基于机器学习与液体等离子体光谱的工业废水重金属在线定量监测系统

本文推荐：本研究创新性地将机器学习（ML）与液体等离子体光谱技术结合，开发了适用于复杂基质（如电导率3000-4000 μS/cm）的工业废水重金属（Cu/Ni/Zn）在线监测系统。通过对比人工神经网络（ANN）、卷积神经网络（CNN）和时间卷积变压器（TCT）等模型，证实TCT模型在无需基质校正条件下可实现<10%的MAPE误差，显著优于传统校准曲线（误差达70%）和回归平面（误差33%）。结合遮挡式拉曼光谱特征提取（ORSFE）等可解释AI技术，为PCB制造业废水实时监控提供了可靠解决方案。

　　

Highlight

实验装置

图1展示了本研究的核心实验系统及等离子体生成流程。该系统由控制模块（树莓派4B）、高压直流脉冲源、等离子体发生单元和光谱仪构成[22]。通过WiFi远程操控，树莓派同步触发光谱仪和脉冲源，实现光谱数据采集与存储的自动化。

校准曲线

传统校准曲线法在溶液基质变化时会产生显著误差（支持材料图S1-S2）。例如，图S1显示不同金属的10 ppm溶液在电导率变化时光谱峰偏移达15 nm，导致直接套用校准曲线时铜浓度预测误差高达70%。

结论

本研究突破性地采用ML模型实现了多变基质溶液中金属元素的精准定量。传统方法需依赖与标准品基质匹配的校准曲线（平均误差30%），而引入电导率作为回归平面变量仅将误差降至33%。相比之下，TCT模型仅需光谱输入即可达成<10%的MAPE，配合ORSFE技术确保模型决策符合光谱学原理。该技术为PCB电镀废水等工业场景提供了首个无需基质预处理的实时监控方案。