專利名稱：Cod在線檢測方法及儀器的制作方法
技術領域：
本發明涉及水環保行業水質的在線檢測領域，特別是涉及COD在線檢測方法及儀器。
背景技術：
COD是環保部門已明確要求重點污染源必須進行在線檢測的關鍵指標。對于水質COD的檢測，傳統的檢測方法基本上都是基于實驗室鉻法的演繹，例如，重鉻酸鉀消解-光度測量法、重鉻酸鉀消解-庫侖滴定法以及重鉻酸鉀消解-氧化還原滴定法等，實現這些檢測方法，需要在高溫環境、強氧化劑、強酸條件下對有機物進行長時間消解，然后再測定相關數據。但基于這樣的檢測原理，不可避免地存在檢測結構復雜、檢測周期長、存在二次污染、故障點多，故障率高，維護、維修費用高等缺陷，這些缺陷直接影響了用戶的積極性，同時對國家預計實現對水質進行有效監測和達標排放的目標帶來了客觀困難。
在研發新的檢測方法以替代傳統絡法的過程中，人們發現含有C＝C或C＝O不飽和鍵的有機物有吸收特定光譜的特性，在紫外光譜中，幾乎所有的有機物都有吸收，而且大量實驗表明UV254值與水質COD之間有較好的線性相關性。基于這樣的原理出現了當前被廣泛采用的光譜法，所謂光譜法是利用水樣紫外可見吸收光譜與COD之間的相關性，通過水樣的吸收光譜計算COD值的方法，這種方法是一種純物理方法，避免了化學消解過程、不需要添加試劑、縮短了檢測周期、且避免了二次污染的問題，在一定程度上簡化了檢測結構、降低了故障率及維護費用，是替代傳統方法的一個很好的技術手段。因此，利用紫外可見光譜分析技術實現水質COD參數的在線快速檢測成為目前國際上最常用的COD在線檢測方法，例如在法國、日本等國家光譜法已經成為水質COD在線檢測的重要手段之一。
目前，市場上比較普遍的光譜水質分析方法大多是基于UV254定波長測量方法以及簡單的線性擬合方法，并在此基礎上研制了相應的檢測設備。例如一種UV254檢測方法，其所擬合線性函數的表達式為COD＝k×A254+b，為一種線性函數。其中，COD代表擬合線性函數的函數值，k、b是待定系數，A＝1g(I0/I)為吸光度，表示變量，這里，I0為用去離子水對檢測系統進行標定得出的光強，I為污水光強，這樣每一個水樣都會有固定的吸光度A，即可作為自變量。因此在建立這種線性函數模型之后，對于每一給定的自變量A值，就可以計算線性函數值來擬合COD值。這種光譜水質分析的擬合方法為本領域的習知技術，不再仔細描述。我們都知道，實際的水質COD曲線根本不可能完全是直線式的曲線圖，因此采用線性函數來擬合水質的實際COD曲線，根本不能真實的反應實際COD曲線圖，特別是當水質COD值比較小時，UV254的函數值與COD值之間并沒有很好的線性相關性，擬合精度更差，很明顯，這種UV254光譜水質檢測方法及相應設備的檢測精度受水質變化的影響很大，檢測精度偏低。
市面上還有基于UV254(紫外光)、VIS546(可見光)兩種定波長測量方法以及線性擬合方法，同樣采用這樣的檢測原理研制有相應的檢測設備。這類檢測方法擬合曲線的表達式為COD＝k×(A254-A546)COD＝k×(A254-A546)+b這兩種擬合方法采用了紫外(UV254)、可見(VIS546)兩點進行COD擬合，其目的是進行濁度補償，以試圖能夠提高檢測精度以及減小水質變化對檢測精度的影響。但這種補償只有在以下兩個假設條件中任意一者成立的條件下才能成立條件一，實測廢水中產生濁度的物質均為無機成分；條件二，實測廢水中產生濁度的COD與水質溶解性有機物產生的COD比例關系固定。但實際上這兩個假設條件都非常嚴格與苛刻，在實際檢測水樣當中很難滿足這樣的條件，或者說，實際的水質檢測當中，根本不存在這種水樣條件，因此，這類擬合方法雖然在理論上能夠產生其所欲達到的目的，但并不能適應實際的水樣檢測條件，導致這種理想擬合方法的“濁度補償”形同虛設，正如實測水樣對比實驗表明，對于含濁度廢水，這種濁度補償擬合方法是無效的，也正因為如此，通常情況下，光譜COD設備多用于生產過程出水(水質不含濁度)的場合。這種擬合方法仍然未能解決濁度補償以提高檢測精度這一關鍵問題。因此，常規的基于UV254和VIS546的COD測試方法對于濁度和水質變化比較敏感，仍然存在受水質變化的影響很大、檢測精度偏低等明顯缺陷。
