基于紫外光谱法的分布式水质检测系统及水质评价方法
本发明涉及水质检测技术领域，特别是一种基于紫外光谱法的分布式水质检测系统及水质评价方法。
背景技术：
随着社会经济的快速发展，环境污染日益威胁着人们的生命和健康，水污染已成为当今世界各国面临的一些非常严重的问题之一。针对严重的水污染问题建立一个实时在线的水质监测系统具有重要的意义。基于紫外可见光谱水质监测技术，可以快速实现水质的多参数测量。它具有操作简单、成本低、二次污染、在线和现场测量等优点，已成为水质监测仪器的一个重要发展方向。特别是当现代水质监测技术对仪器设备提出了微便携、低成本、实时在线、现场多参数测量的要求时，此类检测系统的设计与制造已成为光谱法水质测量的关键技术。
技术实现要素：
本发明的目的是要提供一种基于紫外光谱法的分布式水质检测系统及水质评价方法。
为达到上述目的，本发明是按照以下技术方案实施的：
一种基于紫外光谱法的分布式水质检测系统，紫外光源发出紫外光谱通过待测水源透射，成为信号光，然后进入光谱分析仪，得到按不同波长顺序排列的光谱，阵列ccd探测器将光谱数据的光信号转换为电信号，信号采集处理模块对阵列ccd探测器的输出光谱数据进行采集，光谱数据通过无线传感网络上传水质监测终端进行水质评价，得到被测水质的成分和含量信息。
进一步地，所述水质监测终端为手机或平板电脑或pc终端。
进一步地，所述电源为12v的蓄电池，所述蓄电池连接有光伏充电装置，所述光伏充电装置包括太阳能电池板，太阳能电池板和蓄电池的dc-dc之间有第一个adc转换电路，在dc-dc和蓄电池之间也有第二个adc转换电路，当第一个adc转换电路测量的电压太低的时候，则断开太阳能电池板与dc-dc之间的电源连线；当第二个adc转换电路测量的电压值与预定的24v之间有差距的时候，就要控制mosfet的开关pwm占空比。
另外，本发明还提供了一种水质评价方法，具体步骤如下：
s1、在水质监测终端内建立adaboost-bp水质评价模型，
s2、导入数据样本，确定训练样本和测试样本，初始化训练样本数据的权重，其计算公式为：
其中：di是初始化权重，i＝1,2,…,m；m是训练样本数；
s3、设定bp弱分类的个数和网络结构，并用bp弱预测器对训练样本进行训练和预测，然后得到弱分类器ct(x)；
s4、计算ct(x)的分类误差:
s5、计算ct(x)分类器的权值：
s6、更新训练数据的权重：
其中：gt是归一化因子，并且yi是数据标签；
s7、最终的强分类器：
水质评价等级涉及5个标准，利用5个bp神经网络组成一个弱分类器群，在bp神经网络的基础上，adaboost设计的强分类器能有效地改善单个bp神经网络的不稳定性，提高评价模型的准确性和泛化能力；
s8、将信号采集处理模块的光谱数据作为adaboost-bp水质评价模型的输入,获取水质评价结果。
与现有技术相比，本发明主要通过紫外光谱法将水中cod(化学需氧量)、zd(浊度)、toc(总有机碳)、硝酸盐氮(no3-n)等水质指标检测出来，通过水质传感器对紫外光谱照射待测水样对不同光谱进行分光，光谱采集模块对ccd探测器的光谱数据进行采集，光谱数据通过无线传感网络到终端；再利用粒子群算法(pso)和adaboost算法对bp神经网络进行优化，建立水质评价模型。粒子群算法和adaboost算法均能有效解决bp神经网络随机初始化参数导致评价结果不稳定的问题。在相同条件下，adaboost算法比pso算法具有更高的预测精度和更短的训练时间，在水质评价中具有良好的应用价值。
