CN106990060B - 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 - Google Patents
水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 Download PDFInfo
- Publication number
- CN106990060B CN106990060B CN201710183620.7A CN201710183620A CN106990060B CN 106990060 B CN106990060 B CN 106990060B CN 201710183620 A CN201710183620 A CN 201710183620A CN 106990060 B CN106990060 B CN 106990060B
- Authority
- CN
- China
- Prior art keywords
- water sample
- water
- sample
- spectrum
- quality index
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 974
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004891 communication Methods 0.000 claims abstract description 102
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 238000001228 spectrum Methods 0.000 claims description 251
- 238000002835 absorbance Methods 0.000 claims description 111
- 238000000862 absorption spectrum Methods 0.000 claims description 63
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000004611 spectroscopical analysis Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004847 absorption spectroscopy Methods 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002371 ultraviolet--visible spectrum Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 239000000470 constituent Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 238000001429 visible spectrum Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 10
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 description 7
- 230000008033 biological extinction Effects 0.000 description 5
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical class O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 2
- 238000001237 Raman spectrum Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009713 electroplating Methods 0.000 description 2
- 238000002189 fluorescence spectrum Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- DOBUSJIVSSJEDA-UHFFFAOYSA-L 1,3-dioxa-2$l^{6}-thia-4-mercuracyclobutane 2,2-dioxide Chemical compound [Hg+2].[O-]S([O-])(=O)=O DOBUSJIVSSJEDA-UHFFFAOYSA-L 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 241001086438 Euclichthys polynemus Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 231100000481 chemical toxicant Toxicity 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229940074994 mercuric sulfate Drugs 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 229910000372 mercury(II) sulfate Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- YPNVIBVEFVRZPJ-UHFFFAOYSA-L silver sulfate Chemical compound [Ag+].[Ag+].[O-]S([O-])(=O)=O YPNVIBVEFVRZPJ-UHFFFAOYSA-L 0.000 description 1