發明內容
本發明的目的是提供一種COD在線檢測方法及儀器，其能提高光譜在線檢測的測試精度和對水質變化的抗干擾性。
本發明的技術方案如下一種COD在線檢測方法，其特征在于，采用足夠組已知的吸光度A及COD值，來訓練神經網絡模型，在吸光度A與COD值之間建立映射關系，當神經網絡模型權值訓練好之后，對于給定的吸光度A值，通過神經網絡模型計算來擬合水質的實際COD值。
所述檢測方法具體包括以下步驟1)獲取UV254紫外光及VIS546可見光的吸光度；2)將所述吸光度數據進行離散化；3)將所述離散化的數據輸入到神經網絡模型，在實測目標COD值的指導下，以反復的網絡迭代進行權值調整的學習過程，以建立合適的神經網絡模型，直至足夠逼近目標值；4)通過神經網絡模型計算擬合出COD值。
所述神經網絡模型為基于小腦型連接控制器的神經網絡。
所述另一種檢測方法具體包括以下步驟1)獲取紫外吸收光譜；2)進行紫外光譜特征向量提取，對每個吸收光譜尋找一個吸光度特征向量；3)將前述紫外光譜特征向量輸入神經網絡模型，在實測目標COD值的指導下，以反復的網絡迭代進行權值調整的學習過程，建立紫外光譜特征向量與COD值間的映射關系，直至足夠逼近目標值；4)通過神經網絡模型計算擬合出COD值。
在進行紫外光譜特征向量提取的第2)步中，采用一神經網絡對吸收光譜尋找吸光度特征向量，具體將吸收光譜中的波長值輸入到三層神經網絡的輸入節點，隱層以高斯函數為作用函數，通過反復調整權值的學習過程，建立波長值與吸光度特征向量間的映射關系，每一波長的吸光度特征向量由輸出層輸出。
一種COD檢測儀器，包括流體系統、光學系統及控制系統；流體系統用于提供光譜分析所需的介質以及標定溶液；光學系統用于定量分析流體系統的介質及標定溶液，并提供原始數據輸入給控制系統；控制系統控制流體系統的啟停、以及控制分析、計算光學系統提供的原始數據，并存儲及顯示相應數據，其特征在于，所述控制系統包括神經網絡模型，控制系統在接收到光學系統提供的原始數據后計算吸光度，并由所述神經網絡模型計算COD值。
所述流體系統具體包括有被測液槽以及清洗液槽，被測液槽通過管路連接于一污水蠕動泵的入口，清洗液槽通過管路連接于一洗液泵的入口，污水蠕動泵及洗液泵的出口管路并接于一兩位三通電磁閥的入口端，該兩位三通電磁閥的出口端通過管路連接于一流通池的入口，流通池的出口通過管路連接于一排水槽內，所述兩位三通電磁閥由控制系統控制啟閉。
所述流體系統的管路孔徑等于或大于3毫米。
所述光學系統包括有一光源，提供UV254、VIS546波長的光線，光源發出的光線經一聚焦鏡變為平行光，所述平行光經過一透反鏡后分為兩路，經透反鏡透射過去的平行光經過流通池對特定波長吸收后，余光進入一濾光片、光電管；而由透反鏡反射過去的另一路光線依次經過另一濾光片以及另一光電管；所述兩路光線經過兩個光電管后由光信號轉化為電信號，所述兩路電信號分別連接至一對數放大器的輸入端進行放大，經放大的兩路電信號同時輸入一運算器，所述運算器與控制系統電連接。
所述光學系統也可包括兩個燈源，提供200nm～800nm波長的連續光線，兩燈源發出的光線經一反射鏡反射后匯合成一路水平光線；所述水平光線穿過一狹縫；并繼續透過一棱鏡改變為向上入射光線；該向上入射光線再照射于一反射鏡，改變90度入射角成為水平光線；該水平光線再次照射于另一反射鏡，改變一定角度；之后，該射出光線照射于一光柵上，使光線被改變一定角度之后照射于第三反射鏡；該由第三反射鏡反射出來的光線照射于一旋轉鏡上使光線變為水平光線；該水平光線再次經過另一狹縫后，照射于一透反鏡后被分為兩路；經透反鏡透射過去的平行光經過流通池對特定波長吸收后，余光進入一濾光片、光電管；而由透反鏡反射出過的另一路光線依次經過另一濾光片以及另一光電管；所述兩路光線經過兩個光電管后由光信號轉化為電信號，所述兩路電信號分別連接至一對數放大器的輸入端進行放大，經放大的兩路電信號的同時輸入一運算器，所述運算器與控制系統電連接。
