CN106018359A - 一种污水厂水质监测预警方法及系统 - Google Patents
一种污水厂水质监测预警方法及系统 Download PDFInfo
- Publication number
- CN106018359A CN106018359A CN201610315716.XA CN201610315716A CN106018359A CN 106018359 A CN106018359 A CN 106018359A CN 201610315716 A CN201610315716 A CN 201610315716A CN 106018359 A CN106018359 A CN 106018359A
- Authority
- CN
- China
- Prior art keywords
- water
- water quality
- quality index
- sewage plant
- dimensional fluorescence
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N2021/6417—Spectrofluorimetric devices
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种污水厂水质监测预警方法及系统,方法包括以下步骤:S1,对污水厂进水处和经过污水厂全流程处理后的出水处进行取样,得到多个进水水样和相应的多个出水水样;S2,根据所述多个进水水样的三维荧光光谱图与所述多个进水水样的水质指标,建立三维荧光光谱数据与进水水样水质指标之间的映射关系;S3,以多个进水水样的水质指标的作为输入值,以多个出水水样的水质指标作为输出值,训练建立BP神经网络;S4,当前进水的三维荧光光谱图;S5,根据当前进水的三维荧光光谱图,由映射关系分析得到当前进水的水质指标;根据当前进水的水质指标,由BP神经网络预估得到当前进水对应的出水的水质指标。本发明可提前监测到出水水质异常的情况。
Description
【技术领域】
本发明涉及污水厂水质监测领域,特别是涉及一种污水厂水质监测预警方法及系统。
【背景技术】
随着生态环境尤其是水环境的严重破坏,国家逐渐对水环境污染问题给以了足够的重视。近几年污水处理厂的数量正在快速增长,污水厂的投入运行不仅减轻了生活污水对周围河流湖泊的污染,也为恢复良好的生态环境提供了重要的作用。在此基础上,污水厂的运行效果引起了人们的广泛关注,如何有效确保污水处理厂出水水质符合国家规定的排放要求成了当前一项重要任务。
目前城市污水厂主要依赖生物处理方法处理污水。微生物易受进水的COD浓度、氮磷等营养物质和其他有毒有害物质的影响,使得处理效果不稳定,进而导致污水厂出水超标。通常,对出水水质的分析步骤相对较多、消耗大量试剂或能源,耗时时间长,难以获得相应的实验结果,从而不利于工作人员对污水处理厂的运行效果进行及时监控。
目前很多污水厂,都是在出水的水质已经超标的情况下才会发现处理异常,对于超标排放前的异常数据起不到预警作用,无法及时进行工艺调整,存在严重的滞后性。我国一些污水处理厂常采用生物处理工艺,如活性污泥法处理城市污水,由于活性污泥工艺的运行和控制是很复杂的问题,涉及到基质降解、微生物生长规律等问题,而且影响这些规律的因素之间都是非线性的关系,因此在运行过程中会经常遇到一些困难。此外,由于污水进水的成分复杂和时间变化,即使从某个污水处理厂获得的一些操作运行方面的经验和知识,也未必能很容易地用到其他污水厂。
【发明内容】
本发明所要解决的技术问题是:弥补上述现有技术的不足,提出一种污水厂水质监测预警方法及系统,可提前监测到出水水质异常的情况,便于工作人员及时进行工艺调整预防出水水质超标。
本发明的技术问题通过以下的技术方案予以解决:
一种污水厂水质监测预警方法,包括以下步骤:S1,对污水厂进水处和经过污水厂全流程处理后的出水处进行取样,得到多个进水水样和相应的多个出水水样;S2,根据所述多个进水水样的三维荧光光谱图与所述多个进水水样的水质指标,建立三维荧光光谱数据与进水水样水质指标之间的映射关系;S3,以所述多个进水水样的水质指标的作为输入值,以所述多个出水水样的水质指标作为输出值,训练建立BP神经网络;S4,扫描污水厂当前进水,得到当前进水的三维荧光光谱图;S5,根据所述当前进水的三维荧光光谱图,由步骤S2建立的映射关系分析得到当前进水的水质指标;根据当前进水的水质指标,由步骤S3建立的BP神经网络预估得到当前进水对应的出水的水质指标。
