基于光纤传感的化学需氧量全光谱检测系统

为了快速准确地检测地表水、污水的化学需氧量(COD),设计了一种十字通透式结构光纤传感器,建立了一种水质COD全光谱检测系统。基于该系统,建立了COD与光谱吸光度的相关性数学模型。对配置的检测水样进行了测量,并比较哈希DR 6000多参数水质检测仪对相同水样测量得到的数据,可以发现,所构建的系统与哈希DR 6000多参数水质检测仪测量COD的示值误差小于3%,能较好的适用于水质COD实时在线检测。     

紫外光谱法检测COD时波长和低温影响的探究

COD代表了水体受还原性物质污染的程度。相对于采用传统方法检测COD,存在检测时间长且操作复杂等缺点,紫外光谱法以其检测速度快,无需使用化学试剂等特点成为了主流的检测方法。基于朗伯-比尔定律,以邻苯二甲酸氢钾粉末配置的COD标准溶液为研究对象,针对低温环境下利用紫外光谱法检测COD精度的问题,分别对COD的最佳检测波长和温度对COD检测值的影响进行研究。同时选择长春市某地区地表水为研究对象,验证COD最佳检测波长在实际水样中的适用性及温度补偿模型的准确度。在研究检测波长对COD检测值的影响时,选用256, 266, 276, 286和296 nm共5个波长对样本进行回归分析,它们的吸光度分别为A_(256),A_(266),A_(276),A_(286),A_(296),将吸光度A与COD标准溶液浓度值进行线性回归,通过拟合结果得出:276, 286和296 nm处模型具有代表性,且在286 nm处拟合效果最好, 296 nm次之,最后为276 nm,其中286 nm处相关系数r为0.994 6,决定系数R~2为0.989 4,波长为296 nm处和方差SSE=0.011 4,预测均方根误差RMSE=0.037 7,但其决定系数R~2较低,可见在286 nm处COD检测值与吸光度具有最高的相关性,又探究了标准温度(20℃)下8 mg·L~(-1)的COD实际水样和标准水样的光谱吸收情况,得出286 nm同样适用于实际水样的检测,可见286 nm处为最佳检测波长。在研究温度对COD检测值的影响时,采集不同温度下COD实际水样与标准水样的紫外吸收光谱,经过分析得出:COD实际水样中紫外光谱吸收度会随温度升高而增大。为了减弱在COD测量中温度的影响,根据最小二乘原则,建立温度补偿模型。利用实际水样验证温度补偿模型的准确度,同时进行误差分析,分析结果表明:COD的实际值与补偿后值的最大相对误差为6.38%,最小相对误差为0.63%,且多数相对误差集中在4%,由此可见, COD温度补偿模型补偿精度高,效果良好。结果表明:COD检测选取的最佳波长及温度补偿模型可有效的提高COD低温检测精度。     

一种紫外-可见光谱法检测水质COD的浊度影响实验研究

消除浊度影响是直接光谱法检测水质COD的关键技术问题。此源于紫外-可见光谱法检测水质参数的关键依赖于化学计量法所建立的准确的水质参数分析模型,而浊度是影响其建模的一个重要参数。为此,选取福尔马肼浊度液和邻苯二甲酸氢钾标准溶液,开展了紫外-可见吸收光谱法检测水质COD的浊度影响实验研究,获得了选定溶液在245,300,360和560 nm几个特征波长点的吸光度随浊度变化的最小二乘法拟合曲线,分析了吸光度随浊度的变化规律。研究结果表明,在240～380 nm的紫外光谱段,由于引起浊度的颗粒物对有机物产生了吸附,致使浊度对水样的紫外光谱影响较为复杂;在380～780 nm的可见光谱区域,浊度对光谱的影响则是随着波长的增大而减弱。基于此,开展了多元散射校正法对受浊度影响的水样光谱进行校正试验。对某溪水水样的紫外-可见吸收光谱进行多元散射校正,通过处理前后光谱对比表明,浊度引起各个波长点的基线偏移都得到了有效的校正,而在紫外区域特征并未减弱。接着对选取的三种液体的紫外-可见吸收光谱进行多元散射校正,实验结果表明：该方法可在不影响水样紫外-可见吸收光谱特征的前提下对其吸收曲线进行有效的校正,这不仅提高了光谱法检测水质COD的信噪比,而且还为化学计量法建立准确、有效的水质检测COD分析模型进行数据预处理提供了一种新途径。     

