一种基于分区建模的锌液痕量金属离子浓度预测方法技术

本发明专利技术公开了一种基于分区建模的锌液痕量金属离子浓度预测方法，包括：获取混合溶液样本的光谱信号图，再基于混合溶液样本的光谱信号计算出每个波长变量的相关系数‑稳定性值；基于波长变量的相关系数‑稳定性值获取最佳波长变量；进行模型训练得到混合溶液的浓度区间分类模型；分别进行模型训练得到高浓度区间的浓度预测模型、低浓度区间的浓度预测模型；基于所述浓度区间分类模型得到待测混合溶液所属的浓度区间，再基于对应高浓度区间的浓度预测模型或低浓度区间的浓度预测模型得到待测痕量金属离子的预测浓度。所述方法可以提高预测模型的精度，得到更加可靠的预测结果。

A Prediction Method of Trace Metal Ion Concentration in Zinc Liquid Based on Zonal Modeling

The invention discloses a method for predicting trace metal ion concentration in zinc liquor based on zonal modeling, which includes: obtaining the spectral signal graph of mixed solution sample, calculating the correlation coefficient stability value of each wavelength variable based on the spectral signal of mixed solution sample, obtaining the optimal wavelength variable based on the correlation coefficient stability value of wavelength variable, and training the model to get the mixed wavelength variable. Concentration interval classification model of mixed solution; concentration prediction model of high concentration interval and concentration prediction model of low concentration interval are obtained by model training respectively; concentration interval of mixed solution to be measured is obtained based on the concentration interval classification model, and trace metal separation to be measured is obtained based on concentration prediction model of corresponding high concentration interval or concentration prediction model of low concentration interval. The predicted concentration of the subunit. The method can improve the accuracy of the prediction model and obtain more reliable prediction results.

