CN100514060C - 水体化学需氧量在线虚拟监测方法 - Google Patents
水体化学需氧量在线虚拟监测方法 Download PDFInfo
- Publication number
- CN100514060C CN100514060C CNB2006100104472A CN200610010447A CN100514060C CN 100514060 C CN100514060 C CN 100514060C CN B2006100104472 A CNB2006100104472 A CN B2006100104472A CN 200610010447 A CN200610010447 A CN 200610010447A CN 100514060 C CN100514060 C CN 100514060C
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- oxygen demand
- chemical oxygen
- array
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
水体化学需氧量在线虚拟监测方法,属于环境保护领域,涉及一种水中优控污染物智能在线监测方法。为了解决传统水体化学需氧量监测仪器成本过高、取样维护复杂、存在二次污染、无法真正实现在线检测等问题,本发明运用相似性理论,将与水体化学需氧量值有密切联系,又便于直接在线测量的水质参数作为监测输入变量,对数据进行预处理、分析对象特性、离线训练模型,并用人工神经元网络的方法进行非线性回归,通过网络学习来精确地在线监测出水中化学需氧量的含量,其开发及运行成本较低,无二次污染问题,具有模块化、开放性及互换性的特点和好的资源复用性。
Description
技术领域
本发明属于环境保护领域,涉及一种水中优控污染物智能在线监测方法。
背景技术
随着现代工业的日益发展,水体的有机物污染已经成为不可忽视的问题。由于饮用水中含有有机物会对人体产生极大危害,因此水中有机物含量必须严格控制。化学需氧量被公认用作水质判别的重要有机污染综合指标,它反映了水体受还原性物质污染的程度。水体化学需氧量的在线监测对于实时准确监测水体中有机污染物的变化情况,及时掌握主要流域重点断面水体的水质状况、预警预报重大或流域性水质污染事故、解决跨行政区域的水污染事故纠纷、监督污染源排放总量及排放达标情况,从而保护生态环境有着极其重要的意义。
目前为提高分析速度、缩短回流过程,对水体化学需氧量测定方法的改进主要集中在样品消化(即参照标准回流法从减少消化时间着手)和测定手段(如容量法、分光光度法、库仑法、动力学法、电位法、静电流法、极谱法等)两个方面。尽管开发工作取得了很大的进展,但是现有的化学需氧量自动监测仪还不能摆脱传统检测模式的弊端,如不能实现真正在线测量(目前各种改进测定方法的分析周期为10分钟到2小时左右,只能称作自动滴定法),我国少数正在应用的化学需氧量自动监测系统一般造价较高,部分存在二次污染,泵管系统较复杂,试剂更换及系统维护繁琐、周期短等。且从分析性能上讲,化学需氧量自动分析仪的测量范围一般在10—2000mg/L,而我国化学需氧量环境标准值范围是地表水3—300mg/L,污水60—1000mg/L,因此目前的自动检测方法仅能满足污染源在线自动监测的需要,难以用于地表水的自动监测。
发明内容
为了解决传统水体化学需氧量监测仪器成本过高、取样维护复杂、存在二次污染、无法真正实现在线检测等问题,本发明提供一种水体化学需氧量在线虚拟监测方法,它突破了传统模式的束缚,具有无污染、易维护、成本低、适用范围广、能够真正在线连续检测等优点,在公众对水和污水处理的关注正呈急剧上升趋势的今天,不论从性能还是经济性哪个方面考虑,该项发明的应用前景都非常广阔。
本发明的方法通过以下步骤实现:
(1)取待测水体利用在线电导率传感器进行连续监测电导率值R;
(2)取待测水体利用在线溶解氧传感器进行连续监测溶解氧值D;
(3)取待测水体利用在线酸碱度传感器进行连续监测酸碱度值H;
(4)取待测水体利用在线浊度传感器进行连续监测浊度值N;
(5)在具有代表性的48个不同时间段分别取待测水体的化学需氧量测定值C,同时分别记录下相应时间段监测到的电导率值R、溶解氧值D、酸碱度值H和浊度值N;
(6)对测得的48组水体监测数据采用拉依达准则剔除数据中的粗大误差,再以多元线性回归的方法填补去除的数据,得到5×48维的数组a;