附图说明
图1是基于紫外光谱的水质检测系统整体图；
图2基于紫外光谱的水质传感器结构图；
图3是信号采集系统结构；
图4为基于紫外光谱的水质监测系统的实施结构；
图5基于adaboost-bp神经网络的水质评价模型；
图6为adaboost-bp水质评价模型结果图；
图7为bp、pso-bp和adaboost-bp评价模型的结果对比图；
图8为bp、pso-bp和adaboost-bp评价模型的误差率对比图；
图9水质传感器的尺寸图；
图10为太阳能供电系统的结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明，并不用于限定发明。
如图1所示，水质传感器通过紫外光谱照射待测水样对不同光谱进行分光，光谱采集模块对ccd探测器的光谱数据进行采集，光谱数据通过无线传感网络到终端；再分别使用粒子群算法(pso)和adaboost算法对bp神经网络进行优化，建立了水质评价模型。
如图2所示，为基于紫外光谱的水质传感器结构图，分辨率在0.5nm内且稳定工作，光线从狭缝入射向球面准直镜m1，经过球面镜准直后的平行光入射到光栅g上，不同波长的光经由光栅衍射后按角度入射到球面聚焦镜m2，经过聚焦后的光线最终成像在ccd表面。
在光谱分析仪系统中，各光学元件的参数由元件空间位置和像差相互制约，所以需要依据各元件的空间关系来确定各参数。衍射光栅是光谱分析仪中的核心器件，光栅的参量直接影响了光学系统光谱分析仪的响应波长和分辨率，本专利设计的紫外光谱分析仪的测量范围为200-500nm，已知：
i+θ＝φ(1)
系统中入射光线与衍射光线位于法线两侧，光栅方程为：
d(sini-sinθ)＝mλ(2)
式中d＝1/n为光栅常量，n为光栅刻线密度，m为衍射级次，取光栅衍射一级光谱，即m＝1,λ为波长，联立上述式子可得：
光栅的线色散表征了不同波长的光线成像后在像平面上分开的距离，在光谱分析仪系统中是判断系统分辨力的重要指标，其中线色散率公式为：
式中f2为聚焦镜m1的焦距，
式l中为像面ccd的有效长度，该系统选用的ccd有效长度为28.6mm。
分辨率亦为判断系统分辨力的重要指标，若使分辨率
由于准直镜和聚焦镜均离轴使用因此会产生一定的彗差，降低系统的分辨率，影响成像质量，所以必须尽量消差，系统应满足：
在整个系统的设计中，除了要考虑慧差的影响，球差也会降低系统分辨率，系统使用凹球面反射镜作为准直镜，为了使球差控制在像差容许的范围之内，准直镜的焦距应满足：
f1≤256λ(f#)4(7)
式中f#＝f1/d1为光谱分析仪的物方空间f数，d1为准直镜的口径，聚焦镜的口径应满足：
上式中θ2为终止波长的衍射角，由光栅方程(2)可得求θ2。
该系统光栅的长度、入射角和准直镜口径需要满足：
为了使成像质量良好，将狭缝放置于准直镜的子午焦点上，由几何位置可得：
如图3所示，信号采集部分设计了基于stm32的光谱数据采集系统，由stm32f103产生ccd时序，驱动ccd工作，ccd输出经信号调理电路反向、放大后，将ccd输出的电压信号变换到0～vref间的电压信号,通过a/d对每一个像素进行ad转换后存储到内存中。当一帧3648个数据全部采集完毕后，通过串口传给上位机进行数据处理，绘制出相对光谱强度分布曲线。
为了实现对水质参数的长时间在线监测，本发明提出基于leach改进的路由协议算法。主要针簇头选择阶段提出了改进：考虑簇头(ch)到所有相邻节点的平均距离、基站和ch之间的距离以及延长传输周期参数，通过选择剩余能量较大、距离相对较短的传感器节点作为ch节点。
