低成本小型化水质监测仪

作者：陈道想 水利水电工程系

指导老师：林鹏 水利水电工程系

关键词：水质监测 算法开法 信号处理

摘要

我国的水质环境监测任务重，水质监测点众多，现有的水质监测仪器在面向诸多重要水质参数（如化学需氧量，总有机碳和生化需氧量等用常规检测方法耗时耗能、检测步骤繁琐复杂的水质参数）的实时快速监测（测量周期应小于1min）时都不适用，无法实时快速的得出水体变化整体信息，也无法满足目前“智慧水务、水利”等领域对水质监测仪器提出的“绿色、智能、宏观快速分析” 等新功能的要求。因此基于微型光谱仪连续光谱分析的多参数水质监测与预警仪器开始展露锋芒。本研究对现有的光谱法进行了总结及优缺点进行对比分析，并提出了一种新的光谱法水质监测模型。先给出了当下水质监测的总体现状，对现有水质监测技术做了比较分析，介绍了光谱法的现状。总结了光谱监测理论的研究历程和进展。进行了光谱监测数据分析方法的总结和对比，分为数据降噪方法、数据建模方法和数据干扰补偿分别进行阐述。重点提出了基于主成分分析和BP神经网络的紫外-可见光全光谱水质监测方法模型，并设计了试验获取数据训练模型。

标准试液全光谱扫描实验

神经网络模型需要大量的数据用于训练，因此需要精心的设计试验。为了快速的进行试验，获取大量数据，我们设计了如下的试验流程。

图1 标准试液全光谱扫描试验流程

数据型式

我们的光谱数据波长范围190nm-900nm，波长分辨度为1nm。大量的样本，每个样本都含有711个波段的吸光度值和1个浓度值。

图2 数据样本

数据处理模型

模型利用主成分分析（PCA）+全连接神经网络（DNN）进行数据分析。将数据划分训练集、验证集和测试集，训练集用于训练模型，验证集用于选取模型，测试集用于评价模型。损失函数采用均方误差函数（Mean Squared error，MSE），模型训练的目标是最小化模型在测试集上的均方误差。选取超参数（PCA降维后的维数、神经网络的层数和隐藏层的节点数）；基于梯度下降和后向传播算法迭代进行神经网络的训练，并计算训练完成后的模型在测试集上预测结果的均方误差；按照模型复杂度从小到大的原则，不断调整超参数，并选取最优选取超参数。 

图3 基于PCA和DNN的紫外-可见光全光谱数据处理模型