一种污水厂水质监测预警系统,包括以下模块:取样模块,用于对污水厂进水处和经过污水厂全流程处理后的出水处进行取样,得到多个进水水样和相应的多个出水水样;映射关系建立模块,用于根据所述多个进水水样的三维荧光光谱图与所述多个进水水样的水质指标,建立三维荧光光谱数据与进水水样水质指标之间的映射关系;BP神经网络生成模块,用于以所述多个进水水样的水质指标的作为输入值,以所述多个出水水样的水质指标作为输出值,训练建立BP神经网络;三维荧光光谱扫描模块,用于扫描污水厂当前进水,得到当前进水的三维荧光光谱图;分析预估模块,用于根据所述当前进水的三维荧光光谱图,由所述映射关系分析得到当前进水的水质指标;根据当前进水的水质指标,由所述BP神经网络预估得到当前进水对应的出水的水质指标。
本发明与现有技术对比的有益效果是:
本发明的污水厂水质监测预警方法及系统,通过多个进水水样的三维荧光光谱数据与水质指标之间建立映射关系,结合进水水样的水质指标与出水水样的水质指标之间的BP神经网络,从而在得到待监测的进水的三维荧光光谱数据后,就能分析得到出水的水质指标。本发明的污水厂水质监测预警方法,只要监测进水就能预测出水是否会超标,而一般进水到污水厂的出水有大概20个小时,加之以往均需要耗费长达几小时的时间后才能检测出出水水质是否超标,因此,本发明至少可提前20~30小时的时间监测到出水水质异常的情况,监测较及时。而通过三维荧光光谱进行分析,测量进水的光谱数据仅需几分钟,无需像以往那样耗费若干小时,操作效率高,耗时周期短,便于对污水厂出水进行提前预警。本发明利用三维荧光光谱技术结合BP神经网络对污水厂的出水进行预警,是一种简单、耗时周期短,在污水厂运行监测有很好的发展前景和社会价值。
【附图说明】
图1是本发明具体实施方式的污水厂水质监测预警方法的流程图。
【具体实施方式】
下面结合具体实施方式并对照附图对本发明做进一步详细说明。
如图1所示,为本具体实施方式的污水厂水质监测预警方法的流程图。污水厂水质监测预警方法包括以下步骤:
R1,对污水厂进水处和经过污水厂全流程处理后的出水处进行取样,得到多个进水水样和相应的多个出水水样。
该步骤中,可使用自动取样装置对进水处和经过全流程停留时间后的出水处进行自动取样。取样样本越多,后续建立的映射关系以及BP神经网络就越准确,从而预警越精确。取样后,可将样品进行预处理,对水样样品进行过滤后以去除污水中的固体颗粒物等,然后放入离心机中离心一段时间后,取离心后的水样样品的上清液进行后续的分析。
R2,对所述多个进水水样进行扫描,得到各个进水水样的三维荧光光谱图;
具体地,可采用三维荧光光谱仪扫描,三维荧光光谱仪设定好激发波长、发射波长等参数后,扫描前述步骤R1得到的多个进水水样,即可得到各个进水水样的三维荧光光谱监测分析图。三维荧光光谱图像直观,所含信息丰富,可对水样中有机物进行研究。而且荧光光谱技术本身也具有灵敏度高,测量简单,时间短,重现性好,取样量少,自动化程度高等优点。本具体实施方式中,根据调试经验,将三维荧光光谱仪的激发波长设置为220-550nm,发射波长设置为200-600nm,狭缝宽度为5-10nm,扫描带通为5nm,扫描速度:1200-2000nm/min,响应时间设置为自动方式,从而较为有效的测试得到三维荧光光谱图,且后续从图中提取的三维荧光光谱数据用于建立映射关系时,结果较精确。
通过发射激光扫描以获取三维荧光光谱图的过程中,存在一些噪声,例如瑞利散射和拉曼散射。因此,优选地,得到三维荧光光谱图后,对从所述三维荧光光谱图中提取三维荧光光谱数据进行预处理,去除噪声,从而提高后续处理的精确度。
瑞利散射为弹性散射,位于激发波长等于发射波长(一级瑞利)、或0.5倍发射波长(二级瑞利)的光谱区域,预处理时将该光谱区域内对应瑞利散射的光谱数据置零,以去除瑞利散射的影响。此外,以超纯水做空白参比,预处理时从三维荧光光谱数据中减去超纯水的三维荧光光谱数据,从而消除拉曼散射的影响。此外,预处理还可包括对三维荧光光谱数据进行初步检查,以去除其中的边缘点数据。
通过对荧光光谱数据进行拟合,可从多组分的混合水样溶液中得到各个组分所对应的荧光光谱数据的准确定量结果。
R3,测定所述多个进水水样和多个出水水样的水质指标。
该步骤中,对提取的多个进水水样、出水水样测定水质指标。一般地,可选取总有机碳(TOC)、化学需氧量(COD)、总氮(TN)、总磷(TP)等指标。测定的指标种类不限于上述举例,水质指标的种类测定得越多,后续建立映射关系越精确,建立的BP神经网络也更准确。
R4,根据步骤R2得到的三维荧光光谱图与步骤R3中的多个进水水样的水质指标,建立三维荧光光谱数据与进水水样水质指标之间的映射关系。
在获取大量的进水水样,及其相应的荧光光谱数据、水质指标数据后,积累大量的数据后可建立荧光光谱数据与进水水样水质指标之间的映射关系。后续分析时,通过检测待分析的进水的三维荧光光谱数据即可预估进水的水质指标,而无需耗费若干小时测定进水的实际水质指标。
R5,以步骤R3得到的多个进水水样的水质指标的作为输入值,以步骤R3得到的多个出水水样的水质指标作为输出值,训练建立BP神经网络。
