CN103175781B - 在线区域布点式恶臭监测系统及方法 - Google Patents
在线区域布点式恶臭监测系统及方法 Download PDFInfo
- Publication number
- CN103175781B CN103175781B CN201310099650.1A CN201310099650A CN103175781B CN 103175781 B CN103175781 B CN 103175781B CN 201310099650 A CN201310099650 A CN 201310099650A CN 103175781 B CN103175781 B CN 103175781B
- Authority
- CN
- China
- Prior art keywords
- stench
- sensor array
- online
- intensity level
- monitor
- 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.)
- Active
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种在线区域布点式恶臭监测系统及方法,该系统包括控制中心和分别设置在多个监测站点的在线恶臭监测仪,所述控制中心具有云端恶臭分析平台,多个所述在线恶臭监测仪通过3G网络实时将检测数据传输到所述控制中心,所述云端恶臭分析平台对所述检测数据进行分析并获得恶臭监测结果。本发明,通过在多个监测站点布置在线恶臭监测仪,结合物联网和云计算技术,可以有效对污染区域的恶臭污染状况实时监控,实现区域综合分析,数据共享,实时查阅,为企业控制恶臭排污及为环保监督管理部门的执法管理提供真实及时的数据信息参考。
Description
技术领域
本发明涉及环境监测领域,具体涉及在线区域布点式恶臭监测系统及方法。
背景技术
近几年,随着经济的快速发展,诸多化工、石化、焦化、污水处理厂、垃圾处理厂、制药厂、酿酒厂、水泥厂等项目相继建设投运,与此同时所伴生的恶臭污染日益成为环保投诉的热点话题。
恶臭污染不同于其他大气污染,主要特点是恶臭物质种类多、分布广、影响范围大,产生恶臭的污染源有工业污染源,生活污染源(如卫生间,堆放垃圾物,下水道等)和体泌污染物等,这些污染源不断产生醇类、醛类和脂类等不完全氧化的恶臭物质及大量难闻的臭气。因此,开展环境恶臭监测,为环境治理与评价提供详尽准确的数据十分必要。
目前,检测恶臭的方法主要是采用单点的仪器监测,无法监测恶臭污染的来源以及变化趋势等问题,从而无法实质性的对环境恶臭污染进行有效的监测。
发明内容
本发明所要解决的技术问题是解决现有仪器无法监测恶臭污染的来源以及变化趋势的问题。
为了解决上述技术问题,本发明所采用的技术方案是提供一种在线区域布点式恶臭监测系统,包括控制中心和分别设置在多个监测站点的在线恶臭监测仪,所述控制中心具有云端恶臭分析平台,多个所述在线恶臭监测仪通过3G网络实时将检测数据传输到所述控制中心,所述云端恶臭分析平台对所述检测数据进行分析并获得恶臭监测结果。
在上述系统中,所述在线恶臭监测仪包括由1个PID光电传感器和8个电化学传感器组成的传感器阵列。
在上述系统中,所述云端恶臭分析平台上设有所述传感器阵列的检测值与恶臭强度值之间的线性相关性曲线,根据所述传感器阵列传送来的实时检测数据,利用所述线性相关性曲线获得相应监测站点的恶臭强度值。
在上述系统中,所述云端恶臭分析平台根据所述多个在线恶臭监测仪的地理位置、网络地址以及网络连接速度,选择终端网络延迟较小的云计算主机。
在上述系统中,所述云端恶臭分析平台上设有所述传感器阵列的检测值与恶臭类型相对应的恶臭类型模板;根据所述传感器阵列传送来的实时检测数据,利用所述恶臭类型模板识别出污染当前大气环境的恶臭类型。
本发明还公开了一种在线区域布点式恶臭监测方法,包括以下步骤:
在多个监测点分别布置在线恶臭监测仪;
多个所述线恶臭监测仪实时将当前检测数据传送给控制中心的云端恶臭分析平台,所述云端恶臭分析平台上设有所述传感器阵列的检测值与恶臭强度值之间的线性相关性曲线,并根据所述传感器阵列传送来的实时检测数据,利用所述线性相关性曲线获得相应监测站点的恶臭强度值。
在上述方法中,建立所述线性相关性曲线时,每组输入数据为各所述标准传感器信号值在一段时间内的积分。
在上述方法中,根据多组传感器标准信号值和对应的恶臭类型,通过线性判别法建立所述传感器阵列的检测值与恶臭类型的一维离散图谱,形成所述恶臭类型模板。
本发明,通过在多个监测站点布置在线恶臭监测仪,结合物联网和云计算技术,可以有效对污染区域的恶臭污染状况实时监控,实现区域综合分析,数据共享,实时查阅,为企业控制恶臭排污及为环保监督管理部门的执法管理提供真实及时的数据信息参考。
附图说明
图1为本发明提供的在线区域布点式恶臭监测系统结构示意图;
图2为本发明中偏最小二乘法建立传感器阵列的检测值与恶臭强度值之间的线性相关性曲线的流程图。
