专利名称：基于神经网络的富集过程热监测方法
技术领域：
本发明涉及一种用于富集过程的热监测方法，特别是基于神经网络的富集过程热监测方法。
背景技术：
富集在分析、分离、提纯等领域应用广泛，尤其在痕量分析中常采用，是排除干扰、降低检出限、提高分析精度的重要手段。富集过程可以通过富集柱或富集床出ロ被富集样液浓度的变化趋势来描述，能反映富集传质区的长度，确定有效富集时间并用以控制富集过程的进程。 富集过程的准确描述和预测对应用富集的分析、分离、提纯等过程的优化和控制非常有利，这需要一种快速、准确、可靠的富集过程监测方法，热监测方法具有优势，其价格便宜、原理简单、手段可靠，其采用温度传感器对富集过程伴随的热变化进行监测。受流速、孔隙率、富集表面等多种因素影响，简单热监测方法的准确性和可靠性受到一定限制，往往需结合经验操作參数。BP神经网络(Back Propagation Networks)是一种按误差逆传播算法训练的多层前馈网络，具有大規模并行处理、分布式信息存储、良好的自组织自学习能力等特点，在エ程预测和控制中得到广泛应用。针对富集过程的热监测方法，引入BP神经网络描述和预测富集过程，可得到更准确的目标数据。发明专利(郑艺华，刘君，马永志.富集、检测一体化量热式生物传感器，中国，ZL200910126677. 9)提出的富集、检测一体化量热生物传感器通过对待测试样的富集从根本上提高灵敏度，并相对改善特异性，其省略传统富集的洗脱等步骤，实现了反应、检测一体化。目前，对其富集过程尚不能有效描述，尚不能准确确定富集过程时间，依据经验估计，可能会有一定的时间闲置或不足，并且过度的富集过程可能会造成附加的、未知的误差来源。
发明内容
本发明的目的是为了克服现有富集过程，难以准确、有效描述和预测过程状态的缺陷，利用热监测方法，并结合神经网络实现富集过程的快速、准确、可靠的描述和预测，可用于分析、分离、提纯等领域涉及富集过程的预测和控制。本发明的技术方案是，一种基于神经网络的富集过程热监测方法。包括如下步骤(I)获取富集过程热监测信号及其相关影响參数作为输入变量。对于各种形式的富集柱或富集床，内部填充富集材料，包含入口和出口，出口设置检测器，所述的检测器得到出口处被富集样液的浓度变化，其信号引至计算机处理得到被富集样液的浓度变化率，利用至少三个温度传感器測量富集柱或富集床的热变化，其输出 信号通过温度变送器送至计算机处理；所述的多个温度传感器沿富集柱或富集床中心轴线分散安装，同时获得多个温度传感器在富集柱或富集床的相对位置，以及被富集样液的流速和富集柱或富集床的洗脱体积，并输入计算机。所述的检测器的检测原理可以是量热、光度、电化学和电容方法等。所述的温度传感器可以是热电阻、热电偶等，可以是点状、柱状等，体积尽量小，以获得较小的时间常数并减少介入干扰。所述的洗脱体积指富集柱或富集床从加样开始到检测器检测出峰所经过的时间期间内流出的洗脱液体积。(2)建立神经网络。所述的神经网络是基于L-M(Levenberg-Marquardt)算法的BP神经网络。、所述的神经网络包括ー个输入层、ー个中间层和ー个输出层，结构如图I所示。所述的输入层包括如下输入变量多个温度传感器的输出热信号XSl XSn及其对应的相对位置XLl XLn、被富集样液的流速XF和洗脱体积XV。所述的中间层节点接收所有输入信号，记为S jWijX,式中，Wij是输入层节点i和中间层节点j之间的权值；每个节点通过S型对数函数作为激活函数，记为^=l + exp(-J采用L-M算法(即阻尼最小二乗法，高斯-牛顿法的改进)比较学习误差，并输出此时的最佳权值，以传播和修正各层的链接权值，误差指标函数记为E(w)=^Yje]{w) = ^Yj(ti-0^式中，ti、0i为期望输出与实际输出的误差；所述的输出层的目标为被富集样液的浓度变化率Y。