从污水厂的进水到污水厂的出水中间大概有20个小时,通过训练BP神经网络,从而可在有进水指标时及时评估得到出水指标,而无需等到20个小时后有实际出水时再取水样测定水质指标。BP神经网络是一种有监督式的学习算法,主要思想为:输入学习样本,使用前馈型算法对网络的权值和误差进行反复的模拟、训练和调整,最终使仿真预测值与输出值最大程度的逼近。当最终误差率在最小误差范围之内时,训练过程结束,得到误差逼近最小的结果。具体地,BP神经网络的训练建立可通过MATLAB建模软件得到。例如,通过MATLAB建模软件实现时,可调用newff函数创建一个三层的BP神经网络,隐含层的激活函数采用tansig(S型正切激活函数),输出层的激活函数采用purelin(线性激活函数),traingdx为网络训练算法。当然,MATLAB建模软件中还有其它函数可用于建立BP神经网络,上述仅为示例,并不限于上述函数。不同的函数训练建立的BP神经网络的精确度不同。
优选地,在以水质指标为输入值或者输出值训练建立BP神经网络之前,先将水质指标经过归一化处理。归一化处理的公式可为:
其中,x表示水质指标归一化后的数据,xi表示水质指标归一化前的原始数据,xmin为水样的水质指标的原始数据中的最小值,xmax为水样的水质指标的原始数据中的最大值。举例来说,如果是进水水样的化学需氧量COD指标,将某一进水水样的COD的数据作为xi代入上述公式,将所有进水水样的COD数据中的最大值作为xmax代入上述公式,所有进水水样的COD数据中的最小值作为xmin代入上述公式,经过计算,即可得到该进水水样的COD数据经过归一化后的数据。据此,可得到各个进水水样的COD指标中经过归一化后的数据,相应地,其它水质指标的归一化后的数据也可计算得到。通过上述归一化处理,可将各个量值范围不同的水质指标统一到0~1之间,这样后续训练生成BP神经网络较准确。
R6,扫描污水厂当前进水,得到当前进水的三维荧光光谱图。
该步骤对实际待监测的进水开始监控处理,可采用三维荧光光谱仪扫描当前待监测的进水,得到其三维荧光光谱图,以用于后续步骤的分析处理。
R7,根据所述当前进水的三维荧光光谱图,由步骤R4建立的映射关系分析得到当前进水的水质指标;根据当前进水的水质指标,由步骤R5建立的BP神经网络预估得到当前进水对应的出水的水质指标。
具体地,由当前待监测的进水的三维荧光光谱图提取三维荧光光谱数据,借助三维荧光光谱数据与水质指标的映射关系,从而可分析得到当前待监测的进水的水质指标。借助从进水指标到出水指标的BP神经网络,将映射得到的当前待监测的进水的水质指标作为输入值,则可进一步预估得到当前待监测的进水经过当前的污水厂全流程处理后相对应的出水的水质指标。因此,当有进水,测量进水的三维荧光光谱,经过上述分析预估过程后,即可预测得到出水的水质指标,可对出水进行及时高效地监控,便于污水厂的监控人员及时地预估出水指标,判断污水厂运行效果,从而提前发现异常,进行有效地调整,无需像以往那样只有等到出水水质已经超标的情况下才能检测发现。
优选地,将上述预估得到输出结果,即出水水质指标,对比出水水质标准,根据水质指标位于不同的等级产生警报信息,例如显示不同等级警报,同时产生声音或者光电等警报提醒。例如,以出水水质标准为基准,当出水水质指标为出水标准的70%时,显示一级警报;当为80%,显示二级警报;当为90%及以上时显示三警报。待预估出水水质恢复到正常范围内,可设定解除警报。
本具体实施方式中还提供一种污水厂水质监测预警系统,包括以下模块:
取样模块,用于对污水厂进水处和经过污水厂全流程处理后的出水处进行取样,得到多个进水水样和相应的多个出水水样;
映射关系建立模块,用于根据所述多个进水水样的三维荧光光谱图与所述多个进水水样的水质指标,建立三维荧光光谱数据与进水水样水质指标之间的映射关系;
BP神经网络生成模块,用于以所述多个进水水样的水质指标的作为输入值,以所述多个出水水样的水质指标作为输出值,训练建立BP神经网络;
三维荧光光谱扫描模块,用于扫描污水厂当前进水,得到当前进水的三维荧光光谱图;
分析预估模块,用于根据所述当前进水的三维荧光光谱图,由所述映射关系分析得到当前进水的水质指标;根据当前进水的水质指标,由所述BP神经网络预估得到当前进水对应的出水的水质指标。
通过该水质监测预警系统,可提前监测到出水水质异常的情况,便于工作人员及时进行工艺调整预防出水水质超标。
如下,以具体实例为例,说明本具体实施方式的监测预警方法的及时有效。
实例:将三维荧光光谱仪的激发波长设置为220-550nm,发射波长设置为200-600nm,狭缝宽度为5nm,扫描带通为5nm,扫描速度:1500nm/min,响应时间设置为自动方式。使用自动取样装置对进水处和经过全流程停留时间后的出水处进行自动取样。后将样品进行预处理,对水样进行过滤后以去除污水中的固体颗粒物等,然后放入转速为4000r/min的离心机中离心15min后,取离心后的样品的上清液,对取得的水样用三维荧光光谱仪对各样品进行扫描,得各个样品的三维荧光光谱监测分析图,并同步测定水样的水质指标。将各个样品测得的三维荧光光谱分析结果,进行数据处理,以从多组分的混合溶液中得到各个组分的准确的定量结果,结合进水水样的水质指标,建立三维荧光与水质指标的映射关系。经验证,建立的映射关系的相关性系数为0.8。
