懸浮顆粒物質量濃度實時檢測裝置及測量方法
【技術領域】
[0001] 本發明涉及一種對懸浮顆粒物質量濃度實時檢測裝置及測量方法，特別涉及一種 基于粒子群優化BP神經網絡算法對濕度環境下測量結果的補償。
【背景技術】
[0002] 大氣環境是人們賴以生存和發展的重要條件，而環境中的細顆粒物對人們的健康 生活存在著極大的危害。目前基于不同的工作原理對顆粒物的測量方法有多種，主要包括 濾膜稱重法、光散射法、壓電晶體法、β射線吸收法、微量震蕩天平法、電荷法。濾膜稱重法是 我國規定的標準方法，該方法采樣儀器繁瑣、噪聲大，而且不易攜帶，不適合實時在線監測。 光散射法在一定程度上彌補了它的不足，以其速度快、穩定性好、體積小的優點被人們廣泛 的應用在實時監測中。光散射法與顆粒物的折射率、粒子的形態以及它的成分有關。而大氣 中的濕度有可能是影響這幾個方面的主要因素，如果在一定的濕度環境中測量大氣中顆粒 物的質量濃度，得到的測量結果應該不理想，會產生一定程度的誤差。如果我們想要得到真 實的測量結果，就需要消除濕度對質量濃度的影響。而本發明專利我們采用數據融合算法 補償的方法對光散射法在濕度環境下的測量結果進行修正。
【發明內容】
[0003] 本發明所要解決的問題是利用粒子群優化ΒΡ神經網絡算法對濕度影響下的顆粒 物的質量濃度進行修正，與標準儀器測量的結果進行對比，以致消除濕度對光散射測量結 果的影響。
[0004] 本發明為解決上述技術問題采用以下技術方案:一種懸浮顆粒物質量濃度實時檢 測裝置，其特征在于，包括光電傳感器、電壓幅度甄別器、FPGA多通道采集模塊、微處理器模 塊、液晶顯示模塊、濕度傳感器模塊和電源模塊，所述光電傳感器采集的信號經信號調整電 路轉換為電壓信號傳送給電壓幅度甄別器，所述電壓幅度甄別器依次連接FPGA多通道采集 模塊和微處理器模塊，所述微處理器模塊分別連接液晶顯示模塊、濕度傳感器模塊。
[0005] 進一步的，所述微處理器模塊為STM32F429ZIT6型號的控制器。
[0006] 進一步的，所述光電傳感器為LM型激光塵埃粒子計數器組成的2X2的方陣。
[0007] -種懸浮顆粒物質量濃度實時檢測裝置的測量方法，其特征在于，包括以下步驟：
[0008] 步驟1，開啟懸浮顆粒物質量濃度實時檢測裝置，激光塵埃粒子計數器陣列通過模 擬復用開關和信號調理電路連接到電壓幅度甄別器，懸浮顆粒物脈沖信號幅度測量結果由 FPGA多通道采集模塊進行緩沖接收，持續1分鐘后將各通道采集的結果匯總傳輸給微處理 器模塊，所述微處理器模塊得到1分鐘內由各個采集通道測量結果形成的電壓脈沖幅度分 布；
[0009] 步驟2,濾膜稱重法是我國規定的標準測量方法，該方法利用采樣器將顆粒物采集 到濾膜上，稱重濾膜采樣前后的質量，根據其質量差求得采集的顆粒物質量，此測量方法得 到的是顆粒物的絕對質量濃度。因此本方法采用濾膜稱重法得到顆粒物的絕對質量濃度， 濾膜稱重裝置與步驟1中所述的懸浮顆粒物質量濃度實時檢測裝置放在同一個濕度可控的 實驗箱中，改變實驗箱的濕度，經過多次測量，將收集到的測量系統的測量濃度值與測量時 的濕度數據建立BP神經網絡。濾膜稱重裝置與步驟1中所述的懸浮顆粒物質量濃度實時檢 測裝置放在同一個低濕度（相對濕度30%_50%之間）測量環境中進行同時測量，經過多次 測量建立起標準質量濃度與上述系統測量的脈沖幅度分布的關系。由于測量系統測量得到 的是離散的電壓脈沖信號幅度，所以根據顆粒物質量濃度的定義，可以得到利用電壓脈沖 信號幅度分布和平均質量濃度的反演公式
[0010]其中，m為系統測量裝置的脈沖信號的通道數，N(Vl)為測量顆粒物的離散電壓脈 沖信號幅度分布，k為比例系數，上式中的之質量濃度反演公式也包含了各通道電壓脈沖信 號的個數信息N(Vl)和幅度信息 Vl，使得被測顆粒物的散射光脈沖信號幅度分布得到了充分 的利用，并且還包含反映顆粒物形貌信息的參數β。不難看出，實現高精度的質量濃度的公 式標定關鍵在于確定式中的比例系數k和電壓脈沖信號的分維數β。本實驗標定利用系統測 量裝置和濾膜稱重法作為標定裝置，同時對不同質量濃度的顆粒物進行測量統計。