本發明基于常規的UV254和VIS546的COD測試方法，獨創了以神經網絡模型擬合COD值的檢測方法及儀器，由于神經網絡具有復現任意非線性映射的功能，在其經過訓練后，能夠很好的擬合真實的COD值，彌補了常規UV254方法單點線性擬合帶來的模型偏差，真正實現了濁度補償，本發明利用神經網絡技術進行光譜數據的分析處理，在很大程度上提高了光譜COD在線檢測設備對水質濁度以及水質變化的適應性，提高了檢測精度。
本發明還基于神經網絡的模式識別技術對水質的紫外可見吸收掃描全譜進行在線分析，開發了神經網絡COD擬合模型，本發明利用被測水樣在200nm～800nm之間的紫外可見吸收全譜，利用基于神經網絡的模式識別方法在水樣的紫外可見吸收譜與水樣的COD之間分別建立模型映射關系。由于這里采用了神經網絡技術，其具有復現任意非線性映射的功能，不但彌補了常規UV254方法單點線性擬合帶來的模型偏差，同時由于利用了全譜信息，比定波長包含更多的特征信息，不僅可以提高檢測精度，完全能夠保證測試精度誤差被控制在10％以下，而且可以提高對水質變化的適應性，對同類水域的適應能力廣，真正起到了采用濁度補償來提高精度的作用，對光譜法水質檢測設備的普及、實現水質污染物指標的快速、無污染、低成本實時在線監測具有重要的現實意義。
另外，本發明的檢測儀器由于采用較簡單的液壓元件、光學元件以及電路控制元件，結構簡單，從而使故障率較低；另外本發明中流體系統采用了大管徑的管路設計，較好地解決了污水中顆粒的易堵問題。
圖1本發明實施例1神經網絡的拓撲結構示意圖。
圖2為本發明神經網絡實施例1基于雙波長的檢測方法流程圖。
圖3為本發明神經網絡實施例1計算的程序框圖。
圖4～圖8為本發明實施例1與現有技術的效果比較圖。
圖9、圖10為本發明實施例1的檢測儀器總裝圖的主視及后視圖。
圖11為本發明實施例1的檢測儀器的流體系統示意圖。
圖12為本發明實施例1的檢測儀器的光學系統原理示意圖。
圖13、圖14為基于圖12所示原理的光學系統的結構主視及俯視圖。
圖15為本發明控制系統的控制原理示意圖。
圖16為本發明控制系統的計算控制流程圖。
圖17、18為本發明實施例1的檢測儀器控制系統結構的主視及俯視圖。
圖19為本發明基于全波長檢測方法的實施例2步驟流程圖。
圖20為本發明實施例2中用于擬合吸收光譜的徑向基函數神經網絡的網絡拓撲結構圖。
圖21為本發明實施例2擬合COD值的神經網絡拓撲圖。
圖22為本發明神經網絡實施例2計算的程序框圖。
圖23～27為本發明實施例2的方法與習知方法的效果比較圖。
圖28、29為基于實施例2方法所制成的全波長COD在線檢測儀器的主視及后視圖。
圖30為全波長COD在線檢測儀器光學系統的原理示意圖。
具體實施例方式
本發明提供一種COD在線檢測方法，采用足夠組已知的吸光度A及水樣COD值，來訓練神經網絡模型，在吸光度A與COD值之間建立模型映射關系，這里，“足夠”的函義為神經網絡領域的公知技術，為將模型訓練好，對于不同類型的神經網絡模型，需要網絡迭代的次數不等，本發明的創造點在于神經網絡技術與水質COD檢測的結合，而不在于神經網絡本身，任何一種神經網絡模型采用任何一種作用函數都可以達到本發明的目的，在本發明中不作限定，也不再詳細描述。當神經網絡模型權值訓練好之后(例如，模型值及實際COD的偏差為10％以內)，對于給定的吸光度A值，通過神經網絡模型計算來擬合水質的實際COD值。由于神經網絡具有復現任意非線性映射的功能，能夠最大限度的擬合水質的實際COD值，大大提高了檢測精度，完全能夠保證測試精度誤差被控制在10％以下，而且可以提高對水質變化的適應性，對同類水域的適應能力廣，起到了真正的濁度補償效果，對光譜法水質檢測設備的普及、實現水質污染物指標的快速、無污染、低成本實時在線監測具有重要的現實意義。