针对传统leach协议的不足，把各传感器节点的能量、节点与所有相邻节点的平均距离以及节点与基站的相对距离因素考虑进来，并减少广播和调度阶段的控制消息消耗。对公式topt(n)进行改进，在此阶段，对于每个传感器点，使其产生一个0-1之间的随机数，对于这个随机数值小于阈值topt(n)，此节点就成为候选簇头。
其中，
p表示簇头所占比例，由以下公式给出：
其中，kopt是集群的最佳数量，n是网络中传感器节点数量；其中kopt由以下公式给出：
其中改进后的算法对dtoch，dtobs和dmax重新定义如下[7]：
davg是通过考虑传感器节点的邻域的半径来计算的，在这个半径内的节点被认为是节点的邻域，然后计算出它们与节点的距离，davg是所有这些邻域节点的平均距离：
其中，n′由给定传感器节点的邻域传感器节点集合给出，邻域半径(rch)定义如下：
其中，m×m是传感器节点部署区域。此外，该算法将传感器节点的当前能量作为ch节点进行选择，这意味着当前节点能量越大，就越有可能成为这一轮的ch节点。
本发明提供的一种基于紫外光谱的分布式水质监测系统的实施如图4所示，该系统包括如上任一种基于紫外光谱的水质监测仪器,就是图4中的节点1、节点2一直到节点n,与水质监测仪器处于无线通信范围内的无线通信部件,也就是图4中的“无线网络”,以及水质监测终端(如图4中右侧的个人电脑和手机),其中,该无线通信部件用于接收水质监测仪器发射的水质数据并发送到水质监测终端。这种基于多波长吸光度的水质监测仪器的数量不限，一般是多个,可以在不同地方的水体中分别设置这种仪器,作为不同位置的监测节点,这就能够获得不同地方的实时水质数据,水质监测仪器可以利用4g通信模块来传递其获得的水质信息,然后由无线网络将水质信息传递到水质监测终端,利用本发明提出的节能无线传感器网络路由算法，可以实现对水质参数的长时间在线监测，位于水质监测终端处的监测人员就能够实时掌控多个地点的水质信息,从而能够快速分析不同地点的水质变化并且做出相关的决策,该水质监测终端可以是移动终端,如手机或平板电脑等等,也可以是pc终端等等,此处并不限制。将多个上述水质监测仪器作为监测节点,就能够建立可实时在线反映水体污染状况的节点式分布监测体系,可实时在线反馈水体的cod信息,并且可以将这种水质信息与地理位置数据相结合,结构简单,降低了硬件成本。
为方便对水质进行评级，本发明在bp神经网络的基础上，将bp神经网络视为弱分类器，利用adaboost建立强分类器建立水质评价模型。有效解决了bp神经网络因随机初始化参数导致的评价系统不稳定的问题。
根据adaboost算法的基本原理，首先利用bp神经网络对训练样本进行训练和预测。当输出预测误差大于预定误差范围时，将此样本视为需要加强学习的样本，调整训练样本的权重，计算第t个bp弱预测器的权重。经过多次训练，得到t个bp弱预测器的权重，根据每个bp弱预测器的权重分布组合，形成一个强预测器，用强预测器进行预测，输出最终的预测结果。
如图5所示，adaboost-bp水质评价模型具体施工工艺如下：
(1)导入数据样本，确定训练样本和测试样本，初始化训练样本数据的权重。计算公式为：
式中di是初始化权重，i＝1,2,…,m；m是训练样本数。
(2)设定bp弱分类的个数和网络结构，并用bp弱预测器对训练样本进行训练和预测。然后得到弱分类器ct(x).
(3)计算ct(x)的分类误差:
(4)计算ct(x)弱分类器的权值：
(5)更新训练数据权重：
式中gt是归一化因子，并且yi是数据标签。
(6)最终的强分类器：
水质评价涉及5个标准，用5个bp神经网络组成一个弱分类群。在bp神经网络的基础上，adaboost设计的强分类器能有效提高单个bp神经网络评价系统的稳定性，并提高其分类的准确性和泛化能力。图5为adaboost评价模型的示意图。
将bp神经网络的结果与adaboost-bp水质评价模型的结果进行比较，从图6可以看出，总体上，bp神经网络的识别率明显低于adaboost-bp神经网络。bp神经网络受随机初始化参数的影响，从图7可以看出，adaboost-bp神经网络的识别误差明显小于传统bp神经网络，adaboost-bp系统更稳定。因此，利用adaboost优化的bp神经网络水质评价模型能够满足实际应用的要求。再对bp神经网络水质评价模型和pso-bp神经网络水质评价模型的实验结果进行了比较。从图6和图7可以看出，pso-bp神经网络的实验结果比bp神经网络的实验结果更优秀。
通过计算adaboost-bp评价模型和pso-bp评价模型的误差均值和方差，发现adaboost-bp模型误差的均值和方差分别为1.62％和0.0081，而pso-bp模型误差的均值和方差分别为3.44％、0.0112。与pso-bp水质评价模型相比，adaboost-bp水质评价模型具有更高的精度和更稳定的系统，能更好地满足实际应用的要求。
水质评价装置由结合单元和获取单元组成。结合单元用于使用主成分分析法将获取的各类水质指标值结合成综合指标值；所述获取单元2用于根据所述评价方法adaboost-bp水质评价模型获取水质评价结果。
具体地,水质指标包括水质的物理属性和化学属性,所述水质指标值可以为在预设时间段内以预设时长为周期采集的水质指标的值,如采集4年内以每个月为周期的23个水质指标值。考虑到各水质指标之间的相互关系,先使用所述主成分分析法将各类水质指标结合成综合指标,将获取的各类水质指标的值结合成综合指标的值。主成分分析法是一种主要用于降维的多元数学统计方法,把多个水质指标转化为少数几个综合指标。所述水质指标之间存在相关性,通过所述主成分分析法将一组相关的水质指标通过线性变化转换成另一组不相关的指标,在转换过程中保存所述水质指标的总方差不变。将变换后的水质指标按照方差依次递减的顺序排列,其中,第一个变换后的所述水质指标具有最大方差,称为第一主成分﹐第二主成分的方差次大,且与第一主成分不相关,依次类推。
信号采集处理模块的光谱数据作为adaboost-bp水质评价模型的输入,获取水质评价结果。adaboost-bp算法结合bp神经网络和adaboost算法的优点,在提高准确率的同时加快训练速度。本发明利用adaboost算法通过bp神经网络构造一个强分类器，避免了bp神经网络收敛速度慢、早熟的问题，有效地改善了bp神经网络的缺陷，提高了全局搜索能力。通过比较pso-bp神经网络和adaboost-bp神经网络的预测结果，发现adaboost-bp神经网络评价模型具有较高的精度、稳定性和较好的应用价值。
图9为水质传感器的尺寸图。水质传感器内部结构主要为微型紫外光谱分析仪，并且是具有高的光谱分辨能力及光强绝对值测量功能的光谱分析仪。其关键技术如下：
(1)光机结构设计。光谱分析仪采用光纤、ccd等新器件，提高光谱分析仪应用的灵活性，并且可以实现实时多通道阵列光电接收。其结构采用对称式czemy-tumer光学结构设计，入射光由光纤耦合到一个标准的sma905接口进入光学系统，经一个球面镜准直，然后由一平面光栅分光，经由第二块球面镜聚焦到一维线性探测器阵列上。
