颗粒物浓度的测量方法及装置与流程

本发明涉及颗粒物浓度监测领域，特别涉及一种基于光散射原理的颗粒物浓度测量方法及装置。

背景技术：

目前，颗粒物浓度的测量方法主要包括：标准称重法、振荡天平法、β射线法和光散射法，光而散射法因其重复性好、灵敏度高等优势广泛应用于在线颗粒物监测领域。然而，光散射法是基于光的散射原理进行测量的，对环境的适应性很差，散射信号很容易受到颗粒物粒径的大小、形状，折射率及环境温湿度等因素的影响，因此需要对浓度转换系数K值进行定时校准。通常采用光散射法与β射线法、光散射法与振荡天平法(或滤膜称重法)等联用技术来实现K值的定时校准，同时还需采用动态加热系统来减小温湿度的影响，从而保证光散射法检测结果的准确性。虽然联用技术在一定程度上可以对K值进行校准，但仍存在以下缺陷：

1、不能对K值进行实时校准，一般是在颗粒物测量一段时间后(如2小时)才会对K值进行校准；

2、联用技术引入β射线法或振荡天平法或滤膜称重法，提高了成本，增大了系统的复杂程度，装置整体体积增大，无法进行便携式颗粒物测量。

技术实现要素：

为了解决上述现有技术方案中的不足，本发明提供了一种实时校正、测量结果准确可靠，有效降低颗粒物颜色、形状、粒径、温湿度等因素对散射信号影响的颗粒物浓度的测量方法。

本发明的目的是通过以下技术方案实现的：

一种颗粒物浓度的测量方法，所述测量方法包括以下步骤：

(A1)建立神经网络模型；

(A2)测量获得待测颗粒物的退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度，并将其输入所述神经网络模型；所述退偏比为侧向散射光的退偏比；

(A3)神经网络模型输出修正后的颗粒物浓度。

根据上述的测量方法，优选地，所述神经网络模型的建立方法如下：

获取输入端参数与输出端参数的系列数据，所述输入端参数包括：退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度，所述输出端参数为颗粒物实际浓度；

将所述输入端参数的系列数据进行归一化处理；

将所述输入端参数的归一化数据作为输入端，颗粒物实际浓度的系列数据作为输出端，神经网络对所述输入端参数的归一化数据和颗粒物实际浓度的系列数据进行训练，从而建立神经网络模型。

根据上述的测量方法，可选地，引入BP神经网络学习算法或RBF神经网络学习算法进行数据训练，建立神经网络模型。

根据上述的测量方法，优选地，待测颗粒物的退偏比、侧向散射信号和后向散射信号通过颗粒物浓度的测量装置测量获得。

本发明还提供一种结构简单、体积小、成本低的颗粒物浓度测量装置，所述测量装置包括：

侧向散射单元，所述侧向散射单元包括：准直透镜组、偏振分束镜、第一探测器和第二探测器；所述偏振分束镜将准直后的侧向散射光分束，形成水平偏振光和垂直偏振光，所述水平偏振光和垂直偏振光分别进入所述第一探测器和第二探测器进行检测；

后向散射单元，所述后向散射单元包括：聚焦透镜和第三探测器，经聚焦后的侧向散射光进入所述第三探测器进行检测。

根据上述的测量装置，可选地，所述第一探测器、第二探测器和第三探测器均为PIN光电二极管。

与现有技术相比，本发明具有的有益效果为：

1、本发明将退偏比、侧向散射信号、后向散射信号、温湿度数据作为输入端，颗粒物实际浓度作为输出端进行自学习，学习足够的样本后建立神经网络模型，所述神经网路模型有效修正了颗粒物颜色、粒径、形状、粒子折射率、温湿度等因素对光散射信号的影响。

2、本发明采用偏振分束镜对侧向散射光分成水平偏振光和垂直偏振光，从而获得退偏比，侧向散射信号；同时与测量后获得的后向散射信号、环境温度及相对湿度一起输入神经网络模型，从而获得实时校正的颗粒物浓度，检测结果准确可靠。