- 229910000367 silver sulfate Inorganic materials 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及环境监测领域。本发明解决了现有光谱法监测时均基于单机工作模式导致应用受限的问题，提供了一种水质指标监测仪、云数据中心及系统、预测方法和水样识别方法，其技术方案可概括为：水质指标监测系统包括水质指标监测云数据中心及至少一个水质指标监测仪，水质指标监测云数据中心包括控制中心及与其连接的水质指标数据库、水样识别数据库和无线通讯模块二，水质指标监测仪包括水质指标监测仪本体及与其连接的无线通讯模块一，每个水质指标监测仪的无线通讯模块一都与水质指标监测云数据中心的无线通讯模块二连接。本发明的有益效果是：实现数据共享，预测准确，适用于水质指标监测。
Description
技术领域
本发明涉及环境监测领域，特别涉及实时监测水质指标的方法。
背景技术
目前，我国对污水水质COD(化学需氧量)指标进行在线自动监测的仪器设备几乎都采用传统的重铬酸钾氧化法等实验室化学分析方法，测量周期达半小时以上，不能满足对水质实时监测的需求，而且产生毒重金属铬、汞，重金属银和锰，以及含酸和强氧化性废液等二次污染，据统计，全国每年水质COD自动监测仪产生的含毒重金属和强氧化性试剂的废液近十万吨，环境风险不容忽视。
为克服传统化学分析方法的缺点，上世纪六十年代发明的对水质COD指标实施监测的紫外光谱法日益受到重视，特别是采用多波长乃至整个紫外可见光谱的COD测量技术近年来得到快速发展，该方法具有分析速度快的优点，一般只需要十数秒；且无需任何有毒化学试剂，如重铬酸钾、硫酸汞、硫酸银等，避免了二次污染的环境风险。这给广泛使用的COD化学分析方法提供了一种富有前景的替代方法，其经济和环境效益十分诱人。
紫外可见光谱法COD监测技术是将光束透过待测水样获取水样的紫外可见吸收光谱，利用多个水样的已知COD指标和紫外可见吸收光谱数据，通过回归算法获得水样COD指标同光谱数据之间的数学关系，即COD测量数学模型；然后通过测量未知水样的紫外可见光谱数据，由COD测量数学模型计算获得待测水样的COD指标。但是，由于目前的监测方法技术和仪器都基于单机的工作模式，且仪器中的COD计算(即预测)模型采用的水样样本类型和数量有限，当水样成分发生较大变化时，往往不能准确给出COD测量值，这导致目前紫外可见光谱法COD测量仪器的应用受到了极大的限制。
为了弥补现有技术的缺陷，人们在紫外可见光谱技术、COD测量数学模型的优化算法以及对样本水样分类等方面进行着不懈的努力。但是，目前单机工作模式和有限的样本水样类型和数量的实际情况，使得紫外可见光谱法监测COD存在的缺陷始终未能得到很好的解决，紫外可见光谱法COD监测仪不能给出可靠的水质COD监测数据的问题时常发生。
同理，现有水质其他指标，如高锰酸盐指标、硝酸盐指数及浊度等，也可基于光谱法监测技术，而光谱法监测技术还有利用水样的拉曼光谱、荧光光谱、原子发射光谱及红外光谱等光谱数据的其他光谱监测技术，并非仅为紫外可见光谱法，但其均具有上述的问题。
发明内容
本发明的目的就是克服目前光谱法监测时均基于单机工作模式导致应用受限的缺点，提供一种水质指标监测仪、云数据中心及系统、预测方法和水样识别方法。
本发明解决其技术问题，采用的技术方案是，水质指标监测仪，包括水质指标监测仪本体，其特征在于，还包括无线通讯模块一，所述无线通讯模块一与水质指标监测仪本体连接，
所述水质指标监测仪本体用于同时获取光源的光谱及待测水样的对应光谱，采用水样识别模型判定待测水样的水样类型，若为已存储的具有水质指标预测模型的水样类型，则根据所存储的对应水样类型的水质指标预测模型获取待测水样的水质指标值并显示，否则将获取的待测水样的对应光谱通过无线通讯模块一发送出去，并接收且显示从无线通讯模块一发送来的水质指标值；
所述无线通讯模块一用于与水质指标监测云数据中心连接，进行信息交互。
具体的，所述水质指标监测仪本体包括光谱仪、处理显示模块及存储模块，所述光谱仪与处理显示模块连接，处理显示模块与存储模块连接，处理显示模块与无线通讯模块一连接，
所述光谱仪用于获取光源的光谱及待测水样的对应光谱发送给处理模块；
所述存储模块用于存储水样识别模型及各水样类型对应的水质指标预测模型；
所述处理显示模块用于在接收到光源的光谱及待测水样的对应光谱后，根据存储模块中所存储的水样识别模型判定待测水样的水样类型，并根据所判定的水样类型选择存储模块中对应的水质指标预测模型进行待测水样的水质指标值的获取，若存储模块中没有对应的水质指标预测模型，则将获取的光源的光谱及待测水样的对应光谱通过无线通讯模块一发送出去，并接收且显示从无线通讯模块一发送来的水质指标值。
