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)系統的控制和水質數據的獲得
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。當被測污水進入樣本池后，系統打開光源，充分預熱后，獲得光譜數據。其他水質參數則通過樣本池中的探頭，通過變送器送入。數據獲得過程如圖2所示。最后排放污水和清洗。
軟件獲得的光譜數據和其他水質理化參數經過預處理后送入模型進行分析，最終將結果顯示在LCD屏上，同時把分析數據存入數據庫，用于歷史趨勢的顯示和水質模型的更新。數據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網絡模型，該混合模型是由一個多項式模型和一個多層前向神經網絡并聯疊加而成的。這樣的結構設計可以保證該混合模型對于函數擬合的普遍適應性。對于多層前向網絡的隱節(jié)點數和權值的確定，所利用的訓練算法[8]可以根據擬合精度的要求自動確定，隨著擬合精度要求的提高，前向網絡的隱節(jié)點數將逐漸增加，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)點數的前向神經網絡，就可以保證生成范化能力最好的混合神經網絡模型。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)對原始數據進行粗大誤差剔除、數據濾波、歸一化與相關性分析等處理，并將樣本數據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絡的訓練樣本和測試樣本；
5)利用基于最小二乘法的網絡訓練算法，生成最簡化的前向神經網絡；
6)將前向神經網絡和多項式模型結合，構成混合神經網絡模型。
5實際運行分析
該在線水質參數分析儀可用于多種參數測量，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據來自54次采樣的城市污水，利用UV光譜儀得到相應的吸光度數據，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