實施例1利用常規的基于UV254和VIS546的COD測試方法，以神經網絡模型進行COD值擬合，在該實施例中，神經網絡模型采用后向傳播型神經網絡，這種神經網絡具有自動提供權值空間的插補或泛化功能，具體為小腦模型連接控制器(Cerebellar Model Articulation ontroller)，簡稱CMAC。參見圖1，該實施例的神經網絡模型只包括一個神經網絡，該神經網絡包括一個輸入層、一個隱藏層以及一個輸出層，神經網絡的作用函數可為多項展開式，由于這種BP式神經網絡的作用函數以及學習迭代過程，均為神經網絡領域內的習知技術，故在本發明中，就不再詳細介紹；本發明所欲提供的是神經網絡模型通過學習后來擬合COD值的方法，只要經過訓練后能夠接近目標值的神經網絡都可以使用，如熟知的感知器式神經網絡(perceptron)以及毫普費爾德網絡(Hopfield network)等，其它習知的20多種神經網絡同樣也都可以采用，當然，神經網絡所基于的作用函數也不作限制，較佳地，要采用非線性函數(sigmoid)，例如多項展開式就是一種典型的非線性函數，其它非線性函數，如二進制閥值函數、徑向基函數、多項展開式、正交函數或多項展開式與正交函數的復合函數等等，都可以作為本發明的作用函數，在測試精度要求不高的情況下，也可以采用線性函數作為作用函數。另外，本發明的神經網絡模型可以只包括一個神經網絡，該神經網絡可具有多個中間隱層；也可以包括數個神經網絡，在本發明中不作限制。
參見圖2、3，本發明所提供的COD在線檢測方法具體包括以下步驟1)獲取UV254紫外光及VIS546可見光的吸光度。具體地，首先用去離子水對系統進行標定，用光度計掃描測得光強I0，然后再以光度計掃描測得待測污水的光強I，通過公式A＝1g(I0/I)來計算出UV254紫外光及VIS546可見光的吸光度，再進一步計算出A254-A546和A546。在該步驟當中，只要能測得UV254紫外光及VIS546可見光光強的其它現有方法同樣可以采用。
2)將所述吸光度數據進行離散化。CMAC實質上是一個智能式的自適應查表技術，如把多維離散的輸入數據，經過多對少的映射，能夠形成復雜的非線形函數，利用散列編碼(Hashing Coding)可以壓縮查表規模，減少系統計算量并減少學習次數。在該步驟當中，對A254-A546和A546兩維輸入向量進行散列編碼，如可以采用8421、5421、2421或余三代碼等編碼方式。
3)將所述離散化的數據輸入到神經網絡模型，在實測目標COD值的指導下，以反復的網絡迭代進行權值調整的學習過程，建立合適的神經網絡模型，直至足夠逼近目標值。每一個離散的二維輸入向量映射到存儲器中多個地址(映射到三維的權值空間)，每一個地址含有一個相同維數的向量，輸出層的輸出值為離散向量所映射的所有地址的內容之和，也就是一個加法器或累加器，學習過程是在查表過程中修正每一地址的權值，這樣，通過有監督的學習過程，并在提供足夠訓練實例的情況下(如學習20次)，找到合適的權值。這種以神經網絡模型擬合待測數據的方法是公知技術，在本發明中僅給出一個程序流程框圖。
4)對于給定的吸光度值，通過神經網絡模型計算來擬合COD值。
本發明利用常規的基于UV254和VIS546的COD測試方法，由神經網絡模型經過訓練后，能夠很好的擬合真實的COD值，彌補了常規UV254方法單點線性擬合帶來的模型偏差，由于采用了雙波長的輸入數據，也就考慮到了濁度補償，并且能夠真正起到濁度補償的作用，在很大程度上提高了光譜COD在線檢測設備對水質濁度以及水質變化的抗干擾性，提高了檢測精度。
下面，對照常規基于UV254的COD測試方法，來進一步說明采用本發明的有益效果第一組水樣為生活污水，參見圖4，為采用現有的UV254方法通過60組數據來擬合COD值的計算曲線圖，圖中Y表示實測數據，預測Y表示預測值(模型的擬合曲線)，易知相關系數的平方為0.9，尚可，但偏差值較大，平均百分誤差為13％；而再參見圖5，為通過本發明的神經網絡模型在80組數據的學習訓練后得到的曲線圖，在該計算曲線圖中，相關系數的平方為0.96，平均百分誤差為9％，效果優于UV254方法，測試精度提高。
