автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Информационно-измерительная система экологического мониторинга поверхностных сточных и питьевых вод

РГ6 од

Н;1 правах р\ копнен УДК 502.7. :54.66

МЕЛЬНИКОВ ЕВГЕНИЙ ВЛАДИСЛАВОВИЧ

ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНАЯ СИСТЕМА ЭКОЛОГИЧЕСКОГО МОНИТОРИНГА ПОВЕРХНОСТНЫХ. СТОЧНЫХ И ПИТЬЕВЫХ ВОД

Специальность 05.11.16- Информационно - измерительные системы

АВТОРЕФЕРАТ лисссргацпн па соискание ученой скисни кандидата технических наук

Самара - 1998

Работа выполнена на кафедре "Информационно-измерительная техника" Самарского государственного технического университета.

Научный руководитель: заслуженный деятель науки и техники России.

академик Метрологической академии РФ, доктор технических наук, профессор Куликовский К.Л.

Официальные оппоненты: заслу женный деятель науки России, доктор

технических наук, профессор Семенов B.C..

кандидат технических наук Романов И.Г.

Ведущая организация: ОАО "Цвет" (г. Дзержинск)

Защита состоится " 3 О " кэ и Э? 1998 г. в/О часов на заседании диссертационного совета Д.063.16.01 при Самарском государственном техническом университете по адресу .' 44310, г. Самара, ул. Галактионовская, 141, ауд. 23.

С диссертацией можно ознакомится в библиотеке Самарского государственного технического университета.

Автореферат разослан "28" °< 3] __1998г.

Ученый секретарь

диссертационного совета Д.063.16.01 кандидат технических наук, доцент

В.Г. Жиров

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Одной !п важных проблем, стоящих перед человечеством является сохранно присущей ему среды обитания.

В конкретных ситуациях возможны разнообразные варианты резкого нару-ния среды обитания - от отказа системы очистки выбросов или аварий на пропиленных предприятиях (выброс мстилнзоцианата в Бхопале. Индия, 1985г.) до »бальных природных возмущений (например,-твержение вулканов), благодаря "орым параметры качества среды могут неожиданно измениться.

Не менее опасным является медленное изменение среды обитания, тайное антропогенным воздействием. Накапливание тяжелых металлов в поч-водс в живых организмах, уменьшение толщины озонового слоя, вырубка лс-I. сжигание промышленных отходов и т.д. приводит к резкому ухудшению качс-а среды обитания человека.

Поэтому контроль за состоянием окружающей среды с целью обнаружения и ранения возникших нарушений является неотложной и актуальной задачей. В ,ачс мониторинга качества окружающей среды можно выделить две проблемы:

для оценки происходящих в экосфере изменений необходимо определение игрального критерия качества среды, определяемого по многим параметрам овень углекислоты в атмосфере, величина фоновых концентраций тяжелых медов, показателю онкологических заболеваний в данном районе, и т.д.). Опрс-[снис такого критерия требует наличия развитой сети наблюдения, включающей :бя хорошо оборудованные аналитические лаборатории;

для выявления и предотвращения аварийных ситуаций необходима орга-:ации системы контроля, способной достаточно часто проводить анализ »ужающей среды и оперативно передавать информацию о возникших отклонс-IX от нормальных показателей.

Для контроля загрязнений воздушной среды в Самаре используются автома-ированные станции контроля, определяющие концентрацию загрязнителей воза и оперативно по модемной связи передающие данные в городской ннформа-«но-аналитический центр,

Положение с контролем загрязнения водной среды является более сложным, тая среда является наиболее уязвимой для возможного загрязнения в связи с эоким использованием воды в технологических и хозяйственно-бытовых целях, ьшой скоростью переноса загрязнителей, образования застойных зон. Однако гроль за загрязнением водной среды по-прежнему осуществляется траднцион-хн методами путем отбора и анализа проб в стационарных лабораториях.

Период пробоотбора воды меняется от нескольких дней до нескольких яцев в различных точках контроля, что не позволяет оперативно отслеживать

существующий уровень загрязнения и обнаруживать залповые выбросы загрязнителей.

Существующие информационно-измерительные системы для контроля физических параметров и химического состава воды, например производства ГГО им. А.И. Воейкова, НПО "Аналитприбор", не отвечают выдвигаемым требованиям по набору определяемых компонентов, метрологической и технической надежности, периодичности обслуживания. В связи с этим задача создания систем контроля свойств и состава поверхностных, сточных и питьевых вод является актуальной.

Данная работа выполнялась в рамках программы создания региональной автоматизированной системы экологического мониторинга в Поволжском региональном центре Метрологической академии России. Создаваемая региональная АСЭМ тесно взаимодействует с единой государственной системой экологического мониторинга РФ, являясь элементом структуры последней.

Цель работы.

Основной целью диссертационной работы является создание ИИС экологического мониторинга поверхностных, сточных и питьевых вод, для решения задачи обнаружения залповых выбросов в водную среду.

Методы исследования.

Исследование свойств алгоритмического обеспечения ИИС производилось на основе методов теории нелинейных дифференциальных уравнений. Построение алгоритмического обеспечения производилось с использованием понятий теории множеств. Исследование свойств алгоритмов обработки информации проведено на основе методов теории вероятностей и математической статистики. Определение наиболее оптимальной структуры алгоритмов обработки информации производилось путем моделирования с переменными параметрами.

Научная новизна.