3、本发明的测量装置无需引入β射线法与动态加热系统，大大降低成本，同时装置结构简单、体积小。

附图说明

参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于举例说明本发明的技术方案，而并非意在对本发明的保护范围构成限制。图中：

图1是本发明实施例1的颗粒物浓度测量装置的结构简图；

图2是本发明实施例1的颗粒物浓度测量方法的神经网络模型示意图。

实施方式

图1-2以下说明描述了本发明的可选实施方式以教导本领域技术人员如何实施和再现本发明。为了教导本发明技术方案，已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型或替换将在本发明的范围内。本领域技术人员应该理解下述特征能够以各种方式组合以形成本发明的多个变型。由此，本发明并不局限于下述可实施方式，而仅由权利要求和它们的等同物限定。

实施例1

图1示意性地给出了本实施例的颗粒物浓度测量装置的结构简图，如图1所示，所述颗粒物浓度测量装置包括光源1、准直透镜2、光感应区3、光阱4，所述测量装置进一步包括：

侧向散射单元5，所述侧向散射单元包括：准直透镜组51、偏振分束镜52、第一探测器53和第二探测器54；所述偏振分束镜将准直后的侧向散射光分束，形成水平偏振光和垂直偏振光，所述水平偏振光和垂直偏振光分别进入所述第一探测器和第二探测器进行检测；

后向散射单元6，所述后向散射单元包括：聚焦透镜61和第三探测器62，经聚焦后的侧向散射光进入所述第三探测器进行检测。

图2示意性地给出了本实施例的颗粒物浓度测量方法的神经网络模型示意图，如图2所示，所述颗粒物浓度的测量方法包括以下步骤：

(A1)建立神经网络模型；

(A2)测量获得待测颗粒物的退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度，并将其输入所述神经网络模型；所述退偏比为侧向散射光的退偏比；所述退偏比、侧向散射信号和后向散射信号通过上述颗粒物浓度的测量装置测量获得，环境温度与相对湿度通过温湿度表测量获得；

(A3)神经网络模型输出修正后的颗粒物浓度。

进一步地，所述神经网络模型的建立方法如下：

获取输入端参数与输出端参数的系列数据，所述输入端参数包括：退偏比、侧向散射信号、后向散射信号、环境温度及相对湿度，所述输出端参数为颗粒物实际浓度；

将所述输入端参数的系列数据进行归一化处理；

将所述输入端参数的归一化数据作为输入端，颗粒物实际浓度的系列数据作为输出端，神经网络对所述输入端参数的归一化数据和颗粒物实际浓度的系列数据进行训练，从而建立神经网络模型。

进一步地，引入BP神经网络学习算法或RBF神经网络学习算法进行数据训练，建立神经网络模型。

通过神经网络学习算法将输入端参数的数据和输出端参数的数据进行大量训练，从而建立神经网络模型的方法为现有技术，在此不再赘述。

本实施例的优势在于：1、将测量获得的退偏比、侧向散射信号、后向散射信号、温湿度数据输入神经网络模型，直接输出修正后的待测颗粒物浓度，所述神经网络模型通过大量数据经神经网络算法训练获得，实时对颗粒物颜色、粒径、形状、离子折射率、温湿度等因素进行修正，输出结果准确可靠，适用于颗粒物浓度的在线监测系统；2、无需引入β射线法与动态加热系统，装置结构简单、体积小、成本低。

实施例2

本实施例为本发明实施例1的颗粒物浓度测量方法及装置在大气监测领域的应用例。

在该应用例中，光源为激光二极管，第一探测器、第二探测器和第三探测器均为PIN光电二极管，第一探测器输出侧向散射光的垂直偏振光信号I₁，第二探测器输出侧向散射光的水平偏振光信号I₂，从而获得退偏比D＝I₁/I₂；侧向散射信号I_侧向＝I₁+I₂；第三传感器输出后向散射信号I_后向。同时，通过温湿度表获得环境温度T与相对湿度H，将所述退偏比D、侧向散射信号I_侧向、后向散射信号I_后向、环境温度T和相对湿度H输入已建立的神经网络模型中，输出待测颗粒物的实际浓度。