光电式液滴分析技术定量检测水中的盐度*

冯国红，裘祖荣，杨慧敏

（1．东北林业大学森林持续经营与环境生物工程黑龙江省重点实验室，黑龙江哈尔滨，150040;2．天津大学精密测试技术及仪器国家重点实验室，天津 300072）

0 引言

液滴分析技术主要具有两大功能:一是用于液体的定性识别;二是用于液体特性参数的定量测量。目前，国内外对该技术的研究主要集中在第一个功能上，即主要进行各种液滴分析方法与液滴分析仪的研究［1～4］，试图更方便地获得包含更多液体信息的液滴指纹图，通过对液滴指纹图进行特征提取实现液体的识别。这些研究为应用液滴分析技术进行液体的定性识别奠定了很好的基础。但这些研究对于定量获知被分析液体具体的水质参数还有很大的不足。为了使液滴分析技术在实现液体定性识别的同时，能够提供更详细的定量指标，从而为了解水质状况提供可靠的数据支持。本文将基于光纤—电容液滴分析方法对水质的重要指标之一—盐度的检测进行研究。

1 盐度检测的分析与实验

光纤—电容液滴分析系统的主要组成包括:光纤液滴传感器（由光源、输入光纤、输出光纤和滴头构成）、电容液滴传感器（由环形极板和滴头构成）、供液泵、光纤信号处理电路、电容信号处理电路、A/D采集和计算机。其原理框图如图1所示。

光纤液滴传感器和电容液滴传感器同时对液滴的形成过程进行监测，两者均随着液滴体积的不断增大而发生变化。将2个信号进行融合处理，以电容信号为横坐标、光纤信号为纵坐标，可得到反映液滴体积变化的曲线，该曲线具有唯一性，可用来识别不同的液体。

图1 光纤—电容液滴分析系统的原理框图Fig 1 Principle block diagram of fiber-capacitance liquid droplet analysis system

由图1可以看出:光源发出的光由输入光纤传输到液滴后，一部分光被液体吸收，一部分光折射到空气中，还有一部分光被反射回来。反射回来的光部分进入输出光纤，由光电接收和光纤信号处理电路转换成电压信号（这里简称为光纤电压）。当光源强度和液滴轮廓一定时，光纤电压的大小主要取决于被界面反射回来的光强大小。由菲涅耳公式可知［5］，光从一种介质入射到另一种介质时，反射光强的幅值与2种介质的折射率有关。因此，输出光纤接收的光强大小与折射率n1和n2有关，而光线从液滴射出的介质为空气，因此，有n2=1。可见当光源强度和液滴轮廓一定时，输出光纤接收的光强主要与液体本身的折射率n1有关。由盐度的检测资料可知［6～8］，液体的折射率与其盐度是呈正比的，由此可见，接收光纤的光强与液体的盐度有关。

为了寻找二者的关系，本文用矿泉水配制了不同盐度的溶液，然后利用光纤—电容液滴分析装置进行了实验。具体操作如下:先将20个烧杯进行编号（1#，2#，…，20#），然后分别倒入100mL的矿泉水，再用电子秤分别称取1，2，3，…19，20 g 的 NaCl，分别倒入 1#，2#，…，20#烧杯中，搅拌至其完全溶解后，用注射器先抽取1#烧杯中的液体进行实验，记录下多滴液滴生成至滴落过程中的光纤电压值和电容电压值。然后用注射器抽取矿泉水，对注射器与滴头进行清洗，清洗完毕后，再进行2#烧杯中液体的实验，其他以此类推。

实验得到了20组液体的液滴指纹图，本文仅给出了溶解1～10 g NaCl的液滴指纹图，如图2所示。

2 盐度的BP神经网络建模

分析图2可以看出:随着盐度的增加，光纤电压值有上升趋势，曲线下的面积也逐渐增加。由于无法确定图2中的光纤电压和液滴指纹图曲线下的面积与盐分的具体映射关系，而BP神经网络能够学习和存贮大量的输入—输出模式映射关系，无需事前揭示描述这种映射关系的数学方程［9］。因此，本文采用BP神经网络法研究盐度的检测。

图2 不同盐度溶液的液滴指纹图Fig 2 Liquid droplet fingerprint of solution with different salinity

2．1 网络结构

BP神经网络创建时，主要需要确定如下2个参数:

1）网络层数的确定

对于大多数的实际问题而言，通常采用三层网络结构即能完成输入到输出的非线性映射。因此，本文选取的网络层数为3层，即输入层、隐含层和输出层。

2）隐节点数的确定

本文将分别采用光纤电压平均值和液滴指纹图曲线下的面积作为输入层的输入向量。其中，光纤电压平均值记为V光纤，以4滴完整液滴形成时采集到的光纤电压值取平均进行计算。

液滴指纹图曲线下的面积记为S，其示意图如图3所示。以电容电压值为x，光纤电压值为y，利用Matlab软件中的trapz（x，y）函数进行数值积分求出［10］。

图3 液滴指纹图曲线下的面积示意图Fig 3 Schematic diagram of area under the curve of liquid droplet fingerprint diagram

