新闻中心

EEPW首页 > 测试测量 > 设计应用 > 一种在线紫外光谱水质分析仪

一种在线紫外光谱水质分析仪

作者:时间:2013-07-02来源:网络收藏


3.1水循环系统的控制和水质数据的获得

软件通过继电器控制水泵和电磁阀形成一个水路循环系统。当被测污水进入样本池后,系统打开光源,充分预热后,获得光谱数据。其他水质参数则通过样本池中的探头,通过变送器送入。数据获得过程如图2所示。最后排放污水和清洗。

3.2水质数据的处理和显示

软件获得的光谱数据和其他水质理化参数经过预处理后送入模型进行分析,最终将结果显示在LCD屏上,同时把分析数据存入数据库,用于历史趋势的显示和水质模型的更新。数据处理和存储过程如图3所示。

3.3水质模型的更新

智能分析软件的核心技术是对和水质参数之间关系建模。模型不是一成不变的,水样性质差别较大时就会出现基于原水样的模型不能很好的预测新水样的情况。软件自带重新建模的功能。通过输入经过标准测定的新水样可修正水质模型,以解决因水样性质差别大时模型不符的情况。

4智能分析模型简介

智能分析软件采用的是混合神经网络模型,该混合模型是由一个多项式模型和一个多层前向神经网络并联叠加而成的。这样的结构设计可以保证该混合模型对于函数拟合的普遍适应性。对于多层前向网络的隐节点数和权值的确定,所利用的训练算法[8]可以根据拟合精度的要求自动确定,随着拟合精度要求的提高,前向网络的隐节点数将逐渐增加,直至达到拟合要求。即使当拟合精度要求过高时,该算法也可以根据拟合精度的改善情况来确定是否继续增加隐节点,这样的设计可以确保生成具有最少隐节点数的前向神经网络,就可以保证生成范化能力最好的混合神经网络模型。与此同时,由于该训练算法是基于最小二乘算法的,适用于实时在线的测量。

该混合模型所采用的训练算法简述如下:

1)对原始数据进行粗大误差剔除、数据滤波、归一化与相关性分析等处理,并将样本数据集分为训练样本和测试样本;
2)利用最小二乘法得到对象线性回归模型;
3)生成样本误差集;
4)将训练样本和测试样本的误差集合分别作为多层前向网络的训练样本和测试样本;
5)利用基于最小二乘法的网络训练算法,生成最简化的前向神经网络;
6)将前向神经网络和多项式模型结合,构成混合神经网络模型。

5实际运行分析

该在线水质参数分析仪可用于多种参数测量,如COD、BOD、TOC等,在此仅以COD值(化学需氧量)的测试为例说明其测试精确性及有效性。

文中所采用的样本数据来自54次采样的城市污水,利用UV光谱仪得到相应的吸光度数据,如图4所示;并利用标准的COD测试方法(重铬酸钾法)[9]获得每个水样的实际COD值。

光谱分析仪相关文章:光谱分析仪原理


评论


技术专区

关闭