Впервые исследована возможность использовать в алгоритмическом обеспечении нейронные сети для идентификации аналитических параметров и обработки результатов совместных измерений в случае хроматографичсского и иономстричс-ского анализа. Найдены условия, определяющие наилучший режим работы нейронной сети.

Впервые предложена методика проведения хроматографичсского анализа с использованием нейронной сети, ее свойства исследованы с помощью методов численного моделирования на ЭВМ.

Рассмотрены вопросы возникновения погрешностей в отдельных модулях разработанной ИИС.

Практическая ценность работы.

Практическую ценность представляют схемные решения разработанной ИИС для контроля качества питьевых, сточных и природных вод.

Практическую ценность также представляет новый подход к вопросу идентификации аналитических спектров и проведению совместных измерений в

jnoMCiрпп. повышающий достоверность проводимого анализа. Практическую жность представляет пакет программного обеспечения ИИС.

Внедрение результатов работы.

Модули разработанной ИИС мониторинга качества воды работают на пред-эиятиях системы водоснабжения г. Самары.

Апробация работы.

Основные положения и результаты данной работы изложены и обсуждены i научных семинарах отдельного конструкторского бюро автоматики в г. Дзер-инске. На заседаниях Всероссийского общества хроматографии, на международ-)й конференции "Black sea' 92" в г. Варна, на международном научном симпо-¡уме "Природа и человек: взаимодействие и безопасность жизнедеятельности" в г. зганроге. и также на научно-технических семинарах кафедры "Информационно-шерительная техника" Самарского государственного технического университета,.

Публикации

По теме диссертации опубликовано 10 печатных работ.

Структура и объем работы.

Диссертация состоит из введения, пяти глав и заключения, изложенных на 56 страницах машинописного текста, в том числе содержит 60 рисунков, 10 таб-щ, список литературы т 71 наименования и одного приложения.

На защиту выносятся следующие положения:

1. Выбор контролируемых параметров воды и набора контролируемых за-»язннтслсй поверхностных, сточных и питьевых вод позволяет повысить надеж-)сть определения залпового выброса загрязнителя в водный объект.

2.Предложенный алгоритм идентификации загрязнителей, основанный на ¡пользовании алгоритмических нейронных сетей позволяет повысить надежность гентификации загрязнителей воды и повышает достоверность определения залпо->го выброса.

3.Предложенный метод обработки результатов совместных измерений, ос->ванный на использовании нейронных сетей, позволяет действовать в условиях ¡определенности, когда точно неизвестна функциональная связь между опредс-юмымн и мешающими компонентами в анализируемой пробе воды.

4. Методы построения разработанных модулей ИИС позволяют на их основе )Строить систему, обладающую большей надежностью по сравнению с прототи-1ми, и функционирующую в широких диапазонах изменения концентраций за->язнителсй воды.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цель и 'задачи работы, выявлены научная новизна и практическая ценность. Приводятся также положения, выносимые на защиту.

В первой главе проведен анализ характеристик поверхностных, сточных и питьевых вод Самарской области. Описаны водные объекты контроля. Проанализированы причины ухудшения качества водной среды. Предложен алгоритм для выбора наиболее специфичных для данного водного объекта набора контролируемых 'загрязнителей.

Загрязнение воды р. Волги определяется следующими факторами:

• влиянием транзитного переноса загрязняющих веществ из верхней части Куйбышевского водохранилища;

• влиянием сбросов недостаточно очищенных сточных вод в Куйбышевское и Саратовское водохранилища в пределах Самарской области;

• влиянием переноса загрязняющих веществ притоками р. Волги.

Приоритетный перечень наиболее загрязненных водных объектов по данным за пять лет (1993-1997 г.г.) позволяет проследить общую тенденцию по нарастанию степени загрязнения водных объектов и ухудшения качества воды в них, а также увеличение количества залповых выбросов. Сложность определения залповых выбросов заключается в малом времени прохождения "пятна" загрязнителя через пробоотборный пункт (несколько часов), что чаще всего не позволяет зафиксировать факт загрязнения и принять соответствующие меры.

С целью оперативного обнаружения залповых выбросов загрязнителей предложено использовать такие параметры как температура, мутность, удельная электропроводность, изменение которых позволяет судить о наличии факта загрязнения. Помимо этого, система должна контролировать наличие в воде химических веществ, список которых должен определяться конкретно для каждой точки наблюдения.

Для определения состава контролируемых загрязнителей воды были проанализированы результаты анализов проб воды, отбираемых в зоне городского водозабора за последние пять лет и материалы полученные Росгидрометом. Отбор производился по степени опасности загрязнителя и частоте его обнаружения в водной среде. При определении списка контролируемых загрязнителей по формуле (1) вычислялся суммарный коэффициент опасности:

Ксум= (N, -В,,j+ NrB,+ N,-B5)/100 (1)

где N). N:. N3- количество превышений концентраций загрязнителя уровня 0.5. I и 5 ПДК (предельно допустимая концентрация) соответственно. В0,5 • ВЬ В5 - коэффициент значимости данного события.

Контроль осуществляется по веществам, набравшим максимальное количество баллов. Обобщенный список контролиру емых загрязнителей, характерных для

амурской области, с укачанном ПДК для поверхностных вод приведен в таблице построенной на основании формулы (1).

_ _Таблица 1.