(7)设置数组a中的电导率值R、溶解氧值D、酸碱度值H和浊度值N为辅助变量数组p(4×48维),化学需氧量测定值C为主导变量数组t(1×48维);
(8)对数组p、t的数据利用美国Mathworks公司Matlab软件中的premnmx()函数进行归一化,转换为[—1,1]的范围内;
(9)应用Matlab神经网络工具箱中的newff函数构建多层前馈BP神经网络:网络的结构取含有一个隐含层、一个输入层和一个输出层的三层网络,定义初始隐含层节点数Y=12-k,循环变量k=0~8,隐含层的激励函数取为tansig函数,输出层的激励函数取为purelin函数;
(10)取归一化后的数组p作为多层前馈BP神经网络的输入量;
(11)取归一化后的数组t作为多层前馈BP神经网络的输出量;
(12)把归一化后的48组水体监测数据分成两部分,一部分选取包含每个属性最大值及最小值的36组水体监测数据为训练数组ptr及ttr,用于训练多层前馈BP神经网络:在Matlab中把包含最大值及最小值的数据组重新排在前36列后,通过ptr=pn(:,1:36)及ttr=tn(:,1:36)语句实现分组,另一部分选取剩下的12组水体监测数据为检验数组str,用于测试检验多层前馈BP神经网络的虚拟仿真能力;
(13)令循环变量k=0,并执行下一步骤;
(14)以训练数组ptr及ttr的数据为样本,应用Matlab神经网络工具箱中的trainbr函数进行训练,训练终止误差设为0.01;
(15)令循环变量k加1,并执行下一步;
(16)判断k是否大于8,若k不大于8,则返回到第14步骤的开始处;若k大于8,则执行下一步;
(17)对这9个不同结构的多层前馈BP神经网络以检验数组str进行选择验证:多层前馈BP神经网络根据检验数组str中的辅助变量数值计算出化学需氧量计算值S,将其和检验数组str中化学需氧量测定值C进行比较,选出均方误差E值最小的多层前馈BP神经网络为最终结构;
(18)应用Matlab神经网络工具箱中的postmnmx()函数将选定最终结构的多层前馈BP神经网络的输出数据进行反归一化,从而建立起水体化学需氧量在线虚拟仿真模型:将在线监测的电导率值R、溶解氧值D、酸碱度值H和浊度值N作为虚拟仿真模型的输入值,将反归一化后的虚拟仿真模型输出值作为水体化学需氧量的在线监测值,用来反映水体受还原性物质污染的程度。
水体化学需氧量是利用化学氧化剂氧化有机物的原理来间接表示水体中有机物的污染指标,实验发现一些易于在线检测的水质参数其数值大小也与水中有机物和无机氧化物的浓度有或多或少的关联,因而运用相似性理论可以通过这些水质参数间接估计出水体的化学需氧量。本发明将与水体化学需氧量值有密切联系,又便于直接在线测量的水质参数作为输入变量,对数据进行预处理、分析对象特性、离线训练模型,并用人工神经元网络的方法进行非线性回归,通过网络学习来精确地在线监测出水中化学需氧量的含量,其基于“软件就是仪器”的新概念,开发及运行成本较低,无二次污染问题,具有模块化、开放性及互换性的特点和好的资源复用性。
附图说明
图1为本发明检测方法的流程图。
具体实施方式
具体实施方式一:如图1所示,本实施方式按照如下步骤对水体化学需氧量进行在线监测:
1)、取待测水体利用在线电导率传感器进行连续监测电导率值R;
2)、取待测水体利用在线溶解氧传感器进行连续监测溶解氧值D;
3)、取待测水体利用在线酸碱度传感器进行连续监测酸碱度值H;
4)、取待测水体利用在线浊度传感器进行连续监测浊度值N;
5)、在具有代表性的48个不同时间段分别取待测水体的化学需氧量测定值C,同时分别记录下相应时间段监测到的电导率值R、溶解氧值D、酸碱度值H和浊度值N;
6)、对测得的48组水体监测数据数据采用拉依达准则剔除数据中的粗大误差,再以多元线性回归的方法填补去除的数据,得到5×48维的数组a;
7)、设置数组a中的电导率值R、溶解氧值D、酸碱度值H和浊度值N为辅助变量数组p(4×48维),化学需氧量测定值C为主导变量数组t(1×48维);
8)、对数组p、t的数据利用美国Mathworks公司Matlab软件中的premnmx()函数进行归一化,转换为[—1,1]的范围内;
9)、应用Matlab神经网络工具箱中的newff函数构建多层前馈BP神经网络:网络的结构取含有一个隐含层、一个输入层和一个输出层的三层网络,定义初始隐含层节点数Y=12-k,循环变量k=0~8,隐含层的激励函数取为tansig函数,输出层的激励函数取为purelin函数;
10)、取归一化后的数组p作为多层前馈BP神经网络的输入量;
11)、取归一化后的数组t作为多层前馈BP神经网络的输出量;