CNN在煤矿突水水源LIF光谱图像识别的应用

煤矿突水类型的快速识别在矿井安全生产中意义重大,煤矿突水激光诱导荧光(LIF)光谱的识别方法,需要对光谱曲线进行预处理和特征提取,其过程较复杂,对此,提出了一种卷积神经网络(CNN)快速识别矿井突水类别的方法。根据煤矿矿井水层的分布特点和最常见煤矿突水类型,选取三种原始水样以及由原始水样混合的两种混合水为实验材料,利用LIF技术快速获取五种水样的200组荧光光谱曲线图,灰度化后输入CNN算法,其中150组光谱曲线图用于CNN的训练,剩余50组用于训练好的模型测试。模型测试中,CNN算法对实验水样光谱曲线图的识别率为100%,实验结果表明,CNN算法不仅能省去煤矿突水光谱图像识别中的数据处理和特征提取工作,而且还能快速有效的识别矿井突水类型。     

用于亚微米颗粒测量的后向散射光谱法

针对后向散射光谱粒径测量法对亚微米颗粒测量准确度较差的问题,提出了一种采用紫外光作为光源的测量方法.通过快速傅里叶变换计算了粒径为0.25~1 μm的聚苯乙烯亚微米颗粒的后向散射频谱,将频谱峰值对应的频率值与相应的颗粒粒径进行线性回归,各粒径值相对于回归直线的平均误差为±0.02 μm. 结果表明,本文提出的300~400 nm的紫外光适用于测量0.25~1 μm的亚微米颗粒,相比目前国外最新的采用可见光谱或红外光谱的方法准确度提高了一个数量级,同时该方法也适用于测量双峰分布亚微米颗粒系.     

COD光谱法检测中的波长优化及温度补偿实验研究

针对低温环境下化学需氧量(COD)的检测问题,分别研究COD的最佳检测波长的选取方法以及低温对COD的影响。采用邻苯二甲酸氢钾粉末配制的COD标准液,建立一元线性回归模型。结果表明:COD在286nm、276nm、266nm处吸收效果最好,波长286nm的回归模型相关系数为0.9894,决定系数为0.9789,所以286nm处为最佳检测波长,相关性最高,误差最小;研究0～30℃下不同浓度的COD紫外吸光度的变化规律,得出温度的升高会导致标准液的紫外光谱吸光度增大。为了消除温度对COD测量的影响,利用最小二乘法,建立了温度补偿模型。并对模型精度和模型的补偿精度进行验证,验证结果在误差范围内,效果良好。     

基于遗传神经网络的多光谱辐射测温法

针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验。结果表明：已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为±10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低。说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题。     

嵌入式粒子群-遗传算法的水质COD检测特征波长优化算法

基于紫外-可见光谱法的水质测量中,光谱信号易受到系统噪声干扰、悬浮物散射干扰,且存在信息冗余、多重共线性等特征,导致水质COD测量中特征波长的选取产生较大偏差。因此,提出了基于嵌入式粒子群-遗传（EPSO_GA）算法的水质COD检测特征波长优化算法,以提高波长选择精度。为验证检测特征波长优化算法的可行性,采集了某高校池塘水样、生活污水和排水沟水样的光谱数据,利用EPSO_GA算法对预处理后的光谱数据选取特征波长。EPSO_GA算法采用实数编码方法实现了粒子群（PSO）优化算法和遗传（GA）优化算法的统一编码,在PSO算法中更新粒子时嵌入GA算法的选择、交叉、变异等操作,改善了这两种算法各自在光谱波长特征选取问题上的局限性。将EPSO_GA算法选取的特征波长结合偏最小二乘法（PLS）构建了EPSO_GA_PLS的水质COD预测模型,并且与传统的PSO算法、GA算法选取特征波长建立的PSO_PLS、GA_PLS和全光谱构建的PLS水质COD预测模型做了对比。结果表明：与PSO_PLS,GA_PLS和全光谱构建的PLS水质COD预测模型相比,EPSO_GA改善了PSO算法和GA算法在光谱特征波长选择中早熟和收敛速度慢的问题,降低了全光谱构建PLS水质COD预测模型的复杂度,提高了模型的预测精度。基于EPSO_GA算法建立的EPSO_GA_PLS水质COD预测模型,均方根误差降到了0.212 3,预测精度增加到0.999 3,可以快速定量检测水质COD,为紫外-可见光谱法测COD提供了更好的预测模型。     

