摘要：介紹了一種自行研發(fā)的綜合應(yīng)用紫外光譜測量和智能計算技術(shù)的水質(zhì)在線分析儀，并對其測量原理、硬件結(jié)構(gòu)、軟件功能與所采用的智能計算方法進行了詳細(xì)說明。實際測量結(jié)果表明該水質(zhì)分析儀操作簡便，適合于連續(xù)在線水質(zhì)分析和成批量水樣檢測。
關(guān)鍵詞：在線水質(zhì)分析；紫外光譜；分光光度法；智能計算

引言

鑒于環(huán)境保護需求的增加和水質(zhì)污染的日益嚴(yán)重，國家規(guī)定了多個水質(zhì)污染物含量的標(biāo)準(zhǔn)。廣泛應(yīng)用的水質(zhì)參數(shù)主要有兩類：一類是直接反映水中的具體成分，如金屬離子的濃度等；另一類稱為替代參數(shù)，如COD、BOD、TOC等。替代參數(shù)能簡便迅速地反映水的物理、化學(xué)及微生物的特征。

國內(nèi)外有不少科研機構(gòu)和專業(yè)廠商都在研究如何能在線地測定這些水質(zhì)替代參數(shù)。目前，在線自動分析儀的主要技術(shù)原理有化學(xué)滴定法、電化學(xué)測量法、可見和紫外分光光度法[7]。第1種方法的原理是通過化學(xué)滴定來確定水質(zhì)參數(shù)的含量。其缺點是測量時間過長、操作維護復(fù)雜，運行成本高，同時還會產(chǎn)生二次污染。第2種方法的原理是利用水中有機物在工作電極表面被氧化的同時，工作電極上將有電流變化，當(dāng)工作電極的電位衡定時，電流的變化與水中的水質(zhì)參數(shù)成線性關(guān)系。通過計算電流的變化便可測出水質(zhì)參數(shù)。其主要特點是測量速度快，儀器結(jié)構(gòu)簡單，沒有二次污染。缺點是通過不同電化學(xué)法產(chǎn)生的電極電流變化只和一種替代參數(shù)有線性關(guān)系，和其他水質(zhì)參數(shù)則存在非線性的關(guān)系。因此一般以電化學(xué)法為原理的在線分析儀只能測量一種水質(zhì)參數(shù)[2]。第3種方法是建立在吸收定律之上的一種利用被測物質(zhì)的分子或離子對特征電磁輻射的吸收程度進行定量分析的方法。實驗證明，紫外吸光度能反映水中有機污染的程度，特別是對水中的一大類芳香族有機物和帶雙鍵有機物尤為靈敏。許多資料亦表明紫外吸光度和一些主要水質(zhì)替代參數(shù)具有一定的相關(guān)性[4]，因此，通過分析紫外吸光度來獲得水質(zhì)參數(shù)具有極為重要的理論與實際意義。該文介紹的是一種新型在線紫外光譜水質(zhì)分析儀，以紫外分光光度法為原理，采集水樣在紫外區(qū)的全波段光譜，通過分析光譜數(shù)據(jù)的相關(guān)性，獲得全光譜中的特征光譜。然后利用智能軟件的算法分析光譜和各水質(zhì)參數(shù)的關(guān)系，建立相關(guān)預(yù)測模型。實驗結(jié)果表明，該水質(zhì)分析儀有測量速度快、精度高、跟蹤性能好、操作簡便的特點，和同類產(chǎn)品相比具有極大的優(yōu)勢。

1系統(tǒng)測量原理

該儀器就是一種以紫外分光光度法為原理的水質(zhì)分析儀。和國外同原理的分析儀不同的是，國外儀器采用的光源只產(chǎn)生單一波長的光譜，這是因為紫外UV254與COD近似成線性關(guān)系，而其他波長和水質(zhì)參數(shù)的關(guān)系則比較復(fù)雜。為了不喪失其他波長所提供的關(guān)于水質(zhì)參數(shù)的有用信息，該儀器使用的光源產(chǎn)生250～470nm的光譜，通過智能軟件分析不同波長對水質(zhì)參數(shù)變化的影響，建立兩者的關(guān)系模型。而且不少國外儀器在使用中或多或少會用到一些化學(xué)試劑。如日本DKK－TOA公司的幾款水質(zhì)分析儀就是屬于這種類型。筆者設(shè)計的儀器在使用中則不需要任何化學(xué)試劑，因此能更迅速、直接地獲得各種水質(zhì)參數(shù)。相比以往的各種水質(zhì)分析儀，該系統(tǒng)具有測量速度快、可重復(fù)性好、成本低、不形成二次污染的優(yōu)點。