Класс ПДК

N Вещество опасности Мг/л

1. Солевой состав

1 Хлориды 2 300,0

2 Сульфаты 2 100,0

3 Кальций + Магний 2 180,0

4 Калий 2 120,0

2. Микроэлементный состав

5 Фтор 2 0.75

6 Селен 2

7 Алюминий (остат.) 2 0,04

8 Нитраты 2 40,0

9 Нитриты 2 0,02

10 Медь 2 0,001

3.Тяжелые металлы

11 Железо общее 2 0,1

12 Мышьяк 2

13 Цинк 3 0,01

14 Свинец 2 0,1

4. Органические вещества

15 Аммоний (солевой) 2 0.5

16 Сумма хлорорганических соединений (покомпонентно) 2 -

17 Фенол 2 0.001

18 Полиакриламид 2 0,001

19 Полифосфаты 2 -

20 ПАВ (суммарная) 2 од

о второй главе проводится анализ информационных характеристик сигналов, юрмируемых измерительными преобразователями ИИС контроля параметров одной среды. Производится анализ существующих методов контроля состава воды основных се показателей. Рассматриваются существующие алгоритмы обработки нформации.

Важнейшими характеристиками методов определения концентраций за-рязнителя являются:

допустимый диапазон изменения концентраций загрязнителей; время, затрачиваемое на проведение анализа;

• количество информации, поступающей с выхода первичного измерительного преобразователя;

• законы распределения измеряемых концентраций загрязнителей;

• порог обнаружения загрязнителей.

Кроме того, при выборе метода анализа необходимо учитывать длительность и сложность пробоподготовки, возможность автоматизации данного метода, стоимость используемого аналитического оборудования. Также, согласно требованиям СанПиН, ГОСТ 2874-82 для питьевой воды, ГОСТ 2761-84 для поверхностных вод и др. используемые методы должны быть включены в "Перечень аттестованных и допущенных к использованию методик определения содержания компонентов в природных и сточных водах". На основании анализа информационных характеристик методов контроля загрязнителей и учитывая вышеприведенные требования к методам анализа воды, предложено в ИИС использовать полярографические, хроматографические и потенциометричсские методы анализа.

В жидкостной хроматографии, в настоящее время наиболее информативным является детектор измеряющий поглощение анализируемым образцом ультрафиолетового излучения на разных длинах волн. Современные детекторы позволяют одновременно снимать хроматограммы на двухстах длинах волн. При обработке результатов анализа используют такие методы многомерного анализа (ММА), как:

• обобщенная линейная регрессия (ОЛР);

• метод наименьших квадратов (МНК);

• регрессия основных составляющих (РОС).

Чаще всего идентификацию загрязнителей производят на одной длине волны, сравнивая полученные результаты с библиотечными данными по методу наименьших квадратов.

Сравнение двух спектров поглощения даст нормированный коэффициент совпадения, вычисленные для конкретной длины волны, который определяется как:

где х и у - измеренные значения поглощений в известном и эталонных спектрах на соответствующих длинах волн, п - количество данных. Суммирование производится по п - измерениям. Значение коэффициента совпадения меняется от 0, в случае полного несовпадения, до 1000 при идентичности спектров.

Достоинством данного метода является простота обработки результатов измерения, а недостатком необходимость участия в процессе анализа высококвалифицированного оператора. Также, в условиях высокого спектрального шума, вызванного сложным составом анализируемой пробы, снижается

(2)

>стоверность идснти(|)икации компонентов. Поэтому для повышения достоверно-ги анализа необходимо перейти к методикам, анализирующим весь объем полу-1Смой информации, формируемой аналитическим прибором. Один из таких под-адов состоит в использовании алгоритмических нейронных сетей.

В третей главе изложен подход к построению алгоритмических нейронных :тей для обработки результатов измерения состава водной среды. Оценивается реимущество такого подхода по сравнению с классическими методами. Анализи-кются свойства нейронной сети с целью выбора оптимальных параметров. Рас-натриваются случаи переобучения нейронной сети в случае избыточного обучаю-1его набора данных. Определяются процедуры для кондиционирования данных с злью последующего анализа нейронной сетью.

В работе рассматривались алгоритмические нейронные сети, построенные а базе прецептронов и обучаемые с помощью метода обратного распространения, дин из вариантов такой сети показан на рисунке 1.

Модель нейронной сети.

Дадйкяv еярй £

Сл/гттый ospu j

ОшиШкг ¿ярй * Е

ОЩ

0шидкаг

оигг /

* \

: ">л

V X ' —п

/ин й

Желаемый сигнал/

'гиенам

Жяюанлги

Ши&ги„ —«-

Рисунок 1.

Сеть состоит из трех слоев. На входной слой нейронов подается анализируе-ый сигнал X. Каждый элемент входного слоя отдельным весом соединен с каж-ым искусственным нейроном, в котором происходит преобразование сигнала с омощью активационной функции. Каждый нейрон выдает взвешенную сумму ходного сигнала в сеть. Веса являются элементами матрицы W. Матрица имеет i грок и j столбцов, где i - число входов, a j число нейронов. Например, vv 3> 2 - это гс, связывающий третий вход со вторым нейроном. Таким образом, вычисление ыходного вектора OUT, компонентами которого являются выходы нейронов, сво-ится к матричному умножению OUT=W-X, где OUT и X - векторы-строки.

Достоинством таких сетей является то, что сигнал на выходе сети может

быть непрерывным и для них можно (в отличие от нейронных сетей с обратными связями) вывести функцию преобразования аналитически.

