專利名稱：基于神經(jīng)網(wǎng)絡(luò)的富集過程熱監(jiān)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種用于富集過程的熱監(jiān)測方法，特別是基于神經(jīng)網(wǎng)絡(luò)的富集過程熱監(jiān)測方法。
背景技術(shù)：
富集在分析、分離、提純等領(lǐng)域應(yīng)用廣泛，尤其在痕量分析中常采用，是排除干擾、降低檢出限、提高分析精度的重要手段。富集過程可以通過富集柱或富集床出ロ被富集樣液濃度的變化趨勢來描述，能反映富集傳質(zhì)區(qū)的長度，確定有效富集時間并用以控制富集過程的進程。 富集過程的準(zhǔn)確描述和預(yù)測對應(yīng)用富集的分析、分離、提純等過程的優(yōu)化和控制非常有利，這需要一種快速、準(zhǔn)確、可靠的富集過程監(jiān)測方法，熱監(jiān)測方法具有優(yōu)勢，其價格便宜、原理簡單、手段可靠，其采用溫度傳感器對富集過程伴隨的熱變化進行監(jiān)測。受流速、孔隙率、富集表面等多種因素影響，簡單熱監(jiān)測方法的準(zhǔn)確性和可靠性受到一定限制，往往需結(jié)合經(jīng)驗操作參數(shù)。BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Networks)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，具有大規(guī)模并行處理、分布式信息存儲、良好的自組織自學(xué)習(xí)能力等特點，在エ程預(yù)測和控制中得到廣泛應(yīng)用。針對富集過程的熱監(jiān)測方法，引入BP神經(jīng)網(wǎng)絡(luò)描述和預(yù)測富集過程，可得到更準(zhǔn)確的目標(biāo)數(shù)據(jù)。發(fā)明專利(鄭藝華，劉君，馬永志.富集、檢測一體化量熱式生物傳感器，中國，ZL200910126677. 9)提出的富集、檢測一體化量熱生物傳感器通過對待測試樣的富集從根本上提高靈敏度，并相對改善特異性，其省略傳統(tǒng)富集的洗脫等步驟，實現(xiàn)了反應(yīng)、檢測一體化。目前，對其富集過程尚不能有效描述，尚不能準(zhǔn)確確定富集過程時間，依據(jù)經(jīng)驗估計，可能會有一定的時間閑置或不足，并且過度的富集過程可能會造成附加的、未知的誤差來源。

發(fā)明內(nèi)容
本發(fā)明的目的是為了克服現(xiàn)有富集過程，難以準(zhǔn)確、有效描述和預(yù)測過程狀態(tài)的缺陷，利用熱監(jiān)測方法，并結(jié)合神經(jīng)網(wǎng)絡(luò)實現(xiàn)富集過程的快速、準(zhǔn)確、可靠的描述和預(yù)測，可用于分析、分離、提純等領(lǐng)域涉及富集過程的預(yù)測和控制。本發(fā)明的技術(shù)方案是，一種基于神經(jīng)網(wǎng)絡(luò)的富集過程熱監(jiān)測方法。包括如下步驟(I)獲取富集過程熱監(jiān)測信號及其相關(guān)影響參數(shù)作為輸入變量。對于各種形式的富集柱或富集床，內(nèi)部填充富集材料，包含入口和出口，出口設(shè)置檢測器，所述的檢測器得到出口處被富集樣液的濃度變化，其信號引至計算機處理得到被富集樣液的濃度變化率，利用至少三個溫度傳感器測量富集柱或富集床的熱變化，其輸出 信號通過溫度變送器送至計算機處理；所述的多個溫度傳感器沿富集柱或富集床中心軸線分散安裝，同時獲得多個溫度傳感器在富集柱或富集床的相對位置，以及被富集樣液的流速和富集柱或富集床的洗脫體積，并輸入計算機。所述的檢測器的檢測原理可以是量熱、光度、電化學(xué)和電容方法等。所述的溫度傳感器可以是熱電阻、熱電偶等，可以是點狀、柱狀等，體積盡量小，以獲得較小的時間常數(shù)并減少介入干擾。所述的洗脫體積指富集柱或富集床從加樣開始到檢測器檢測出峰所經(jīng)過的時間期間內(nèi)流出的洗脫液體積。(2)建立神經(jīng)網(wǎng)絡(luò)。所述的神經(jīng)網(wǎng)絡(luò)是基于L-M(Levenberg-Marquardt)算法的BP神經(jīng)網(wǎng)絡(luò)。、所述的神經(jīng)網(wǎng)絡(luò)包括ー個輸入層、ー個中間層和ー個輸出層，結(jié)構(gòu)如圖I所示。所述的輸入層包括如下輸入變量多個溫度傳感器的輸出熱信號XSl XSn及其對應(yīng)的相對位置XLl XLn、被富集樣液的流速XF和洗脫體積XV。所述的中間層節(jié)點接收所有輸入信號，記為S jWijX,式中，Wij是輸入層節(jié)點i和中間層節(jié)點j之間的權(quán)值；每個節(jié)點通過S型對數(shù)函數(shù)作為激活函數(shù)，記為^=l + exp(-J采用L-M算法(即阻尼最小二乗法，高斯-牛頓法的改進)比較學(xué)習(xí)誤差，并輸出此時的最佳權(quán)值，以傳播和修正各層的鏈接權(quán)值，誤差指標(biāo)函數(shù)記為E(w)=^Yje]{w) = ^Yj(ti-0^式中，ti、0i為期望輸出與實際輸出的誤差；所述的輸出層的目標(biāo)為被富集樣液的濃度變化率Y。所述的基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)，可以通過Matlab、C/C++等系統(tǒng)編程實現(xiàn)。(3)對所述的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試。變化不同的エ況參數(shù)和被富集樣液的濃度按照所述的步驟(I)獲取富集過程熱監(jiān)測信號及其相關(guān)影響參數(shù)作為輸入變量，同時利用富集柱或富集床出口的檢測器得到被富集樣液的濃度變化率，并以此作為訓(xùn)練和測試樣本。按照所述的步驟(2)建立神經(jīng)網(wǎng)絡(luò)，設(shè)置訓(xùn)練次數(shù)及訓(xùn)練目標(biāo)誤差，使用訓(xùn)練樣本進行訓(xùn)練，訓(xùn)練組越多，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)越充分，經(jīng)驗值越大，預(yù)測精度越高。當(dāng)所述的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，利用測試樣本檢驗，當(dāng)所述的神經(jīng)網(wǎng)絡(luò)在測試樣本數(shù)據(jù)的預(yù)測誤差低于規(guī)定水平即通過測試，可以用于富集過程的描述和預(yù)測工作。(4)利用所述的神經(jīng)網(wǎng)絡(luò)進行富集過程的描述和預(yù)測。本發(fā)明的有益效果是本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)的富集過程熱監(jiān)測方法，實現(xiàn)了快速、準(zhǔn)確、可靠地描述和預(yù)測富集過程，減少了探索性資源消耗和經(jīng)驗誤差，可用于分析、分離、提純等領(lǐng)域涉及的富集過程的描述、預(yù)測和控制，有效提升效率和精度。


圖I神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)2富集柱中溫度傳感器結(jié)構(gòu)布置3某富集過程的預(yù)測值和實測值
具體實施例方式如前述，本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的富集過程熱監(jiān)測方法，用于描述和預(yù)測分析、分離、提純等領(lǐng)域涉及的富集過程。籍由以下結(jié)合富集、檢測一體化量熱生物傳感器的實施例來說明本發(fā)明之內(nèi)容，而非限制本發(fā)明之范圍。 本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)的富集、檢測一體化量熱生物傳感器富集過程的熱監(jiān)測方法，包括如下步驟(I)獲取富集過程熱監(jiān)測信號及其相關(guān)影響參數(shù)作為輸入變量。富集、檢測一體化量熱生物傳感器的富集和檢測在同一反應(yīng)器內(nèi)連續(xù)完成，本發(fā)明關(guān)注其富集過程，故僅提供簡化的結(jié)構(gòu)布置示意圖，如圖2所示。所述的反應(yīng)器在此被稱為富集柱R(0 10_X60mm)，所述的富集柱R出口設(shè)置熱檢測器D，用以監(jiān)測被富集樣液(重金屬離子、農(nóng)藥殘留等)的濃度變化，其信號引入計算機PC進行處理，得到被富集樣液的濃度變化率；富集柱R內(nèi)的熱變化利用五只微細熱電偶(T型，Φ0. 08mm) SI、S2、S3、S4、S5監(jiān)測，其輸出信號通過溫度變送器T引入計算機PC進行處理，五只微細熱電偶SI、S2、S3、S4、S5分別沿富集柱R的中心軸線IOmm等間距均勻分散布置；同時獲得五只微細熱電偶S1、S2、S3、S4、S5在富集柱的相對位置，以及被富集樣液的流速和富集柱R的洗脫體積，并輸入計算機PC。(2)建立神經(jīng)網(wǎng)絡(luò)所述的神經(jīng)網(wǎng)絡(luò)是基于L-M(Levenberg-Marquardt)算法的BP神經(jīng)網(wǎng)絡(luò)。所述的神經(jīng)網(wǎng)絡(luò)包括ー個輸入層、ー個中間層和ー個輸出層。所述的輸入層包括如下輸入變量五只微細熱電偶SI、S2、S3、S4、S5的輸出信號XSl XS5及其對應(yīng)的以富集柱入口為零坐標(biāo)的相對位置XLl XL5、被富集樣液的流速XF和洗脫體積XV。所述的中間層節(jié)點接收所有輸入信號。Sj = Xl=IWvX,(1)式中，Wu是輸入層節(jié)點i和中間層節(jié)點j之間的權(quán)值；每個節(jié)點通過S型對數(shù)函數(shù)作為激活函數(shù)。⑵采用L-M算法比較學(xué)習(xí)誤差，并輸出此時的最佳權(quán)值，以傳播和修正各層的鏈接權(quán)值，直至誤差小于指定精度為止，誤差指標(biāo)函數(shù)為￡(^) = τΣ 6/(3)式中，ti、0i為期望輸出與實際輸出的誤差；所述的輸出層的目標(biāo)為被富集樣液的濃度變化率Y。所述的基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)，使用Matlab系統(tǒng)編程實現(xiàn)。
(3)對所述的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試。變化不同的工況參數(shù)和被富集樣液的濃度按照所述的步驟(1)獲取富集過程熱 監(jiān)測信號及其相關(guān)影響參數(shù)作為輸入變量，同時利用富集柱R出口的檢測器D得到被富集 樣液的濃度變化率，并以此作為訓(xùn)練和測試樣本。按照所述的步驟⑵建立神經(jīng)網(wǎng)絡(luò)，使用訓(xùn)練樣本進行訓(xùn)練，當(dāng)訓(xùn)練結(jié)束后，利用 一些測試樣本來檢驗所述的神經(jīng)網(wǎng)絡(luò)，當(dāng)神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差在0. 1%內(nèi)，表明達到了預(yù)期 效果?？梢杂糜诟患^程的描述和預(yù)測工作。(4)利用所述的神經(jīng)網(wǎng)絡(luò)進行富集過程的描述和預(yù)測。使用所述的神經(jīng)網(wǎng)絡(luò)對富集、檢測一體化量熱式生物傳感器的某富集過程(pH = 7磷酸鹽緩沖液，流速0. 5ml/min,銅離子濃度0. 05mol/ml)進行了描述和預(yù)測，如圖3所示 給出了重金屬離子樣液出口濃度變化率預(yù)測值和實測值的變化，當(dāng)濃度變化率小于0. 2% 時判定為富集過程結(jié)束，此時，延續(xù)的過程時間為富集時間；數(shù)據(jù)顯示富集過程完成的時間 為3. 2min,以此便精確確定了富集過程的完成時刻，富集過程結(jié)束后，便可進行富集、檢測 一體化量熱式生物傳感器的后續(xù)測量步驟和過程；數(shù)據(jù)顯示濃度變化率的預(yù)測值與實測值 的偏差在0. 1 %范圍內(nèi)，達到高精度預(yù)測的要求。
權(quán)利要求
1.一種基于神經(jīng)網(wǎng)絡(luò)的富集過程熱監(jiān)測方法，包括如下步驟 (1)獲取富集過程熱監(jiān)測信號及其相關(guān)影響參數(shù)作為輸入變量； 對于各種形式的富集柱或富集床(R)，內(nèi)部填充富集材料，包含入口和出口，出口設(shè)置檢測器(D)，所述的檢測器(D)得到出口處被富集樣液的濃度變化，其信號引至計算機(PC)處理得到被富集樣液的濃度變化率，利用至少三個溫度傳感器(S)測量富集柱或富集床(R)的熱變化，其輸出信號通過溫度變送器(T)送至計算機(PC)處理，所述的多個溫度傳感器(S)沿富集柱或富集床(R)中心軸線分散安裝，同時獲得多個溫度傳感器(S)在富集柱或富集床(R)的相對位置，以及被富集樣液的流速和富集柱或富集床(R)的洗脫體積，并輸入計算機(PC)； 所述的檢測器⑶的檢測原理可以是量熱、光度、電化學(xué)和電容方法等； 所述的溫度傳感器⑶可以是熱電阻、熱電偶等，可以是點狀、柱狀等； 所述的洗脫體積指富集柱或富集床(R)從加樣開始到檢測器(D)檢測出峰所經(jīng)過的時間期間內(nèi)流出的洗脫液體積； (2)建立神經(jīng)網(wǎng)絡(luò)； 所述的神經(jīng)網(wǎng)絡(luò)是基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)； 所述的神經(jīng)網(wǎng)絡(luò)包括ー個輸入層、ー個中間層和ー個輸出層； 所述的輸入層包括如下輸入變量多個溫度傳感器(S)的輸出熱信號XSl XSn及其對應(yīng)的相對位置XLl XLn、被富集樣液的流速XF和洗脫體積XV ； 所述的輸出層的目標(biāo)為被富集樣液的濃度變化率Y ; 所述的神經(jīng)網(wǎng)絡(luò)，可以通過Matlab、C/C++等系統(tǒng)編程實現(xiàn)； (3)對所述的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試； 變化不同的エ況參數(shù)和被富集樣液的濃度按照所述的步驟(I)獲取富集過程熱監(jiān)測信號及其相關(guān)影響參數(shù)作為輸入變量，同時利用富集柱或富集床(R)出口的檢測器(D)得到被富集樣液的濃度變化率，并以此作為訓(xùn)練和測試樣本； 按照所述的步驟(2)建立神經(jīng)網(wǎng)絡(luò)，設(shè)置訓(xùn)練次數(shù)及訓(xùn)練目標(biāo)誤差，使用訓(xùn)練樣本進行訓(xùn)練； 當(dāng)所述的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，利用測試樣本檢驗，當(dāng)所述的神經(jīng)網(wǎng)絡(luò)在測試樣本數(shù)據(jù)的預(yù)測誤差低于規(guī)定水平即通過測試，可以用于富集過程的描述和預(yù)測工作； (4)利用所述的神經(jīng)網(wǎng)絡(luò)進行富集過程的描述和預(yù)測。
全文摘要
一種基于神經(jīng)網(wǎng)絡(luò)的富集過程熱監(jiān)測方法，包括如下步驟(1)獲取富集過程熱監(jiān)測信號及其相關(guān)影響參數(shù)作為輸入變量，(2)建立神經(jīng)網(wǎng)絡(luò)，(3)對所述的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試，(4)利用所述的神經(jīng)網(wǎng)絡(luò)進行富集過程的描述和預(yù)測；本發(fā)明的神經(jīng)網(wǎng)絡(luò)是基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)，包括一個輸入層、一個中間層和一個輸出層，輸入層的輸入變量為多個溫度傳感器的輸出熱信號及其對應(yīng)的相對位置、被富集樣液的流速和洗脫體積，輸出層的目標(biāo)為被富集樣液的濃度變化率；本發(fā)明實現(xiàn)了快速、準(zhǔn)確、可靠地描述和預(yù)測富集過程，可用于分析、分離、提純等領(lǐng)域涉及的富集過程的描述、預(yù)測和控制，有效提升效率和精度。
文檔編號G01N25/20GK102661970SQ20121014611
公開日2012年9月12日 申請日期2012年5月2日 優(yōu)先權(quán)日2012年5月2日
發(fā)明者劉君, 王麗影, 鄭藝華 申請人:青島大學(xué)