再來看一組效果對比實例，為污水處理廠以及二沉池的COD水樣。參見圖6，為采用UV254方法對高碑店6個水樣曝氣池及二沉池進行擬合的曲線圖，由于污水處理廠曝氣池及二沉池出水的COD值通常較小，為50以下，而此時，UV254值與COD之間沒有很好的線性相關性，這是因為COD值較小，隨機因素對檢測的影響很大，正如圖中所示，實測曲線與預測曲線收斂性較差，擬合精度低，因此，即使采用單獨利用小COD值水樣進行UV254擬合檢測，擬合精度也不會有很大改善；而參見圖7，同樣對于以上6組小COD水樣數據進行本發明的神經網絡模型擬合，正如圖中所示，雙線收斂效果大大改善，可以將計算精度控制在10％以內，這里，因污水處理廠曝氣池及二沉池出水的COD值通常較小，為了獲得較高的計算精度，注意盡量不與大的COD訓練實例一起學習，而單獨對小的COD數據進行單獨擬合。再參見圖8，利用經過前述6組數據訓練的神經網絡模型來對另外7個水樣進行COD值計算，其結果曲線圖如下(圖中包含了參與擬合的6個水樣)，易知，雙線收斂效果好，預測精度提高。
基于上述原理的一種COD在線檢測儀器，參見圖9、10，主要由流體系統1、光學系統2、控制系統3三部分組成。
流體系統1有兩大功能，一是為光譜分析提供分析介質，二是為了保證測量的準確性，為光學系統提供標定溶液。參見圖11，流體系統1采用兩進一出的兩位三通閥來避免兩種溶液的混流，保證了被分析介質的真實性和準確性。所述流體系統1包括有被測液槽11以及清洗液槽16，被測液槽11通過管路連接于污水蠕動泵12的入口，清洗液槽16通過管路連接于洗液泵15的入口，污水蠕動泵12及洗液泵15的出口管路并接于一兩位三通電磁閥13的入口端，所述兩位三通電磁閥13的出口端通過管路連接于一比色皿14(是流通池的一種實施結構)的入口，比色皿14的出口通過管路連接于一排水槽17內，所述兩位三通電磁閥15由控制系統3控制啟閉，所述流體系統的管路孔徑等于或大于3毫米，這種大孔徑設計，有效地防止了污水中顆粒的管路堵塞問題。
該流體系統1的動作流程如下提供分析介質時污水蠕動泵12啟動，電磁閥13左側開右側閉，流體介質進入流通池14；提供標定溶液時污水蠕動泵12停，洗液泵15啟動，電磁閥3左側閉右側開，流體介質進入流通池14。所有液體最后均在污水蠕動泵12或洗液泵15的作用下通過管路進入排水槽17中。
光學系統2，為水質定量分析提供原始的數據。本發明的光學系統，采用光線先經過分析介質后進行分光的獨特光路設計，并采用汞燈源，來提高系統的可重復性。參見圖12，所述光學系統2包括有一光源21，該光源21可采用汞燈，提供UV254以及VIS546波長的光線，光源21發出的光線經一聚焦鏡22變為平行光，所述平行光經過一透反鏡23后分兩路，經透反鏡23透射過去的平行光經過流通池24對特定波長吸收后，余光進入一濾光片25、光電管26；而由透反鏡23反射出去的另一路光線依次經過另一濾光片25′以及另一光電管26′；所述兩路光線經過兩個光電管26、26′后由光信號轉化為電信號，所述兩路電信號分別連接至一對數放大器27、27′的輸入端進行放大，經放大的兩路電信號同時輸入一運算器28，所述運算器28與控制系統3電連接，采用這種光路設計，以及采用汞燈，保證了光學系統2較好的可重復性。
參見圖13、14，為基于所述光學原理所制成的光學系統結構示意圖，主要光學元件包括有變壓器20、光源21、透鏡22、23，濾光片、光電管等，經過前述的各光學元件后，光線進入樣品室40內的流通池24，最后進入分光室50，這種獨特的先經過分析介質后再由濾光片分光的光學系統能夠保證良好的可重復性。
控制系統3，包括神經網絡，主要用于完成流體系統1的啟停控制，光學系統2提供的信號分析和計算，以及顯示、打印、數據存儲和報警等功能。當控制系統3接收到光學系統2提供的原始數據后，經過對吸光度A值的計算后調用相應的計算模型得到被測介質的COD值。
參見圖15、16，本發明三個部分在儀器中形成有機的整體。當開機后控制系統3控制光度計打開、清洗泵打開，同時電磁閥清洗側打開，清洗標定液經過蠕動泵、電磁閥及管路進入流通池，系統進行清洗標定，標定數據I。值儲存，隨后清洗泵關閉，同時電磁閥清洗側關閉，至此標定結束；污水泵打開，同時電磁閥污水側打開，污水被測液經過蠕動泵、電磁閥及管路進入流通池，系統進行污水測試得到I值，通過控制系統已有的計算公式先得到A＝1g(I0/I)，利用得到的A值和計算模型即可計算得到相應的COD值。