Рассмотрим возможный процесс обучения нейронной сети для распознавания образов поглощения ультрафиолетовых спектров, пол}"ченных в ходе хромато-графического анализа. Для обучения необходимо подготовить образы УФ - спектров поглощения с известными концентрациями определяемых веществ. Эти два типа данных (представление объектов и их отклики в системе) формируют пары, которые используются в дальнейшем обучении НС. Цель управляемого обучения заключается в нахождении векторов матрицы \У (так называемой карты связей), которая правильно ассоциирует (связывает) входное воздействие на нейронную сеть и сигнал на выходе сети.

Основная идея методики обучения состоит в том, что минимум два набора данных участвуют в обучении - обучающий и тестируемый.

Обучающий набор данных состоит из матрицы I с j строками и 1 столбцами, где строки соответствуют хроматограммам снятым на конкретных длинах волн (столбцы ¡). Вторая матрица К состоит из И строк и чаще всего из одного или двух столбцов. Столбцы представляют искомое значение концентраций загрязнителей, полученное для обучающих данных заранее с помощью эталонных методов.

Выведем связь между входным воздействием и откликом сети. Фактическое значение активации (значение на выходе) нейронной сети на выходе к запишем как ок. где

о к = Дпй к),

а требуемое значение активации на выходе к запишем как I к. Изменение веса связи \\) ь приводит к изменению значения (и соответственно ошибки, равной разнице между требуемым и текущем значением выхода) на одном выходном узле. Изменение веса связи \у ^ приводит к изменению значений (и ошибки) на всех выходах сети. Записывая уравнения, связывающие узлы в сети и принимая за основу критерий минимальной ошибки на выходе сети, определим следующую формулу для этой ошибки Е:

р *

где р и к индексы для входных и выходных значений сигнала. Выражение (3) определяет суммарные ошибки выхода для всех выходных узлов. При минимизации величины Е, мы будем минимизировать индивидуальную ошибку для каждого выхода. Следовательно, зафиксировав нижний индекс р, мы получим формулу изменения веса нейронной сети для одного образца (входа).

Связь между изменением Е и уу^ можно получить, дифференцируя выражение (3). Результат дифференцирования определяет кривую ошибки для одного всса Далее вес связи определяется итерационным выражением:

"> "> + {~П)'Ы'к -°кУ''V 0 -''(4)

г г|- некоторая относительно малая положительная константа называемая бучающим тарифом".

Сигнал ошибки 5 ^ определяется как:

8к=0 к -0к)0|с (1 -ок) (5)

В этом случае формула для вычисления веса на основании выражений (4) и ) приобретает вид:

Д\У^=Г| 5к0; (6)

Рассмотрим теперь связь между значением ошибки Е и изменением веса луу. этом случае изменение веса , изменяет значение о3 Что изменяет значения ждого выхода. Взаимосвязь между изменением суммарной ошибкой выхода и са получается аналогично выражешпо (6), только дифференцирование произ-дится по \\'ч.

Определим ошибку 5 j пользуясь выражением (5) как: огда изменение веса \у у- можно записать по аналогии с (6) в виде:

&WiJ=TJ■SJ^Oi

элученные выражения можно обобщить для более сложных сетей, состоящих из »льшего числа внутренних слоев.

Таким образом, обучение нейронной сети представляет собой итерационный юцесс, продолжающийся до достижения заданного уровня погрешности воспро-¡ведения обучающего набора. В среднем, процесс обучения нейронной сети проходит на 2000 - 6000 итерациях (для одного обучающего набора). Способность С к обработке аналитических данных определяется качеством и количеством обу-1ющих наборов данных. При обучении необходимо контролировать его качество I тестовом наборе. После достижения определенного уровня ошибки обучения, (зможна ситуация, когда дальнейшее понижение ошибки обучения на конкретном уучающем наборе ухудшает возможности обработки данных нейронной сетью.

Для проверки возможности использования НС для распознавания УФ -гектров была построена модель нейронной сети, обучаемая методом обратного юпространения, и имеющая топологию 2000:2000:10. Первое число в приведен-)й топологии показывает количество входных узлов, определяемое перемножени-I числа сканируемых длин волн на количество полученных отсчетов. Второе чис-) показывает количество скрытых узлов и определяется сложностью задачи, ретье число показывает количество узлов в выходном слое и определяется коли-:ство определяемых загрязнителей. Выбор количества нейронов в скрытом слое !ляется наиболее сложной задачей при планировании структуры алгоритмической :йронной сети.

Разработанный алгоритм исследовался на математических моделях с наложенным шумом. Распознаваемые спектральные пики моделировались выражениями:

г1(/) = -

zl(ri) =

2

15.

а

4Щ2

г

2

25.

.

nt,n) = z\{t)-z2(n) + 4

nl

25.

п2

№

п2

где £ - помеха, имеющая нормальное распределение. Полученная модель спектра, характерная для хроматографических спектров, имела пики с формой, близкой Гауссовому распределению. Обучение проводилось на десяти обучающих наборах данных, отличающихся друг от друга значениями p.i и ц2- Эффективность обучения нейронной сети определялась среднеквадратическим отклонением между действительным и требуемым выходом сети. После проверки принципиальной возможности анализа спектров с использованием нейронных сетей, дальнейшая работа проводилась на реальных спектрах.