对测定的各水样的水质指标,对水质指标数据进行归一化处理。对归一化处理后的数据,以进水水样的数据作为输入值,经过全流程处理时间后的出水水样的数据作为输出值,训练、建立BP神经网络。
测量待监测的进水的荧光光谱,经过映射,得到进水的水质指标,输入到上述建立好的BP神经网络,得到输出结果为出水的水质指标。将所得的出水的水质指标数据传入分析模块以及报警模块中,根据出水的水质指标数据位于不同的等级,显示不同等级警报。经验证,该实例的预警方案与传统方法相比,预警时间减少了80%,可及时发现异常情况。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下做出若干替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。
Claims (10)
1.一种污水厂水质监测预警方法,其特征在于:包括以下步骤:S1,对污水厂进水处和经过污水厂全流程处理后的出水处进行取样,得到多个进水水样和相应的多个出水水样;S2,根据所述多个进水水样的三维荧光光谱图与所述多个进水水样的水质指标,建立三维荧光光谱数据与进水水样水质指标之间的映射关系;S3,以所述多个进水水样的水质指标的作为输入值,以所述多个出水水样的水质指标作为输出值,训练建立BP神经网络;S4,扫描污水厂当前进水,得到当前进水的三维荧光光谱图;S5,根据所述当前进水的三维荧光光谱图,由步骤S2建立的映射关系分析得到当前进水的水质指标;根据当前进水的水质指标,由步骤S3建立的BP神经网络预估得到当前进水对应的出水的水质指标。
2.根据权利要求1所述的污水厂水质监测预警方法,其特征在于:所述步骤S2中,在建立映射关系之前,对从所述三维荧光光谱图中提取三维荧光光谱数据进行预处理,去除噪声。
3.根据权利要求2所述的污水厂水质监测预警方法,其特征在于:所述预处理包括:将所述三维荧光光谱数据中位于激发波长等于发射波长或0.5倍的发射波长的光谱区域内对应瑞利散射的光谱数据置零,以去除瑞利散射的影响。
4.根据权利要求2所述的污水厂水质监测预警方法,其特征在于:所述预处理包括:将所述三维荧光光谱数据减去超纯水对应的三维荧光光谱数据。
5.根据权利要求1所述的污水厂水质监测预警方法,其特征在于:所述步骤S3中,所述水质指标经过归一化处理后作为输入值或者输出值。
6.根据权利要求5所述的污水厂水质监测预警方法,其特征在于:归一化处理的公式为:其中,x表示水质指标归一化后的数据,xi表示水质指标归一化前的原始数据,xmin为水样的水质指标的原始数据中的最小值,xmax为水样的水质指标的原始数据中的最大值。
7.根据权利要求1所述的污水厂水质监测预警方法,其特征在于:所述步骤S3中,通过MATLAB建模软件训练建立BP神经网络。
8.根据权利要求1所述的污水厂水质监测预警方法,其特征在于:还包括步骤S6,根据预估得到的出水水质指标,对比出水水质标准,产生警报信息。
9.一种污水厂水质监测预警系统,其特征在于:包括以下模块:取样模块,用于对污水厂进水处和经过污水厂全流程处理后的出水处进行取样,得到多个进水水样和相应的多个出水水样;映射关系建立模块,用于根据所述多个进水水样的三维荧光光谱图与所述多个进水水样的水质指标,建立三维荧光光谱数据与进水水样水质指标之间的映射关系;BP神经网络生成模块,用于以所述多个进水水样的水质指标的作为输入值,以所述多个出水水样的水质指标作为输出值,训练建立BP神经网络;三维荧光光谱扫描模块,用于扫描污水厂当前进水,得到当前进水的三维荧光光谱图;分析预估模块,用于根据所述当前进水的三维荧光光谱图,由所述映射关系分析得到当前进水的水质指标;根据当前进水的水质指标,由所述BP神经网络预估得到当前进水对应的出水的水质指标。
10.根据权利要求9所述的污水厂水质监测预警系统,其特征在于:还包括报警模块,用于根据预估得到的出水水质指标,对比出水水质标准,产生警报信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610315716.XA CN106018359A (zh) | 2016-05-12 | 2016-05-12 | 一种污水厂水质监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610315716.XA CN106018359A (zh) | 2016-05-12 | 2016-05-12 | 一种污水厂水质监测预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106018359A true CN106018359A (zh) | 2016-10-12 |