參見圖17、18，該控制系統3設有常規的控制部件，具體主要包括有打印機31、液晶屏32、鍵盤33、5V電源34、24V電源35、電源板36以及控制板37等元件。這些部件及結構均為本領域的習知技術，不再詳細描述結構位置關系。
綜上所述，該COD在線檢測儀器與同類光譜法COD檢測儀相比具有如下優點1.結構簡單，故障率低。
2.利用常規的基于UV254和VIS546的COD測試方法，并獨創了COD神經網絡擬合模型，完全能夠保證測試誤差在10％以下。
3.對同類水域的適應能力廣，真正起到了濁度補償的作用。
4.大孔徑流體管路設計較好地解決了污水中顆粒的易堵塞問題。
實施例2參見圖19，該實施例檢測方法的原理、有益效果與實施例1基本相同，相同之處不再重復。區別之處是該實施例的輸入數據為全波長吸光度，并且在處理光學系統2提供的原始數據時，也就是在對每一波長尋找對應的特征向量時，也采用了神經網絡的方法。該實施例中，神經網絡模型可以采用兩個神經網絡，也可以采用一個神經網絡，采用一個神經網絡時，要具有兩個隱藏層以解決中間尺寸的問題。
所述檢測方法具體包括以下步驟1)獲取紫外吸收光譜。采用紫外可見光度計掃描，掃描間隔為波長200～800nm。
2)進行紫外光譜特征向量提取，對每個吸收光譜尋找一個吸光度特征向量。在該步驟當中，采用徑向基函數神經網絡COD作為作用函數，具體采用高斯函數，徑向基函數神經網絡同樣可采用BP神經網絡，含有輸入層，一個隱層以及輸出層，輸出單元是線形求和單元，輸出值是各隱單元輸出的加權和。隱單元的作用函數用徑向基函數(Radial Basis Function，簡記為RBF)，輸入到隱單元間的權值固定為1，只有隱單元到輸出單元間的權值為可調。這種徑向基函數網絡的作用基理如下把網絡看成對未知函數F(x)的逼進器，一般任何函數都可表示成一組基函數的加權和，這相當于選各隱單元的作用函數構成一組基函數用以與近似F(x)。
最常用的徑向基函數形式是該實施例所選用的高斯函數，它的可調參數有兩個，即中心位置及方差(函數的寬度參數)，用這類函數時整個網絡的可調參數(待訓練的參數)有三組，即各基函數的中心位置，方差和輸出單元的權值。
在這一步中，參見圖20、21、22，利用一個徑向基函數族擬合水樣的吸收光譜。圖中輸入點與隱結點之間的連接是以歐基里得距離為導向的，隱結點的函數為徑向基函數，隱結點與輸出結點之間的連接權即可作為該吸收光譜的特征向量。實際上這一過程可簡單描述為對于每個吸收光譜尋找一個特征向量，使上圖所示的模型可以在全譜范圍內擬合該吸收全譜的吸光度，那么這個特征向量就可以表征該吸收光譜。
3)將前述紫外光譜特征向量輸入神經網絡模型的輸入節點，在實測目標COD值的指導下，以反復的網絡迭代進行權值調整的學習過程，建立紫外光譜特征向量與COD值間的映射關系，直至足夠逼近目標值。
這一步的關鍵任務就是在光譜特征信息與水樣COD之間建立起映射模型，參見圖21，結合網絡拓撲結構來說明原理，用模式識別理論可知，在低維空間非線性可分的問題總可映射到一個高維空間，使其在此高維空間中為線形可分。在RBF網絡中輸入到隱層的映射為非線性的(隱單元的作用函數是非線性函數)，而隱層到輸出則是線性的。可把輸出單元部分看作一個單層感知器，這樣，只要合理選擇隱單元數(高維空間的維數)及其作用函數，就可以把原來問題映射為一個線性可分問題，從而最后可用一個線性單元來解決問題，不再贅述。因權值的離線學習已經包含了濁度，通過全譜的輸入映射到水樣的COD值以將濁度考慮進去的方式來實現真正的濁度補償。
4)通過神經網絡模型計算來擬合COD值。
下面，對照常規基于UV254的COD測試方法，來進一步說明采用本發明的有益效果第一組對比實例為測試生活污水，對COD小于100的所有水樣擬合分析。參見圖23，為采用現有的UV254測試法測試生活污水，通過19組數據來擬合COD值的計算曲線圖。圖中，實線表示實測數據，虛線表示預測值(模型的擬合曲線)，易知相關系數的平方為0.81，尚可，但偏差值較大；而再參見圖24，通過本發明的神經網絡對19組數據進行學習訓練后，在計算曲線圖中，具有較好的擬合精度，效果明顯優于UV254方法；參見圖25，利用本發明學習得到的神經網絡計算模型，對28(包含了參與擬合的19組)組水樣進行校驗，結論如下，具有較好的擬合精度，明顯優于UV254方法，平均計算誤差為8％。
