一种颗粒浓度测量方法
【技术领域】
[0001] 本发明涉及一种烟尘浓度的检测方法，具体是一种通过烟尘颗粒散射光检测浓度 的方法。
【背景技术】
[0002] 由于工业锅炉、燃煤电厂等污染源所造成的大气污染，环境问题日益成为制约生 态文明、经济发展的巨大阻力。因此需要对其排放的烟尘浓度进行严格地监测。目前常用 的测量方法有光散射法、光透射法、电荷法、电容法等。而光散射法广泛用于在线测量烟尘 浓度，其测量精度高、重复性好，测量速度快，为在线直读测量方式，无需取样。但其受限于 颗粒物的粒径大小及分布影响，现有的散射光图像处理算法显得十分复杂，冗长，很难准确 地计算散射光强与颗粒浓度之间的关系，并且需要频繁对计算公式初始参数进行设置。
[0003] 目前主流的根据散射光图像计算颗粒浓度的算法主要有光散射积分法，具有不受 颗粒粒径大小和分布的影响等优点，为了达到上述要求，需要对光散射积分法进行一系列 地条件限制。只有在大粒径范围内（>20 μ m)，以及在颗粒群单次、不相关散射的基础上（低 浓度范围内），散射积分法的计算结果才比较精确。而且，基于散射积分法计算颗粒浓度的 数值解法，公式计算过程复杂繁琐。
【发明内容】
[0004] 本发明所要解决的技术问题是针对上述现有技术的不足，而提供一种既能免受颗 粒粒径大小及分布的影响，又能实时、快速地在线测量颗粒浓度值的方法，提高光散射法测 量颗粒浓度准确度的测量方法。
[0005] 为解决上述技术问题，本发明采用的技术方案是：
[0006] -种颗粒浓度测量方法，包括以下步骤：
[0007] 步骤1 :配置不同浓度的标准溶液，采集与之浓度值相对应的颗粒散射光位图图 像；
[0008] 步骤2 :对颗粒散射光位图图像进行光强分布信息提取，制成神经网络训练样本， 具体方法为：读取位图图像各个像元点的灰度值，并归一化处理；以图像中散射光斑中心 为圆心，依次沿半径方向上等距地划分出M个同心圆环；依次计算每个样本图像上各标记 所代表的圆环内总光强的平均值作为样本集；将得到的样本集作为神经网络样本的输入， 并将所有样本对应的颗粒浓度值作为神经网络训练样本的期望输出；
[0009] 步骤3 :构建神经网络，设置神经网络的学习率η和期望误差E对神经网络进行 训练；
[0010] 步骤4:对新采样的散射光图像进行识别，获取散射光图像上各圆环内总光强的 平均值，将获取的平均值作为训练后的神经网络的输入计算颗粒浓度。
[0011] 所述标准溶液按照浓度等差配置。
[0012] 所述标准溶液包括上限浓度的溶液和下限浓度的溶液。
[0013] 所述神经网络包含输入层、一个隐含层和输出层；输入层和隐层的转移函数采用 单极性Sigmoidal激活函数，即
【主权项】
1. 一种颗粒浓度测量方法，其特征在于，包括w下步骤： 步骤1;配置不同浓度的标准溶液，采集与之浓度值相对应的颗粒散射光位图图像； 步骤2 ;对颗粒散射光位图图像进行光强分布信息提取，制成神经网络训练样本，具体 方法为；读取位图图像各个像元点的灰度值，并归一化处理；W图像中散射光斑中屯、为圆 屯、，依次沿半径方向上等距地划分出M个同屯、圆环；依次计算每个样本图像上各标记所代 表的圆环内总光强的平均值作为样本集；将得到的样本集作为神经网络样本的输入，并将 所有样本对应的颗粒浓度值作为神经网络训练样本的期望输出； 步骤3 ;构建神经网络，设置神经网络的学习率n和期望误差E对神经网络进行训练； 步骤4;对新采样的散射光图像进行识别，获取散射光图像上各圆环内总光强的平均 值，将获取的平均值作为训练后的神经网络的输入计算颗粒浓度。
2. 根据权利要求1所述的测量方法，其特征在于；所述标准溶液按照浓度等差配置。
3. 根据权利要求2所述的测量方法，其特征在于；所述标准溶液包括上限浓度的溶液 和下限浓度的溶液。
4. 根据权利要求1、2或3所述的测量方法，其特征在于：所述神经网络包含输入 层、一个隐含层和输出层；输入层和隐层的转移函数采用单极性Sigmoidal激活函数，即
当误差平方和小于目标误差E时，训练停止。
5. 根据权利要求1、2或3所述的测量方法，其特征在于；对神经网络进行初始化连接 权值和阔值，将训练样本集作为训练神经网络的输入，计算神经网络输出值O^j= 1，2--脚，并与已知所有样本对应的期望输出D^j= 1，2…脚比较，计算二者误差町=〇)j-〇j)， 用于调节神经网络连接权大小，反复训练神经网络，直到均方差
II满足要求，并 保存最终权值。
【专利摘要】本发明公开了一种颗粒浓度测量方法，包括以下步骤：配置不同浓度的标准溶液，采集与之浓度值相对应的颗粒散射光位图图像；对颗粒散射光位图图像进行光强分布信息提取，制成神经网络训练样本；构建神经网络，设置神经网络的学习率η和期望误差对神经网络进行训练；对新采样的散射光图像进行识别，获取散射光图像上各圆环内总光强的平均值，将获取的平均值作为训练后的神经网络的输入计算颗粒浓度。与现有技术相比，本发明方法适用的颗粒浓度测量范围广，不受颗粒粒径大小及分布约束条件的影响，计算速度更快，精度更高，测量范围更广。
【IPC分类】G01N15-06
【公开号】CN104792674
【申请号】CN201510152905
【发明人】宋兆龙, 雷志伟, 许传龙
【申请人】东南大学
【公开日】2015年7月22日
【申请日】2015年4月1日