一种溶解氧含量的在线检测装置及方法

1.本发明涉及一种溶解氧含量的在线检测装置及方法，属于溶解氧检测技术领域。


背景技术：

2.鱼类等水产品的生长和溶解氧有着密切的关系，水中溶氧量含量低，鱼食欲差或者厌食，进食后消化吸收率低，生长速度慢。水中溶氧量偏高对鱼卵孵化和鱼苗不利。同样以金鱼这种相对名贵的观赏性的鱼类为例，溶解氧过低可能导致金鱼的死亡，溶解氧过高时金鱼会兴奋，不停的环游，小鱼苗会累死。
3.目前溶解氧含量的主要检测方法是碘量法和溶解氧仪法等。碘量法是一种化学试剂检测法，它的操作步骤相对复杂普通人很难掌握要领进行检测。溶解氧仪检测法就是将专用的传感器和显示仪表两个部分结合在一起进行测量溶解氧的含量，但是专用的传感器的电极需要采用金和银作为材料所以溶解氧仪的价格较为昂贵无法应用到一些低成本领域的溶解氧含量检测中，比如鱼缸水的溶解氧含量的检测。


技术实现要素：

4.本发明的目的是提出一种溶解氧含量的在线检测装置及方法，以解决本发明申请要解决的技术问题。
5.一种溶解氧含量的在线检测装置，包括arm处理器、外围电路、云服务器、空气湿度传感器、大气压传感器、水温度传感器和水质传感器，空气湿度传感器、大气压传感器、水温度传感器和水质传感器均通过外围电路连接arm处理器，arm处理器与云服务器双向无线连接，云服务器内置有样本数据。
6.进一步的，空气湿度传感器，用于向arm处理器发送实时湿度数据；
7.大气压传感器，用于向arm处理器发送实时大气压数据；
8.水温度传感器，用于向arm处理器发送实时水温数据；
9.水质传感器，用于向arm处理器发送实时水质数据；
10.arm处理器，用于将监测到的相关特征参数上传至云服务器并接收返回的实时溶解氧含量值，相关特征参数包括实时湿度数据、实时大气压数据、实时水温数据和实时水质数据；
11.云服务器，用于接收预采集的样本数据，训练学习出溶解氧含量的软测量模型，接收arm处理器上传的与相关特征参数，并向arm处理器返回溶解氧含量值。
12.进一步的，溶解氧含量的在线检测装置还包括四个a/d转换器，空气湿度传感器、大气压传感器、水温度传感器和水质传感器分别通过四个a/d转换器连接外围电路，其中，
13.四个a/d转换器，用于将空气湿度传感器、大气压传感器、水温度传感器和水质传感器检测出的模拟信号转换为数字信号，
14.外围电路，包括滤波电路和放大电路。
15.进一步的，溶解氧含量的在线检测装置还包括显示按键人机接口，用于向arm处理
器发送海拔高度设定。
16.一种溶解氧含量的在线检测方法，应用于上述的一种溶解氧含量的在线检测装置，溶解氧含量的在线检测方法包括以下步骤：
17.s100、根据云服务器内置的样本数据，并通过对四层bp神经网络的训练，得到空气氧的分压、大气压、水温和水质与溶解氧含量的对应关系；
18.s200、根据对应关系，输入实时的空气氧的分压、大气压、水温和水质，得到实时的溶解氧含量。
19.进一步的，在s100中，空气氧的分压通过下式得到：
20.p＝p0(1-h/8435)(1-k(hd-hd0))(1-1)
21.其中，h为实测点海拔高度，hd为实测点实时大气相对湿度值，hd0为大气相对湿度参照值，固定为70％，p0为海拔高度h为0和大气相对湿度为hd0时的空气中氧的分压值，固定为21228pa，k为修正系数，在0.1-0.2之间取值，p为实测点推算后的空气中氧的分压值。
22.进一步的，在s100中，具体的，首先需先要建立数据向量：
23.x＝(x
(1)
,x
(2)
,x
(3)
,x
(4)
)
ꢀꢀꢀ
(2-1)
24.其中，x
(1)
为测点空气氧的分压，x
(2)
为测点大气压，x
(3)
为测点的水温，x
(4)
为测点的水质，并对这些数据进行归一化处理后变成数据向量，
