一种基于环境补偿模型的玻璃瓶内氧气检测误差校正方法与流程

本发明属于气体检测技术领域，具体涉及一种基于环境补偿模型的玻璃瓶内氧气检测误差校正方法。

背景技术：

在制药行业中，国际上已有公司将波长调制光谱(wavelengthmodulationspectroscopy，wms)技术应用在封装玻璃药瓶内氧气浓度在线检测上，如美国的lighthouse公司，意大利的贝威蒂公司，中国的国惠光电科技等。然而，wms技术析取的二次谐波信号会受到开放单光路下现场环境因素的影响，致使浓度测量的精度降低和稳定性下降。

目前在封装玻璃药瓶内氧气浓度的测量领域，关于对检测信号受环境因素影响而产生的误差的校正方法研究，国内外均没有相关报道。lighthouse、贝威蒂等公司公开的技术方法需要在药品生产线上间隔地增加标准瓶，以侦测生产线上背景噪声从而实现噪声扣除，然而，额外布置的标准瓶降低了生产线产能，且事先获取的背景噪声和当前被测药瓶的背景噪声因时差而存在差异。因此，有必要研究一种根据各类实测环境影响因素来对氧气检测误差进行实时校正的方法。

技术实现要素：

本发明的目的是提供一种基于环境补偿模型的玻璃瓶内氧气检测误差校正方法，使用基于粒子群算法优化的极限学习机算法融合检测二次谐波特征值和关键环境因素，建立环境补偿模型，基于环境补偿模型实现玻璃药瓶内残氧量检测误差校正，有效抑制了现场环境噪声对检测信号的影响，提高了开放环境下玻璃药瓶内残氧量的检测精度。

一种基于环境补偿模型的玻璃瓶内氧气检测误差校正方法，包括如下步骤：

s1：获取待校正的玻璃瓶内残氧量检测样本数据，样本数据分为训练集和测试集，所述玻璃瓶内残氧量检测样本数据包括二次谐波特征值、关键环境因素变量、特征值参考校正量，其中环境因素包含4个特征；获取过程如下：

s11：采集不同氧气浓度的玻璃瓶在不同环境条件下的原始二次谐波数据和检测现场的关键环境因素；所述的不同氧气浓度的玻璃瓶有氧气浓度为0％、5％、10％、21％的四种玻璃瓶，所述的原始二次谐波数据为带玻璃瓶氧气浓度标签的数据，所述关键环境因素包括光照强度、环境温度、压强、湿度；

s12：采集参考环境变量下4种不同氧气浓度玻璃瓶的参考二次谐波数据；所述参考环境变量为光照强度5001x、环境温度296k、压强101.325kpa、湿度50％；

s13：对步骤s11获得的原始二次谐波数据进行特征提取，得到带玻璃瓶氧气浓度标签的二次谐波特征值；

s14：对步骤s12获得的参考二次谐波数据进行特征提取，得到4种氧气浓度玻璃瓶的参考二次谐波特征值，将步骤s13中的带浓度标签二次谐波特征值减去对应浓度的参考二次谐波特征值得到参考校正量；

s15：对步骤s11获得的各关键环境因素变量进行预处理，得到经过预处理的环境因素变量；

s2：建立基于os-elm的环境补偿模型，以二次谐波特征值数据和预处理后的光照强度、环境温度、压强、湿度数据作为模型输入层节点数据，以参考校正量作为模型输出层节点数据，隐含层包括10层；选取隐含层激活函数；随机选取训练集中m％样本作为os-elm算法的初始阶段；

s3：将环境补偿模型输入层与隐含层之间的连接权值和隐含层节点的偏置值作为粒子群搜索空间中的一个粒子，采用粒子群优化算法对粒子进行迭代寻优，设定目标函数，粒子数目，自身学习权重c1，社会学习权重c2，惯性因子ω，最大迭代次数；按照粒子优化群算法中的位置和速度更新公式进行更新，直到满足迭代条件，得到最优权重矩阵和最优偏置向量；

s4：将步骤s3得到的最优权重矩阵设置为环境补偿模型的权重矩阵，将得到的最优偏置向量设置为环境补偿模型的偏置向量，选取s2中的m％训练样本完成os-elm算法初始阶段，得到单层前馈神经网络的输出权重向量β。随机取剩余的(1-m％)训练样本，结合os-elm的输出权重向量β的递推公式，完成os-elm算法的学习阶段，得到完善后的os-elm的输出权重向量β；