[0011]本實驗系統測量裝置得到的是顆粒物電壓脈沖信號幅度分布N(Vl)，該分布具有 脈沖信號通道m= 16，電壓幅度范圍為[0，2.5V]，標定裝置測得的質量濃度值(M;由于在標 定實驗中只能對某種類型的小樣本進行測量標定，而小樣本顆粒物的形貌特征是有差異 的，因此不同小樣本的脈沖信號分維數β值也是有差異的。我們通過多次取樣進行標定，提 取小樣本的共同形貌特征來表示某種類型顆粒物的形貌特征，建立如下方程組得到k和β:
[0013] 式中的h表示被測顆粒物的小樣本數目。經過多次在同等環境中測量實驗，最后得 至Ijk和β的值分別為:3.014*10^1^/111 3,0.435。最終可以得到我們需要的計數質量濃度的公 式。
[0014] 步驟3,根據粒子群算法的原理對ΒΡ神經網絡進行優化并完成其訓練學習過程，根 據檢測裝置采集到的濃度值和濕度值以及補償參數得到補償后環境質量濃度的測量公式， 將得到測量公式傳輸至微處理器中，測量的結果可以在液晶顯示器中顯示或者USB接口輸 出給上位機。并把公式導入到上述的微處理器中，可以得到實際環境的質量濃度。
[0015] 進一步的，步驟3還包括以下步驟：
[0016] 步驟3.1:將收集到的濃度值C和濕度值R作為輸入量Ck = (C，R)的參數，設定不同 的濕度，同時也得到各個濕度下的濾膜稱重法的測量結果，設定不同的濕度值得到多組測 量實驗值，將系統裝置測量結果的樣本值存入到數據庫中；
[0017] 步驟3.2:對測試的樣本值進行歸一化處理，采用濕度為50%時作為標準值，根據 歸一化得到的不同濕度下的濃度值作為輸入量，并最終存入樣本數據庫中，并且建立三層 拓撲結構的BP神經網路；
[0018] 進一步的，步驟3.2還包括以下步驟：
[0019]步驟3.2.1 :BP神經網絡能學習和存儲大量的輸入一輸出模式映射關系，而無需事 前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來 不斷調整網絡的權值和閾值，其實質就是求解誤差函數最小值問題。BP神經網絡模型拓撲 結構包括輸入層、隱含層、輸出層，設定的BP神經網絡的輸入層神經元2個，輸出層神經元為 1個，隱含層神經元為5個;其中輸入層和隱含層的激活函數都選取tansig型函數，輸出層激 活函數選取pipeline型函數;輸入層與隱含層之間的連接權值為W&隱含層的閾值為心，隱 含層與輸出層之間的連接權值為^，輸出層的閾值為0 q;i為輸入層節數，i = l，2;j為隱含 層節點數，j = l，2, . . .，5;q為輸出層節點數，q = l;
[0020] Tansig型函數定義為
[0022]式中，S#i個隱含層節點的輸入，其中，
為不同濕度值和濃度 值構成的輸入矩陣；
[0023]隱含層的輸出Hj為：
[0024] f函數是隱層激勵函數，為S型函數，一般取為(0，1)內連續的取值sigmoid函數，如 下：y = l/(l+e-x)
[0025] BP神經網絡的預測輸出為：
[0026] Δ C = WjqHj + 0q
[0027] 由此可計算網絡預測誤差：
[0028] θ = 〇?-Δ C
[0029] 步驟3.2.2: Pureline型函數是線性函數，其中自變量為隱含層節點的輸出，因變 量是輸出層節點的輸出。即得到相對濕度的質量濃度公式：
[0030] Δ C = pureline[Wjitansig(Wii*C+Wii*R+9j)+0q] 0
[0031]步驟3.3:以上述步驟所述的BP神經網絡作為算法模型，以步驟3中所述測試樣本 中的輸入量為BP神經網絡的輸入變量、以對應的濾膜稱重法的測量結果作為預測模型； [0032]步驟3.4:對所建立的BP神經網絡模型中的權值和閾值進行初始化，使得BP神經網 絡模型具有最基本的可預測條件；
[0033]步驟3.5:從測量裝置測得的數據中調取輸入量&，作為BP神經網絡最基本的預測 輸入變量，可以得到與輸入變量映射對應的BP神經網絡預測輸出模型的數據組；
[0034]步驟3.6:進一步的根據粒子群算法的原理對BP神經網絡進行優化，可以得到優化 后的權值和閾值。
[0035]粒子群算法(PS0)基于群體的根據對環境的適應度將群