论文部分内容阅读
水是人类社会生产生活与持续发展必不可少的资源。当前,我国水资源滥用与水污染事件频发,在一定程度上威胁着我们的正常生活,影响人类的健康,水污染已成为当今世界各国面临的棘手问题。水质监测是预防水污染的重要手段,常用的水质检测方法有化学分析法和光谱分析方法。前者以现场采样,实验室分析为主,主要依靠人工处理,具有操作繁琐,需化学试剂前处理,检测成本高,分析周期长,易造成二次污染等缺点,难以适应环境监测发展的要求。而新型的光谱分析方法测试速度快、精度高、重复性好、无试剂消耗和二次污染,可多参数同步测量,因此,成为当前及未来水环境动态监测的发展趋势。相较于国外在水质监测领域所取得的丰硕成果,国内的发展还有较大差距。市场上的水环境监测设备多为国外的探测仪器,只具备单参数或极少参数的在线探测能力,随着开放参数的增加成本也进一步提升。因此,提升我国在水环境水生态监测以及管理上的技术和装备能力是当下及未来的重点发展方向。其中,参数定量分析模型是水质监测设备中影响水体组份预测精度的一个关键因素。针对水体组份解析算法,过往研究中定量分析方法大多考虑使用多元线性回归法,偏最小二乘法(Partial Least Square,PLS)等线性回归预测方法,由于实际水体组分更加复杂与多元化,水体参数和吸光度二者并非呈现线性相关,使用线性预测模型难以获取满意的预测结果,近年来也有人工神经网络法(Artificial Neural Network,ANN),支持向量机法(Support Vector Machine,SVM)等非线性的机器学习预测方法。因此如何将机器学习算法与新型光谱法的优势结合应用于水质监测是一个具有研究价值的方向。基于以上种种原因,本研究开展了基于光谱法的多参数水质监测技术研究,主要研究内容如下:(1)将光谱法与电极法相结合,在微型光谱模块添加参比流路,采用双光路主动校正法在宽光谱范围内依据连续精细光谱的吸收特性同时测量p H、电导率、温度、余氯、浊度、化学需氧量(Chemical Oxygen Demand,COD)、硝氮、总有机碳(Total Organic Carbon,TOC)、色度、UV254等10个参数,将多个独立传感器的探测能力同时集中到一体化柜机上,实现了多参数实时、在线、快速、动态监测的需求。(2)设计与实现了基于光谱法的多参数水体组份在线监测系统的上位机软件。研究中详尽描述了该软件的系统设计与详细设计,具体包括数据的输入,参数浓度的解算,界面的设计,以及浓度解算结果的传输。将GPRS通信技术与现代网络技术相结合,可以在PC端与移动端实时进行水质参数的监测,快速动态查看各水体组份的变化情况。(3)针对现有算法效率较低的问题,提出了一种改进的网格搜索算法优化支持向量回归(Grid Search-Support Vector Regression,GS-SVR)算法,建立了基于此算法的硝氮、色度的定量分析预测模型。开展了溶液样本测试实验,与目前流行的算法进行了对比,包括反向传播神经网络(Back Propagation Neural Network,BPNN),SVR,GS-SVR,粒子群(Particle Swarm Optimization,PSO)算法优化SVR,遗传算法(Genetic Algorithm,GA)优化SVR五种定量分析方法。实验结果表明,提出的改进GS-SVR方法对于硝氮获得最优参数C和σ为(512,0.0442),模型R~2=0.9935,RMSEP=0.0435,平均训练时间为13s。与BPNN,SVR,GS-SVR,PSO-SVR,GA-SVR算法对比,R~2分别提高了1.22%,11.66%,0.78%,0.74%,0.77%,训练效率分别提升4.15倍(BPNN),8.30倍(GS-SVR),21.38倍(PSO-SVR),10.23倍(GA-SVR)。对于色度,R~2=0.9840,分别提高了1.43%,3.11%,1.02%,0.13%,0.05%。平均训练时间为11s,效率分别提升了4.82倍(BPNN),8倍(GS-SVR),23.27倍(PSO-SVR),10.55倍(GA-SVR)。改进算法不仅提高了模型的预测精度,而且在寻优效率方面取得了很大的提升。