譜數(shù)據(jù)和其他水質理化參數(shù)經(jīng)過預處理后送入模型進行分析，最終將結果顯示在LCD屏上，同時把分析數(shù)據(jù)存入數(shù)據(jù)庫，用于歷史趨勢的顯示和水質模型的更新。數(shù)據(jù)處理和存儲過程如圖3所示。
智能分析軟件的核心技術是對紫外光譜和水質參數(shù)之間關系建模。模型不是一成不變的，水樣性質差別較大時就會出現(xiàn)基于原水樣的模型不能很好的預測新水樣的情況。軟件自帶重新建模的功能。通過輸入經(jīng)過標準測定的新水樣可修正水質模型，以解決因水樣性質差別大時模型不符的情況。
4智能分析模型簡介
智能分析軟件采用的是混合神經(jīng)網(wǎng)絡模型，該混合模型是由一個多項式模型和一個多層前向神經(jīng)網(wǎng)絡并聯(lián)疊加而成的。這樣的結構設計可以保證該混合模型對于函數(shù)擬合的普遍適應性。對于多層前向網(wǎng)絡的隱節(jié)點數(shù)和權值的確定，所利用的訓練算法[8]可以根據(jù)擬合精度的要求自動確定，隨著擬合精度要求的提高，前向網(wǎng)絡的隱節(jié)點數(shù)將逐漸增加，直至達到擬合要求。即使當擬合精度要求過高時，該算法也可以根據(jù)擬合精度的改善情況來確定是否繼續(xù)增加隱節(jié)點，這樣的設計可以確保生成具有最少隱節(jié)點數(shù)的前向神經(jīng)網(wǎng)絡，就可以保證生成范化能力最好的混合神經(jīng)網(wǎng)絡模型。與此同時，由于該訓練算法是基于最小二乘算法的，適用于實時在線的測量。
該混合模型所采用的訓練算法簡述如下：
1)對原始數(shù)據(jù)進行粗大誤差剔除、數(shù)據(jù)濾波、歸一化與相關性分析等處理，并將樣本數(shù)據(jù)集分為訓練樣本和測試樣本；
2)利用最小二乘法得到對象線性回歸模型；
3)生成樣本誤差集；
4)將訓練樣本和測試樣本的誤差集合分別作為多層前向網(wǎng)絡的訓練樣本和測試樣本；
5)利用基于最小二乘法的網(wǎng)絡訓練算法，生成最簡化的前向神經(jīng)網(wǎng)絡；
6)將前向神經(jīng)網(wǎng)絡和多項式模型結合，構成混合神經(jīng)網(wǎng)絡模型。
5實際運行分析
該在線水質參數(shù)分析儀可用于多種參數(shù)測量，如COD、BOD、TOC等，在此僅以COD值(化學需氧量)的測試為例說明其測試精確性及有效性。
文中所采用的樣本數(shù)據(jù)來自54次采樣的城市污水，利用UV光譜儀得到相應的吸光度數(shù)據(jù)，如圖4所示；并利用標準的COD測試方法(重鉻酸鉀法)[9]獲得每個水樣的實際COD值。
評論