12)、把归一化后的48组水体监测数据分成两部分,一部分选取包含每个属性最大值及最小值的36组水体监测数据为训练数组ptr及ttr,用于训练多层前馈BP神经网络:在Matlab中把包含最大值及最小值的数据组重新排在前36列后,通过ptr=pn(:,1:36)及ttr=tn(:,1:36)语句实现分组,另一部分选取剩下的12组水体监测数据为检验数组str,用于测试检验多层前馈BP神经网络的虚拟仿真能力;
13)、令循环变量k=0,并执行下一步骤;
14)、以训练数组ptr及ttr的数据为样本,应用Matlab神经网络工具箱中的trainbr函数进行训练,训练终止误差设为0.01;
15)、令循环变量k加1,并执行下一步;
16)、判断k是否大于8,若k不大于8,则返回到第14步骤的开始处;若k大于8,则执行下一步;
17)、对这9个不同结构的多层前馈BP神经网络以检验数组str进行选择验证:多层前馈BP神经网络根据检验数组str中的辅助变量数值(电导率值R、溶解氧值D、酸碱度值H和浊度值N)计算出化学需氧量计算值S,将其和检验数组str中化学需氧量测定值C进行比较,选出均方误差E值最小的多层前馈BP神经网络为最终结构;
18)、应用Matlab神经网络工具箱中的postmnmx()函数将选定最终结构的多层前馈BP神经网络的输出数据进行反归一化,从而建立起水体化学需氧量在线虚拟仿真模型:将在线监测的电导率值R、溶解氧值D、酸碱度值H和浊度值N作为虚拟仿真模型的输入值,将反归一化后的虚拟仿真模型输出值作为水体化学需氧量的在线监测值,用来反映水体受还原性物质污染的程度。
本实施方式中的在线电导率传感器选用美国HACH公司的3400SC系列电导分析仪,在线溶解氧传感器选用美国HACH公司的LDO溶解氧在线分析仪,在线酸碱度传感器选用美国HACH公司的P33型pH测定仪,在线浊度传感器选用美国HACH公司的Solitax sc悬浮固体/浊度分析仪。
Claims (6)
1、水体化学需氧量在线虚拟监测方法,其特征在于所述监测方法是通过以下步骤实现的:
(1)取待测水体利用在线电导率传感器进行连续监测电导率值R;
(2)取待测水体利用在线溶解氧传感器进行连续监测溶解氧值D;
(3)取待测水体利用在线酸碱度传感器进行连续监测酸碱度值H;
(4)取待测水体利用在线浊度传感器进行连续监测浊度值N;
(5)在具有代表性的48个不同时间段分别取待测水体的化学需氧量测定值C,同时分别记录下相应时间段监测到的电导率值R、溶解氧值D、酸碱度值H和浊度值N;
(6)对测得的48组水体监测数据采用拉依达准则剔除数据中的粗大误差,再以多元线性回归的方法填补去除的数据,得到5×48维的数组a;
(7)设置数组a中的电导率值R、溶解氧值D、酸碱度值H和浊度值N为辅助变量数组p(4×48维),化学需氧量测定值C为主导变量数组t(1×48维);
(8)对数组p、t的数据利用美国Mathworks公司Matlab软件中的premnmx()函数进行归一化,转换为[—1,1]的范围内;
(9)应用Matlab神经网络工具箱中的newff函数构建多层前馈BP神经网络:网络的结构取含有一个隐含层、一个输入层和一个输出层的三层网络,定义初始隐含层节点数Y=12-k,循环变量k=0~8,隐含层的激励函数取为tansig函数,输出层的激励函数取为purelin函数;
(10)取归一化后的数组p作为多层前馈BP神经网络的输入量;
(11)取归一化后的数组t作为多层前馈BP神经网络的输出量;
(12)把归一化后的48组水体监测数据分成两部分,一部分选取包含每个属性最大值及最小值的36组水体监测数据为训练数组ptr及ttr,用于训练多层前馈BP神经网络:在Matlab中把包含最大值及最小值的数据组重新排在前36列后,通过ptr=pn(:,1:36)及ttr=tn(:,1:36)语句实现分组,另一部分选取剩下的12组水体监测数据为检验数组str,用于测试检验多层前馈BP神经网络的虚拟仿真能力;
(13)令循环变量k=0,并执行下一步骤;
(14)以训练数组ptr及ttr的数据为样本,应用Matlab神经网络工具箱中的trainbr函数进行训练,训练终止误差设为0.01;
(15)令循环变量k加1,并执行下一步;
(16)判断k是否大于8,若k不大于8,则返回到第14步骤的开始处;若k大于8,则执行下一步;
(17)对这9个不同结构的多层前馈BP神经网络以检验数组str进行选择验证:多层前馈BP神经网络根据检验数组str中的辅助变量数值计算出化学需氧量计算值S,将其和检验数组str中化学需氧量测定值C进行比较,选出均方误差E值最小的多层前馈BP神经网络为最终结构;
