最新基于机器学习的光学溶解氧传感器的标定方法与流程

本站介绍的最新基于机器学习的光学溶解氧传感器的标定方法与流程,小编为您介绍如下内容

本站介绍的最新基于机器学习的光学溶解氧传感器的标定方法与流程,小编为您介绍如下内容


本发明属于检测仪器标定技术领域,具体地说,是涉及一种用于对光学溶解氧传感器进行标定的方法。



背景技术:

溶解氧是海水中最重要的成分之一,它作为衡量海水水质状况、海水自净能力的重要指标,在海洋生态环境评估和海洋科学实验中扮演着重要的角色。因此,准确测量海水中的溶解氧浓度在海洋观测领域具有重要的意义。

传统的溶解氧浓度测量方法主要有碘量法和电极法,但存在测量操作繁琐、数据漂移严重、无法实现长期在线监测等缺陷。因此,基于荧光法的光学溶解氧传感器检测技术得到了较快的发展。光学溶解氧传感器基于荧光猝灭原理设计而成,其以测量准确度高、响应时间快、稳定性强、可长期在线监测等优点,克服了传统溶解氧测量上的不足,已被广泛应用于海洋、河流、湖泊等水体环境的溶解氧浓度监测领域。

决定光学溶解氧传感器测量结果准确度的标定方法至关重要。早期研究建立了一种4阶多项式标定方法,但此方法因使用了不稳定的多项经验公式进行计算,因此对基准值的选择要求很高,标定精度完全取决于每个温度点下4阶拟合公式的准确度。拟合公式如果要精确就需要多个基准点,而基准点的增多又会导致标定周期过长,操作繁琐。但若基准点选择过少,又会影响拟合公式的准确度,进而影响标定系数,导致补偿校正数据误差较大,特别是在溶解氧浓度大于100%的情况下,会产生极大的误差;而且在低溶解氧浓度条件下,也无法得到满意的结果。

鉴于4阶多项式标定方法存在的上述缺陷,目前业内普遍采用实验室多点标定方法对光学溶解氧传感器进行标定。这种标定方法虽然可以极大地提高标定精度,但其缺点也十分明显,主要体现在:

①实验过程需要严格控制参数,例如溶解氧的浓度和水体的温度等;

②通过光学溶解氧传感器获取实时数据来测量水体中溶解氧的波动情况,等待读数稳定且波动范围达到实验要求时记录数据,整个实验过程都需要实验人员观察记录数据,实验操作过程过于繁琐;

③每台光学溶解氧传感器的标定通常需要测量40个标定点(5个温度点和8个溶解氧浓度值),1个标定点的测量通常需要3个小时,标定周期过于漫长,无法实现光学溶解氧传感器的高效率应用。



技术实现要素:

本发明为了解决现有光学溶解氧传感器标定方法所存在的实验操作繁琐、标定耗时长的问题,提出了一种基于机器学习的光学溶解氧传感器的标定方法,可以简化标定实验流程和操作,以尽量短的时间周期,实现对光学溶解氧传感器的高精度标定。

为解决上述技术问题,本发明采用以下技术方案予以实现:

一种基于机器学习的光学溶解氧传感器的标定方法,包括:a、将待标定光学溶解氧传感器和参比光学溶解氧传感器浸入同一水体中;b、改变所述水体的温度;随机选择多个采样点,记录待标定光学溶解氧传感器在每一个采样点的相移及检测到的温度、以及参比光学溶解氧传感器在每一个采样点检测到的溶解氧浓度值,形成随机采样实验数据;d、改变水体中的溶解氧浓度,重复执行上述步骤b、c,利用采集到的随机采样实验数据形成标定数据;e、基于监督学习方法构建光学溶解氧传感器的标定模型,并利用所述标定数据对所述标定模型进行训练,以确定出标定模型中的权值和偏差,进而生成最终的标定结果。