再來看一組效果對比實例，對COD值大于200的污水處理廠及河道污水水樣進行擬合，污水處理廠的一沉池水質COD值大多在200以上，采集到高碑店一沉池水樣COD值在200左右，方莊水樣COD值在270～400之間，另外還包括大興河道內的生活污水水樣。參見圖26，采用UV254方法對所述水樣進行擬合，結論如下一、UV254方法對于COD值在200～300之間的水樣具有較好的相關性，相關系數R的平方約為0.9左右，但誤差較大；第二，當污水COD值在300以上時，其吸收光譜靠近200nm處出現飽和現象，而且與300以下的COD值相比，已經呈現出比較明顯的非線性特征，擬合誤差較大。而參見圖27，針對上述水樣，利用本發明基于神經網絡的全譜分析方法對22組數據進行COD擬合，真實值與計算值之間的R平方達到0.97，平均誤差為8％左右，明顯優于UV254方法。
基于該全譜檢測方法所制成的COD在線檢測儀器，參見圖28、29，主要設有顯示器1a、鍵盤2a、工控機3a、光度計4a、蠕動泵5a、洗液瓶6a、二位三通閥7a、鼠標8a、端子9a、直流24V電源10a以及浸濕傳感器11a等元件組成，其與實施例1除在光學系統上存在一定差異外，其它系統基本相同。
參見圖30，該實施例的光學系統包括兩個燈源21、21′，可采用高穩定性、壽命長達2500小時的氘燈與4000小時的鎢燈光源，可以提供從200nm到800nm的連續檢測光源，兩燈源21、21′發出的光線經一反射鏡221反射后匯合成一路水平光線；所述水平光線穿過一狹縫291；并繼續透過一棱鏡29改變為向上入射光線；該向上入射光線再照射于一反射鏡222，改變90度入射角成為水平光線；該水平光線再次照射于另一反射鏡223，改變一定角度；之后，該射出光線照射于一光柵20上，使光線被改變一定角度之后照射于第三反射鏡224；該由第三反射鏡224反射出來的光線照射于一旋轉鏡201上使光線變為水平光線；該水平光線再次經過另一狹縫292后，照射于一透反鏡23后被分為兩路；經透反鏡23透射過去的平行光經過流通池24對特定波長吸收后，余光進入一濾光片25、光電管26；而由透反鏡23反射出去的另一路光線依次經過另一濾光片25′以及另一光電管26′；所述兩路光線經過兩個光電管26、26′后由光信號轉化為電信號，所述兩路電信號分別連接至一對數放大器27、27′的輸入端進行放大，經放大的兩路電信號同時輸入一運算器28，所述運算器28與控制系統3電連接。由優質的燈源和先進的光源電路設計保證了光源的穩定性；整個光學系統由獨立的單片機進行實時控制與數據檢測，光學系統與COD檢測設備主機(工業控制計算機)之間采用串口通訊方式工作。
同時，經過多次試驗研究后改進設計的可拆卸清洗、層流、防氣泡的流通池消除了自動取液帶來的負面影響。
權利要求
1.一種COD在線檢測方法，其特征在于，采用足夠組已知的吸光度A及COD值，來訓練神經網絡模型，在吸光度A與COD值之間建立映射關系，當神經網絡模型權值訓練好之后，對于給定的吸光度A值，通過神經網絡模型計算來擬合水質的實際COD值。
2.根據權利要求1所述的COD在線檢測方法，其特征在于，所述檢測方法具體包括以下步驟1)獲取UV254紫外光及VIS546可見光的吸光度；2)將所述吸光度數據進行離散化；3)將所述離散化的數據輸入到神經網絡模型，在實測目標COD值的指導下，以反復的網絡迭代進行權值調整的學習過程，以建立合適的神經網絡模型，直至足夠逼近目標值；4)通過神經網絡模型計算擬合出COD值。
3.根據權利要求2所述的COD在線檢測方法，其特征在于，所述神經網絡模型為基于小腦型連接控制器的神經網絡。
4.根據權利要求1所述的COD在線檢測方法，其特征在于，所述檢測方法具體包括以下步驟1)獲取紫外吸收光譜；2)進行紫外光譜特征向量提取，對每個吸收光譜尋找一個吸光度特征向量；3)將前述紫外光譜特征向量輸入神經網絡模型，在實測目標COD值的指導下，以反復的網絡迭代進行權值調整的學習過程，建立紫外光譜特征向量與COD值間的映射關系，直至足夠逼近目標值；4)通過神經網絡模型計算擬合出COD值。