Оценка возможности метода и возникающих погрешностей проводилась на базе данных анализа хлорорганических углеводородов, полученных на жидкостном хроматографе, оснащенным сканирующим ультрафиолетовым детектором "Мили-хром-1". Рассматривались случаи с полным и частичным разделением пиков, соответствующих загрязнителям в анализируемой пробе. Обучение проводилось на двухстах обучающих наборах данных. Результаты анализа спектра ИНС сравнивались с данными анализа программы "Chrom&Spec for Windows" фирмы Ampersand Ltd, допускающую одновременную обработку восьми хроматограм.

В процессе проведения анализов варьировались режимы работы прибора, концентрации анализируемых веществ и др. параметры. Результаты проведенного эксперимента приведены в таблице 2. Таблица построена на основании обработки нейронной сетью пятнадцати образов УФ - поглощения.

Анализ результата эксперимента с хроматографическими данными показал, что применение нейронных сетей для обработки данных дает более точный результат при обработке неразделившихся пиков, но уступает классическим методам при обработке хроматограмы с хорошо разделенным пикам.

Таблица2

Наименование Значение СКО% для Значение СКО% для

N Chrom&Spcc ИНС

___,,— Разделение

Полное Неполное Полное Неполное

1 1.2.4-трихлорбснзол 12 31 16 21

2 1,2,3,4-тетрахлорбснзол 13 28 13 18

3 Пентахлорбензол 18 80 15 38

4 Гексахлорбензол 11 • 38 14 29

5 а-гексахлорциклогексан 14 28 15 16

6 Пентахлорнитробензол 9 32 13 - 26

7 у-гексахлорциклогексан 13 33 14 21

8 Гептахлор 13 36 14 25

9 (3 -гексахлорциклогексан 15 16 15 15

10 Гептахлорэпоксвд 15 42 13 21

Важным достоинством при использовании алгоритмических нейронных сетей является то, что после получения матрицы связей, алгоритмическое обеспечение обработки аналитической информации становится достаточно простым и его можно использовать в микропроцессорных средствах. Разработанное программное обеспечение написано на языке С и Pascal.

Нейронные сети оказалось удобным использовать для решения другого класса задач. В процессе определения концентраций ионов загрязнителей в анализируемой пробе воды, как правило, присутствуют ионы, имеющие сродство с определяемым ионами. Чувствительность ионосслективного электрода к мешающему иону может оказаться соизмеримой по отношению к определяемому веществ)', что вызывает большую погрешность определения концентраций загрязнителя. Выходом из положения является проведение совместных измерений с целью взаимного учета влияния определяемых и мешающих ионов.

Классические методы основаны на предположении, что воздействие мешающих примесей является аддитивным. Однако это не всегда верно. Это предположение может привести к большой погрешности определения концентрации. Проведение совместных измерений с использованием алгоритмической нейронной сети (на рисунке 2 показана сеть с топологией 6:10:5), позволяет повысить достоверность измерений.

Для проверки возможности использования нейронных сетей для анализа результатов совместных испытаний были промоделированы нейронные сети с различной топологией. Выяснялась возможность аппроксимации функции взаим ного влияния ионов с учетом аппроксимации температу рной зависимости диссо циации ионов.

Топология нейронной сети для обработки результатов совместных измерений.

Фториды

Хлориды

Нитраты

Нитриты

Сульфаты

О

Рисунок 2.

Анализ результата эксперимента с потенциометрическими данными показал возможность использования алгоритмических нейронных сетей для обработки результатов эксперимента. Использование алгоритмической нейронной сети позволило повысить точность измерения ионов нитрата и нитрида с 10% до 6%.

Одной из наиболее сложных проблем при использовании искусственных нейронных сетей является выбор оптимального размера сети (определение параметров внутреннего слоя). Существующие теории по определению оптимального размера сети и использующие различные критерии ненадежны, когда имеется несколько локальных минимумов в процессе обучения нейронной сети. Основные результаты по оптимизации нейронных сетей получены для случаев с дискретным выходом, что затрудняет оптимизацию для нейронной сети с аналоговым выходом. В связи с невозможностью проведения аналитических исследований в работе были проведены экспериментальные исследования для определения оптимальной размерности нейронной сети. Основные исследования проводились путем моделирования нейронной сети в программе написанной на языке Pascal и работающей под управлением 32-битовой операционной системой.

Для определения минимального размера ИНС способной анализировать Уф - спектр, моделировалась задача с известной оптимальной ошибкой обучения и заранее установленным наибольшим числом обучающих примеров. Была

осмотрена сходимость алгоритма обратного распространения использовавшего-при обучении ИНС по отношению к следующим параметрам: сложности требуемой функциональной аппроксимации; размеру сети по отношению к требуемому для оптимального решения; уровню шума в обучающих данных.

Были исследованы нейронные сети с различной топологией г тивационными функциями. Полученные результаты позволили выбрат! гтимальную конфигурацию нейронной сети для анализа данных, поступающих с Ф-детектора и гидрохимического модуля. Оптимальная сеть имела топологии: ¡00:2500:10 для обработки УФ - спектров и 6:10:5 для обработки результатов со-юстных измерений.

четвертой главе содержится разработанные структурные и принципиальные емы ИИС контроля качества питьевых, сточных и поверхностных вод.

При разработке ИИС контроля качественного состава поверхностных, сточ-.[х и питьевых вод необходимо учитывать ряд особенностей объекта измерения. К 1М относятся: удаленность от населенных пунктов; малые концентрации определяемых веществ в воде; возможные перебои в энергопитанин;

широкий диапазон изменения температу р окружающей среды; возможное отсутствие линий связи;

длительный межрегламентный срок эксплуатации оборудования ИИС; низкая квалификация обслуживающего персонала, чет этих факторов позволил определить следующую структуру: ИИС должна со оять из отдельных, независимых между собой модулей, с целью обеспечения ра >ты системы при отказе отдельных модулей и для повышения ремонтопригодно и и возможности модернизации станции в целом.