进一步的,所述步骤e可以具体包括:根据所述标定数据建立标定模型的输入矩阵和正确输出向量;所述输入矩阵由多个输入向量构成,每一个输入向量由待标定光学溶解氧传感器在同一采样点的相移及检测到温度数据构成;所述正确输出向量由参比溶解氧传感器检测到的与各输入向量采样时间相对应的溶解氧浓度值构成;所述正确输出向量由与各输入向量相对应的溶解氧浓度值构成;将各输入向量依次传递到所述标定模型,并获取标定模型的输出;依据正确输出向量中与该输入向量相对应的溶解氧浓度值,采用梯度下降算法计算标定模型的输出误差;将得到的误差采用反向传播的学习规则对所述标定模型进行训练,以确定出标定模型中的权值和偏差。

优选的,所述标定模型包括输入层、隐含层和输出层;依据所述监督学习方法,优选利用matlab脚本编写所述标定模型;优选从所述标定数据中随机选取70%的数据用于标定模型的训练,15%的数据用于标定模型的校验,剩余15%的数据用于标定模型的测试;对所述标定模型进行不断地训练、校验和测试,调整标定模型中的权值和偏差,以减小标定模型的输出误差,最终获得标定结果公式:

其中,[o2]为标定后的溶解氧浓度值;f(·)为输出层节点的激活函数;为隐含层节点的激活函数;x为输入层节点的输入向量;w1为输入层到隐含层的权值矩阵;w2为隐含层到输出层的权值矩阵;b1为隐含层节点的偏差向量;b2为输出层节点的偏差向量。

优选的,所述隐含层节点优选采用sigmoid函数;所述输出层节点优选采用线性激活函数。

优选的,所述隐含层节点优选设置5个。

考虑到sigmoid函数取值在-1到1之间,本发明在对所述标定模型进行训练、校验和测试的过程中,首先需要对输入向量以及正确输出向量进行归一化处理,然后再传递到所述标定模型中。

实际应用过程中,在对待测水体进行溶解氧浓度检测时,首先将浸入到待测水体中的光学溶解氧传感器的相移及其检测到的温度数据进行归一化处理,再代入所述标定结果公式进行计算,然后对计算结果进行反归一化处理后,输出标定后的溶解氧浓度值。

为了提高传感器标定的准确度,优选将所述待标定光学溶解氧传感器和参比光学溶解氧传感器浸入水体的中央位置且同一深度;在改变所述水体的温度的过程中,水体温度从标定温度的最高值逐渐下降到标定温度的最低值,或者从标定温度的最低值逐渐升温到标定温度的最高值。

其中,当所述标定温度在4℃~45℃之间时,所述水体可选用纯水;当所述标定温度在0℃~4℃之间时,所述水体可选用酒精。

为了在保证标定精度的前提下,尽可能地缩短标定实验的时间,本发明在所述改变水体中的溶解氧浓度的过程中,优选在0%~200%的溶解氧饱和度区间内配置8~12个溶解氧饱和度梯度进行实验,所述水体的溶解氧浓度可以直接由所述参比光学溶解氧传感器检测到的溶解氧浓度值进行确定。

与现有技术相比,本发明的优点和积极效果是:本发明利用机器学习建立了光学溶解氧传感器标定模型,保障了标定模型的准确性和可靠性,解决了标定水体中溶解氧浓度不稳定对标定模型的影响,简化了标定水体不同溶解氧浓度梯度的配比过程,实现了以较短的标定周期完成光学溶解氧传感器的高精度标定,对提高光学溶解氧传感器的研发和生产效率具有重要意义。该标定方法实验流程简化,标定操作简单,适合各种基于荧光猝灭原理研制的溶解氧传感器,还可以推广应用于其他基于光致发光原理研制的仪器的标定。

结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。

附图说明

图1为基于机器学习的光学溶解氧传感器标定实验装置结构示意图;

图2为本发明所提出的基于机器学习的光学溶解氧传感器标定方法的一种实施例的流程图;

