COD在线检测方法及仪器技术

一种ＣＯＤ在线检测方法，其特征在于，采用足够组已知的吸光度Ａ及ＣＯＤ值，来训练神经网络模型，在吸光度Ａ与ＣＯＤ值之间建立映射关系，当神经网络模型权值训练好之后，对于给定的吸光度Ａ值，通过神经网络模型计算来拟合水质的实际ＣＯＤ值。（*该技术在2023年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术涉及水环保行业水质的在线检测领域，特别是涉及COD在线检测方法及仪器。
技术介绍
COD是环保部门已明确要求重点污染源必须进行在线检测的关键指标。对于水质COD的检测，传统的检测方法基本上都是基于实验室铬法的演绎，例如，重铬酸钾消解-光度测量法、重铬酸钾消解-库仑滴定法以及重铬酸钾消解-氧化还原滴定法等，实现这些检测方法，需要在高温环境、强氧化剂、强酸条件下对有机物进行长时间消解，然后再测定相关数据。但基于这样的检测原理，不可避免地存在检测结构复杂、检测周期长、存在二次污染、故障点多，故障率高，维护、维修费用高等缺陷，这些缺陷直接影响了用户的积极性，同时对国家预计实现对水质进行有效监测和达标排放的目标带来了客观困难。在研发新的检测方法以替代传统络法的过程中，人们发现含有C＝C或C＝O不饱和键的有机物有吸收特定光谱的特性，在紫外光谱中，几乎所有的有机物都有吸收，而且大量实验表明UV254值与水质COD之间有较好的线性相关性。基于这样的原理出现了当前被广泛采用的光谱法，所谓光谱法是利用水样紫外可见吸收光谱与COD之间的相关性，通过水样的吸收光谱计算COD值的方法，这种方法是一种纯物理方法，避免了化学消解过程、不需要添加试剂、缩短了检测周期、且避免了二次污染的问题，在一定程度上简化了检测结构、降低了故障率及维护费用，是替代传统方法的一个很好的技术手段。因此，利用紫外可见光谱分析技术实现水质COD参数的在线快速检测成为目前国际上最常用的COD在线检测方法，例如在法国、日本等国家光谱法已经成为水质COD在线检测的重要手段之一。目前，市场上比较普遍的光谱水质分析方法大多是基于UV254定波长测量方法以及简单的线性拟合方法，并在此基础上研制了相应的检测设备。例如一种UV254检测方法，其所拟合线性函数的表达式为COD＝k×A254+b，为一种线性函数。其中，COD代表拟合线性函数的函数值，k、b是待定系数，A＝1g(I0/I)为吸光度，表示变量，这里，I0为用去离子水对检测系统进行标定得出的光强，I为污水光强，这样每一个水样都会有固定的吸光度A，即可作为自变量。因此在建立这种线性函数模型之后，对于每一给定的自变量A值，就可以计算线性函数值来拟合COD值。这种光谱水质分析的拟合方法为本领域的习知技术，不再仔细描述。我们都知道，实际的水质COD曲线根本不可能完全是直线式的曲线图，因此采用线性函数来拟合水质的实际COD曲线，根本不能真实的反应实际COD曲线图，特别是当水质COD值比较小时，UV254的函数值与COD值之间并没有很好的线性相关性，拟合精度更差，很明显，这种UV254光谱水质检测方法及相应设备的检测精度受水质变化的影响很大，检测精度偏低。市面上还有基于UV254(紫外光)、VIS546(可见光)两种定波长测量方法以及线性拟合方法，同样采用这样的检测原理研制有相应的检测设备。这类检测方法拟合曲线的表达式为COD＝k×(A254-A546)COD＝k×(A254-A546)+b这两种拟合方法采用了紫外(UV254)、可见(VIS546)两点进行COD拟合，其目的是进行浊度补偿，以试图能够提高检测精度以及减小水质变化对检测精度的影响。但这种补偿只有在以下两个假设条件中任意一者成立的条件下才能成立条件一，实测废水中产生浊度的物质均为无机成分；条件二，实测废水中产生浊度的COD与水质溶解性有机物产生的COD比例关系固定。