所述的基于L-M算法的BP神经网络，可以通过Matlab、C/C++等系统编程实现。(3)对所述的神经网络进行训练和测试。变化不同的エ况參数和被富集样液的浓度按照所述的步骤(I)获取富集过程热监测信号及其相关影响參数作为输入变量，同时利用富集柱或富集床出口的检测器得到被富集样液的浓度变化率，并以此作为训练和测试样本。按照所述的步骤(2)建立神经网络，设置训练次数及训练目标误差，使用训练样本进行训练，训练组越多，神经网络学习越充分，经验值越大，预测精度越高。当所述的神经网络训练结束后，利用测试样本检验，当所述的神经网络在测试样本数据的预测误差低于规定水平即通过测试，可以用于富集过程的描述和预测工作。(4)利用所述的神经网络进行富集过程的描述和预測。本发明的有益效果是本发明的基于神经网络的富集过程热监测方法，实现了快速、准确、可靠地描述和预测富集过程，減少了探索性资源消耗和经验误差，可用于分析、分离、提纯等领域涉及的富集过程的描述、预测和控制，有效提升效率和精度。
图I神经网络的结构2富集柱中温度传感器结构布置3某富集过程的预测值和实测值
具体实施例方式如前述，本发明提供一种基于神经网络的富集过程热监测方法，用于描述和预测分析、分离、提纯等领域涉及的富集过程。籍由以下结合富集、检测一体化量热生物传感器的实施例来说明本发明之内容，而非限制本发明之范围。 本发明的基于神经网络的富集、检测一体化量热生物传感器富集过程的热监测方法，包括如下步骤(I)获取富集过程热监测信号及其相关影响參数作为输入变量。富集、检测一体化量热生物传感器的富集和检测在同一反应器内连续完成，本发明关注其富集过程，故仅提供简化的结构布置示意图，如图2所示。所述的反应器在此被称为富集柱R(0 10_X60mm)，所述的富集柱R出口设置热检测器D，用以监测被富集样液(重金属离子、农药残留等)的浓度变化，其信号引入计算机PC进行处理，得到被富集样液的浓度变化率；富集柱R内的热变化利用五只微细热电偶(T型，Φ0. 08mm) SI、S2、S3、S4、S5监测，其输出信号通过温度变送器T引入计算机PC进行处理，五只微细热电偶SI、S2、S3、S4、S5分别沿富集柱R的中心轴线IOmm等间距均匀分散布置；同时获得五只微细热电偶S1、S2、S3、S4、S5在富集柱的相对位置，以及被富集样液的流速和富集柱R的洗脱体积，并输入计算机PC。(2)建立神经网络所述的神经网络是基于L-M(Levenberg-Marquardt)算法的BP神经网络。所述的神经网络包括ー个输入层、ー个中间层和ー个输出层。所述的输入层包括如下输入变量五只微细热电偶SI、S2、S3、S4、S5的输出信号XSl XS5及其对应的以富集柱入口为零坐标的相对位置XLl XL5、被富集样液的流速XF和洗脱体积XV。所述的中间层节点接收所有输入信号。Sj = Xl=IWvX,(1)式中，Wu是输入层节点i和中间层节点j之间的权值；每个节点通过S型对数函数作为激活函数。⑵采用L-M算法比较学习误差，并输出此时的最佳权值，以传播和修正各层的链接权值，直至误差小于指定精度为止，误差指标函数为￡(^) = τΣ 6/(3)式中，ti、0i为期望输出与实际输出的误差；所述的输出层的目标为被富集样液的浓度变化率Y。所述的基于L-M算法的BP神经网络，使用Matlab系统编程实现。