2系統(tǒng)硬件結(jié)構(gòu)

分析儀采用模塊化設(shè)計，除了以后便于擴充不同的測量單元外，主要目的是為了防止模塊之間的相互干擾，提高儀器運行的穩(wěn)定性。

儀器分為水循環(huán)系統(tǒng)、采樣系統(tǒng)、水質(zhì)分析和顯示系統(tǒng)3部分。

水循環(huán)系統(tǒng)包括進水系統(tǒng)和出水系統(tǒng)。進水系統(tǒng)能持續(xù)不斷地向分析儀提供水樣，進水水泵和電磁閥在分析儀內(nèi)置軟件的控制下，把污水導(dǎo)入采樣系統(tǒng)。出水系統(tǒng)則將從采樣系統(tǒng)出來的污水排出，并獲取當(dāng)前污水樣品。

采樣系統(tǒng)包括水質(zhì)理化參數(shù)采集系統(tǒng)和光譜數(shù)據(jù)采集系統(tǒng)。水質(zhì)理化參數(shù)采集系統(tǒng)主要有傳感器和變送器。傳感器獲得包括pH值、溫度、電導(dǎo)率等普通水質(zhì)參數(shù)。變送器則將其送到工控機中。光譜數(shù)據(jù)采集系統(tǒng)主要由光源、光纖、分光計組成。光源用于提供穩(wěn)定的紫外激光，經(jīng)過污水由分光計接收，處理后送入工控機。光纖是光信號的傳輸介質(zhì)。

水質(zhì)分析和顯示系統(tǒng)對由采樣系統(tǒng)獲得的數(shù)據(jù)進行處理，并顯示最終結(jié)果。主要包括工控機，A/D卡、繼電器、顯示用LCD觸摸屏。工控機可完成大部分計算機的功能，除了內(nèi)置智能分析軟件外，還提供諸多擴展槽。A/D卡用于數(shù)據(jù)的采集和通過繼電器對水循環(huán)系統(tǒng)中的硬件進行控制。LCD觸摸屏不僅能顯示水質(zhì)參數(shù)，而且可直接對分析儀進行各項操作。儀器的結(jié)構(gòu)原理如圖1所示。

3系統(tǒng)軟件設(shè)計

作為智能在線分析測試系統(tǒng)，它不僅能自動、實時地進行水質(zhì)參數(shù)的檢測，同時通過自帶數(shù)據(jù)庫，可隨時更新和顯示水樣的歷史數(shù)據(jù)。這對于監(jiān)測水質(zhì)的變化趨勢很有實際意義。

3.1水循環(huán)系統(tǒng)的控制和水質(zhì)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(dāng)被測污水進入樣本池后，系統(tǒng)打開光源，充分預(yù)熱后，獲得光譜數(shù)據(jù)。其他水質(zhì)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。

3.2水質(zhì)數(shù)據(jù)的處理和顯示

軟件獲得的光譜數(shù)據(jù)和其他水質(zhì)理化參數(shù)經(jīng)過預(yù)處理后送入模型進行分析，最終將結(jié)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(zhì)模型的更新。數(shù)據(jù)處理和存儲過程如圖3所示。

3.3水質(zhì)模型的更新

智能分析軟件的核心技術(shù)是對紫外光譜和水質(zhì)參數(shù)之間關(guān)系建模。模型不是一成不變的，水樣性質(zhì)差別較大時就會出現(xiàn)基于原水樣的模型不能很好的預(yù)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(biāo)準(zhǔn)測定的新水樣可修正水質(zhì)模型，以解決因水樣性質(zhì)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(luò)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(luò)并聯(lián)疊加而成的。這樣的結(jié)構(gòu)設(shè)計可以保證該混合模型對于函數(shù)擬合的普遍適應(yīng)性。對于多層前向網(wǎng)絡(luò)的隱節(jié)點數(shù)和權(quán)值的確定，所利用的訓(xùn)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(luò)的隱節(jié)點數(shù)將逐漸增加，直至達(dá)到擬合要求。即使當(dāng)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(shè)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(luò)，就可以保證生成范化能力可以的混合神經(jīng)網(wǎng)絡(luò)模型。與此同時，由于該訓(xùn)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(xùn)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(guān)性分析等處理，并將樣本數(shù)據(jù)集分為訓(xùn)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(xùn)練樣本和測試樣本的誤差集合分別作為多層前向網(wǎng)絡(luò)的訓(xùn)練樣本和測試樣本；
5)利用基于最小二乘法的網(wǎng)絡(luò)訓(xùn)練算法，生成最簡化的前向神經(jīng)網(wǎng)絡(luò)；
6)將前向神經(jīng)網(wǎng)絡(luò)和多項式模型結(jié)合，構(gòu)成混合神經(jīng)網(wǎng)絡(luò)模型。