Family
ID=57100684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610315716.XA Pending CN106018359A (zh) | 2016-05-12 | 2016-05-12 | 一种污水厂水质监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106018359A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872657A (zh) * | 2017-01-05 | 2017-06-20 | 河海大学 | 一种多变量水质参数时序数据异常事件检测方法 |
CN107561046A (zh) * | 2017-08-28 | 2018-01-09 | 常州大学 | 一种基于荧光水纹的污水厂尾水排放实时监测方法与系统 |
CN108298665A (zh) * | 2018-03-29 | 2018-07-20 | 成都惠网远航科技有限公司 | 提高污水净化可靠性的方法 |
CN108318434A (zh) * | 2018-03-29 | 2018-07-24 | 成都惠网远航科技有限公司 | 一种污水净化的监测方法 |
CN109470667A (zh) * | 2018-11-14 | 2019-03-15 | 华东理工大学 | 一种结合水质参数和三维荧光光谱进行污染物溯源的方法 |
CN110334691A (zh) * | 2019-07-16 | 2019-10-15 | 武汉成名仪器有限公司 | 微生物水质监测方法、系统及存储介质 |
CN110490387A (zh) * | 2019-08-26 | 2019-11-22 | 武汉和时利自动化系统工程有限公司 | 用于水处理系统的出水水质预测系统及方法 |
CN111689647A (zh) * | 2020-06-12 | 2020-09-22 | 南京大学盐城环保技术与工程研究院 | 一种确定综合接管污水厂our预警值的方法 |
CN115144502A (zh) * | 2022-07-05 | 2022-10-04 | 宁夏环境科学研究院(有限责任公司) | 一种化工园区废水排放毒性特征调查方法 |
CN115219472A (zh) * | 2022-08-12 | 2022-10-21 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种定量识别混合水体多污染源的方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1912616A (zh) * | 2006-08-28 | 2007-02-14 | 哈尔滨工业大学 | 水体化学需氧量在线虚拟监测方法 |
CN101625353A (zh) * | 2009-03-06 | 2010-01-13 | 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 |
CN103175805A (zh) * | 2013-03-11 | 2013-06-26 | 楚广诣 | 一种近红外光谱测定污水中cod和bod5指标的方法 |
CN103792246A (zh) * | 2014-02-20 | 2014-05-14 | 北京农业质量标准与检测技术研究中心 | 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法 |
CN105277522A (zh) * | 2015-11-14 | 2016-01-27 | 常州大学 | 一种利用三维荧光光谱反映城市污水厂运行状态的监测方法 |
CN105300947A (zh) * | 2015-11-14 | 2016-02-03 | 常州大学 | 一种基于荧光光谱技术的溶解性有机物dom水质监测预警方法 |
CN105334198A (zh) * | 2015-11-14 | 2016-02-17 | 常州大学 | 一种基于三维荧光光谱的水中溶解性有机物的分析方法 |
-
2016
- 2016-05-12 CN CN201610315716.XA patent/CN106018359A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1912616A (zh) * | 2006-08-28 | 2007-02-14 | 哈尔滨工业大学 | 水体化学需氧量在线虚拟监测方法 |
CN101625353A (zh) * | 2009-03-06 | 2010-01-13 | 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 |