(3)对所述的神经网络进行训练和测试。变化不同的工况参数和被富集样液的浓度按照所述的步骤(1)获取富集过程热 监测信号及其相关影响参数作为输入变量，同时利用富集柱R出口的检测器D得到被富集 样液的浓度变化率，并以此作为训练和测试样本。按照所述的步骤⑵建立神经网络，使用训练样本进行训练，当训练结束后，利用 一些测试样本来检验所述的神经网络，当神经网络的预测误差在0. 1%内，表明达到了预期 效果。可以用于富集过程的描述和预测工作。(4)利用所述的神经网络进行富集过程的描述和预测。使用所述的神经网络对富集、检测一体化量热式生物传感器的某富集过程(pH = 7磷酸盐缓冲液，流速0. 5ml/min,铜离子浓度0. 05mol/ml)进行了描述和预测，如图3所示 给出了重金属离子样液出口浓度变化率预测值和实测值的变化，当浓度变化率小于0. 2% 时判定为富集过程结束，此时，延续的过程时间为富集时间；数据显示富集过程完成的时间 为3. 2min,以此便精确确定了富集过程的完成时刻，富集过程结束后，便可进行富集、检测 一体化量热式生物传感器的后续测量步骤和过程；数据显示浓度变化率的预测值与实测值 的偏差在0. 1 %范围内，达到高精度预测的要求。
权利要求
1.一种基于神经网络的富集过程热监测方法，包括如下步骤 (1)获取富集过程热监测信号及其相关影响參数作为输入变量； 对于各种形式的富集柱或富集床(R)，内部填充富集材料，包含入口和出口，出口设置检测器(D)，所述的检测器(D)得到出口处被富集样液的浓度变化，其信号引至计算机(PC)处理得到被富集样液的浓度变化率，利用至少三个温度传感器(S)測量富集柱或富集床(R)的热变化，其输出信号通过温度变送器(T)送至计算机(PC)处理，所述的多个温度传感器(S)沿富集柱或富集床(R)中心轴线分散安装，同时获得多个温度传感器(S)在富集柱或富集床(R)的相对位置，以及被富集样液的流速和富集柱或富集床(R)的洗脱体积，并输入计算机(PC)； 所述的检测器⑶的检测原理可以是量热、光度、电化学和电容方法等； 所述的温度传感器⑶可以是热电阻、热电偶等，可以是点状、柱状等； 所述的洗脱体积指富集柱或富集床(R)从加样开始到检测器(D)检测出峰所经过的时间期间内流出的洗脱液体积； (2)建立神经网络； 所述的神经网络是基于L-M算法的BP神经网络； 所述的神经网络包括ー个输入层、ー个中间层和ー个输出层； 所述的输入层包括如下输入变量多个温度传感器(S)的输出热信号XSl XSn及其对应的相对位置XLl XLn、被富集样液的流速XF和洗脱体积XV ； 所述的输出层的目标为被富集样液的浓度变化率Y ; 所述的神经网络，可以通过Matlab、C/C++等系统编程实现； (3)对所述的神经网络进行训练和测试； 变化不同的エ况參数和被富集样液的浓度按照所述的步骤(I)获取富集过程热监测信号及其相关影响參数作为输入变量，同时利用富集柱或富集床(R)出口的检测器(D)得到被富集样液的浓度变化率，并以此作为训练和测试样本； 按照所述的步骤(2)建立神经网络，设置训练次数及训练目标误差，使用训练样本进行训练； 当所述的神经网络训练结束后，利用测试样本检验，当所述的神经网络在测试样本数据的预测误差低于规定水平即通过测试，可以用于富集过程的描述和预测工作； (4)利用所述的神经网络进行富集过程的描述和预測。
全文摘要
一种基于神经网络的富集过程热监测方法，包括如下步骤(1)获取富集过程热监测信号及其相关影响参数作为输入变量，(2)建立神经网络，(3)对所述的神经网络进行训练和测试，(4)利用所述的神经网络进行富集过程的描述和预测；本发明的神经网络是基于L-M算法的BP神经网络，包括一个输入层、一个中间层和一个输出层，输入层的输入变量为多个温度传感器的输出热信号及其对应的相对位置、被富集样液的流速和洗脱体积，输出层的目标为被富集样液的浓度变化率；本发明实现了快速、准确、可靠地描述和预测富集过程，可用于分析、分离、提纯等领域涉及的富集过程的描述、预测和控制，有效提升效率和精度。
文档编号G01N25/20GK102661970SQ20121014611
公开日2012年9月12日 申请日期2012年5月2日 优先权日2012年5月2日
发明者刘君, 王丽影, 郑艺华 申请人:青岛大学