редставляется целесообразным разбить измерительный комплекс на следующие эдули:

водозаборный модуль осуществляет забор пробы воды из источника (водохранилище. сточные воды, система водоснабжения);

погружной модуль измерения физических параметров воды осуществляет измерение температуры воды, мутности, уровня ;

модуль подготовки пробы осуществляет кондиционирование пробы воды. ( целью удаления механических примесей, водорослей, нефтепродуктов; модуль измерения содержания кислорода измеряет содержание растворенного кислорода в воде;

электрохимический модуль измеряет содержание тяжелых металлов в воде; гидрохимический модуль измеряет концентрацию ионов фторидов, хлоридов сульфидов и т.д. (в зависимости от характеристик объекта контроля);

• хроматографический модуль измеряет концентрации хлорорганических загрязнителей;

• модуль пробоотбора и консервации пробы осуществляет консервацию и хранение пробы воды для последующего анализа в условиях аналитической лаборатории;

• модуль измерения радиоактивности осуществляет оценку уровня радиоактивного фона воды;

• модуль управления и связи осуществляет управление работой ИИС, проверку работоспособности, передачу данных в центр экологического мониторинга;

• модуль питания осуществляет электро и газо питание ИИС;

• модуль термостатирования обеспечивает нормальные климатические условия для оборудования станции.

Анализ современной элементной базы, используемой при разработке ИИС, показывает, что целесообразно отказываться от использования коммутаторов аналоговых сигналов, центрального процессора управляющего всей работой ИИС. общего источника питания для всех модулей. Низкая стоимость микропроцессоров и наличие развитых средств отладки и моделирования позволяют построить децентрализованную вычислительную систему. Достоинством такой системы является высокая автономность отдельных модулей. На долю центрального блока управления ИИС остаются функции по приему и передачи готовой информации с модулей, проверки работоспособности системы и анализа информации поступающей с хро-матографического модуля. Анализ информационных характеристик модулей показывает, что в качестве управляющей машины ИИС достаточно использовать IBM-совместимый компьютер на базе процессора Intel Pentium 166 с объемом ОЗУ не более 32мб.

Процессорная часть модулей построена на микропроцессорах фирмы Microchip. Используются процессоры PIC16C84 и PIC14000. В большинстве модулей используется монолитный аналога цифровой преобразователь с сигма-дельта преобразованием, фирмы Analog Devices, обеспечивающий 24 значимых разряда преобразования. В полярографическом модуле используется логарифмирующее АЦП собственной разработки, выполненное по схеме функционального аналого-цифрового преобразователя с поразрядным уравновешиванием. Использование такого АЦП позволяет расширить динамический диапазон полярографического модуля.

При разработке полярографического модуля, в качестве электрохимической ячейки была использована доработанная ячейка фирмы Volta с вращающимся измерительным электродом (угольным или платиновым) и каломельным электродом сравнения. Структурная схема разработанного модуля приведена на рисунке 3.

Структурная схема электрохимического модуля.

Рисунок 3.

Для удаления мешающей анализу органики в анализируемой пробе, ис-шьзуется УФ - излучение. Модуль измерения физических параметров воды вы->лнен в погружном исполнении. Его структурная схема приведена на рисунке 4.

Структурная схема модуля измерения физических параметров воды.

Рисунок 4.

Измерение температуры с высокой разрешающей способностью позволяет ределить пятно загрязнителя, температу ра которого может отличается от темпе-туры окружающей воды на несколько сотых градуса (канализационный сброс).

Резкое изменение уровня воды может приводить к затоплению поймы реки и смыву ядохимикатов, нефтепродуктов или удобрений, поэтому варианты для контроля поверхностных вод оснащаются измерителем уровня воды. Изменение мутности и электропроводности воды также свидетельствует о возможном загрязнение воды. Поэтому при изменении вышеприведенных параметров или при обнаружении загрязнителей производится отбор и консервация пробы воды для последующего анализа в аналитической лаборатории.

Измерение температуры осуществляется с помощью малоинерционного медного термопреобразователя конструктивно выполненного в тонкостенном корпусе. В качестве датчика электропроводности используется чегырехэлектродная кондукто-метрическая ячейка, работающая на частоте 5 Кгц. Для измерения колебаний уровня воды в модуле контроля физических параметров воды предусмотрено использование датчика с кварцевыми барочувсгвительными элементами фирмы Hewlett Packard. С целью уменьшения температурной погрешности чувствительные к температуре элементы модуля термостатируются. Схема термостата выполнена на базе микросхемы ТМП - 01 фирмы Analog Dcviccs. При разработке узла измерения мутности воды за основу взята оптическая схема, разработанная в институте океанологии им. П.П. Ширшова. В качестве источника света используется твердотельный полупроводниковый лазер производства фирмы HP с длиной волны А. = 832,8 нм. Структурная схема гидрохимического модуля приведена на рисунке 5.

Структурная схема гидрохимического модуля.

Преобраз. R/U

Входной

Входной формир.

АЦП

Блок управления

Образцовые меры

Рисунок 5.

Применение потенциометрических усилителей фирмы ВиггВго\уи позволило повысить метрологические характеристики модуля и упростить его конструкцию. Для повышения точности измерения в модулях используются тестовые методы (измерение температуры, электродных потенциалов, давления и др.). При выводе

эмулы для определения сопротивления датчика температуры предполагается.

функция преобразования измерительного канала описывается кусочно-iciinoK зависимостью

у=а(1+а, U (7)

эводя три такта измерений, получаем систему уравнений, решая которою полу-i выражение для вычисления сопротивления датчика температуры:

Rt = (phlb—¥ (8)

>', -У:

ф - Ц ^ + + у, _ j, + RrR, рс!петоры. образующие мост.

Л, "

к видно из (8) результат измерения величины тсрмосоиротивлсння не зависит от )а метро в измерительного канала и напряжения питания моста. Точность измс-(ия R, определяется главным образом точностью образцовых сопротивлений R|-

Измсренне конценфацин растворимою кислорода в ноле ocymcciпляс! >лек-»хнмнчсскнй датчик с фторопластовой мембраной.

При эксплуатации модулей системы экологического мониторинга, согласно ндартным методикам, необходимо периодически осуществлять фоновое изменю концентраций с целью определения степени загрязнения электродов, ячейки, бопроводов и т.д. Особенно это актуально при использовании вольтамнсромст-юского и гидрохимического модуля. В качестве фонового вещества в системе пользуется бидисгиллированная вода, к качеству которой предъявляются высо-: требования. Контроль качества промывочной жидкости осушсствллстсл по ее мстропроводности с помощью разработанной схемы измерения проводимости дистиллированной воды.

В работе также приведены схемы вспомогательных узлов станции, уирав-ощие электроприводами станции. С целью ускорения разработки ИИС первона-тьные исследования характеристик разрабатываемых модулей проводилось с толкованием программы Micro-Cap 5 фирмы Spectrum Software. Пятая глава содержит анализ погрешностей методов измерений, применяемых i ?работанной ИИС и анализ погрешностей вызываемыми неидсалыюстьк фаботанных измерительных преобразователей.

Исходным источником погрешности электрохимического датчика кислорода ¡гястся его калибровка по среде с известным содержанием кислорода. Погрсш-сть датчика в зависимости от способа калибровки может иметь значение от 0..5 3%. При исключении этой составляющей, оставшаяся случайная погрешность -произведения концентрации растворенною к воле кислорода можег быть ижена до значения 0.7 - 1.2% в том же диапазоне темпера-тур. Слсд.мошнмп гочниками погрешностей электрохимического датчика кислорода служат менсния параметров его диффузионного слоя. Наиболее значительными них являются температурные изменения параметров двойного слоя.

обусловленные соответствующими зависимостями проницасмостсй материалов двойного диффузионного слоя. Анализ этой составляющей погрешности показывает, что для снижения температурной погрешности электрохимического датчика кислорода до уровня 0,5-2,0% необходима стабильность температуры измерительного преобразователя в пределах (0,1-0,2)°С.

Погрешности измерения температуры водной среды вызываются различными причинами. Одной из составляющих погрешности является термоанемометри-ческая погрешность. Эта погрешность вызывается зависимостью, вызванной перегревом такого термометра измерительным током от скорости набегающего потока воды, флуктуации которого в значительной степени изменяют показания средств измерения.

Известно, что основные динамические характеристики термометров сопротивления могут быть описаны моделью вида

йи I _ , — = —(Г-и) Л 6„

©Л '

где и ,т - измеренная и истинная температу ра воды; (- время;

У-скорость набегающего потока;

©о и е0- номинальные значения постоянной времени термометра и перегрева при скорости потокаУ0; п - эмпирический показатель.

Величины ©о и е0 определяются выражениями

© с = . = (И))

аа • Л' " а„ ■ х а0 • .у

где т, ср, б - масса, теплоемкость и площадь поверхности термометра соответственно;

а0- коэффициент конвективного обмена между термометром и средой при скорости потока У0;

Р - рассеиваемая на термометре мощность; I - величина измерительного тока, протекающего через термометр; г - сопротивление термометра;

Для определения показателя п в фор.муле (10) использована эмпирическая аппроксимация вида

и = о ¡Ь-'Ц о < Яе < 10 я = 0,5 10 < Ие < 101

п = 0,6 103 < Яс < 10'

где Яе = (\М)/у - число Рейнольдса; с1 - диаметр термометра;

\=10'бм2с'1 - коэффициент кинематической вязкости.

15 соответствии с этим представляется возможным па основе моделей (9) юс точно выполнить оценку искомых термометрических погрешностей. Ввиду о. что модель является нелинейной, а водяной поток оказывается практически гда сильно флуктуирующим, то исследования динамических свойств термо-гра необходимо выполнять на основе использования статистического модели-¡ания. суть которого заключается в следующем:

с помощью численного генератора строятся реализации скорости V(t.) . прилежащие случайному процессу с заданными вероятностными характсристи-,ш;

численными методами определяются реализации выходного сигнала термо-rpa и (() при выходном сигнале V(l) . конкретных параметрах модели ©,,.!;,, и лтшшой температуре Т. проводится статистическая обработка u (t) , в резуль-с которой и получают оценки требуемых вероятностных характеристик термо-гричсскои погрешности.

Другими составляющими погрешности измерения температуры являются грешности, вызываемые измерительным преобразователем. Можно выделить :дующис причины:

технологический разброс сопротивлений образцовых резисторов, участвующих п формировании тестов от номинальных;

нелинейность реальной функции преобразования измерительного канала: непостоянство параметров а(,, и a;j реальной функции преобразования измерительного канала в течении цикла тестовых измерений; :рвыс две составляющие представляют собой систематические погрешности, а етья составляющая является случайной погрешностью.

Рассмотрим вторую составляющую погрешности, возникающую из-за не-нейности реальной функции преобразования измерительного преобразователя I. Для анализа влияния нелинейности реальной функции преобразования предложим. что она описывается полиномом 2-го порядка:

у'=а„* , аГи +a:*U2 (II)

к как выбор параметров а() и Ц| аппроксимирующей прямой (7) не оказывает иянис на результат измерения R,. то выберем эти параметры таким образом, обы результаты измерений yi и у; при входных напряжениях U| и U; были оди-ковыми по формулам (7) и (11). В этом случае нелинейность функции прсобра-вання ведет к получению в третьем тактовом измерении результата у/, отлично-от идеального результата y.i при линейной аппроксимации. Записывая результа-I двух тактов измерении, и находя параметры ai и а= аппроксимирующей пря-)й. определим погрешность Ay i в третьем такте измерении:

Ду, = у, - у," = а / (IN - U,)(U, - U,) ютветепптотая погрешность результатов измерений раина

д, = -(р—!—¿v, = ~ip—!—„,*(//, - i\\i,\ ~!\) ■Vi - >2 УI - >'2

Учитывая малое значение погрешности нелинейности, можно считать, что:

У1 - У2= а/ОЛ ),

тогда

¿Шг-иЖ-и,)

А

После преобразования этого выражения получим:

г

к,

а, т, Я Д2 = -<р-~Е

' Л.+Д.+Я. Л

„ Л+Л. + Л,

Очевидно, что погрешность Д- = 0 при к, = /с,—--!-— . однако это условие

' 4 4-/<, + Л,

может быть выполнено только в одной точке диапазона измерений. Следует отметить, что погрешность Д; является линейной функцией И., и для данного измерительного канала является систематической погрешностью.

В работе также рассмотрены погрешности, возникающие при использовании масштабирующих усилителей и статическая погрешность логарифмирующего аналого-цифрового преобразователя, используемого в электрохимическом модуле.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ характеристик поверхностных, сточных и питьевых вод Сама] ской области. Выполнено описание объектов контроля.

2. Разработана структура и алгоритмы функционирования ИИС контроля качссп питьевых, сточных и поверхностных вод, отличающаяся высокой надежность! оперативностью получения результатов измерения и простатой обслуживания.

.1. Сформулированы требования к измерительным модулям ИИС. выполненных 1 базе современных микропроцессоров.

4. Разработаны алгоритмы идентификации загрязнителей на основе алгорктмичеем нейронных сетей, для хроматографичсского и гидрохимического модуля ИИ контроля качества поверхностных, сточных и питьевых вод.

5. Анализ погрешностей отдельных узлов в модулях ИИС позволил синтезирова алгоритмы измерения температуры, растворенного кислорода в воде, повышающ точность проводимого анализа.

6. Разработаны, изготовлены и испытаны модули ИИС и доведены до практически реализации. Отдельные модули ИИС внедрены в комплексе контроля качества в ды на НФС-2 в г. Самаре.

ПЕЧАТНЫЕ РАБОТЫ ПО ТЕМЕ ДИССЕРТАЦИИ

Icjimiiikob Е.В. Разработка программируемого широкодиапазонного преобразо-ля напряжения в частоту. Всероссийская научно-техническая конференция гоматизаиия информационных и производственных процессов". Самара 1989г. "нтников М.В. Мельников Е.В. Пакет программ для обработки данных аатографического анализа. Тезисы докладов областной научно-технической |>срснции". Самара. 1990г.

ange P. Talarciiko Е. Mclnikov Е. Portable hydroclicmical analyzer. Материалы шлои международной конференции "Black sea' 92" Варна (Болг.) 1992 ,angc P. Talarciiko Е. Mclnikov Е. YaclU laboratory for ccological monitoring of ironmcnt's pollution. Материалы докладов международной кон(|)ерснции "Black 92" Варна (Болг.) 1992.

Гройннков В.А. Мельников Е.В. Интерфейс сопряжения хромато графической аратуры с персональным компьютером. Труды XI Всероссийской конференции азовой хроматографии. Самара, 1995.

'ройников В.А. Мельников Е.В. Идентификация компонентов бензинов с помо-о компьютерно - хроматографичсского комплекса. Труды XI Всероссийской ференции по газовой хроматографии. Самара. 1995.

Мельников Е.В. Малахов А.Ю. Автоматизированные измерительные аналитичс-е системы для определения экологических характеристик строительных матс-лов м объектов природной среды. Материалы докладов научно-технической ференции "Автоматизированные информационные системы при строительстве ссплуатации зданий, сооружений и объектов жизнеобеспечения" Самара. 1996. Лслышков Е.В. Автоматизация экологических исследований. Материалы докла-научно-тсхнической конференции. Самара. 1995.

Мельников Е.В. Выбор вычислительных средств для систем экологического мо-оринга. Материалы международного научного симпозиума "Природа и человек: имодсиствие и безопасность жизнедеятельности". Таганрог . 1996 Мельников Е.В. Исполь зование нейронных сетей для обработки измерительной формации для систем экологического мониторинга. Депонировано в ВИНИТИ 01.97 N2I2-B97.