CN103175805A (zh) * | 2013-03-11 | 2013-06-26 | 楚广诣 | 一种近红外光谱测定污水中cod和bod5指标的方法 |
CN103792246A (zh) * | 2014-02-20 | 2014-05-14 | 北京农业质量标准与检测技术研究中心 | 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法 |
CN105277522A (zh) * | 2015-11-14 | 2016-01-27 | 常州大学 | 一种利用三维荧光光谱反映城市污水厂运行状态的监测方法 |
CN105300947A (zh) * | 2015-11-14 | 2016-02-03 | 常州大学 | 一种基于荧光光谱技术的溶解性有机物dom水质监测预警方法 |
CN105334198A (zh) * | 2015-11-14 | 2016-02-17 | 常州大学 | 一种基于三维荧光光谱的水中溶解性有机物的分析方法 |
Non-Patent Citations (2)
Title |
---|
李福 等: "改进的BP神经网络算法在水质监测中的应用", 《计算机系统应用》 * |
杜尔登 等: "三维荧光结合自组织映射神经网络考察自来水厂有机物去除效果", 《光谱学与光谱分析》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872657A (zh) * | 2017-01-05 | 2017-06-20 | 河海大学 | 一种多变量水质参数时序数据异常事件检测方法 |
CN107561046A (zh) * | 2017-08-28 | 2018-01-09 | 常州大学 | 一种基于荧光水纹的污水厂尾水排放实时监测方法与系统 |
CN108318434B (zh) * | 2018-03-29 | 2020-10-09 | 江苏水蓝生态环境科技有限公司 | 一种污水净化的监测方法 |
CN108298665A (zh) * | 2018-03-29 | 2018-07-20 | 成都惠网远航科技有限公司 | 提高污水净化可靠性的方法 |
CN108318434A (zh) * | 2018-03-29 | 2018-07-24 | 成都惠网远航科技有限公司 | 一种污水净化的监测方法 |
CN109470667A (zh) * | 2018-11-14 | 2019-03-15 | 华东理工大学 | 一种结合水质参数和三维荧光光谱进行污染物溯源的方法 |
CN110334691B (zh) * | 2019-07-16 | 2021-10-22 | 武汉成名仪器有限公司 | 微生物水质监测方法、系统及存储介质 |
CN110334691A (zh) * | 2019-07-16 | 2019-10-15 | 武汉成名仪器有限公司 | 微生物水质监测方法、系统及存储介质 |
CN110490387A (zh) * | 2019-08-26 | 2019-11-22 | 武汉和时利自动化系统工程有限公司 | 用于水处理系统的出水水质预测系统及方法 |
CN111689647A (zh) * | 2020-06-12 | 2020-09-22 | 南京大学盐城环保技术与工程研究院 | 一种确定综合接管污水厂our预警值的方法 |
CN111689647B (zh) * | 2020-06-12 | 2022-09-27 | 南京大学盐城环保技术与工程研究院 | 一种确定综合接管污水厂our预警值的方法 |
CN115144502A (zh) * | 2022-07-05 | 2022-10-04 | 宁夏环境科学研究院(有限责任公司) | 一种化工园区废水排放毒性特征调查方法 |
CN115219472A (zh) * | 2022-08-12 | 2022-10-21 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种定量识别混合水体多污染源的方法及系统 |
CN115219472B (zh) * | 2022-08-12 | 2023-05-12 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种定量识别混合水体多污染源的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106018359A (zh) | 一种污水厂水质监测预警方法及系统 | |
Vanrolleghem et al. | On-line monitoring equipment for wastewater treatment processes: state of the art | |