【技术实现步骤摘要】
一种基于分区建模的锌液痕量金属离子浓度预测方法
本专利技术属于吸收光谱非线性定量分析领域，具体涉及一种基于分区建模的锌液痕量金属离子浓度预测方法。
技术介绍
锌液中痕量金属离子浓度是湿法冶锌净化工序的重要工艺参数指标，适量杂质离子可作为反应的活化剂，浓度过高则会降低电解电效，因此痕量金属离子浓度的准确检测是后续工艺稳定的前提和基础。锌液中基体离子浓度高，其与待测痕量金属离子浓度比高达17-20万倍，痕量金属离子信号被高浓度锌离子和其他杂质金属离子重叠、掩蔽严重，此外，锌液成分复杂，多种金属离子化学特性相近，受电荷分布作用的影响离子间相互干扰严重，并且由于仪器杂散光、能量等限制，待测痕量金属离子浓度与信号之间非线性强，痕量金属离子浓度检测困难。此外，关于现有的痕量金属离子浓度检测时构建的浓度预测模型，其针对痕量金属离子不同浓度下的混合溶液并没有区分高低浓度区间以及分区训练模型，而是全区间统一处理得到一个预测模型。然而本专利技术通过实验研究发现，痕量金属离子浓度高低不同时，其光谱信号受锌离子以及其他离子的影响程度不同，例如混合溶液为锌Zn(II)、铜Cu(II)、钴Co(II)混合时，锌Zn(II)是高浓度基体离子，钴Co(II)为其它干扰离子，铜Cu(II)为痕量待测离子，如图8所示，当Cu(II)浓度较低时，Cu(II)光谱信号微弱并极大程度被Zn(II)、Co(II)掩蔽，离子相互影响、干扰严重，Cu(II)浓度与光谱信号之间非线性强；当Cu(II)浓度较高时，Zn(II)与Cu(II)浓度比有所降低，Zn(II)对Cu(II)信号干扰、掩蔽作用降低，Cu(II)浓度与光谱信号之间相关性强，线性度增强，因此，待测痕量金属离子的浓度不同时，其对光谱信号影响程度不同，由此可知，现有技术中针对不同浓度下的混合溶液统一处理得到的模型的精度不高，进而得到的预测结果的可靠性不高。
技术实现思路
本专利技术的目的是一种基于分区建模的锌液痕量金属离子浓度预测方法，通过分区预测增强区间内部特征信息的聚合，并快速高效地去除高浓度基体离子的掩蔽、重叠、干扰波段，避免离子锌和杂质金属离子的干扰、掩蔽，进而提高预测模型的精度，得到更加可靠的预测结果。一种基于分区建模的锌液痕量金属离子浓度预测方法，包括如下步骤：S1：获取混合溶液样本的光谱信号图，再基于混合溶液样本的光谱信号计算出每个波长变量的相关系数-稳定性值；所述光谱信号图为光谱信号-波长参数的关系图，所述波长变量为按照预设规则选取的波长参数点；S2：基于波长变量的相关系数-稳定性值获取最佳波长变量；S3：进行模型训练得到混合溶液的浓度区间分类模型；其中，依据痕量金属离子的浓度大小将混合溶液样本划分为低浓度区间的混合溶液样本以及高浓度区间的混合溶液样本，并将每个混合溶液样本的光谱信号中最佳波长变量对应的光谱信号以及混合溶液样本所属的浓度区间分类标签输入模型训练得到浓度区间分类模型；所述浓度区间分类模型输入数据为：混合溶液的光谱信号中最佳波长变量对应的光谱信号，输出数据为：混合溶液所属的浓度区间分类标签；S4：分别进行模型训练得到高浓度区间的浓度预测模型、低浓度区间的浓度预测模型；a：将属于高浓度区间的混合溶液样本的光谱信号中最佳波长变量对应的光谱信号、对应混合溶液样本中待测痕量金属离子的浓度输入模型训练得到高浓度区间的浓度预测模型；b：将属于低浓度区间的混合溶液样本的光谱信号中最佳波长变量对应的光谱信号、对应混合溶液样本中待测痕量金属离子的浓度输入模型训练得到低浓度区间的浓度预测模型；得到的所述高浓度区间的浓度预测模型和低浓度区间的浓度预测模型的输入数据均为：混合溶液的光谱信号中最佳波长变量对应的光谱信号；输出数据为：混合溶液的待测痕量金属离子的浓度；S5：基于步骤S3中的所述浓度区间分类模型得到待测混合溶液所属的浓度区间，再基于步骤S4中对应高浓度区间的浓度预测模型或低浓度区间的浓度预测模型得到待测痕量金属离子的预测浓度。本专利技术通过实验研究发现，痕量金属离子浓度高低不同时，其光谱信号受锌离子以及其他离子的影响程度不同。因此，本专利技术将混合溶液样本划分为两个浓度区间，即高浓度区间和低浓度区间，训练出浓度区间分类模型；以及针对高浓度区间、低浓度区间的混合溶液样本分别进行模型训练出高浓度区间的浓度预测模型、低浓度区间的浓度预测模型，实现分区预测，进而增强了区间内部特征信息的聚合，增强了模型的针对性、提高准确性。优选地，步骤S2中获取最佳波长变量的过程如下：S21：按照相关系数-稳定性值从大到小的顺序对波长变量进行排序；S22：按序选取不同个数的波长变量分别构建浓度预测初始模型；其中，每次选取波长变量时对应的一个浓度预测初始模型的训练输入数据为：每个样本的光谱信号中当前选取的波长变量对应的光谱信号以及每个样本中待测痕量金属离子的浓度；得到的浓度预测初始模型的输入数据为：混合溶液的光谱信号中当前选取的波长变量的光谱信号，输出数据为：混合溶液中待测痕量金属离子的浓度；S23：基于每个浓度预测初始模型的模型效果获取最佳波长变量；所述最佳波长变量为最佳模型效果对应选取的波长变量，所述最佳模型效果为：模型误差最小，选取的波长变量个数最少。本专利技术将相关系数-稳定性值作为重要性指标对波长变量进行排序、选择。由于相关系数是基于混合溶液中由于环境复杂以及离子间相互影响造成Cu(II)浓度与光谱信号之间呈现非线性，但二者仍存在正相关性特性得出的，光谱信号与待测组分之间的相关系数越大表示波长变量包含的痕量金属离子的浓度信息越多，信号灵敏度越高，受其它离子的干扰越小，含有的空白信息和冗余噪声也越少，；此外本专利技术为提高波长变量选取的稳定性和模型可靠性，将基于相关系数得出的相关系数-稳定性值作为重要指标对波长变量进行排序、选择可以有效剔除噪声信息和空白信息，尽可能避免基体离子锌和杂质金属离子的干扰、掩蔽；选取与待测痕量金属离子相关性大的波长变量，最大程度保留待测痕量金属离子灵敏度，并通过减少波长变量个数提高模型效率；另一方面，本专利技术是通过训练出浓度预测初始模型，再基于模型效果来获取最佳模型效果对应的最佳波长变量，其更科学、准确地提取了最佳波长变量以及在提高模型精度的基础上减少了波长变量个数。尤其是相较于现有MC-UVE方法更具优势，MC-UVE方法通常通过经验设定稳定性阈值合理选择波长变量个数，从而将波长变量稳定性值在阈值中间的无信息变量剔除；但高浓度背景下痕量金属离子浓度的研究过少，缺乏经验支撑，因此波长变量个数的选择需要结合样本特性和回归模型，增强其适应性和针对性，而本专利技术正是通过模型的方式来增强其适应性和针对性。优选地，步骤S2中最佳的模型效果为：交叉验证均方误差最小，波长变量个数最少。优选地，步骤S22中每次按序选取波长变量时均是从排序第一的波长变量开始往后依次选取不同个数的波长变量。相关系数越大，得到的相关系数-稳定性值越大。而由于相关系数越大表示波长变量包含的痕量金属离子的浓度信息越多，信号灵敏度越高，受其它离子的干扰越小，含有的空白信息和冗余噪声也越少，因此每次从排序第一的波长变量开始选取可以尽可能保证每次选取的波长变量均保留了与待测痕量金属离子相关性大的波长变量。进一步优选，所述浓度区间分类模本文档来自技高网...