但实际上这两个假设条件都非常严格与苛刻，在实际检测水样当中很难满足这样的条件，或者说，实际的水质检测当中，根本不存在这种水样条件，因此，这类拟合方法虽然在理论上能够产生其所欲达到的目的，但并不能适应实际的水样检测条件，导致这种理想拟合方法的“浊度补偿”形同虚设，正如实测水样对比实验表明，对于含浊度废水，这种浊度补偿拟合方法是无效的，也正因为如此，通常情况下，光谱COD设备多用于生产过程出水(水质不含浊度)的场合。这种拟合方法仍然未能解决浊度补偿以提高检测精度这一关键问题。因此，常规的基于UV254和VIS546的COD测试方法对于浊度和水质变化比较敏感，仍然存在受水质变化的影响很大、检测精度偏低等明显缺陷。
技术实现思路
本专利技术的目的是提供一种COD在线检测方法及仪器，其能提高光谱在线检测的测试精度和对水质变化的抗干扰性。本专利技术的技术方案如下一种COD在线检测方法，其特征在于，采用足够组已知的吸光度A及COD值，来训练神经网络模型，在吸光度A与COD值之间建立映射关系，当神经网络模型权值训练好之后，对于给定的吸光度A值，通过神经网络模型计算来拟合水质的实际COD值。所述检测方法具体包括以下步骤1)获取UV254紫外光及VIS546可见光的吸光度；2)将所述吸光度数据进行离散化；3)将所述离散化的数据输入到神经网络模型，在实测目标COD值的指导下，以反复的网络迭代进行权值调整的学习过程，以建立合适的神经网络模型，直至足够逼近目标值；4)通过神经网络模型计算拟合出COD值。所述神经网络模型为基于小脑型连接控制器的神经网络。所述另一种检测方法具体包括以下步骤1)获取紫外吸收光谱；2)进行紫外光谱特征向量提取，对每个吸收光谱寻找一个吸光度特征向量；3)将前述紫外光谱特征向量输入神经网络模型，在实测目标COD值的指导下，以反复的网络迭代进行权值调整的学习过程，建立紫外光谱特征向量与COD值间的映射关系，直至足够逼近目标值；4)通过神经网络模型计算拟合出COD值。在进行紫外光谱特征向量提取的第2)步中，采用一神经网络对吸收光谱寻找吸光度特征向量，具体将吸收光谱中的波长值输入到三层神经网络的输入节点，隐层以高斯函数为作用函数，通过反复调整权值的学习过程，建立波长值与吸光度特征向量间的映射关系，每一波长的吸光度特征向量由输出层输出。一种COD检测仪器，包括流体系统、光学系统及控制系统；流体系统用于提供光谱分析所需的介质以及标定溶液；光学系统用于定量分析流体系统的介质及标定溶液，并提供原始数据输入给控制系统；控制系统控制流体系统的启停、以及控制分析、计算光学系统提供的原始数据，并存储及显示相应数据，其特征在于，所述控制系统包括神经网络模型，控制系统在接收到光学系统提供的原始数据后计算吸光度，并由所述神经网络模型计算COD值。所述流体系统具体包括有被测液槽以及清洗液槽，被测液槽通过管路连接于一污水蠕动泵的入口，清洗液槽通过管路连接于一洗液泵的入口，污水蠕动泵及洗液泵的出口管路并接于一两位三通电磁阀的入口端，该两位三通电磁阀的出口端通过管路连接于一流通池的入口，流通池的出口通过管路连接于一排水槽内，所述两位三通电磁阀由控制系统控制启闭。所述流体系统的管路孔径等于或大于3毫米。所述光学系统包括有一光源，提供UV254、VIS546波长的光线，光源发出的光线经一聚焦镜变为平行光，所述平行光经过一透反镜后分为两路，经透反镜透射过去的平行光经过流通池对特定波长吸收后，余光进入一滤光片、光电管；而由透反镜反射过去的另一路光线依次经过另一滤光片以及另一光电管；所述两路光线经过两个光电管后由光信号转化为电信号，所述两路电信号分别连接至一对数放大器的输入端进行放大，经放大的两路电信号同时输入一运算器，所述运算器与控制系统本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：何洪，朱福军，冯伯韬，李文刚，赵洪涛，周志军，殷永志，
申请(专利权)人：多元水环保技术产业中国有限公司，
类型：发明
国别省市：