水是生命之源, 作为人类生活的必需品, 水质的优劣直接关系到人们的健康生活。 目前, 关于水质COD在线检测方法的研究主要集中在光谱数据预处理和光谱特征提取, 而针对光谱数据建模方法的研究较少。 卷积神经网络（CNN）作为目前深度学习领域应用最广泛的网络模型, 具有强大的特征提取和特征映射能力, 本文将CNN与紫外-可见光谱分析法相结合, 建立了基于CNN的水质COD紫外-可见光谱预测模型。 模型使用Savitzky-Golay平滑滤波方法去除光谱噪声, 光谱输入卷积层提取光谱数据特征、 池化层降维、 全连接层映射全局特征, 通过ReLU和Adam优化方法, 从而得到模型的预测值。 通过实验发现, CNN模型具有较强的水质COD预测能力, 具有较高的预测精度和回归拟合优度, 通过与BP, PCA-BP, PLSR和RF等模型比较后发现, CNN模型的预测样本的RMSEP和MAE最小, R2最大, 模型拟合效果最优。 在与训练样本的模型效果评价对比后发现, 模型具有较强的泛化能力。 针对吸收光谱的波峰偏移对预测结果所造成的预测结果不准确的问题, 作者还提出了一种基于CNN的分类回归模型卷积神经网络增强模型（CNNs）, 去噪后的光谱数据通过CNN分类模型按照吸收波峰的不同特征分为三类, 分别输入对应CNN回归模型进行预测。 实验结果表明, 分段式CNNs模型比整体式CNN模型的拟合效果更好, 预测精度更高, R2达到0.999 1, 测试样本的MAE和RMSEP分别为2.314 3和3.874 5, 比CNN分别下降了25.9%和21.33%, 效果显著。 通过对预测模型的性能测试, 计算得出检出限为0.28 mg·L-1, 测量范围为2.8~500 mg·L-1。 本文创新的将卷积神经网络与光谱分析方法相结合, 为光谱分析方法在水质COD吸收光谱建模的应用开拓了新思路。

国家标准规定的Ⅰ级水是分析实验室常用的试验用水, 为快速、 准确的实现纯水水质分析, 为分析实验室设备自动化、 智能化提供科学依据, 采用全波段(200~900 nm)紫外-可见光谱分析技术, 设计了基于紫外-可见光谱国标Ⅰ级水净化系统(NSGI-WPS)。 该系统以树莓派为核心控制器, 光谱探测器、 电导率传感器为采集模块, 改良的硅钼蓝分光光度法为可溶性硅测定方法, 实现了对分析实验室用水254 nm吸光度、 电导率和可溶性硅含量的同时在线检测。 在痕量硅含量的测定试验中, 为了消除噪声干扰对试验的影响, 系统采用Savitzky-Golay平滑去噪法对光谱进行预处理, 通过窗口宽度和多项式次数的不同组合形式, 获得了80组平滑后的光谱数据, 将其分别与0.004, 0.006, 0.008, 0.010和0.012 mg·L-1硅标准溶液浓度进行一元线性回归分析后, 得到单波长吸光度与硅标溶液浓度的相关光谱。 试验结果表明, 当窗口宽度为17, 多项式次数为2时, 相关光谱的特征峰宽度最宽, 特征峰区间为796~824 nm, 特征峰峰值所处波长与平滑后的显色溶液吸收光谱峰值波长一致。 通过比较不同硅标准溶液的显色溶液吸收光谱分布, 发现硅标液浓度与吸收光谱呈线性正相关, 因此, 试验选取812.638 nm为最优特征波长。 为了建立可溶性硅含量与显色溶液吸光度的关系模型, 以加入的硅标准溶液浓度为横坐标x, 812.638 nm处显色溶液的吸光度为纵坐标y, 绘制了其工作曲线, 曲线的决定系数R2=0.999 6, 表明了模型具有较强的拟合能力。 此外, 编写的NSGI-WPS系统管理软件实现了参数的实时处理和自动控制, 对未达到分析实验室国标Ⅰ级水用水规格的纯水通过反渗透(RO)、 连续电去离子技术(EDI)、 混合床离子交换树脂和紫外光氧化等技术处理, 实现了对纯水的严格控制。 通过对比分析自来水、 Ⅲ级水、 Ⅱ级水在净化前后各参数变化, 发现净化后各参数数值下降显著, 其中, 电导率最高下降幅度可达99.94%, 各参数的相对平均偏差均小于2%。 试验结果表明, 基于紫外-可见光谱分析法的NSGI-WPS系统具有净化能力强、 准确性高、 鲁棒性好等优点, 经过检测、 分析和净化后的纯水满足分析实验室国标Ⅰ级水用水要求。 本文为紫外-可见光谱分析法在纯水净化系统中的应用做出了探索性研究。