【技术保护点】
1.一种基于分区建模的锌液痕量金属离子浓度预测方法，其特征在于：包括如下步骤：S1：获取混合溶液样本的光谱信号图，再基于混合溶液样本的光谱信号计算出每个波长变量的相关系数‑稳定性值；所述光谱信号图为光谱信号‑波长参数的关系图，所述波长变量为按照预设规则选取的波长参数点；S2：基于波长变量的相关系数‑稳定性值获取最佳波长变量；S3：进行模型训练得到混合溶液的浓度区间分类模型；其中，依据痕量金属离子的浓度大小将混合溶液样本划分为低浓度区间的混合溶液样本以及高浓度区间的混合溶液样本，并将每个混合溶液样本的光谱信号中最佳波长变量对应的光谱信号以及混合溶液样本所属的浓度区间分类标签输入模型训练得到浓度区间分类模型；所述浓度区间分类模型输入数据为：混合溶液的光谱信号中最佳波长变量对应的光谱信号，输出数据为：混合溶液所属的浓度区间分类标签；S4：分别进行模型训练得到高浓度区间的浓度预测模型、低浓度区间的浓度预测模型；a：将属于高浓度区间的混合溶液样本的光谱信号中最佳波长变量对应的光谱信号、对应混合溶液样本中待测痕量金属离子的浓度输入模型训练得到高浓度区间的浓度预测模型；b：将属于低浓度区间的混合溶液样本的光谱信号中最佳波长变量对应的光谱信号、对应混合溶液样本中待测痕量金属离子的浓度输入模型训练得到低浓度区间的浓度预测模型；得到的所述高浓度区间的浓度预测模型和低浓度区间的浓度预测模型的输入数据均为：混合溶液的光谱信号中最佳波长变量对应的光谱信号；输出数据为：混合溶液的待测痕量金属离子的浓度；S5：基于步骤S3中的所述浓度区间分类模型得到待测混合溶液所属的浓度区间，再基于步骤S4中对应高浓度区间的浓度预测模型或低浓度区间的浓度预测模型得到待测痕量金属离子的预测浓度。...

【技术特征摘要】
1.一种基于分区建模的锌液痕量金属离子浓度预测方法，其特征在于：包括如下步骤：S1：获取混合溶液样本的光谱信号图，再基于混合溶液样本的光谱信号计算出每个波长变量的相关系数-稳定性值；所述光谱信号图为光谱信号-波长参数的关系图，所述波长变量为按照预设规则选取的波长参数点；S2：基于波长变量的相关系数-稳定性值获取最佳波长变量；S3：进行模型训练得到混合溶液的浓度区间分类模型；其中，依据痕量金属离子的浓度大小将混合溶液样本划分为低浓度区间的混合溶液样本以及高浓度区间的混合溶液样本，并将每个混合溶液样本的光谱信号中最佳波长变量对应的光谱信号以及混合溶液样本所属的浓度区间分类标签输入模型训练得到浓度区间分类模型；所述浓度区间分类模型输入数据为：混合溶液的光谱信号中最佳波长变量对应的光谱信号，输出数据为：混合溶液所属的浓度区间分类标签；S4：分别进行模型训练得到高浓度区间的浓度预测模型、低浓度区间的浓度预测模型；a：将属于高浓度区间的混合溶液样本的光谱信号中最佳波长变量对应的光谱信号、对应混合溶液样本中待测痕量金属离子的浓度输入模型训练得到高浓度区间的浓度预测模型；b：将属于低浓度区间的混合溶液样本的光谱信号中最佳波长变量对应的光谱信号、对应混合溶液样本中待测痕量金属离子的浓度输入模型训练得到低浓度区间的浓度预测模型；得到的所述高浓度区间的浓度预测模型和低浓度区间的浓度预测模型的输入数据均为：混合溶液的光谱信号中最佳波长变量对应的光谱信号；输出数据为：混合溶液的待测痕量金属离子的浓度；S5：基于步骤S3中的所述浓度区间分类模型得到待测混合溶液所属的浓度区间，再基于步骤S4中对应高浓度区间的浓度预测模型或低浓度区间的浓度预测模型得到待测痕量金属离子的预测浓度。2.根据权利要求1所述的方法，其特征在于：步骤S2中获取最佳波长变量的过程如下：S21：按照相关系数-稳定性值从大到小的顺序对波长变量进行排序；S22：按序选取不同个数的波长变量分别构建浓度预测初始模型；其中，每次选取波长变量时对应的一个浓度预测初始模型的训练输入数据为：每个样本的光谱信号中当前选取的波长变量对应的光谱信号以及每个样本中待测痕量金属离子的浓度；得到的浓度预测初始模型的输入数据为：混合溶液的光谱信号中当前选取的波长变量的光谱信号，输出数据为：混合溶液中待测痕量金属离子的浓度；S2...

【专利技术属性】
技术研发人员：朱红求，吴书君，李勇刚，阳春华，程菲，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43