基于深度学习的便携式浊度计示值误差校正方法.pdf

基于深度学习的便携式浊度计示值误差校正方法(江苏省盐城环境监测中心,江苏 盐城 224000)摘要:常规的浊度计示值误差校正方法多采用比值校正法进行设计，应用过程中，无法深入挖掘浊度计示值的各项误差，存在校正精度较低的问题，导致浊度计测量的浊度示值与待测液的实际浊度值之间偏差较大。针对这一问题，笔者引入深度学习原理，以便携式浊度计为例，提出一种全新的示值误差校正方法。先采集便携式浊度计示值，获取浊度计示值的动态变化，然后利用深度学习算法原理，构建神经网络模型结构，通过神经网络模型的示值误差激励、校正量化、迭代训练、最优保存等步骤，得出最优化的示值误差校正结果。实验分析可知，新的方法应用后，测得标准浊度液的浊度示值与其实际浊度非常接近，示值误差较小，校正效果优势显著。关键词:深度学习；校正；便携式；浊度计中图分类号:TH83 文献标志码:A 文章编号：1674-263X(2023)04-0143-04Abstract:Conventional correction methods for measured value errors of turbidity meters often use ratio correction,which cannot effectively identify and correct various sources of errors in turbidity measurements.As a result,the accuracy of turbidity measurement is compromised,leading to significant discrepancies between the measured turbidity values and the actual turbidity of the tested liquid.To address this issue,this paper introduces the principles of deep learning and proposes a novel correction method for measured value errors in portable turbidity meters.The method involves collecting the measured values of a portable turbidity meter and capturing their dynamic changes.A neural network model is then constructed using deep learning algorithms.The model undergoes steps such as error excitation,quantization,iterative training,and optimal preservation to obtain optimized correction results for the measured value errors.Experimental analysis demonstrates that the proposed method achieves close agreement between the measured turbidity values and the actual turbidity of standard turbidity liquids,with significantly reduced value errors and improved correction effectiveness.Key words:deep learning;correction;portable;turbidimeterCorrection method for measured value error of portable turbidimeter based on deep learningSHU Ping,ZENG Aidi,ZHANG Juan(Yancheng Environmental Monitoring Center,Yancheng 224000,China)1便携式浊度计示值误差校正方法 设计1.1 采集便携式浊度计示值本文设计的便携式浊度计示值误差校正方法中，首先，需要根据浊度计的实际测量情况，采集浊度计示值。明确便携式浊度计的操作模型、量程、操作温度、操作压力、防护等级等各项参数。在便携式浊度计测量结束后，利用数据采集器与无纸记录仪，一键采集并导出浊度计测得的示值数据。综合考虑各个型号规格的数据采集器与无纸记录仪后，选取Idata 型号的数据采集器与 OHR-XH700 型号的无纸记录仪。数据采集器开机后，进入运行界面，通过其扫描作用，扫描便携式浊度计示值及相关信息。在此基础上，计算便携式浊度计示值采集周期，公式为收稿日期：2023-06-06 作者简介：束平，工程师，研究方向为环境监测。束平，曾爱娣，张娟Vol.36 No.4Jul.,2023第 36 卷 第 4 期2023 年 7 月黑 龙 江 环 境 通 报HEI LONG JIANG ENVIRONMENTAL JOURNAL144第 36 卷 （1）式中：T表示便携式浊度计采集周期；N表示数据采样次数；t表示示值采样时间间隔。通过计算，得出浊度计示值采集周期，其次，对浊度计示值数据采集结果进行计算，公式为 （2）式中：r(n)表示浊度计正常运行状态下示值采样函数；q(n)表示浊度计电流互感器采样函数；c(n)表示浊度计电压互感器采样函数。将无纸记录仪与数据采集器通过软件实时导出示值采集数据，将其以 Excel 的格式保存。通过无纸记录仪能够实时查看浊度计示值数据、数显画面以及棒图显示画面，掌握浊度计示值的动态变化，为示值误差校正提供数据支持。