图3为光学溶解氧传感器标定模型训练网络的基本结构图。

具体实施方式

下面结合附图对本发明的具体实施方式进行详细地描述。

现有的实验室多点标定方法利用校正公式得到的曲面模型表征光学溶解氧传感器的各个相移和温度点与溶解氧浓度之间的对应关系,曲面上的每一个点都被赋予了不同的物理意义,但曲面上的标定点太少,只能反映个别情况下光学溶解氧传感器的特性。

为了使光学溶解氧传感器能够适用于各种实际的测量应用环境,本实施例提出了一种流程简化、操作简单、随机采样的散点标定方法,以将标定点尽可能地分散分布在标定模型的整个曲面,进而更好地反映出光学溶解氧传感器在各种情况下的特性,提高标定的准确度。

具体而言,本实施例在光学溶解氧传感器的溶解氧浓度检测范围内随机选择多个溶解氧浓度梯度的水体进行降温或升温实验,调节水体的温度以及水体中的溶解氧浓度,并在实验过程中随机确定标定散点,获取随机采样实验数据形成标定数据,对工控机中建立的标定模型进行训练、校验和测试,进而生成标定结果,完成对光学溶解氧传感器的标定。整个实验过程中不需要人为过多干预,标定操作简单,使标定实验人员在一定程度上得到了解放。

下面结合图1,首先对用于标定光学溶解氧传感器的实验装置进行结构方面的阐述。

如图1所示,本实施例的光学溶解氧传感器标定实验装置主要包括饱和空气瓶1、高纯氮气瓶2、减压阀3、压力传感器4、质量/流量控制器5、密封塞6、保温浮球7、搅拌装置10、鼓泡石11、调温槽13、工控机14、槽盖15、气体管路16等组成部分。其中,饱和空气瓶1中封装有饱和空气(相对湿度的值可以反映空气的饱和度,相对湿度为100%的空气称为饱和空气);高纯氮气瓶2中封装有纯度达到99.99%的氮气;饱和空气瓶1和高纯氮气瓶2通过气体管路16连接鼓泡石11,鼓泡石11伸入到调温槽13内封装的水体12中,且优选位于邻近调温槽13底部的位置。减压阀3可以安装在饱和空气瓶1和高纯氮气瓶2的瓶口位置,压力传感器4和质量/流量控制器5可以安装在气体管路16中。其中,压力传感器4用于检测流经所述气体管路16的饱和空气及高纯氮气的压力,工控机14可以根据压力传感器4检测到的压力值调整减压阀3的开度,进而使流经气体管路16的气体的压力达到预设值。质量/流量控制器5用于控制通入到水体12内的饱和空气以及高纯氮气的量,通过调节通入到水体12内的饱和空气和高纯氮气的比例,来控制水体12中的溶解氧浓度。鼓泡石11可以起到加快气体在水体12中溶解速度的作用。

在进行标定实验时,在调温槽13中注入水体12,所述水体12的类型可以根据待标定光学溶解氧传感器8的标定温度范围确定。具体而言,若待标定光学溶解氧传感器8的标定温度范围在4℃~45℃之间,则可以选用纯水;若待标定光学溶解氧传感器8的标定温度范围在0℃~4℃之间,则可以选用酒精。

在本实施例中,所述调温槽13优选采用具有保温、防腐蚀的材料制成,调温槽13具有加热和冷却功能,可以自动调节槽内水体12的温度。并且,在调温槽13内还可以进一步安装温度传感器,用于监测水体12的温度。将搅拌装置10置于调温槽13内,开启搅拌装置10,可以使槽内水体12的温度以及溶解氧快速均匀分布。