面阵CMOS光纤光谱仪研制

研制了一种以非对称交叉Czerny-Turner光路为结构的互补金属氧化物半导体小型光纤光谱仪样机,探讨了以面阵互补金属氧化物半导体图像传感器作为光电探测器的光度测量准确性和线性问题,分析了杂散光对吸光度测量的影响.结论是:通过光强定标和非线性修正后,互补金属氧化物半导体小型光纤光谱仪可以满足一般的应用要求,其光谱测量范围为380~800 nm,光谱带宽约6 nm,积分时间1~500 ms,波长准确度±1 nm,光度准确度±0.03 AU.该光谱仪具有小型化、低成本、速度快等优点.     

用于海洋拖曳系统的吸光度传感器设计与研制

为实现海水吸光度大范围长时间的测量，设计了适用于海洋拖曳观测系统的原位吸光度传感器。传感器可实现多波段吸光度同步探测，选取LED和光电二极管分别作为光源和探测器，通过多通道并排排列的光机结构布局方式及高集成电路优化等实现传感器的小型化及低功耗设计；使用窄带光学滤光片及数字锁相处理算法实现明场环境下的海水吸光度原位探测。实验证明该吸光度传感器具有高精度、小体积、抗环境干扰能力强、功耗低、稳定等优点，传感器精度优于0.000 1 AU。该吸光度传感器可通过设计不同路径长度的吸收池来适应复杂的水域环境，也可在近岸海域搭载船只通过走航式实现连续探测，具有广泛的应用前景。     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

浊度干扰下硝酸盐浓度紫外导数光谱检测方法研究

硝酸盐是水中“三氮”（硝酸盐氮、氨氮、总氮）之一,是反映水体受污染程度的一项重要指标。传统 “现场采样-离线分析” 的硝酸盐化学检测方法操作繁琐、耗时长,难以满足现代水环境实时在线检测需求。由于硝酸根在紫外区具有很强的紫外吸收特性,并且紫外吸收光谱法具有简便快速、可实现实时在线监测等特点,近年来被广泛用于硝酸盐浓度的测量。但使用紫外吸收光谱法检测水体硝酸盐含量时,容易受到水体浊度影响,造成谱线非线性抬升,导致测量误差。目前对浊度补偿算法的研究大都用于水中COD含量的检测,对硝酸盐检测中浊度干扰去除研究较少。为此提出一种基于一阶导数紫外吸收光谱的硝酸盐浓度测量方法,该方法可以减小浊度干扰,从而提高紫外光谱快速检测硝酸盐含量的准确度。通过测量福尔马肼与硝酸钠标准溶液和它们混合溶液在190~300 nm波段的紫外吸收光谱并做一阶导数光谱处理,处理后的光谱采用Savitzky-Golay滤波进行去噪平滑处理,比较浊度与硝酸盐紫外吸收一阶导数光谱特征,分波段研究浊度对硝酸盐紫外一阶导数光谱影响,结果表明硝酸盐导数光谱在220~230 nm波段受浊度影响小;选取220~230 nm波段作为光谱分析区间,以30种不同浓度混合的福尔马肼与硝酸钠溶液作为训练样本,利用偏最小二乘算法建立硝酸盐定量分析模型,使用该建模模型预测剩下的6种不同浓度福尔马肼与硝酸钠混合溶液中硝酸盐的浓度,结果表明福尔马肼干扰下硝酸盐测量结果的预测决定系数（correlation coefficient,R2）为0.994 3,预测均方根误差（root mean square error of prediction,RMSEP）为0.346 9 mg·L-1。为进一步验证该方法的准确性与稳定性,使用该建模模型预测高岭土与硝酸钾配制的混合水样中硝酸盐的浓度,结果表明该方法对高岭土干扰下硝酸盐测量结果的预测决定系数r2为0.991 5,预测均方根误差RMSEP为0.362 8 mg·L-1。综上所述,提出的硝酸盐浓度紫外导数光谱检测方法,采用220~230 nm波段的紫外导数光谱数据,结合PLS建模,可以快速准确测量在浊度干扰下水体硝酸盐的浓度,为发展实际水体硝酸盐在线监测技术与设备提供方法基础。     

