(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111675782.5 (22)申请日 2021.12.31 (71)申请人 常州机电职业 技术学院 地址 213164 江苏省常州市武进区鸣新中 路26号 (72)发明人 孙天佑　乔宏哲　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 代理人 刘景祥 (51)Int.Cl. G01N 33/18(2006.01) G01D 21/02(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种溶解氧含量的在线检测装置及方法 (57)摘要 本发明公开了一种溶解氧含量的在线检测 装置及方法， 属于溶解氧检测技术领域。 所述溶 解氧含量的在线检测装置包括ARM处理器、 外围 电路、 云服务器、 空气湿度传感器、 大气压传感 器、 水温度传感器和水质传感器， 空气湿度传感 器、 大气压传感器、 水温度传感器和水质传感器 均通过外围电路连接ARM处理器， ARM处理器与云 服务器双向无线连接， 云服务器内置有样本数 据。 本发明通过使用样本数据训练学习出的溶解 氧含量的软测量模型， 可通过输入与溶解氧密切 相关特征参数， 可获得溶解氧含量值。 可实现溶 解氧含量在线检测， 简化了检测溶解氧含量的操 作方法， 同时降低了检测所需的人力和成本， 可 满足一些低成本领域对溶解氧含量的检测需求。 权利要求书3页 说明书6页 附图1页 CN 114428159 A 2022.05.03 CN 114428159 A 1.一种溶解氧含量的在线检测装置， 其特征在于， 包括ARM处理器、 外围电路、 云服务 器、 空气湿度传感器、 大气 压传感器、 水温度传感器和水质传感器， 所述空气湿度传感器、 大 气压传感器、 水温度传感器和水质传感器均通过外围电路连接所述ARM处理器， 所述ARM处 理器与所述云服 务器双向无线连接， 所述云服 务器内置有样本数据。 2.根据权利要求1所述的一种溶解氧含量的在线检测装置， 其特 征在于， 所述空气湿度传感器， 用于向所述ARM处 理器发送实时湿度数据； 所述大气压传感器， 用于向所述ARM处 理器发送实时大气压数据； 所述水温度传感器， 用于向所述ARM处 理器发送实时水温数据； 所述水质传感器， 用于向所述ARM处 理器发送实时水质数据； 所述ARM处理器， 用于将监测到的相关特征参数上传至所述云服务器并接收返回的实 时溶解氧含量值， 所述相关特征参数包括 实时湿度数据、 实时大气 压数据、 实时水温数据和 实时水质数据； 所述云服务器， 用于接收预采集的样本数据， 训练学习出溶解氧含量的软测量模型， 接 收所述ARM处 理器上传的与所述相关特 征参数， 并向ARM处 理器返回溶解氧含量 值。 3.根据权利要求2所述的一种溶解氧含量的在线检测装置， 其特征在于， 所述溶解氧含 量的在线检测装置还包括四个A/D转换器， 所述空气湿度传感器、 大气压传感器、 水温度传 感器和水质传感器分别通过 所述四个A/D转换器连接所述外围电路， 其中， 所述四个A/D转换器， 用于将空气湿度传感器、 大气压传感器、 水温度传感器和水质 传 感器检测出的模拟信号 转换为数字信号， 所述外围电路， 包括滤波电路和放大电路。 4.根据权利要求3所述的一种溶解氧含量的在线检测装置， 其特征在于， 所述溶解氧含 量的在线检测装置还 包括显示按键人机 接口， 用于向所述ARM处 理器发送海拔高度设定 。 5.一种溶解氧含量的在线检测方法， 应用于权利要求1 ‑4任一项所述的一种溶解氧含 量的在线检测装置， 其特 征在于， 所述溶解氧含量的在线检测方法包括以下步骤： S100、 根据云服务器内置的样本数据， 并通过对四层BP神经网络的训练， 得到空气氧的 分压、 大气压、 水温和水质与溶解氧含量的对应关系； S200、 根据所述对应关系， 输入实时的空气氧的分压、 大气压、 水温和水质， 得到实时的 溶解氧含量。 6.根据权利要求5所述的一种溶解氧含量的在线检测方法， 其特征在于， 在S100中， 空 气氧的分压通过 下式得到： P＝P0(1‑h/8435)(1‑k(hd‑hd0))           (1‑1) 其中， h为实测点海拔 高度， hd为实测点实时大气相对湿度值， hd0为大气相对湿度参照 值， 固定为70％， P0为海拔高度h为0和大气相对湿度为h d0时的空气中氧的分压值， 固定为 21228pa， k为修正系数， 在0.1 ‑0.2之间取值， P为实测点推算后的空气中氧的分压值。 7.根据权利要求6所述的一种溶解氧含量的在线检测方法， 其特征在于， 在S100中， 具 体的， 首先需先要建立数据向量： x＝(x(1)， x(2)， x(3)， x(4))                 (2‑1) 其中， x(1)为测点空气氧的分压， x(2)为测点大气压， x(3)为测点的水温， x(4)为测点的水 质， 并对这些 数据进行归一 化处理后变成数据向量，权　利　要　求　书 1/3 页 2 CN 114428159 A 2在BP神经网络的结构中， 前一层节点i的输出是后一层节点j的一个输入， 并且节点i到 节点j是按照一个权值 wij的倍数关系连接， θj是节点j的阈值， Oj是节点的输出， xi为第i个训练样本数据向量， yi为xi的目标值， N 为训练数据数目。 8.根据权利要求7所述的一种溶解氧含量的在线检测方法， 其特征在于， 在S100中， 还 包括， 在用样本训练时， 通过反向计算 来训练BP网络模型和优化神经网络， 具体的， BP神经网络的前向迭代计算公式如下： Ij＝∑iwijOi+θj            (2‑2) 对于神经网络中的任意 一个节点的输出值Oj表示如下： 其中， 函数 是Sigmoid函数， Ij是Oj的总输入， 节点Oi是与Oj相连的所有输 入节点其中的某一个节点， 采用能量函数作为反向迭代的基础， 第j个神经元在第 k个样本数据 下的能量函数通过 以下公式表示： 其中， α 为可调因子， 取值范围为[0， 1]， A为反应样本期望输出的参数， 该值使得两种误 差处于同一数量级， d为理想 输出值， η为学习率， 表示第j个神经 元在第k个样本数据下当 前的实际输出值， 表示第j个神经 元在第k个样本数据下当前的理想 输出值， 由式(2‑3)推导得知， 若神经元节点j是输出节点， 则从节点i到节点j的权值变化量Δ wij和阈值更新变化 量Δθj分别表示 为： 若神经元节点j是隐层的节点， 则 从节点i到节点j的权值变化量Δwij和阈值更新变化 量Δθj分别表示 为： 引入自适应学习效率的方法， 每次循环中， 检查权值是否降低了误差函数， 如果降低 了， 说明学习效率选择偏小， 需要增加学习效率； 反之， 产生过调， 则降低学习效率， 具体调 整公式如下：权　利　要　求　书 2/3 页 3 CN 114428159 A 3