25.在bp神经网络的结构中，前一层节点i的输出是后一层节点j的一个输入，并且节点i到节点j是按照一个权值w
ij
的倍数关系连接，θj是节点j的阈值，oj是节点的输出，
26.xi为第i个训练样本数据向量，yi为xi的目标值，n为训练数据数目。
27.进一步的，在s100中，还包括，在用样本训练时，通过反向计算来训练bp网络模型和优化神经网络，具体的，
28.bp神经网络的前向迭代计算公式如下：
29.ij＝∑iw
ij
oi+θjꢀꢀꢀ
(2-2)
30.对于神经网络中的任意一个节点的输出值oj表示如下：
[0031][0032]
其中，函数是sigmoid函数，ij是oj的总输入，节点oi是与oj相连的所有输入节点其中的某一个节点，
[0033]
采用能量函数作为反向迭代的基础，第j个神经元在第k个样本数据下的能量函数通过以下公式表示：
[0034][0035]
其中，α为可调因子，取值范围为[0,1]，a为反应样本期望输出的参数，该值使得两种误差处于同一数量级，d为理想输出值，η为学习率，表示第j个神经元在第k个样本数据下当前的实际输出值，表示第j个神经元在第k个样本数据下当前的理想输出值，
[0036]
由式(2-3)推导得知，若神经元节点j是输出节点，则从节点i到节点j的权值变化量δw
ij
和阈值更新变化量δθj分别表示为：
[0037][0038][0039]
若神经元节点j是隐层的节点，则从节点i到节点j的权值变化量δw
ij
和阈值更新变化量δθj分别表示为：
[0040][0041][0042]
引入自适应学习效率的方法，每次循环中，检查权值是否降低了误差函数，如果降低了，说明学习效率选择偏小，需要增加学习效率；反之，产生过调，则降低学习效率，具体调整公式如下：
[0043][0044]
本发明的有以下有益效果：本发明的一种溶解氧含量的在线检测装置及方法，通过使用样本数据训练学习出的溶解氧含量的软测量模型，可通过输入与溶解氧密切相关特征参数，可获得溶解氧含量值。可实现溶解氧含量在线检测，简化了检测溶解氧含量的操作方法，同时降低了检测所需的人力和成本，可满足一些低成本领域对溶解氧含量的检测需求。
附图说明
[0045]
图1为本发明的一种溶解氧含量的在线检测装置的结构示意图；
[0046]
图2为bp神经网络结构示意图。
具体实施方式
[0047]
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
参照图1所示，一种溶解氧含量的在线检测装置，包括arm处理器、外围电路、云服务器、空气湿度传感器、大气压传感器、水温度传感器和水质传感器，空气湿度传感器、大气压传感器、水温度传感器和水质传感器均通过外围电路连接arm处理器，arm处理器与云服务器双向无线连接，云服务器内置有样本数据。
[0049]
进一步的，空气湿度传感器，用于向arm处理器发送实时湿度数据；
[0050]
大气压传感器，用于向arm处理器发送实时大气压数据；
[0051]
水温度传感器，用于向arm处理器发送实时水温数据；
[0052]
水质传感器，用于向arm处理器发送实时水质数据；
[0053]
arm处理器，用于将监测到的相关特征参数上传至云服务器并接收返回的实时溶解氧含量值，相关特征参数包括实时湿度数据、实时大气压数据、实时水温数据和实时水质数据；
[0054]
云服务器，用于接收预采集的样本数据，训练学习出溶解氧含量的软测量模型，接收arm处理器上传的与相关特征参数，并向arm处理器返回溶解氧含量值。
[0055]
进一步的，溶解氧含量的在线检测装置还包括四个a/d转换器，空气湿度传感器、大气压传感器、水温度传感器和水质传感器分别通过四个a/d转换器连接外围电路，其中，
[0056]
四个a/d转换器，用于将空气湿度传感器、大气压传感器、水温度传感器和水质传感器检测出的模拟信号转换为数字信号，
[0057]
外围电路，包括滤波电路和放大电路。
[0058]
进一步的，溶解氧含量的在线检测装置还包括显示按键人机接口，用于向arm处理器发送海拔高度设定。
[0059]
具体的，由相关理论得知溶解氧跟空气里氧气的分压、大气压、水温和水质有密切的关系，其中对于同一地点空气里氧的分压是相对稳定的，我国幅员辽阔不同地方海拔高度可能有比较大差异导致空气里氧的分压会有所不同，此外即使是同一地点由于季节变化导致的湿度变化也会对氧的分压产生一定的影响，所以空气中的氧气的分压可以通过公式(1-1)间接求得。测点的海拔高度可通过人机接口模块进行预先设定，通过大气压传感器和水温度传感器和空气湿度传感器可以很方便的实时测得测点处的大气压和水温度值和空气中的湿度值。水中的含盐量也会影响溶解氧的含量，其实质是经过水中生物不断代谢后水质变差，水中某些盐含量上升的同时导致溶解氧含量的下降，但同时水的导电性能会上升。水质传感器就是通过对被测水的导电性测量来检测水质的变化。如果溶解氧含量的软测量模型在可共享的云服务器中学习和训练完成，以上四种参数经过预处理和电路变换后输入arm处理器中，通过arm处理器上传共享云服务器后就可以进行溶解氧含量的预测，并且将预测结果在人机接口模块上显示出来。
[0060]
人机接口模块和arm处理器以及其外围传感电路等可以组成一个移动终端，进而可以随时随地检测不同位置的水的溶解氧含量值，又或者可以在云服务器得到预测结果后，直接由云服务器将预测结果发送至预装了相应app的移动终端或装有相应软件的pc端中。
[0061]
本发明中，所使用的溶解氧含量的软测量模型实际上是一种bp神经网络模型，bp神经网络是一种按误差反向传播的多层前馈神经网络。该软测量的神经网络结构由输入层、隐层、输出层组成。神经网络的每一层由各个神经元节点组成，每个神经元节点都与上一层所有节点相连。上一层神经元节点的输出数据为下一层神经元节点的输入数据，原始输入数据通过隐含层后得到输出层的输入数据，然后通过输出层计算得到输出数据。
[0062]
对于本发明的软测量bp神经网络模型来说，输入层的节点数是4个(对应于输入的空气氧的分压、大气压、水温和水质这4个特征参数)，输出层节点数是1个(对应于溶解氧含量的预测值)，一般的bp神经网络预测模型只需要一个隐藏层就可以实现预测，本专利采用四层bp神经网络，即中间包括两个隐藏层，这样做的目的是为了使神经网络结构更为合理，在确保学习和推理效率较好的前提下，预测精度更高。综合少量典型样本数据初步训练和
反复测试后，采用第一隐层节点数为5个，第二隐层节点数为3个这样的bp神经网络结构较为合理，具体结构如图2所示。
[0063]
一种溶解氧含量的在线检测方法，应用于上述的一种溶解氧含量的在线检测装置，溶解氧含量的在线检测方法包括以下步骤：
[0064]
s100、根据云服务器内置的样本数据，并通过对四层bp神经网络的训练，得到空气氧的分压、大气压、水温和水质与溶解氧含量的对应关系；
[0065]
s200、根据对应关系，输入实时的空气氧的分压、大气压、水温和水质，得到实时的溶解氧含量。
[0066]
进一步的，在s100中，空气氧的分压通过下式得到：
[0067]
p＝p0(1-h/8435)(1-k(hd-hd0))
ꢀꢀꢀ
(1-1)
[0068]
其中，h为实测点海拔高度，hd为实测点实时大气相对湿度值，hd0为大气相对湿度参照值，固定为70％，p0为海拔高度h为0和大气相对湿度为hd0时的空气中氧的分压值，固定为21228pa，k为修正系数，在0.1-0.2之间取值，p为实测点推算后的空气中氧的分压值。
[0069]
进一步的，在s100中，具体的，首先需先要建立数据向量：
[0070]
x＝(x
(1)
,x
(2)
,x
(3)
,x
(4)
)