TiO_2纳米粒子的Ram an光谱表征和紫外可见光吸收特性

用 Sol- Gel方法制备粒径约 1 0 - 50 nm的 Ti O2 微粒。Raman光谱测量显示 ,水解时 p H值不同 ,在同样热处理温度下得到的 Ti O2 微粒的晶体结构不尽相同。在低于 673K热处理温度下得到的 Ti O2 微粒是板钛矿和锐钛矿的混合晶体。用谱峰拟合技术可以将样品 A1的1 57cm-1 Raman谱峰分解成分属于板钛矿和锐钛矿的两个振动峰。 UV- Vis测量表明 ,锐钛矿型 Ti O2 微粒的紫外光吸收性能最好。而粒度约 2 0 μm的市售锐钛矿型 Ti O2 的紫外光吸收性能甚至比板钛矿型和金红石型 Ti O2 纳米粒子的还略低些 ,表明小尺寸效应和表面缺陷对紫外光吸收亦有贡献     

基于基线校正和主元分析的紫外-可见光光谱在线水质异常检测方法

近年来,饮用水安全问题引起社会的广泛关注。采用紫外-可见光吸收光谱对水质进行异常检测,具有现场原位、无需试剂、分析快速等优点,适合快速在线监测。然而,紫外-可见光光谱数据量大,且易受仪器和水质正常波动的干扰,从而影响水质异常检测结果。提出一种基于基线校正和主元分析的紫外-可见光光谱法来检测污染物引起的水质异常,该方法利用非对称最小二乘校正基线,采用主元分析法从基线校正后的光谱矩阵中降维并提取特征,然后根据残差子空间的Q统计量评估测试样本的离群点,最后采用累计概率来更新异常报告结果。通过苯酚注入的实验,验证了该算法的有效性,实验结果表明,提出的方法与单波长法相比,有效地提高了污染物的检出下限;与未经基线校正采用主元分析进行的异常检测方法相比,提高了检出率,降低了误报率。     

基于PSO-PLS混合算法的水体COD紫外吸收光谱检测研究

化学需氧量（COD）是反映水体受有机物污染程度的重要指标。紫外吸收光谱法是目前水体COD检测研究中应用最为广泛的方法,具有样品无需预处理,成本低,无污染,测定速度快等优点。但是,原始光谱数据维数高,光谱信息中包含大量冗余变量,直接将全光谱数据进行建模存在精度低,计算复杂等问题。针对紫外吸收光谱全光谱建模精度低,光谱数据存在大量共线性的问题,提出了一种基于粒子群算法（PSO）结合偏最小二乘（PLS）优选特征波长建立预测模型的方法,以提高紫外吸收光谱预测模型的精度和适用性,简化模型。利用搭建的紫外吸收光谱装置,采集29份不同浓度的COD标准溶液的紫外光谱数据,每份标准溶液采集5次取平均值并对其进行平滑处理,减少仪器和环境带来的误差。考虑到标准溶液在200～310 nm的光谱范围内存在吸收,故选取该波段范围内246个波长点作为建模数据,每个波长点下的吸光度数据作为一个粒子并按照顺序编号,以PLS为建模方法,相关系数r和均方根误差（RMSE）为评价指标,设置粒子群算法适应度函数f(x)=min（RMSE）,取粒子初始种群数为20个,惯性权重w=0.6,自我学习因子c1=1.6,群体学习因子c2=1.6,最大迭代次数为200次,算法终止条件为达到最大迭代次数。算法输出全局最优变量取值为168,94,181,183,175,209,106和142。采用粒子群算法优选的8个波长点建立PLS预测模型的相关系数r和预测均方根误差RMSE分别为0.999 98和0.155 1。为了验证PSO-PLS建立的预测模型效果,建立了PLS,iPLS和SVR三种预测模型进行对比。验证结果表明,PSO-PLS模型的相关系数r和均方根误差RMSE均优于其他三种预测模型,说明粒子群算法能有效的提取用于PLS建模的特征波长,消除子区间变量的共线性,提高预测模型的精度。该方法为实现水体COD实时在线监测提供了一种有效途径。     