5.根據權利要求4所述的COD在線檢測方法，其特征在于，在進行紫外光譜特征向量提取的第2)步中，采用一神經網絡對吸收光譜尋找吸光度特征向量，具體將吸收光譜中的波長值輸入到三層神經網絡的輸入節點，隱層以高斯函數為作用函數，通過反復調整權值的學習過程，建立波長值與吸光度特征向量間的映射關系，每一波長的吸光度特征向量由輸出層輸出。
6.一種基于權利要求1所述方法的COD檢測儀器，包括流體系統、光學系統及控制系統；流體系統用于提供光譜分析所需的介質以及標定溶液；光學系統用于定量分析流體系統的介質及標定溶液，并提供原始數據輸入給控制系統；控制系統控制流體系統的啟停、以及控制分析、計算光學系統提供的原始數據，并存儲及顯示相應數據，其特征在于，所述控制系統包括神經網絡模型，控制系統在接收到光學系統提供的原始數據后計算吸光度，并由所述神經網絡模型計算COD值。
7.根據權利要求6所述的COD檢測儀器，其特征在于，所述流體系統具體包括有被測液槽以及清洗液槽，被測液槽通過管路連接于一污水蠕動泵的入口，清洗液槽通過管路連接于一洗液泵的入口，污水蠕動泵及洗液泵的出口管路并接于一兩位三通電磁閥的入口端，該兩位三通電磁閥的出口端通過管路連接于一流通池的入口，流通池的出口通過管路連接于一排水槽內，所述兩位三通電磁閥由控制系統控制啟閉。
8.根據權利要求6或7所述的COD檢測儀器，其特征在于，所述流體系統的管路孔徑等于或大于3毫米。
9.根據權利要求6所述的COD檢測儀器，其特征在于，所述光學系統包括有一光源，提供UV254、VIS546波長的光線，光源發出的光線經一聚焦鏡變為平行光，所述平行光經過一透反鏡后分為兩路，經透反鏡透射過去的平行光經過流通池對特定波長吸收后，余光進入一濾光片、光電管；而由透反鏡反射過去的另一路光線依次經過另一濾光片以及另一光電管；所述兩路光線經過兩個光電管后由光信號轉化為電信號，所述兩路電信號分別連接至一對數放大器的輸入端進行放大，經放大的兩路電信號同時輸入一運算器，所述運算器與控制系統電連接。
10.根據權利要求6所述的COD檢測儀器，其特征在于，所述光學系統包括兩個燈源，提供200nm～800nm波長的連續光線，兩燈源發出的光線經一反射鏡反射后匯合成一路水平光線；所述水平光線穿過一狹縫；并繼續透過一棱鏡改變為向上入射光線；該向上入射光線再照射于一反射鏡，改變90度入射角成為水平光線；該水平光線再次照射于另一反射鏡，改變一定角度；之后，該射出光線照射于一光柵上，使光線被改變一定角度之后照射于第三反射鏡；該由第三反射鏡反射出來的光線照射于一旋轉鏡上使光線變為水平光線；該水平光線再次經過另一狹縫后，照射于一透反鏡后被分為兩路；經透反鏡透射過去的平行光經過流通池對特定波長吸收后，余光進入一濾光片、光電管；而由透反鏡反射出過的另一路光線依次經過另一濾光片以及另一光電管；所述兩路光線經過兩個光電管后由光信號轉化為電信號，所述兩路電信號分別連接至一對數放大器的輸入端進行放大，經放大的兩路電信號同時輸入一運算器，所述運算器與控制系統電連接。
全文摘要
一種COD在線檢測方法，其特征在于，采用足夠組已知的吸光度A及COD值，來訓練神經網絡模型，在吸光度A與COD值之間建立映射關系，當神經網絡模型權值訓練好之后，對于給定的吸光度A值，通過神經網絡模型計算來擬合水質的實際COD值。基于該方法的COD檢測儀器，包括流體系統、光學系統及控制系統；所述控制系統包括神經網絡模型，控制系統在接收到光學系統提供的原始數據后計算吸光度，并由所述神經網絡模型計算COD值。本發明能提高光譜在線檢測的測試精度和對水質變化的抗干擾性。
文檔編號G06G7/00GK1580739SQ0315333
公開日2005年2月16日 申請日期2003年8月7日 優先權日2003年8月7日
發明者何洪, 朱福軍, 馮伯韜, 李文剛, 趙洪濤, 周志軍, 殷永志 申請人:多元水環保技術產業(中國)有限公司