ꢀꢀꢀ
(2-1)
[0071]
其中，x
(1)
为测点空气氧的分压，x
(2)
为测点大气压，x
(3)
为测点的水温，x
(4)
为测点的水质，并对这些数据进行归一化处理后变成数据向量，
[0072]
在bp神经网络的结构中，前一层节点i的输出是后一层节点j的一个输入，并且节点i到节点j是按照一个权值w
ij
的倍数关系连接，θj是节点j的阈值，oj是节点的输出，
[0073]
xi为第i个训练样本数据向量，yi为xi的目标值，n为训练数据数目。
[0074]
进一步的，在s100中，还包括，在用样本训练时，通过反向计算来训练bp网络模型和优化神经网络，具体的，
[0075]
bp神经网络的前向迭代计算公式如下：
[0076]
ij＝∑iw
ij
oj+θjꢀꢀꢀ
(2-2)
[0077]
对于神经网络中的任意一个节点的输出值oj表示如下：
[0078][0079]
其中，函数是sigmoid函数，ij是oj的总输入，节点oi是与oj相连的所有输入节点其中的某一个节点，
[0080]
bp神经网络的反向迭代计算公式实际上更为重要，在用样本训练模型时，需要反向计算来更新神经网络节点之间的连接权值w
ij
，以此来训练模型和优化神经网络。考虑到提高网络模型的预测精度和减少训练迭代次数，采用能量函数作为反向迭代的基础，第j个神经元在第k个样本数据下的能量函数可用下公式(2-3)表示：
[0081][0082]
其中，α为可调因子，取值范围为[0,1]，a为反应样本期望输出的参数，该值使得两种误差处于同一数量级，d为理想输出值，η为学习率，表示第j个神经元在第k个样本数据下当前的实际输出值，表示第j个神经元在第k个样本数据下当前的理想输出值，
[0083]
由式(2-3)推导得知，若神经元节点j是输出节点，则从节点i到节点j的权值变化量δw
ij
和阈值更新变化量δθj分别表示为：
[0084][0085][0086]
若神经元节点j是隐层的节点，则从节点i到节点j的权值变化量δw
ij
和阈值更新变化量δθj分别表示为：
[0087][0088][0089]
上式中α为可调因子，取值范围为[0,1]。a为反应样本期望输出的参数，该值使得两种误差处于同一数量级。d为理想输出值，η为学习率，在许多情况下，采用恰当的学习效率比较困难的，凭借经验获取训练效果并不理想，故引入自适应学习效率的方法，每次循环中，检查权值是否降低了误差函数，如果降低了，说明学习效率选择偏小，可以适当增加。反之，产生过调，那么需要适当降低学习效率。具体调整公式如下公式(2-8)。
[0090][0091]
具体的，基于能量函数的bp神经网络训练迭代算法流程如下：
[0092]
1)随机初始化网络节点之间的连接权值w和网络节点的阈值θ；
[0093]
2)根据下一个样本点的特征向量xi和期望输出d进行正向传播训练；
[0094]
3)计算bp神经网络中隐含层节点和输出节点输出值oj；
[0095]
4)调节a值，确定最合适的能量函数；
[0096]
5)计算误差e；
[0097]
6)根据最近两次的误差e的变化规律确定学习率系数η；
[0098]
7)从输出节点开始反向计算各个节点之间连接权值的调整量δw
ij
，并更新权值w
ij
；
[0099]
8)若误差精度或者循环次数达到设定标准，输出结果，反之继续步骤2)。
[0100]
本发明在研究了与溶解氧含量密切相关的空气氧的分压、大气压、水温和水质这四个特征参数的基础上，根据这些特征参数与实测的溶解氧含量值构成样本数据集，学习出溶解氧含量的软测量模型。该模型能够在输入新的空气氧的分压、大气压、水温和水质这四个特征参数值，给出当前的溶解氧含量值。该方法可在线检测，简化了检测溶解氧含量的操作方法，同时降低了检测所需的人力和成本，可满足一些低成本领域对溶解氧含量的检测需求。