具体实施方式
下面结合附图对本发明作出详细的说明。
如图1所示,本发明提供的在线区域布点式恶臭监测系统,包括控制中心10和分别设置在多个监测站点的在线恶臭监测仪20,控制中心10具有云端恶臭分析平台11,多个在线恶臭监测仪通过3G网络实时将检测数据传输到控制中心,云端恶臭分析平台对检测数据进行分析并获得恶臭监测结果,由分布式的多个云计算主机执行。
其中,在线恶臭监测仪包括由1个PID光电传感器和8个电化学传感器组成的传感器阵列。
云端恶臭分析平台上设有传感器阵列的检测值与恶臭强度值之间的线性相关性曲线,根据传感器阵列传送来的实时检测数据,利用线性相关性曲线获得相应监测站点的恶臭强度值。
并且,云端恶臭分析平台根据所述多个在线恶臭监测仪的地理位置、网络地址以及网络连接速度,选择终端网络延迟较小的云计算主机。
另外,云端恶臭分析平台上设有传感器阵列的检测值与恶臭类型相对应的恶臭类型模板,根据传感器阵列传送来的实时检测数据,利用恶臭类型模板识别出污染当前大气环境的恶臭类型。
在此基础上,本发明还提供了一种在线区域布点式恶臭监测方法,其特征在于,包括以下步骤:
在多个监测点分别布置在线恶臭监测仪;
多个所述在线恶臭监测仪实时将当前检测数据传送给控制中心的云端恶臭分析平台,云端恶臭分析平台上设有传感器阵列的检测值与恶臭强度值之间的线性相关性曲线,并根据传感器阵列传送来的实时检测数据,利用所述线性相关性曲线获得相应监测站点的恶臭强度值。
本发明中,传感器阵列的检测值与恶臭强度值之间的线性相关性曲线采用以下方法建立:
步骤1、分别利用该传感器阵列和三点比较式嗅袋法依次对多种标准样品气体进行检测,针对每一种标准样品气体获得一组标准传感器信号值和对应的恶臭强度(OU)值。本实施例中,传感器阵列包括1个PID光电传感器和8个电化学传感器。
PID光电传感器用于检测极低浓度(0-1000ppm)的挥发性有机化合物(VOC,VolatileOrganicCompounds)和其它有毒气体,例如:
芳香类:含有苯环的系列化合物,比如:苯,甲苯,萘等;
酮类和醛类:含有C=O键的化合物。比如:丙酮,等;
氨和胺类:含N的碳氢化合物。比如二甲基胺等;
卤代烃类:硫代烃类:
不饱和烃类:烯烃等;
醇类;
不含碳的无机气体:氨、砷、硒等,溴和碘类等。
8个电化学传感器分别用于检测:氨气(NH3)、硫化氢(H2S)、三甲胺((CH3)3N)、苯乙烯(C8H8)、甲硫醇(CH3SH)、甲硫醚((CH3)2S)、二甲二硫醚((CH3)S2)、二硫化碳(CS2)。
步骤1的具体作法是:
首先,利用传感器阵列对一种标准样品气体进行监测,并保存上述传感器阵列获得的一组相应响应信号(标准传感器信号值)。
然后,将上述标准样品气体通过三点比较式嗅袋法人工嗅出其恶臭强度(OU)值,获得该标准样品气体对应的恶臭强度(OU)值。
更换不同的标准样品气体,采用上述同样的方法分别获得针对每一种标准样品气体的一组标准传感器信号值和对应的恶臭强度(OU)值。
步骤2、根据多组标准传感器信号值和对应的恶臭强度(OU)值,通过偏最小二乘法PLS(Partialleastsquaresmethod)建立上述传感器阵列的检测值与恶臭强度(OU)值之间的线性相关性曲线。
PLS算法是一种多因变量对多自变量的回归建模方法,可以较好的解决许多以往用普通多元回归无法解决的问题,偏最小二乘回归的原理是建立一个线性模型:Y=XB+E,其中X是具有m个变量、n个样本点的响应矩阵,Y是具有p个变量、n个样本点的预测矩阵,B是回归系数矩阵,E为噪音校正矩阵,与Y具有相同的维数,采用回归算法找出两个矩阵X和Y之间的线性关系。传统的PLS算法,其输入数据为各传感器在某个时间点的信号值,本发明中,对PLS算法进行了改进,每组输入数据为各标准传感器信号值在一段时间内的积分,该时间段不少于10分钟,在这个基础上做出的偏最小二乘回归分析、曲线拟合,结果更准确、可靠。
本发明中,(多变量)PLS算法的模型为:
X=TPT+E
Y=UQT+F
其中:
X为n×m型预测矩阵,m为传感器阵列中传感器的数量,n为采样数量;
Y为n×p型响应矩阵,p为恶臭强度值,n为采样数量;
T和U分别为X和Y的投影,为p×l型矩阵,p为矩阵的行变量,l为矩阵的列变量,PT表示P的转置矩阵,QT表示Q的转置矩阵;
P和Q分别为m×l与p×l型正交荷载矩阵;
E和F为误差项矩阵,其分量为拟合模型与实际观测值在各点的残差(或离差),残差的加权平方和达到最小,此时所求曲线称作在加权最小二乘意义下对数据的拟合曲线,E和F假定为正规矩阵。
本发明中,对传统PLS算法模型Y=XB+E中的X和Y进行了分解,其目的是为了最大化T和U的协方差,构造X和Y之间的线性回归方程为Y=XB+B0。
如图2所示,实现PLS算法的过程如下:
步骤S11、输入参数:W(0)、W(1)、……W(l-1)和y。
W(0)、W(1)、……W(l-1)分别对应一组传感器阵列中的一个传感器检测值的向量(即多组检测值),l=9;