5實際運行分析

該在線水質(zhì)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(xué)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(yīng)的吸光度數(shù)據(jù)，如圖4所示；并利用標(biāo)準(zhǔn)的COD測試方法(重鉻酸鉀法)[9]獲得每個水樣的實際COD值。

根據(jù)軟件預(yù)處理模塊的處理結(jié)果，從全波段中 挑選了3個特定波段的光譜吸光度(254 nm、265 nm和360 nm的吸光度數(shù)據(jù))作為輸入數(shù)據(jù)。在建模過程中為防止模型偏差，該智能分析軟件可以同時利用2個或3個特定譜段的吸光度數(shù)據(jù)作為輸入，并比較各種建模結(jié)果，從中自動確定預(yù)測效果可以的特征波段的吸光度數(shù)據(jù)作為建模輸入數(shù)據(jù)。

由于數(shù)據(jù)點數(shù)較少(只有54個)，所以采用留一檢驗[10]來比較各個模型預(yù)估的精確性。即依次取出54個樣本數(shù)據(jù)點中的一個作為測試數(shù)據(jù)，采用剩余的53個數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，然后用訓(xùn)練完成的模型預(yù)測該測試數(shù)據(jù)，如此重復(fù)54次，得到54個樣本的預(yù)估值。

圖5反映了用兩個相關(guān)系數(shù)最高的特征波長(254nm和265nm)計算混合模型的結(jié)果。其中Y軸表示COD的真值，X軸表示通過模型計算的COD的預(yù)測值，圓點是COD樣本根據(jù)真值和預(yù)測值在圖上的分布，當(dāng)中一條45°直線衡量COD的預(yù)測值偏離COD真值的程度。由圖可見，樣本訓(xùn)練結(jié)果分布在直線的附近，顯示了混合模型良好的預(yù)測精度。

6結(jié)論

實驗結(jié)果顯示，該預(yù)測模型相關(guān)性好，分析精度高；采用的算法運算速度快，適合在線監(jiān)測。從實際運行看，該在線水質(zhì)分析儀有精度高、跟蹤性能好、操作方便、人機交互界面友好、運行成本低廉的特點，其獨有的封閉式防水結(jié)構(gòu)能適應(yīng)任何戶外條件，且數(shù)據(jù)傳輸功能適合遠(yuǎn)程監(jiān)控，能隨時報告水質(zhì)情況，與同類產(chǎn)品相比具有較大的技術(shù)優(yōu)勢。

參考文獻(xiàn)
［1］Castillo，L Khorassani，H.EITrebuchon，P Thomas.O.UV treatability test for chemical and petrochemical wastewater［J］.Wat.Sci.Tech，39(10、11)：17－23.
［2］Vaillant，S Pouet，M.F Thomas，O.Basic handling of UV Spectra for urban water quality monitoring［J］.Urban Water，2002，(4)：273－281.
［3］Charef，A Ghauch，A Baussand，P Martin－Bouyer，M.Waterquality monitoring using a smart sensing system［J］.Measurement，2000，(28)：219－224.
［4］Benjathapanun，N Boyle，W.J.O Grattan,K.T.V.Classification of UV－Vis Spectroscopic data using principal componentanalysis and neural network techniques［J］.Measurement，1998，(24)：1－7.
［5］Chevalier，L.R Irwin，C.N Craddock.J.N.Evaluation of In Spectra UV analyzer for measuring conventional water and wastewater parameters［J］.Advances in Environmental Research，2002，(6)：369－375.
［6］Xia，H.FDai，L.K.Dynamic node creation and fast learning algorithm for a hybrid feed forward neural networ［C］.Proceedings of the International Conference on Machine Learning and Cybernetics，Hangzhou，China，2002，202－205.
［7］魏復(fù)盛.水和廢水監(jiān)測分析方法指南［M］.北京：中國環(huán)境科學(xué)出版社，1990.
［8］劉學(xué)文.一種新型COD在線自動監(jiān)測儀［J］.分析儀器，2002，(2)：15－17.
［9］馬玉琴.環(huán)境檢測［M］.湖北：武漢工業(yè)大學(xué)出版社，1998.
［10］邊肇祺，張學(xué)工.模式識別(第二版)［M］.北京：清華大學(xué)出版社，2000.

上一篇：儀器儀表故障診斷十大手法 儀器...

下一篇：KO-7DJ土工膜（防滲膜）滲...