基于UV-Vis检测养殖水体中化学需氧量含量研究

采用紫外可见光谱(UV-Vis)与极限学习机算法检测水体化学需氧量(chemical oxygen demand,COD)含量研究。采集135份水样进行紫外可见波段全光谱扫描,结合变量标准化(standard normal variate,SNV),多元散射校正(MSC)和一阶微分(1st D)对原始数据进行预处理,然后采用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、随机青蛙(Random frog)算法和遗传算法进行特征波长选择。基于全光谱建立了偏最小二乘回归(partial least squares,PLS)和基于特征波长建立了极限学习机算法(extreme learning machine,ELM)模型。结果表明：使用CARS提取的9个特征波长建立的ELM模型的预测效果最优,决定系数R2为0.82,预测均方根误差RMSEP为 14.48 mg·L-1,RPD值为2.34。说明使用CARS变量选择算法获取UV-Vis光谱特征波长,应用极限学习机建模,可以准确、快速的检测养殖水体中COD含量,为实现养殖水体COD的动态快速检测以及水体其他微量物质含量参数检测打下基础。     

基于LS-SVM紫外可见光谱检测水产养殖水体COD研究

采用紫外可见(ultraviolet/visible,UV/Vis)光谱技术对水体中有机物浓度的指标化学需氧量(chemical oxygen demand,COD)进行快速检测,将收集到的135份水样进行UV/VIS波段全光谱扫描,应用Savitzky-Golay (SG)平滑算法,经验模态分解算法(empirical modedecomposition,EMD)和小波分析(wavelet transform,WT)对提取出的光谱数据进行去除噪声处理,为了简化模型,PLSR建模得到的6个潜在变量(LVs)作为偏最小二乘支持向量机(LS-SVM)的输入建立COD预测模型,LS-SVM模型的预测集决定系数r2为0.82,预测均方根误差RMSEP为14.82 mg·L-1。说明使用LVs作为LS-SVM建模输入,可以准确快速检测水产养殖水体中的COD含量,为将来实现水产养殖水质COD含量的在线检测以及其他水质参数的快速测定奠定了基础。     

基于FCM的煤矿突水激光诱导荧光光谱分析

快速识别煤矿突水水源类型对于矿井水害防治意义非凡。鉴于传统水化学方法水源识别耗时较长等诸多不足,提出了将模糊C均值聚类(FCM)算法和多维标度分析(MDS)用于激光诱导荧光光谱识别煤矿突水水源这一新思路。由于FCM算法在光谱分析和模式识别等方面都有着成功的应用,况且激光光谱具有时间响应快、灵敏度高、干扰小等优点,通过实时采集水样的荧光光谱数据,利用FCM和MDS对光谱数据分析后就可以辨别水样类型。以华东地区某矿的老空水和奥灰水以及按比例混合得到水样共7种(每种水样各20个样本)为实验材料,利用405 nm激光打入被测水体,一共采集了140组荧光光谱数据,随后选择合适的波长区间进行分析。取每种水样各15组共105组光谱数据用作训练集,其余35组光谱数据用作测试集。使用MDS建立七种不同水样的模型,再利用FCM算法进行聚类分析得到七种水样的簇中心,最后使用得到的簇中心对测试集进行验证。实验结果表明,不同水样的光谱图有着较大差异,选取合适的波长区间下的光谱数据,在MDS下选择维度为2,利用FCM算法对水样进行分类,全部140组样本的准确率是100%。     

紫外可见光谱的水产养殖水体有机物浓度快速检测研究

应用紫外可见（ultraviolet/visible,UV/Vis）光谱技术对表征水产养殖水体中有机物浓度的指标化学需氧量（chemical oxygen demand,COD）进行快速测量,对采集到的135份甲鱼养殖水样进行UV/Vis波段全光谱扫描,采用无信息变量消除（uninformative variable elimination,UVE）和连续投影算法（successive projections algorithm,SPA）相结合的变量选择算法选取全波段光谱中的特征波长,从201个UV/Vis光谱变量中选取了7个特征波长,只占全波段光谱变量的3.48%,降低了建模的时间和模型的复杂度。结合最小二乘支持向量机（least-square support vector machine,LS-SVM）算法进行COD预测建模,结果表明：使用特征波长建模的预测效果（相关系数r（correlation coefficient）=0.89,预测均方根误差（root mean square error of prediction,RMSEP）=15.46 mg·L-1）好于使用全波段光谱建模的预测效果（r=0.88,RMSEP = 15.71 mg·L-1）。使用UVE-SPA变量选择算法获取UV/Vis光谱特征波长,结合LS-SVM建模,可以快速、准确的测量水产养殖水体中的COD浓度,为进一步实现水产养殖水质的在线检测以及其他水质参数的快速测定奠定了基础。