y为三点比较式嗅袋法人工嗅出的对应恶臭强度(OU)值的向量(即多组(OU)值)。
步骤S12、进行初始化:
X(0)←X;
W(0)←XTy/||X||T||y||;
T(0)←XW(0)
||表示矩阵行列式。
步骤S13、进入一个循环体,循环变量为k,范围从0到l,利用循环体求出回归系数B和B0,循环体工作过程如下:
tk←T(k)TT(k);
T(k)←T(k)/tk;
Pk←T(k)TT(k);
qk←yTT(k)。
其中,t是为了演算方便定义的一个中间变量。
计算qk的值,如果qk=0,就将k赋给l,并中断循环,转步骤S15;如果qk≠0,则判断k和l的关系,如果k小于l,则转步骤S14;否则转步骤S15;
步骤S14,令,
W(k+1)←X(k+1)Ty;
T(k+1)←X(k+1)W(k+1)
循环体结束。
步骤S15、定义W为包含这些列的矩阵W(0)、W(1)、……W(l-1),类似的定义P,q;
B←W(PTW)-1q;
B0←q0-p(0)B;
B和B0为算法(函数)的返回结果。
建立了标准传感器检测信号的强弱与恶臭强度(OU)值高低的对应线性关系后,只要有传感器响应的信号值,就会计算出相对应的恶臭强度(OU)值。
本发明不局限于上述最佳实施方式,任何人应该得知在本发明的启示下作出的结构变化,凡是与本发明具有相同或相近的技术方案,均落入本发明的保护范围之内。
Claims (7)
1.在线区域布点式恶臭监测系统,包括控制中心和分别设置在多个监测站点的在线恶臭监测仪,其特征在于,所述控制中心具有云端恶臭分析平台,多个所述在线恶臭监测仪通过3G网络实时将检测数据传输到所述控制中心,所述云端恶臭分析平台上设有所述传感器阵列的检测值与恶臭强度值之间的线性相关性曲线,根据所述传感器阵列传送来的实时检测数据,利用所述线性相关性曲线获得相应监测站点的恶臭强度值;
传感器阵列的检测值与恶臭强度值之间的线性相关性曲线采用以下方法建立:
步骤1、分别利用该传感器阵列和三点比较式嗅袋法依次对多种标准样品气体进行检测,针对每一种标准样品气体获得一组标准传感器信号值和对应的恶臭强度值;
步骤2、根据多组标准传感器信号值和对应的恶臭强度值,通过偏最小二乘法建立上述传感器阵列的检测值与恶臭强度值之间的线性相关性曲线;
其中,所述各标准传感器信号值为所述传感器阵列传送来的实时检测数据在一段时间内的积分,该时间段不少于10分钟;
偏最小二乘法算法模型中X和Y之间的线性回归方程为Y=XB+B0,X为n×m型预测矩阵,m为传感器阵列中传感器的数量,n为采样数量;Y为n×p型响应矩阵,p为恶臭强度值,n为采样数量;获取B和B0的设计方法如下:
步骤S11、输入参数:W(0)、W(1)、……W(l-1)和y;
W(0)、W(1)、……W(l-1)分别对应一组传感器阵列中的一个传感器检测值的向量,l为传感器阵列中传感器的数量;
y为三点比较式嗅袋法人工嗅出的对应恶臭强度值的向量;
步骤S12、进行初始化:
X(0)←X;
W(0)←XTy/||X||T||y||;
T(0)←XW(0)
||表示矩阵行列式,T为X的投影;
步骤S13、进入一个循环体,循环变量为k,范围从0到l,利用循环体求出回归系数B和B0,循环体工作过程如下:
tk←T(k)TT(k);
T(k)←T(k)/tk;
Pk←T(k)TT(k);
qk←yTT(k);
其中,t是为了演算方便定义的一个中间变量;
计算qk的值,如果qk=0,就将k赋给l,并中断循环,转步骤S15;如果qk≠0,则判断k和l的关系,如果k小于l,则转步骤S14;否则转步骤S15;
步骤S14,令,
X(k+1)←X(k)-tkT(k)P(k)T;
W(k+1)←X(k+1)Ty;
T(k+1)←X(k+1)W(k+1)
循环体结束;
步骤S15、定义W为包含这些列的矩阵W(0)、W(1)、……W(l-1),类似的定义P,q;
B←W(PTW)-1q;
B0←q0-p(0)B;
B和B0为算法的返回结果。
2.如权利要求1所述的在线区域布点式恶臭监测系统,其特征在于,所述在线恶臭监测仪包括由1个PID光电传感器和8个电化学传感器组成的传感器阵列。
3.如权利要求1所述的在线区域布点式恶臭监测系统,其特征在于,所述云端恶臭分析平台根据所述多个在线恶臭监测仪的地理位置、网络地址以及网络连接速度,选择终端网络延迟较小的云计算主机。
4.如权利要求1所述的在线区域布点式恶臭监测系统,其特征在于,所述云端恶臭分析平台上设有所述传感器阵列的检测值与恶臭类型相对应的恶臭类型模板;
根据所述传感器阵列传送来的实时检测数据,利用所述恶臭类型模板识别出污染当前大气环境的恶臭类型。
5.在线区域布点式恶臭监测方法,其特征在于,包括以下步骤:
在多个监测点分别布置在线恶臭监测仪;
多个所述线恶臭监测仪实时将当前检测数据传送给控制中心的云端恶臭分析平台,所述云端恶臭分析平台上设有所述传感器阵列的检测值与恶臭强度值之间的线性相关性曲线,并根据所述传感器阵列传送来的实时检测数据,利用所述线性相关性曲线获得相应监测站点的恶臭强度值;