(2)光栅的选择。光栅不仅决定了光谱分析仪工作波长段。而且直接影响系统的光谱分辨力。光栅的选择要根据光谱分析仪的工作波段确定，在设计要求的光谱分辨率下，选择合适的光栅常数，由总体设计要求可知，微型光谱分析仪可能的工作波段为230—400nm,覆盖了紫外可见以及近红外光谱区域。
(3)准直镜参数的确定。用凹球面反射镜作为物镜时，必须将球差控制在像差容限以内，从而保证系统的光谱分辨率。初始设计时，可以使用球差所产生的波像差小于的瑞利准则，来确定其焦距和许可的系统f数。准直镜球差所产生的波像差根据瑞利准则在确定系统相对孔径和准直镜参数时要综合考虑系统相差容限，入射光能、探测系统及系统体积，并在设计时根据实际系统进行调节。
(4)入射光纤与狭缝的确定。在选择入射光纤时需要考虑以下一些参数和因素:入射光纤的接口类型、光纤材料以及光纤芯径的大小，常用的光纤接口有很多种，如fc、sc、st及sma等。光纤芯径大小决定了系统入射光强。在含有狭缝的系统中，系统的光谱分辨率由入射狭缝的宽度决定，此时如果在像差容限内增加光纤芯径的大小，不仅不会影响系统的分辨率，而且可以增加等效狭缝的高度，增大系统入射光强，该传感器选用光纤的数值孔径为0.22。
图10为太阳能供电系统的结构图。本发明为水质传感器设计了太阳能供电系统，可以保证水质检测系统的每个用电部件能够持久有效的运行。
(1)供电系统。水质检测系统的各项设备的电源均为直流电源，又有光伏电池储存到蓄电池中的电能也是直流电，所以，在本系统中蓄电池可以直接与负载连接进行供电，如果直接与设备供电会造成设备损坏，设备在正常使用时需要在额定电压下运行，所以需要在太阳能电池与设备之间配备蓄电池。这里我们选择阀式铅酸蓄电池。阀控式铅酸蓄电池的性价比比较高节省了系统的运算经费，在功能上不需要人为操控，非常便于智能运行。但由于阀式铅酸蓄电池的内部环境的要求使得对它的充电要求很高，否则会严重降低它的使用寿命。所以，要设计一套完善的智能充放电系统，确保蓄电池能够在允许的电压与电流等级下进行快速充电。由于电磁阀与信号灯的额定电压在12-24v，所以本系统使用的蓄电池的电压等级为12v，容量为65ah，蓄电池可直接对其进行供电。而水质传感器的额定电压位24v，所以要在蓄电池与传感器之间添加升压模块进行升压处理。
(2)能量转换。能量转换电路是该系统主要的功能模块。在该能量转换电路中，需要将太阳能电池板的电压通过降压或者升压稳定在一定的范围内，该系统中，将电压稳定在24v。能量转换的主体是一个buck-boost升降压斩波电路。电路的输入端是来自太阳能电池板，电路的输出端连接在蓄电池上，蓄电池相当于一个负载。
在太阳能电池板和dc-dc之间有一个adc的采集信号，在dc-dc和蓄电池之间也有一个adc采集点。当第一个adc测量的电压太低的时候，则断开太阳能电池板与dc-dc之间的电源连线。当第二个adc测量的电压值与预定的24v之间有差距的时候，就要控制mosfet的开关pwm占空比。
综上所述,本发明提供的上述方案,无需添加化学试剂,无二次污染,检测速度快，功耗低,可实现投放式在线测量功能,而且该监测节点结构简单,可扩展性强,后续可扩展动力、避障﹑数据检验等功能,该仪器能够实时反馈水体的污染程度以及地理位置信息,可形成节点式水质实时监测系统,达到水污染预警效果；采用的cod测量污染光学窗口补偿方法简便容易操作,补偿后测量结果精度高；上述光学窗口污染补偿方式在浊度条件下有很好的适用性,适用于多种类型的水体环境,而且这种cod测量的光学窗口污染补偿方法在后续测量过程中无需人力和物力的再投入,可以有效降低仪器维护成本,因此可实现对cod的长时间的实时测量。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！