s5：通过测试集的数据对环境补偿模型进行验证；

s6：基于环境补偿模型对玻璃瓶内残氧量检测误差进行校正，校正步骤如下：

s61：采集待测样本的二次谐波数据和实时关键环境因素变量；

s62：对待测样本的二次谐波数据进行特征提取和对环境因素变量进行预处理，得到待测样本的二次谐波特征值po和经过初始化的环境向量s；

s63：将步骤s62得到的po和步骤s3得到的向量s组成模型输入矩阵r，送往环境补偿模型进行识别，模型输出误差校正量pe；

s64：计算公式pc＝po+pe，得到修正后的检测特征值pc；

s65：将步骤s64得到的pc进行浓度反演，得到经过校正的实际氧气浓度值。

所述的方法，玻璃瓶为封装玻璃药瓶，待测样本为封装玻璃药瓶内的残氧量。

所述的步骤s1中原始二次谐波数据预处理包括峰-谷差值提取、峰-谷差值多周期平均。

所述的峰-谷差值提取为用二次谐波的峰值减去同一周期内两个波谷算术平均值，峰-谷差值多周期平均为30个周期的峰-谷差值平均值。

所述的步骤s15关键环境因素变量预处理计算公式：

其中i表示关键环境因素：i＝1表示光照强度、i＝2表示环境温度、i＝3表示压强、i＝4表示湿度，xi表示预处理前环境因素变量数据，为对应环境因素的参考量，ximax、ximin分别为对应环境因素在整个采样过程的最大值、最小值，x′i为预处理后的环境因素变量数据；

所述的m％小于50％。

所述隐含层激活函数为sigmoid函数。

所述的步骤s3中粒子群优化目标函数为tj表示第j个样本的参考校正量，yi表示第j个样本的校正量预测值，n为训练样本总个数乘m％；迭代条件为迭代次数达到迭代次数设定值或目标函数小于目标函数设定值；粒子优化群算法中的速度vt+1和位置xt+1更新公式如下：

vt+1＝ωvt+c1rand(0，1)(pbest-xt)+c2rand(0，1)(gbest-xt)

xt+1＝xt+vt+1

其中，pbest为粒子自身最好位置，gbest为全局最好位置，ω为惯性因子，c1为自身学习权重，c2为社会学习权重，vt为粒子的当前速度，xt为粒子的当前位置，rand(0，1)表示[0，1]的随机数。

附图说明

图1为本发明提供的基于环境补偿模型的玻璃瓶内氧气检测误差校正方法的流程图；

图2为建立环境补偿模型的流程图；

图3为环境补偿模型结构图；

图4为原始二次谐波图；

图5为应用环境补偿模型对特征校正量的预测结果对比图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明实施例提供的一种基于环境补偿模型的玻璃瓶内氧气检测误差校正方法，主要适用于基于tdlas技术的玻璃药瓶中残氧量检测受环境噪声影响的误差校正，包括如下步骤：

s1：采集待校正的封装玻璃药瓶内残氧量检测样本数据，获得2000组用于训练和测试的数据，具体地，随机选取1600组作为训练数据，400组作为测试数据，玻璃瓶内残氧量检测样本数据包括二次谐波特征值、关键环境因素变量、特征值参考校正量，其中环境因素包含4个特征；获取过程如下：

s11：采集不同氧气浓度的玻璃瓶在不同环境条件下的原始二次谐波数据，检测现场的关键环境因素，共获得2000组数据；所述的不同氧气浓度的玻璃药瓶有氧气浓度为0％、5％、10％、21％的四种玻璃药瓶，所述的原始二次谐波数据为带玻璃瓶氧气浓度标签的数据，所述关键环境因素包括光照强度、环境温度、压强、湿度；

s12：在光照强度5001x、环境温度296k、压强101.325kpa、湿度50％的参考环境变量下采集4种不同氧气浓度玻璃瓶的参考二次谐波数据；

s13：对步骤s11获得的原始二次谐波数据(原始二次谐波波形如图4所示)进行特征提取，得到二次谐波特征值：每个周期的二次谐波的峰值减去同一周期内两个波谷算术平均值得到峰-谷差值，再取29个周期的峰-谷差值平均值作为二次谐波特征值；

s14：对步骤s12获得的参考二次谐波数据如步骤s13所描述方法进行特征提取，得到4种氧气浓度玻璃瓶的参考二次谐波特征值，将步骤s13中的带浓度标签二次谐波特征值减去对应浓度的参考二次谐波特征值得到参考校正量；

s15：对步骤s11获得的各关键环境因素变量根据下式进行预处理，得到经过预处理的环境因素变量；

其中i表示关键环境因素：光照强度(i＝1)、环境温度(i＝2)、压强(i＝3)、湿度(i＝4)，xi表示预处理前环境因素变量数据，为对应环境因素的参考量，ximax、ximin分别为对应环境因素在整个采样过程的最大值、最小值，x′i为预处理后的环境因素变量数据。

s2：建立基于pso-os-elm(粒子群算法优化的在线顺序极限学习机)的环境补偿模型，流程图如图2所示，利用训练集中的部分数据通过粒子群优化算法得到os-elm的最优权重矩阵、最优偏置向量，模型以得到最优权重矩阵、最优偏置向量完成初始化，再利用训练集余下数据训练模型完成在线学习阶段，从而得到环境补偿模型，使用测试集对模型进行验证。