将待标定光学溶解氧传感器8和参比光学溶解氧传感器9置于水体12中,优选浸没在水体12的中央位置且位于同一水平高度。作为一种优选实施例,可以将待标定光学溶解氧传感器8和参比光学溶解氧传感器9吊挂在调温槽13的中央位置。在水面放置保温浮球7,以起到保温和减少气体交换的作用。利用槽盖15封堵调温槽13的槽口,槽盖15上开设有插装气体管路16以及供连接所述待标定光学溶解氧传感器8和参比光学溶解氧传感器9的线缆17穿过的开口。利用密封塞6(例如泡沫或橡皮塞等)封堵所述开口,以保证调温槽13内的水体12相对封闭。

将连接所述待标定光学溶解氧传感器8和参比光学溶解氧传感器9的线缆17连接至在工控机14,以记录实验数据。在标定实验过程中,需要记录的实验数据包括待标定光学溶解氧传感器8的相移及其检测到的温度数据、以及参比光学溶解氧传感器9检测到的溶解氧浓度值。可以将参比光学溶解氧传感器9检测到的溶解氧浓度值作为水体12的实际溶解氧浓度,参与水体12内溶解氧浓度梯度的调节以及标定模型的训练。

下面结合图1所示的标定装置,对光学溶解氧传感器的标定方法进行详细阐述。

如图2所示,包括以下过程:

s201、调节水体12的温度达到初始温度;

在本实施例中,水体12的初始温度可以根据光学溶解氧传感器8的标定温度范围进行确定。具体而言,可以是标定温度的最高值(对于标定温度范围为4℃~45℃的情况,则最高值即为45℃;对于标定温度范围为0℃~4℃的情况,则最高值即为4℃),亦可以是标定温度的最低值(对于标定温度范围为4℃~45℃的情况,则最低值即为4℃;对于标定温度范围为0℃~4℃的情况,则最低值即为0℃),且保证水温稳定且均匀。

s202、调节水体12中的溶解氧浓度;

在本实施例中,可以打开饱和空气瓶1和高纯氮气瓶2,调节水体12中的溶解氧浓度。调节完成后等待3分钟,以保证水体12中的溶解氧分布均匀。利用参比光学溶解氧传感器9获取当前水体12的溶解氧饱和度以及浓度值,作为一个溶解氧饱和度梯度。

s203、改变水体12的温度;

在本实施例中,对于初始温度为标定温度的最高值的情况,采用降温方式使水体温度从最高值降低到最低值。而对于初始温度为标定温度的最低值的情况,则采用升温方式使水体温度从最低值上升到最高值。

s204、在水体温度变化的过程中,随机选择多个采样点,记录待标定光学溶解氧传感器8在每一个采样点的相移以及检测到的温度、以及参比光学溶解氧传感器9在所述每一个采样点检测到的溶解氧浓度值,形成随机采样实验数据;

在本实施例中,可以设置采样频率为20s,水体温度变化速率大约为每10s改变0.1℃,水体12的一个升温过程或者一个降温过程大约需要1小时,这样工控机14在每一个溶解氧饱和度梯度的升温或降温过程中可以采集到大约180组随机采样实验数据。

由于溶解氧传感器自带温度探头,本实施例利用溶解氧传感器自带的温度探头测量水体温度(而不采用调温水槽检测到的温度值),用于标定模型的训练,并在日后的实际应用过程中,同样利用溶解氧传感器检测到的温度数据作为输入参数用于待测水体中溶解氧浓度的计算,由此可以提高标定结果的准确性。

s205、在水体温度调节结束并稳定后,调节水体12中的溶解氧浓度,将水体12的溶解氧浓度配置到下一个溶解氧饱和度梯度。

s206、反向调节水体12的温度;

在本实施例中,对于当前水体温度为标定温度的最低值的情况,采用升温方式使水体温度从最低值上升到最高值。反之,对于当前水体温度为标定温度的最高值的情况,采用降温方式使水体温度从最高值下降到最低值。

s207、在水体温度改变的过程中,随机选择多个采样点,记录待标定光学溶解氧传感器8在每一个采样点的相移以及检测到的温度、以及参比光学溶解氧传感器9在所述每一个采样点检测到的溶解氧浓度值,形成下一个溶解氧饱和度梯度下的随机采样实验数据。

s208、在水体温度调节结束并稳定后,重复执行过程s202~s207,直到溶解氧饱和度梯度达到配置个数为止;