1.2 基于深度学习校正浊度计示值误差基于上述便携式浊度计示值采集结束后，接下来，利用深度学习算法对浊度计示值误差进行校正处理。首先，建立与便携式浊度计适配度较高的示值误差数学模型，全方位地展示示值误差。表达式为 （3）式中：Ma表示标准浊度液的便携式浊度计测量值；Mc表示标准浊度液的标准浊度值。通过该表达式，获取不同种类、型号便携式浊度计的示值误差结果1。依据各项示值误差校正规()()()10Nnur nq n c nt-=D定的指标要求，利用深度学习算法对示值误差结果进行校正处理。本文设计的便携式浊度计示值误差校正方法的运行流程如下：首先，基于深度学习算法，构建网络模型结构。其次，基于模型结构，提取迭代误差特征，并对其进行预处理。优化浊度计测量方法，减小其测量示值误差。基于深度学习网络的迭代训练作用，校正示值误差并评估浊度计的测量状态，实现减小测量示值误差不精确性的目标2-3。基于不同时效及空间应用需求，对上述采集到的便携式浊度计示值与神经网络结构进行预处理，提取示值迭代误差。将预处理后的浊度计示值迭代误差作为输入层，构建深度学习网络模型，如图 1所示。如图 1 所示，基于深度学习的网络模型结构包括 3 层不同的结构，分别为输入层、隐藏层与输出层。初始化神经网络种群，对种群中的染色体数目进行设定，得出原始基因值，并设定基因值的取值范围3-4。利用深度学习网络的迭代训练对便携式浊度计示值误差进行不断校正，相对来说，校正覆盖范围更加广泛，能够实现示值误差深入校正的目标。2实验分析综合上述内容，便是本文提出的基于深度学习TNt=D100%accMMM-D=图 1 深度学习神经网络模型结构黑 龙 江 环 境 通 报隐藏层输出层输入层1输入层 2输入层 3输入层 4145第 4 期表 1 SGZ-1000BS 便携式浊度计技术参数的便携式浊度计示值误差校正方法的整体设计流程，在该校正方法投入仪器设备示值误差校正前，需要对其校正效果进行全面检验，避免后续实际应用中不能很好地修正浊度计示值误差。因此，开展了如下的实验分析。选取型号为 SGZ-1000BS 的便携式浊度计作为本次实验的研究对象。该型号便携式浊度计的量程在 01000NTU 范围内，具有创新的 RST 测量功能与验证屏显提示功能，数据传输与数据储存性能良好，最多可实时存储 500 组测量数据。便携式浊度计的相关技术参数如表 1 所示。该浊度计的外形较为小巧、重量相对较轻，适用范围广泛。在实验中，由于条件限制，未能获取零浊度水与标准浊度液，本文采用纯净水与定量稀释的纯牛奶，分别作为零浊度水与标准浊度液。设定定量稀释的纯牛奶浊度值为 600NTU，对其进行不断的计量稀释，获取到其他不同浊度值的标准浊度液。在上述实验仪器与标准液准备完毕后，按照本文提出的示值误差校正方法对该型号的便携式浊度计进行示值误差校正，然后利用校正后的浊度计测定不同计量稀释标准浊度液的浊度，检验其误差校正效果。为了使本次实验的实验结果以更加直观的方式呈现，进一步展示误差校正效果，本文特引入对比分析方法原理。将本文提出的基于深度学习的便携式浊度计示值误差校正方法设置为实验组，将文献1提出的基于傅立叶的示值误差校正方法设置为对照组 1、文献7提出的基于比值校正法的示值误差校正方法设置为对照组 2，进行对比实验。对上述定量稀释后的标准浊度液进行标号，分别标号为ZDY-#01、ZDY-#02、ZDY-#03、ZDY-#04、ZDY-#05、ZDY-#06，利用上述 3 种浊度计示值误差校正方法对浊度计进行校正处理，并使用误差校正后的浊度计分别测定 6 组标准浊度液的浊度。采用MATLAB 模拟分析软件，绘制 3 种浊度计测定的浊度示值结果，与标准浊度液实际浊度进行对比，进而判断示值误差校正的效果，如图 2 所示。根据图 2 的示值对比结果可以看出，在 3 种示值误差校正方法应用后，便携式浊度计的浊度测定结果存在较大的差异。其中，应用本文提出的基于深度学习的便携式浊度计示值误差校正方法后，测得标准浊度液的浊度示值与其实际浊度更加接近，示值偏差较小，拟合度较高，而另外 2 种方法校正处理后的浊度计，测量示值与实际浊度偏差较大。由此不难看出，本文提出的便携式浊度计示值误差校正方法具有较高的可行性，能够有效地校正浊度束平，等：基于深度学习的便携式浊度计示值误差校正方法序号指标参数1分辨率/NTU0.010.052杂散光/NTU（FNU）0.023电源要求使用 50/60Hz 电源；USB+电源模块；碱性电池；镍氢电池4接口可选择 USB5仪器防护等级IP67（密封盖、电池室除外）6工作温度范围/-25707信号输出/mA420，RS4858流速/(mLmin-1)1006009报警触点容量250V/2A(H,L)146第 36 卷计的示值误差，校正效果优势显著。3结语科学合理的仪器设备示值误差校正方法至关重要，能够有效地减小并修正其使用过程中产生的各项误差，提高示值的质量与精度。为了改善传统浊度计示值误差校正方法在实际应用中校正效率较低，校正后浊度计仍然存在相应数据误差的问题，在传统校正方法的基础上，引入深度学习原理，提出一种全新的浊度计示值误差校正方法。通过本文的研究，有效地提高了浊度计的测量精度，减小了测量数据中存在的随机误差，对促进仪器设备行业的高质量发展具有重要研究意义。参考文献：1 贾 会,许 建 军,尚 梦 帆.微 生 物 膜 电 极 法 生 物化 学 需 氧 量 分 析 仪 校 准 方 法 J.化 学 分 析 计量,2021,30(7):74-78.2喻桂华,杨帆.比值校正法的动态信号分析仪频率示值误差校准方法 J.电子世界,2021(7):92-94.3许俊斌,周瑾艳,朱峻青,等.基于酶抑制法农药残留检测仪的校准方法研究 J.食品安全质量检测学报,2020,11(16):5700-5705.4吴宇,吴丹.风速变送器校准及示值误差测量不确定度评定 J.国外电子测量技术,2020,39(7):11-16.图 2 标准浊度液测定示值对比黑 龙 江 环 境 通 报标准浊度液编号实际浊度实验组浊度对照组 1浊度对照组 2 浊度浊度/NTU