具体步骤如下：

s21：建立基于pso-os-elm的环境补偿模型，模型结构图如图3所示，以二次谐波特征值数据和预处理后的光照强度、环境温度、压强、湿度数据作为模型输入层节点数据，以参考校正量作为模型输出层节点数据，隐含层包括10层，即输入层、隐含层、输出层的神经元数目分别为5、10、1。隐含层激活函数采用sigmoid函数；随机选取训练集中40％样本作为os-elm算法的初始阶段训练数据；

s22：基于pso优化算法对os-elm网络训练过程进行优化：

将环境补偿模型输入层与隐含层之间的连接权值和隐含层节点的偏置值作为粒子群搜索空间中的一个粒子，目标函数为其中tj表示第j个样本的参考校正量，yi表示第j个样本的校正量预测值，n为训练样本总个数的40％。粒子维数为60，设定粒子数目n为20，自身学习权重c1＝2，社会学习权重c2＝2，惯性因子ω＝0.6，最大迭代次数为200，最小误差要求为0.01。pso粒子迭代寻优具体过程如下：

①初始化粒子群，对粒子群的位置和速度在各自范围内进行随机初始化，位置范围为[-1，1]，速度范围为[-0.01，0.01]；

②计算粒子的适应度。利用训练样本计算出每个粒子的训练精度，将训练精度作为粒子群优化算法的适应度值；

③把每个粒子的适应度值和自身经过的最好位置pbest的适应度值进行比较，如果粒子的适应度值较好，则粒子的最好位置pbest将被换成当前适应度值较好的粒子；把每个粒子的适应度值和整个群体中的最好位置gbest的适应度值进行比较，如果适应度值较好，则当前群体中的最好位置gbest将会替换成目前适应度值较好的粒子；

④更新粒子的速度和位置，粒子优化群算法中的速度vt+1和位置xt+1更新公式如下：

vt+1＝ωvt+c1rand(0，1)(pbest-xt)+c2rand(0，1)(gbest-xt)

xt+1＝xt+vt+1

其中，pbest为粒子自身最好位置，gbest为全局最好位置，ω为惯性因子，c1为自身学习权重，c2为社会学习权重，vt为粒子的当前速度，xt为粒子的当前位置，rand(0，1)表示[0，1]的随机数。

⑤判断粒子的速度是否超过最大速度，若超过，将速度更新为最大速度，判断粒子的速度是否小于最小速度，若小于，将速度更新为最小速度，其他情况速度正常更新；

⑥重新计算更新后的粒子适应度，并按步骤③同理更新pbest和gbest。

⑦若未满足迭代结束条件则转步骤④，其中迭代结束条件为迭代次数达到迭代次数设定值或目标函数小于目标函数设定值。若满足迭代条件，则得到最优权重矩阵和最优偏置向量；

s23：将步骤s22得到的最优权重矩阵设置为环境补偿模型的权重矩阵，将得到的最优偏置向量设置为环境补偿模型的偏置向量，选取s21中的40％初始阶段训练样本完成os-elm算法初始阶段，得到单层前馈神经网络的输出权重向量β0；随机取剩余的60％作为在线学习阶段训练样本，学习阶段每一步的学习数据个数设为20，在线学习的递推公式为

其中，β为输出权重向量，p为os-elm的更迭系数，h是隐含层输出矩阵，t为模型输出矩阵。结合os-elm的输出权重向量β的递推公式，完成os-elm算法的学习阶段，得到完善后的os-elm的输出权重向量β；

s24：在测试数据中随机选取4种浓度样瓶各80组数据检验环境补偿模型对检测误差的预测效果。

预测结果如图5所示，可以明显看出基于环境影响补偿模型对检测误差预测的精度较高，测试结果表明采用本发明方法建立的环境影响补偿模型能对检测结果受环境因素影响产生的误差进行有效预测，进而补偿环境因素对检测结果造成的影响。

s3：基于环境补偿模型对玻璃瓶内残氧量检测结果误差进行校正，校正步骤如下：

s31：采集待测样本的二次谐波数据和实时关键环境因素变量；

s32：对待测样本的二次谐波数据进行特征提取和对环境因素变量进行预处理，得到待测样本的二次谐波特征值po和经过初始化的环境向量s；

s33：将步骤s32得到的po和步骤s32得到的向量s组成模型输入矩阵r，送往环境补偿模型进行识别，模型输出误差校正量pe；

s34：计算公式pc＝po+pe，得到修正后的检测特征值pc；

s35：根据步骤s34得到的pc进行浓度反演，得到经过校正的实际氧气浓度值。

本发明的效果在于，针对玻璃瓶内氧气检测结果受多类环境因素影响的问题，运用pso-os-elm算法搭建环境补偿影响模型，基于该模型实现对检测结果受环境因素影响产生的误差的高精度预测，并根据误差预测结果完成检测结果的校正，提高了开放环境下玻璃药瓶内残氧量的检测精度。

本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。