(18)应用Matlab神经网络工具箱中的postmnmx()函数将选定最终结构的多层前馈BP神经网络的输出数据进行反归一化,从而建立起水体化学需氧量在线虚拟仿真模型:将在线监测的电导率值R、溶解氧值D、酸碱度值H和浊度值N作为虚拟仿真模型的输入值,将反归一化后的虚拟仿真模型输出值作为水体化学需氧量的在线监测值,用来反映水体受还原性物质污染的程度。
2、根据权利要求1所述的水体化学需氧量在线虚拟监测方法,其特征在于所述在线电导率传感器选用美国HACH公司的3400SC系列电导分析仪。
3、根据权利要求1所述的水体化学需氧量在线虚拟监测方法,其特征在于所述在线溶解氧传感器选用美国HACH公司的LDO溶解氧在线分析仪。
4、根据权利要求1所述的水体化学需氧量在线虚拟监测方法,其特征在于所述在线酸碱度传感器选用美国HACH公司的P33型pH测定仪。
5、根据权利要求1所述的水体化学需氧量在线虚拟监测方法,其特征在于所述在线浊度传感器选用美国HACH公司的Solitaxsc悬浮固体/浊度分析仪。
6、根据权利要求1所述的水体化学需氧量在线虚拟监测方法,其特征在于所述化学需氧量测定值C通过重铬酸钾法或酸性高锰酸钾法得出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100104472A CN100514060C (zh) | 2006-08-28 | 2006-08-28 | 水体化学需氧量在线虚拟监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100104472A CN100514060C (zh) | 2006-08-28 | 2006-08-28 | 水体化学需氧量在线虚拟监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1912616A CN1912616A (zh) | 2007-02-14 |
CN100514060C true CN100514060C (zh) | 2009-07-15 |
Family
ID=37721607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100104472A Expired - Fee Related CN100514060C (zh) | 2006-08-28 | 2006-08-28 | 水体化学需氧量在线虚拟监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100514060C (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625353B (zh) * | 2009-03-06 | 2013-01-23 | 北京工商大学 | 污水处理出水水质软测量方法及在线智能检测仪表 |
CN101923083B (zh) * | 2009-06-17 | 2013-04-10 | 复旦大学 | 基于支持向量机和神经网络的污水化学需氧量软测量方法 |
CN101793887B (zh) * | 2010-01-09 | 2013-03-20 | 中国水产科学研究院黄海水产研究所 | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 |
CN103064286A (zh) * | 2013-01-17 | 2013-04-24 | 丽水学院 | 一种工业过程的控制方法与设备 |
CN106018359A (zh) * | 2016-05-12 | 2016-10-12 | 常州市排水管理处 | 一种污水厂水质监测预警方法及系统 |
CN107044710A (zh) * | 2016-12-26 | 2017-08-15 | 深圳达实智能股份有限公司 | 基于联合智能算法的中央空调节能控制方法及系统 |
CN106841075B (zh) * | 2016-12-27 | 2019-10-11 | 北京国电富通科技发展有限责任公司 | 基于神经网络的cod紫外光谱在线检测优化方法 |
CN109781951B (zh) * | 2018-11-29 | 2022-01-25 | 长春市宇驰检测技术有限公司 | 一种鱼塘水质监测系统及监测方法 |
CN109975366B (zh) * | 2019-03-25 | 2020-08-14 | 浙江大学 | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 |
CN109932496A (zh) * | 2019-03-27 | 2019-06-25 | 浙江大学 | 一种基于多参数耦合交叉的水质在线监测方法和系统 |
CN110031407A (zh) * | 2019-04-17 | 2019-07-19 | 中科谱光科技(天津)有限公司 | 水体化学需氧量光谱在线检测方法及装置 |
CN116165974A (zh) * | 2022-12-14 | 2023-05-26 | 上海市政工程设计研究总院(集团)有限公司 | 污水处理工艺的曝气控制方法、系统、终端及介质 |
-
2006
- 2006-08-28 CN CNB2006100104472A patent/CN100514060C/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
化学需氧量在线检测装置及其在工业废水排放工程中的应用. 丁则信.给水排水,第31卷第11期. 2005 |
化学需氧量在线检测装置及其在工业废水排放工程中的应用. 丁则信.给水排水,第31卷第11期. 2005 * |
Also Published As
Publication number | Publication date |
---|---|
CN1912616A (zh) | 2007-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100514060C (zh) | 水体化学需氧量在线虚拟监测方法 | |
CN102313796B (zh) | 一种污水处理生化需氧量软测量方法 | |
Hunt et al. | The chemical analysis of water: general principles and techniques | |
CN201251568Y (zh) | 一种废水在线监测采样系统 | |
CN109133351A (zh) | 膜生物反应器-mbr膜污染智能预警方法 | |
CN102147373B (zh) | 基于momes微型光谱仪的多参数水质监测微系统 | |
CN110378533A (zh) | 一种基于大数据分析的智能曝气管理方法 | |
CN108680397B (zh) | 一种水质多参数自动检测分析仪 | |
CN106018359A (zh) | 一种污水厂水质监测预警方法及系统 | |
CN102841060B (zh) | 一种在线水质快速检测系统 | |
CN202794022U (zh) | 一种在线水质快速检测系统 | |
CN105675838B (zh) | 基于数据驱动的a2/o流程出水总磷智能检测方法 | |
CN203772781U (zh) | 一种基于特征变量的污水总磷测量装置 | |
CN201697878U (zh) | 三价砷和五价砷在线预还原的原子荧光光谱形态分析装置 | |
Bonastre et al. | In-line chemical analysis of wastewater: present and future trends | |
CN204287166U (zh) | 一种基于zigbee应用的水质监测系统 | |
CN108760664B (zh) | 一种水质多参数自动检测分析方法 | |
CN107665288A (zh) | 一种化学需氧量的水质软测量预测方法 | |
CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
CN105911003A (zh) | 基于rbm回归的水质toc浓度分析方法 | |
CN109885932B (zh) | 一种基于水质模型的河流中重金属铅的入海通量表征方法 | |
CN107664683A (zh) | 一种总氮的水质软测量预测方法 | |
CN108593867B (zh) | 一种水质自动检测分析仪 | |
Cao et al. | Nutrient detection sensors in seawater based on ISI web of science database | |
CN104569340A (zh) | 地下环境质量测定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090715 Termination date: 20120828 |