可见，输入层的输入向量为一维数组，则输入层的节点数n=1。

输出向量为100 mL水中溶解的盐分，也为一维数组，则输出层的节点数l=1。

隐节点数不同，得到的网络误差是不同的，经过试验，以 和S分别作为BP神经网络的输入向量时，随着节点个数的增加，训练达到的误差均呈减小趋势。V光纤为输入向量时，当隐节点数为12个时，经过14次训练后，训练误差为2．12628×10－14，达到了预测要求，效果最佳;S为输入向量时，当节点数为12个时，经过125次训练后，训练误差为2．6125×10－10，达到了预测要求，效果最佳。由此确定的隐节点个数为12个。

综上所述，最终确定的BP神经网络的结构为1—12—1三层网络结构。

2．2 BP神经网络的训练

考虑到trainlm算法对于中等规模的BP神经网络具有最快的收敛速度，且能够很好地利用Matlab对于矩阵的运算的优势。而s型激励函数具有既简单又有很好的非线性映射能力的优点。因此，本文创建的BP神经网络选用的训练函数为trainlm，输入层采用tansig正切s型传递函数神经元，输出层采用purelin线性传递函数神经元。分别以20个样本的光纤和S作为输入向量P，100 mL水中溶解的盐分为目标向量T。

使用命令:

创建神经网络模型。

采用命令:

对网络进行训练。

由命令:

给出训练结果。

光纤电压平均值法和液滴指纹图曲线下的面积法训练结果如表1和表2所示。

3 预测结果的比较与分析

训练好的网络还需要进行测试才可以判定是否可以投入实际应用，这里的测试数据是100mL水中分别溶解1．5，2．5，3．5，4．5，5．5，6．5，7．5，8．5 g 的 NaCl溶液。利用前面的方法分别计算出光纤电压平均值（P_test_average）和液滴指纹图曲线下的面积（P_test_area），分别通过如下代码进行预测:

表1 光纤电压平均值法的训练结果Tab 1 Training results of optical fiber voltage average value method

表2 液滴指纹图曲线下的面积法的训练结果Tab 2 Training results of area method under curve of liquid droplet fingerprint diagram

运行程序，得到的预测结果如表3所示。

表3 预测结果的比较Tab 3 Comparison of predicted results

比较表3可以看出:应用光纤信号平均值作输入向量比指纹图曲线下的面积值预测效果好。在溶解7．5 g NaCl时产生的绝对误差最大，约为0．14 g，即0．14%。

4 结论

通过光纤—电容液滴分析方法的原理，分析了光纤信号检测盐度的可能性，基于20种不同盐度溶液的实验结果，利用BP神经网络法，分别以光纤电压平均值和液滴指纹图曲线下的面积为输入向量研究了盐度的检测，经过比较得出:以光纤电压平均值作为1—12—1网络结构的BP神经网络的输入向量，检测盐度的效果较好，检测误差为0．14%。

［1］ 张志林，王家璐，陈关君，等．中药制剂的光纤液滴指纹图分析［J］．传感器与微系统，2011，30（9）:63 －65．

［2］ Song Q，Zhang G X，Qiu Z R，et al．Improvements in liquid drop sensor and optical signal processing of the liquid signature analyzer［J］．Instrumentation Science and Technology，2005，33（2）:199－214．

［3］ 刘 晶，宋 晴，黄加勇，等．基于液滴指纹图的波形分析算法的改进［J］．计算机测量与控制，2011，19（3）:670 －672．

［4］ 裘祖荣，张永杰，李杏华．液滴传感器结构以及数据处理方法的研究［J］．电子测量技术，2008，31（8）:41 －43．

［5］ 王志坚，王 鹏，刘智颖．光学工程原理［M］．北京:国防工业出版社，2010．

［6］ Wu Y，Yuan Y．Research of a novel principle on sea-water salinity measurement based on refractive index change［J］．Guangxue Xuebao/Acta Optica Sinica，2005，25（2）:199 －202．

［7］ 赵 勇，胡开博，陈世哲，等．海水盐度检测技术的最新进展［J］．光电工程，2008，35（11）:38 －44．

［8］ Malarde D，Wu Z Y，Grosso P，High-resolution and compact refractometer for salinity measurements［J］．Meas Sci Technol，2009，20（1）:15204 －15208．

［9］ 马 锐．人工神经网络原理［M］．北京:机械工业出版社，2010．

［10］唐培培，戴晓霞，谢龙汉．Matlab科学计算及分析［M］．北京:电子工业出版社，2012．