传感器阵列的检测值与恶臭强度值之间的线性相关性曲线采用以下方法建立:
步骤1、分别利用该传感器阵列和三点比较式嗅袋法依次对多种标准样品气体进行检测,针对每一种标准样品气体获得一组标准传感器信号值和对应的恶臭强度值;
步骤2、根据多组标准传感器信号值和对应的恶臭强度值,通过偏最小二乘法建立上述传感器阵列的检测值与恶臭强度值之间的线性相关性曲线;
其中,所述各标准传感器信号值为所述传感器阵列传送来的实时检测数据在一段时间内的积分,该时间段不少于10分钟;
偏最小二乘法算法模型中X和Y之间的线性回归方程为Y=XB+B0,X为n×m型预测矩阵,m为传感器阵列中传感器的数量,n为采样数量;Y为n×p型响应矩阵,p为恶臭强度值,n为采样数量;获取B和B0的设计方法如下:
步骤S11、输入参数:W(0)、W(1)、……W(l-1)和y;
W(0)、W(1)、……W(l-1)分别对应一组传感器阵列中的一个传感器检测值的向量,l为传感器阵列中传感器的数量;
y为三点比较式嗅袋法人工嗅出的对应恶臭强度值的向量;
步骤S12、进行初始化:
X(0)←X;
W(0)←XTy/||X||T||y||;
T(0)←XW(0)
||表示矩阵行列式,T为X的投影;
步骤S13、进入一个循环体,循环变量为k,范围从0到l,利用循环体求出回归系数B和B0,循环体工作过程如下:
tk←T(k)TT(k);
T(k)←T(k)/tk;
Pk←T(k)TT(k);
qk←yTT(k);
其中,t是为了演算方便定义的一个中间变量;
计算qk的值,如果qk=0,就将k赋给l,并中断循环,转步骤S15;如果qk≠0,则判断k和l的关系,如果k小于l,则转步骤S14;否则转步骤S15;
步骤S14,令,
X(k+1)←X(k)-tkT(k)P(k)T;
W(k+1)←X(k+1)Ty;
T(k+1)←X(k+1)W(k+1)
循环体结束;
步骤S15、定义W为包含这些列的矩阵W(0)、W(1)、……W(l-1),类似的定义P,q;
B←W(PTW)-1q;
B0←q0-p(0)B;
B和B0为算法的返回结果。
6.如权利要求5所述的在线区域布点式恶臭监测方法,其特征在于,建立所述线性相关性曲线时,每组输入数据为各所述标准传感器信号值在一段时间内的积分。
7.如权利要求5所述的在线区域布点式恶臭监测方法,其特征在于,根据多组传感器标准信号值和对应的恶臭类型,通过线性判别法建立所述传感器阵列的检测值与恶臭类型的一维离散图谱,形成所述恶臭类型模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310099650.1A CN103175781B (zh) | 2013-03-26 | 2013-03-26 | 在线区域布点式恶臭监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310099650.1A CN103175781B (zh) | 2013-03-26 | 2013-03-26 | 在线区域布点式恶臭监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103175781A CN103175781A (zh) | 2013-06-26 |
CN103175781B true CN103175781B (zh) | 2015-12-02 |
Family
ID=48635789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310099650.1A Active CN103175781B (zh) | 2013-03-26 | 2013-03-26 | 在线区域布点式恶臭监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103175781B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487422A (zh) * | 2013-09-30 | 2014-01-01 | 何赛灵 | 多波长led荧光光谱的云端中药品质检测系统及方法 |
CN103808904B (zh) * | 2014-03-07 | 2016-01-20 | 北京拓扑智鑫科技有限公司 | 全局实时监控恶臭污染气体的方法 |
CN105303778A (zh) * | 2015-03-23 | 2016-02-03 | 上海宁和环境科技发展有限公司 | 基于特征污染物和电子鼻双模式空气异味监测预警系统 |
CN107449874B (zh) * | 2017-09-13 | 2023-11-21 | 中国科学院地理科学与资源研究所 | 一种基于传感器的有机废物处理设施恶臭监测系统 |
CN108088772B (zh) * | 2017-11-28 | 2020-09-29 | 重庆大学 | 一种多元室内建材VOCs散发预测系统及其使用方法 |
CN110687257A (zh) * | 2019-11-04 | 2020-01-14 | 河北先河环保科技股份有限公司 | 一种基于恶臭在线监测系统的溯源方法 |
CN111766337B (zh) * | 2020-06-12 | 2022-07-22 | 北京盈盛恒泰科技有限责任公司 | 基于多组分气体检测仪传感器阵列的臭气浓度ou值算法 |
CN112798673A (zh) * | 2020-12-28 | 2021-05-14 | 汉威科技集团股份有限公司 | 一种多参数恶臭气体浓度在线监测方法 |
CN113495123A (zh) * | 2021-07-05 | 2021-10-12 | 北京雪域飞虹环保科技有限公司 | 一种基于多传感器阵列的硫醇类气体模式识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202814869U (zh) * | 2012-08-01 | 2013-03-20 | 成都亿友科技有限公司 | 基于云计算的气体浓度监测系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020182739A1 (en) * | 1999-04-07 | 2002-12-05 | Sadik Omowunmi A. | Rapid detection of aromas using integrated gas chromatography with multiarray sensors |
US8903551B2 (en) * | 2011-08-23 | 2014-12-02 | International Business Machines Corporation | Sensor-swarm environmental event detection |
CN102621970A (zh) * | 2012-04-16 | 2012-08-01 | 哈尔滨工业大学 | 基于物联网的城市工业气体安全智能监测系统及监测方法 |
CN202794147U (zh) * | 2012-08-31 | 2013-03-13 | 浙江吉利汽车研究院有限公司杭州分公司 | 一种基于云计算的车载空气质量监测系统 |
-
2013
- 2013-03-26 CN CN201310099650.1A patent/CN103175781B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202814869U (zh) * | 2012-08-01 | 2013-03-20 | 成都亿友科技有限公司 | 基于云计算的气体浓度监测系统 |
Non-Patent Citations (1)
Title |
---|
在线恶臭电子鼻在臭气浓度监测中的应用;刘甜恬等;《环境科学导刊》;20121231;第31卷(第6期);第128页右栏第2段到第129页左栏第3段 * |
Also Published As
Publication number | Publication date |
---|---|
CN103175781A (zh) | 2013-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103175781B (zh) | 在线区域布点式恶臭监测系统及方法 | |
CN103196830B (zh) | 环境恶臭污染定量监测方法 | |
Jiang et al. | Progress in developing an ANN model for air pollution index forecast | |
Olsson et al. | Instrumentation, control and automation in wastewater–from London 1973 to Narbonne 2013 | |
Burchard-Levine et al. | A hybrid evolutionary data driven model for river water quality early warning | |
Ozkaya et al. | Neural network prediction model for the methane fraction in biogas from field-scale landfill bioreactors | |
Mannina et al. | Greenhouse gas emissions from integrated urban drainage systems: where do we stand? | |
Wang et al. | Statistical monitoring and dynamic simulation of a wastewater treatment plant: A combined approach to achieve model predictive control | |
Kang et al. | Data-driven water quality analysis and prediction: A survey | |
CN105510546A (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
Zounemat-Kermani et al. | Multivariate NARX neural network in prediction gaseous emissions within the influent chamber of wastewater treatment plants | |
Nair et al. | Predictive models for river water quality using machine learning and big data techniques-a Survey | |
Enitan et al. | Optimization of biogas generation using anaerobic digestion models and computational intelligence approaches | |
Yetilmezsoy et al. | Stochastic modeling applications for the prediction of COD removal efficiency of UASB reactors treating diluted real cotton textile wastewater | |
Li et al. | Estimating historical SO2 level across the whole China during 1973–2014 using random forest model | |
CN105303007B (zh) | 一种采用融合技术建立尼尔基水库水生态风险预警模型的方法 | |
CN114297954A (zh) | 一种基于污水处理厂的大数据智能分析数字管控平台 | |
CN112034801B (zh) | 挥发性有机污染物总量排污系数计算方法、系统及终端 | |
CN204287166U (zh) | 一种基于zigbee应用的水质监测系统 | |
CN104063609A (zh) | 一种利用神经网络辅助判定污染源监测数据有效性的方法 | |
Yang et al. | Advanced machine learning application for odor and corrosion control at a water resource recovery facility | |
Kim et al. | Operator decision support system for integrated wastewater management including wastewater treatment plants and receiving water bodies | |
CN106021884A (zh) | 一种基于神经网络原理的潜流湿地出水浓度的预测方法 | |
Poch et al. | Where are we in wastewater treatment plants data management? A review and a proposal | |
AU2021106282A4 (en) | A method for quickly tracing the source of water pollution emergencies in a river basin |
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 | ||
C56 | Change in the name or address of the patentee | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100070 Beijing Fengtai District Branch Road No. 7 room 210 (Park) Patentee after: BEIJING TOP FORTUNE TECHNOLOGY CO., LTD. Address before: 100070 Beijing Fengtai District Branch Road No. 7 room 210 (Park) Patentee before: Beijing Top Fortune Technology Co., Ltd. |