CN100514060C (zh) | 水体化学需氧量在线虚拟监测方法 | |
Kwak et al. | Estimation of biochemical oxygen demand based on dissolved organic carbon, UV absorption, and fluorescence measurements | |
Kelly | Use of community-based indices to monitor eutrophication in European rivers | |
CN110132629B (zh) | 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法 | |
CN104730053A (zh) | 一种利用三维荧光光谱反映城市污水厂运行状态的监测方法 | |
CN101021543A (zh) | 水污染源在线动态跟踪监测方法和系统 | |
CN203772781U (zh) | 一种基于特征变量的污水总磷测量装置 | |
Bertanza et al. | Improving the quality of wastewater treatment plant monitoring by adopting proper sampling strategies and data processing criteria | |
McCarthy et al. | Escherichia coli in urban stormwater: explaining their variability | |
Bonastre et al. | In-line chemical analysis of wastewater: present and future trends | |
CN113240006A (zh) | 废水排放的监测方法、装置、电子设备及存储介质 | |
CN206161639U (zh) | 一种水质监测系统 | |
Baltacı et al. | Water quality monitoring studies of Turkey with present and probable future constraints and opportunities | |
Zhang et al. | Design of a soft sensor for monitoring phosphorous uptake in an EBPR process | |
Holloway et al. | Exploring the use of water resource recovery facility instrument data to visualise dynamic resilience to environmental stressors | |
CN108593867A (zh) | 一种水质自动检测分析仪 | |
Aravindaguru et al. | Streamlining Industrial Wastewater Management Through Real Time IoT Cloud Monitoring | |
Fiorentino et al. | Optimization of wastewater treatment plants monitoring in flow variation conditions due to rain events. | |
Shi et al. | Process modeling based on nonlinear PLS models using a prior knowledge-driven time difference method | |
Samuelsson | Sensor Fault Detection and Process Monitoring in Water Resource Recovery Facilities | |
Kanaya et al. | Automatic measurement and analysis of process data in a combined wastewater treatment plant | |
RU2710358C1 (ru) | Способ интерполяционного контроля загрязненности сточных вод и промышленных стоков | |
CN116842424A (zh) | 一种生活污水专家诊断处理方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |