本發(fā)明屬于濁度測量，具體而言，涉及一種非接觸式濁度在線測量裝置。

背景技術：

1、混懸液濁度是一個廣泛應用的重要物理參數,在許多工業(yè)領域都有著重要的應用價值。例如,在水處理行業(yè),混懸液的濁度反映了水體中懸浮顆粒的含量,是水質控制的關鍵指標之一；在化工生產中,濁度監(jiān)測能夠及時發(fā)現原料或中間產品存在的異常情況,確保產品質量；在食品飲料行業(yè),濁度也是評判產品質量的重要參數之一。除此之外,在制藥、礦山、造紙等行業(yè),濁度監(jiān)測同樣發(fā)揮著重要作用?？梢哉f,混懸液濁度檢測技術已經成為各個領域不可或缺的在線監(jiān)測手段。

2、目前,常用的濁度檢測方法主要有兩種:一是離線采樣檢測法,即取樣后送到實驗室進行分析測試；二是在線監(jiān)測法,利用光學傳感器直接對混懸液進行實時檢測。離線采樣檢測法雖然能夠獲得較為精確的濁度數據,但受限于采樣和運輸過程,無法反映實時的濁度變化情況,同時操作流程繁瑣,不適用于連續(xù)監(jiān)測。而在線監(jiān)測法由于采用了自動化和遠程監(jiān)控技術,能夠實現持續(xù)、實時的濁度檢測,已逐漸成為主流的監(jiān)測手段。

3、目前市面上常見的在線濁度監(jiān)測裝置大多采用光學檢測原理,通過測量入射光和透射光、散射光的強度變化,利用經驗公式或標定曲線計算出混懸液的濁度值。這種方法簡單易行,可以提供連續(xù)的濁度數據。但是,現有的光學濁度監(jiān)測裝置存在由于不同物質和粒子形態(tài)對光的吸收、散射和透射性能存在差異,會導致測量結果產生較大誤差的技術問題。

技術實現思路

1、有鑒于此，本發(fā)明提供一種非接觸式濁度在線測量裝置，能夠解決現有的光學濁度監(jiān)測裝置存在由于不同物質和粒子形態(tài)對光的吸收、散射和透射性能存在差異,會導致測量結果產生較大誤差的技術問題。

2、本發(fā)明是這樣實現的：

3、本發(fā)明提供一種非接觸式濁度在線測量裝置，包括：激光光源、入射光纖、入射透鏡、出射光纖、反射面、采集透鏡、試劑瓶、光信號采集器以及上位機；所述激光光源用于發(fā)射激光光束，所述試劑瓶用于盛裝混懸液，所述入射光纖的一端連接所述激光光源，所述入射光纖的另一端連接所述入射透鏡，并用于接受所述激光光源發(fā)射的激光，通過所述入射透鏡照射所述試劑瓶；所述反射面與所述入射透鏡相隔所述試劑瓶相對設置，所述反射面的中心設置在所述入射激光與所述試劑瓶的交點上，所述采集透鏡的外側與所述入射透鏡的外側貼合設置，所述采集透鏡與所述出射光纖連接，所述采集透鏡用于采集照射在所述采集透鏡內壁上的激光，并通過所述出射光纖傳輸給所述光信號采集器，所述光信號采集器用于接收所述出射光纖傳輸來的激光，并轉換為電信號并傳輸給所述上位機，所述上位機內設置有濁度計算模塊，用于根據所述電信號計算所述混懸液的濁度。

4、在上述技術方案的基礎上，本發(fā)明的一種非接觸式濁度在線測量裝置還可以做如下改進:

5、其中，所述反射面為圓弧形，所述圓弧形的弧度至少為π。

6、進一步的，所述入射透鏡為凹入射透鏡；所述采集透鏡為凸透鏡。

7、進一步的，所述激光光源用于發(fā)射多種波長的激光。

8、進一步的，所述光信號采集器具體是光電倍增管或光電二極管。

9、其中，所述濁度計算模塊，用于執(zhí)行以下步驟：

10、s10、獲取所述電信號，預處理得到第一信號；

11、s20、對所述第一信號采用滑動窗口的方式進行頻域特征提取，得到頻域特征集；

12、s30、對所述頻域特征集進行聚類，得到多個聚類中心；

13、s40、對每個聚類中心輸入預訓練的信號分類模型，得到每個聚類中心的光分類，包括反射面反射光、混懸液內顆粒反射光、混懸液內顆粒透射后被反射面反射的光、試劑瓶反射光；

14、s50、對所述頻域特征集進行篩選，保留對應光分類為反射面反射光或混懸液內顆粒反射光的頻域特征，得到篩選頻域特征集；

15、s60、采用預先訓練好的濁度計算模型，輸入所述篩選頻域特征集及其對應光分類，輸出所述混懸液的濁度。

16、其中,所述步驟s10具體包括:光信號采集器將接收到的激光信號轉換為電信號,并將其輸出給上位機；上位機的濁度計算模塊對采集到的電信號進行預處理,主要包括:采用巴特沃斯低通濾波器對電信號進行濾波,消除高頻噪聲成分,濾波器的截止頻率可設置為500hz；計算電信號的平均值,從電信號中減去該平均值,消除直流偏移；將處理后的電信號除以其最大值,進行歸一化處理,使之落在0到1之間,便于后續(xù)的特征提取和計算。通過上述預處理步驟,得到可供后續(xù)分析的第一信號。

17、其中,所述步驟s20具體包括:將第一信號劃分為若干重疊的時間窗口,窗口長度設為1024個采樣點,相鄰窗口之間有50％的重疊；對每個時間窗口內的數據分別進行快速傅里葉變換(fft),得到該窗口的頻域特征；將所有窗口的頻域特征組成一個頻域特征集,作為后續(xù)分析的輸入。

18、其中,所述步驟s30具體包括選擇k-means聚類算法,對頻域特征集進行聚類；聚類的簇數k可設置為4,根據物理分析,這對應于4種不同的光學成分:反射面反射光、混懸液內顆粒反射光、混懸液內顆粒透射后被反射面反射的光、試劑瓶反射光；通過k-means聚類,得到4個聚類中心,代表4種不同的光學成分。

19、其中,所述步驟s40具體包括:構建一個多分支的深度學習結構作為信號分類模型,包括:頻域特征分類模塊、大概率頻域特征分支網絡、小概率頻域特征分支網絡以及融合分支網絡；頻域特征分類模塊對輸入的頻域特征進行分類,將其劃分為大概率頻域特征和小概率頻域特征；大概率頻域特征分支網絡采用多層卷積神經網絡,用于對大概率頻域特征進行光分類處理,輸出光分類概率分布；小概率頻域特征分支網絡采用多層全連接神經網絡,用于對小概率頻域特征進行光分類處理,輸出光分類概率分布；融合分支網絡采用注意力機制加權融合網絡,綜合大小概率分支網絡的輸出,得到最終的光分類結果；將步驟s30中得到的4個聚類中心分別輸入該預訓練的信號分類模型,得到每個聚類中心所對應的4種光學成分的概率分布。

20、其中,所述步驟s50具體包括:根據步驟s40的結果,對頻域特征集中的每個頻域特征進行篩選；僅保留那些對應光分類為"反射面反射光"或"混懸液內顆粒反射光"的頻域特征,其余頻域特征均被舍棄；保留下來的頻域特征組成新的篩選頻域特征集,作為后續(xù)濁度計算的輸入。

21、其中,所述步驟s60具體包括:構建一個嵌入式混合神經網絡作為濁度計算模型,包括數學計算子模型和誤差修正子模型；數學計算子模型根據物理光學原理,計算散射光強度、吸收光強度和透射光強度,并初步估算濁度值；誤差修正子模型包括4個子網絡,分別用于修正散射方程、吸收方程、透射方程和濁度計算方程的誤差,這些子網絡都采用多層感知機結構；將步驟s50得到的篩選頻域特征集及其對應的光分類,輸入該濁度計算模型,模型會先進行數學計算,得到初步濁度值,然后使用誤差修正子網絡進行修正,最終輸出混懸液的精確濁度。

22、進一步的，所述信號分類模型采用多分支的深度學習結構，包括頻域特征分類模塊、大概率頻域特征分支網絡、小概率頻域特征分支網絡以及融合分支網絡。

23、進一步的，所述頻域特征分類模塊，對輸入的頻域特征集中的每個頻域特征按照概率進行分類，分為大概率頻域特征和小概率頻域特征；

24、所述大概率頻域特征分支網絡用于對所述大概率頻域特征進行光分類處理，輸入為大概率頻域特征向量，輸出為光分類概率分布，結構是多層卷積神經網絡；

25、所述小概率頻域特征分支網絡用于對所述小概率頻域特征進行光分類處理，輸入為小概率頻域特征向量，輸出為光分類概率分布，結構是多層全連接神經網絡；

26、所述融合分支網絡用于綜合大小概率分支網絡的輸出，輸入為兩個分支網絡的輸出，輸出為最終的光分類結果，結構是注意力機制加權融合網絡。

27、所述信號分類模型的訓練數據集構建的步驟具體是：收集多種濃度和成分的混懸液樣本；使用裝置采集不同樣本的光信號數據；人工標注每個信號的光分類；進行數據增強，如添加噪聲、平移等；劃分訓練集、驗證集和測試集；

28、所述信號分類模型的訓練步驟具體是：初始化模型參數；使用小批量梯度下降法訓練模型；在驗證集上評估模型性能；根據驗證結果調整超參數；重復上述步驟直到模型收斂；在測試集上進行最終評估，優(yōu)化模型。

29、進一步的，所述濁度計算模型采用嵌入式混合神經網絡結構，包括數學計算子模型以及誤差修正子模型；所述數學計算子模型用于根據物理光學原理計算散射、吸收和透射光強度，以及初步估算濁度值，包括散射方程、吸收方程、透射方程以及濁度計算方程；所述誤差修正子模型包括散射方程誤差修正子網絡、吸收方程誤差修正子網絡、透射方程誤差修正子網絡以及濁度計算方程誤差修正子網絡。

30、進一步的，所述散射方程,用于考慮光在混懸液中的散射效應,得到散射光強度；

31、所述吸收方程,用于考慮光在混懸液中的吸收效應,得到吸收光強度；

32、所述透射方程,用于考慮光在混懸液中的透射效應,得到透射光強度；

33、所述濁度計算方程，用于基于所述散射光強度、吸收光強度和透射光強度計算所述混懸液的濁度；

34、所述散射方程誤差修正子網絡用于修正散射方程的誤差,輸入為散射方程的輸入和輸出,輸出為散射光強度的修正值,結構是多層感知機；

35、所述吸收方程誤差修正子網絡用于修正吸收方程的誤差,輸入為吸收方程的輸入和輸出,輸出為吸收光強度的修正值,結構是多層感知機；

36、所述透射方程誤差修正子網絡用于修正透射方程的誤差,輸入為透射方程的輸入和輸出,輸出為透射光強度的修正值,結構是多層感知機；

37、所述濁度計算方程誤差修正子網絡用于修正濁度計算方程的誤差,輸入為濁度計算方程的輸入和輸出,輸出為濁度的修正值,結構是多層感知機。

38、所述濁度計算模型的訓練數據集構建的步驟具體是：準備已知濁度的標準樣品；使用裝置采集標準樣品的光信號數據；提取頻域特征并進行光分類；記錄真實濁度值和各光學參數；劃分訓練集、驗證集和測試集；所述濁度計算模型的訓練步驟具體是：初始化數學計算子模型的參數；訓練誤差修正子網絡，使用真實濁度值作為目標；在驗證集上評估模型性能；根據驗證結果調整超參數；重復上述步驟直到模型收斂；在測試集上進行最終評估，優(yōu)化模型。

39、與現有技術相比較，本發(fā)明提供的一種非接觸式濁度在線測量裝置的有益效果是：

40、采用了先進的光學原理和深度學習算法,能夠在復雜的工業(yè)環(huán)境條件下,提供可靠的濁度在線監(jiān)測。與現有技術相比,本發(fā)明具有以下顯著優(yōu)勢:

41、1.測量精度高。本裝置采用了多光學參數的融合分析方法,不僅考慮了散射光、吸收光和透射光的強度變化,還引入了光譜導數等高階光學特征,通過深度學習算法進行智能分類和誤差修正,能夠大幅提高濁度測量的準確性和可靠性。

42、2.抗干擾能力強。本裝置的光學路徑采用了非接觸式設計,避免了與混懸液直接接觸,減少了環(huán)境因素的影響。同時,通過先進的信號處理和分類算法,能夠有效識別和抑制來自反射面、容器壁等的干擾光,進一步提高了測量的穩(wěn)定性。

43、因此，本發(fā)明解決了現有的光學濁度監(jiān)測裝置存在由于不同物質和粒子形態(tài)對光的吸收、散射和透射性能存在差異,會導致測量結果產生較大誤差的技術問題。