在本实施例中,出于标定精度以及标定实验时长等多方面考虑,优选在0%~200%的溶解氧饱和度区间内配置8~12个溶解氧饱和度梯度进行实验。溶解氧浓度和溶解氧饱和度都可以表达水体中溶解氧含量。溶解氧饱和度0~200%对应溶解氧浓度为0~600μmol/l。但在标定过程中,为了方便一般使用溶解氧饱和度设置梯度。

作为一种优选实施例,所述溶解氧饱和度梯度最好配置8个,以提高光学溶解氧传感器的研发和生产效率。

s209、利用采集到的随机采样实验数据构建标定数据;

在本实施例中,原则上应先对采集到的所有随机采样实验数据进行预处理,将异常数据(误差明显大的数据)剔除,利用剩余的随机采样实验数据构建标定数据。

在所述标定数据中包括待标定光学溶解氧传感器8在不同采样点的相移及其检测到的温度数据、以及参比光学溶解氧传感器9在所述各采样点检测到的溶解氧浓度值。利用标定数据中的相移和温度数据构建输入矩阵,利用标定数据中的溶解氧浓度值构建正确输出向量。在输入矩阵中,每一个采样点所对应的相移和温度数据构成一个输入向量[x1x2],每一个输入向量所对应的溶解氧浓度值构成所述正确输出向量中的一个正确输出r,即,所述正确输出向量由参比溶解氧传感器检测到的与各输入向量采样时间相对应的溶解氧浓度值构成。利用各采样点所对应的输入向量和正确输出构建数据集,本实施例以{[x1x2],r}进行表示,用于标定模型的训练、校验和测试。

s210、建立光学溶解氧传感器的标定模型;

在本实施例中,优选采用监督学习方法构建光学溶解氧传感器的标定模型,如图3所示。所述标定模型包括输入层、隐含层和输出层。其中,输入层包括两个节点i1、i2,分别接收输入向量中的两个输入参数x1、x2,即,待标定光学溶解氧传感器8的相移和检测到的温度数据;隐含层优选设置5个节点s1~s5;输出层包括一个节点o。

为了使网络模型输出有效信号,隐含层节点和输出层节点必须选取有效的激活函数。综合考虑传感器标定模型网络结构和训练效率,输出层节点选用线性激活函数,sigmoid函数的非线性功能用于隐含层节点。

s211、利用标定数据对标定模型进行训练,以确定出标定模型中的权值和偏差;

具体而言,可以将数据集{[x1x2],r}中的各输入向量[x1x2]依次传递到标定模型,并获取标定模型的输出y。然后,依据正确输出向量中与该输入向量相对应的正确输出r,采用梯度下降算法计算标定模型的输出误差。最后,将计算得到的误差采用反向传播的学习规则对所述标定模型进行训练,以确定出标定模型中的权值w1、w2和偏差b1、b2。

在本实施例中,w1为输入层到隐含层的权值矩阵,包括10个权值,如图3所示,分别为w11、w12、w13、w14、w15、w21、w22、w23、w24、w25;w2为隐含层到输出层的权值矩阵,包括5个权值,分别为w10、w20、w30、w40、w50;b1为隐含层节点的偏差向量;b2为输出层节点的偏差向量。

作为一种优选实施例,本实施例优选利用matlab脚本依据所述监督学习方法编写光学溶解氧传感器的标定模型,将数据集{[x1x2],r}加载入程序,并随机选取70%的数据用于标定模型的训练,15%的数据用于标定模型的校验,剩余15%的数据用于标定模型的测试。通过对标定模型进行不断地训练、校验和测试,调整标定模型中的权值和偏差,以减小标定模型的输出误差,即,减小标定模型的输出y与正确输出r之间的误差。

需要说明的是,上述监督学习方法和梯度下降算法均为本领域技术人员的已知算法,具体可以参考文献“philkim.深度学习:基于matlab的设计实例[d].北京航天航空大学出版社,2018”中的相关描述。另外,线性激活函数、sigmoid函数等深度学习基本用语也在此文献中有相应的介绍。因此,本实施例在此不进行详细说明。

s212、生成最终的标定结果。

本实施例最终生成的标定结果公式为:

公式(1)中,[o2]为标定后的溶解氧浓度值;f(·)为输出层节点的激活函数;为隐含层节点的激活函数;x为输入层节点的输入向量[x1x2];w1为输入层到隐含层的权值矩阵;w2为隐含层到输出层的权值矩阵;b1为隐含层节点的偏差向量;b2为输出层节点的偏差向量。

由于隐含层节点的激活函数为sigmoid函数,考虑到sigmoid函数的取值在-1到1之间,因此,本实施例在对标定模型进行训练、校验和测试的过程中,首先需要对输入向量x中的输入参数x1,x2以及正确输出r分别进行归一化处理,然后再传递到标定模型中进行训练、校验和测试。

其中,归一化公式为:

公式(2)中,x为输入数据,例如x1,x2;y为输入数据x归一化得到的值;ymax和ymin分别为归一化区间的最大值和最小值,即,ymax=1、ymin=-1;xmax和xmax分别为输入数据x的最大值和最小值。

由此,便完成了对光学溶解氧传感器的标定过程。

实际应用过程中,在利用光学溶解氧传感器对待测水体进行溶解氧浓度检测时,首先利用公式(2)将光学溶解氧传感器的相移及其检测的温度值进行归一化处理,再代入标定结果公式(1)进行计算。然后,对计算结果进行反归一化处理后,输出标定后的溶解氧浓度值,以完成对待测水体的溶解氧浓度的检测。

当然,以上所述仅是本发明的一种优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前能够提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。


技术特征:

1.一种基于机器学习的光学溶解氧传感器的标定方法,其特征在于,包括:

a、将待标定光学溶解氧传感器和参比光学溶解氧传感器浸入同一水体中;

b、改变所述水体的温度;

c、随机选择多个采样点,记录待标定光学溶解氧传感器在每一个采样点的相移及检测到的温度、以及参比光学溶解氧传感器在每一个采样点检测到的溶解氧浓度值,形成随机采样实验数据;

d、改变水体中的溶解氧浓度,重复执行上述步骤b、c,利用采集到的随机采样实验数据形成标定数据;

e、基于监督学习方法构建光学溶解氧传感器的标定模型,并利用所述标定数据对所述标定模型进行训练,以确定出标定模型中的权值和偏差,进而生成最终的标定结果。

2.根据权利要求1所述的基于机器学习的光学溶解氧传感器的标定方法,其特征在于,所述步骤e具体包括:

根据所述标定数据建立标定模型的输入矩阵和正确输出向量;所述输入矩阵由多个输入向量构成,每一个输入向量由待标定光学溶解氧传感器在同一采样点的相移及检测到温度数据构成;所述正确输出向量由参比溶解氧传感器检测到的与各输入向量采样时间相对应的溶解氧浓度值构成;

将各输入向量依次传递到所述标定模型,并获取标定模型的输出;

依据正确输出向量中与该输入向量相对应的溶解氧浓度值,采用梯度下降算法计算标定模型的输出误差;

将得到的误差采用反向传播的学习规则对所述标定模型进行训练,以确定出标定模型中的权值和偏差。

3.根据权利要求2所述的基于机器学习的光学溶解氧传感器的标定方法,其特征在于,所述标定模型包括输入层、隐含层和输出层;

依据所述监督学习方法,利用matlab脚本编写所述标定模型;

从所述标定数据中随机选取70%的数据用于标定模型的训练,15%的数据用于标定模型的校验,剩余15%的数据用于标定模型的测试;

对所述标定模型进行不断地训练、校验和测试,调整标定模型中的权值和偏差,以减小标定模型的输出误差,最终获得标定结果公式:

其中,[o2]为标定后的溶解氧浓度值;f(·)为输出层节点的激活函数;为隐含层节点的激活函数;x为输入层节点的输入向量;w1为输入层到隐含层的权值矩阵;w2为隐含层到输出层的权值矩阵;b1为隐含层节点的偏差向量;b2为输出层节点的偏差向量。

4.根据权利要求3所述的基于机器学习的光学溶解氧传感器的标定方法,其特征在于,所述隐含层节点选用sigmoid函数;所述输出层节点选用线性激活函数。

5.根据权利要求4所述的基于机器学习的光学溶解氧传感器的标定方法,其特征在于,所述隐含层节点设置有5个。

6.根据权利要求4所述的基于机器学习的光学溶解氧传感器的标定方法,其特征在于,在对所述标定模型进行训练、校验和测试的过程中,对输入向量以及正确输出向量进行归一化处理后,再传递到所述标定模型中。

7.根据权利要求6所述的基于机器学习的光学溶解氧传感器的标定方法,其特征在于,在对待测水体进行溶解氧浓度检测时,首先将浸入到待测水体中的光学溶解氧传感器的相移及其检测到的温度数据进行归一化处理,再代入所述标定结果公式进行计算,然后对计算结果进行反归一化处理后,输出标定后的溶解氧浓度值。

8.根据权利要求1至7中任一项所述的基于机器学习的光学溶解氧传感器的标定方法,其特征在于,所述待标定光学溶解氧传感器和参比光学溶解氧传感器浸入水体的中央位置且同一深度;在改变所述水体的温度的过程中,水体温度从标定温度的最高值逐渐下降到标定温度的最低值,或者从标定温度的最低值逐渐升温到标定温度的最高值。

9.根据权利要求8所述的基于机器学习的光学溶解氧传感器的标定方法,其特征在于,当所述标定温度在4℃~45℃之间时,所述水体选用纯水;当所述标定温度在0℃~4℃之间时,所述水体选用酒精。

10.根据权利要求1至7中任一项所述的基于机器学习的光学溶解氧传感器的标定方法,其特征在于,在所述改变水体中的溶解氧浓度的过程中,在0%~200%的溶解氧饱和度区间内配置8~12个溶解氧饱和度梯度进行实验,所述水体的溶解氧浓度由所述参比光学溶解氧传感器检测到的溶解氧浓度值确定。

技术总结
本发明公开了一种基于机器学习的光学溶解氧传感器的标定方法,包括:a、将待标定光学溶解氧传感器和参比光学溶解氧传感器浸入同一水体中;b、改变所述水体的温度;c、随机选择多个采样点,记录待标定光学溶解氧传感器在每一个采样点的相移及检测到的温度、以及参比光学溶解氧传感器在每一个采样点检测到的溶解氧浓度值,d、改变水体中的溶解氧浓度,重复执行上述步骤b、c,形成标定数据;e、基于监督学习方法构建光学溶解氧传感器的标定模型,并利用所述标定数据对所述标定模型进行训练,进而生成最终的标定结果。本发明的标定方法可以简化标定实验流程和操作,以尽量短的时间周期,实现对光学溶解氧传感器的高精度标定。

技术研发人员:张颖颖;张颖;袁达;张云燕;吴丙伟;冯现东
受保护的技术使用者:山东省科学院海洋仪器仪表研究所
技术研发日:2020.02.25
技术公布日:2020.06.26

最新基于机器学习的光学溶解氧传感器的标定方法与流程的相关内容如下:

标题:最新基于机器学习的光学溶解氧传感器的标定方法与流程|http://www.wc10086.cn/326503.html

本文来自网络,不代表本站立场,转载请注明出处!