进一步的，所述水质指标监测仪本体还能够通过无线通讯模块一发出请求，请求获取水样识别模型和/或某水样类型对应的水质指标预测模型，且接收并存储无线通讯模块一转发来的水样类型判定方式和/或某水样类型对应的水质指标预测模型。
再进一步的，所述水质指标预测模型为水质COD预测模型，所述获取光源的光谱及待测水样的对应光谱中，光源的光谱为光源的紫外可见光谱，待测水样的对应光谱为待测水样的紫外可见吸收光谱。
水质指标监测仪，其特征在于，由显示模块、光谱仪及无线通讯模块一组成，所述显示模块、光谱仪分别与无线通讯模块一连接，
所述光谱仪用于获取光源的光谱及待测水样的对应光谱发送给无线通讯模块一，由无线通讯模块一转发给与其连接的水质指标监测云数据中心；
所述显示模块用于显示无线通讯模块一接收到的水质指标值；
所述无线通讯模块一用于与水质指标监测云数据中心连接，进行信息交互。
具体的，所述获取光源的光谱及待测水样的对应光谱中，光源的光谱为光源的紫外可见光谱，待测水样的对应光谱为待测水样的紫外可见吸收光谱。
水质指标监测云数据中心，其特征在于，包括水质指标数据库、水样识别数据库、控制中心及无线通讯模块二，所述水质指标数据库、水样识别数据库及无线通讯模块二分别与控制中心连接，
所述水质指标数据库存储有各种样本水样的水样类型对应的光谱数据及各种样本水样的水样类型对应的水质指标预测模型；
所述水样识别数据库存储有用于判定水样类型的水样识别模型；
所述无线通讯模块二用于与水质指标监测仪连接，进行信息交互；
所述控制中心用于通过无线通讯模块二接收与其连接的水质指标监测仪发送来的光源的光谱及待测水样的对应光谱，采用存储的水样识别模型判定待测水样的水样类型，并根据所判定的水样类型选择水质指标数据库中对应的水质指标预测模型进行待测水样的水质指标值的获取，并将获取到的水质指标值通过无线通讯模块二反馈给对应的水质指标监测仪。
进一步的，所述控制中心还通过无线通讯模块二接收与其连接的水质指标监测仪发出的请求，根据请求通过无线通讯模块二向对应的水质指标监测仪发送所需的水样识别模型和/或某水样类型对应的水质指标预测模型。
具体的，所述控制中心在判定待测水样的水样类型时，若判定失败则通过无线通讯模块二通知对应的水质指标监测仪显示报警信息，并同时通知工作人员，由工作人员现场获取该待测水样的光谱数据并采用其他方式获得该待测水样的水质指标值，存入水质指标监测仪，并上传给控制中心，或直接上传给控制中心，控制中心根据接收到的该待测水样的光谱数据及该待测水样的水质指标值，将其作为样本水样更新所存储的水样识别模型及水样指标预测模型，且存储该水样的光谱数据。
再进一步的，所述水样识别模型的建立方式为：首先采集不同水样类型的样本水样的若干个光谱数据，并赋予样本水样的水样类型，采用主成分分析方法(PCA)提取样本水样的光谱数据特征主成分，再通过机器学习方法(SVM)建立水样类型与样本水样的光谱数据特征主成分之间的数学模型，作为水样识别模型；
所述判定待测水样的水样类型时，将其代入水样识别模型中，通过待测水样的光谱数据特征主成分向量的空间位置与样本水样的光谱数据特征主成分向量的空间位置进行比较，从而判断待测水样的水样类型。
具体的，所述水质指标预测模型为水质COD预测模型，所述光源的光谱为光源的紫外可见光谱，所述待测水样的对应光谱为待测水样的紫外可见吸收光谱。
水质指标监测系统，其特征在于，包括上述水质指标监测云数据中心及至少一个上述水质指标监测仪，每一个水质指标监测仪的无线通讯模块一都分别与水质指标监测云数据中心的无线通讯模块二连接。
具体的，所述无线通讯模块一和/或无线通讯模块二还能够与环保局监控中心连接，将各水质指标监测仪获得的水质指标值发送至环保局监控中心。
水样识别方法，其特征在于，包括以下步骤：
步骤1、以不同类型及不同浓度的若干水样作为样本水样并进行测量，获取各次测量时光源的光谱及各样本水样的对应光谱；
步骤2、根据各光源的光谱及各样本水样的对应光谱得到各水样的吸光度谱；
步骤3、根据各水样的吸光度谱构建水样识别模型；
步骤4、测试时，获取光源的光谱及待测水样的对应光谱；
步骤5、根据光源的光谱与待测水样的对应光谱构建待测水样的吸光度谱；
步骤6、将待测水样的吸光度谱代入到水样识别模型中得到水样识别结果。
进一步的，步骤2及步骤5中，所述待测水样的吸光度谱与水样的吸光度谱的获取方法相同，其获取方法为：
步骤201、将光源的光谱S和水样的对应光谱S’分别按照一定的波长间隔△λ分割，获得波长和光强的数组和其中，λi为第i个波长，i为正整数，为光源的光谱S中λi对应的光强，为水样的对应光谱S’中λi对应的光强，n为吸光度谱中的波长个数，若构建的是待测水样的对应度谱，则所述水样的对应光谱S’为待测水样的对应光谱，若构建的是水样的对应度谱，则所述水样的对应光谱S’为样本水样的对应光谱；
步骤202、根据比尔朗伯定律，逐个获得波长λi处的吸光度数据其计算公式为：
步骤203、将所有波长λi对应的吸光度数据集合，获得水样的吸光度谱数据组从而得到水样的吸光度谱，记为SA。
具体的，步骤3包括以下具体步骤：
步骤301、使用水质指标监测仪以不同类型及不同浓度的若干水样作为样本水样并进行测量，获得若干个样本水样的吸光度谱SA和吸光度谱数组a；
步骤302、将若干个吸光度谱数组集合到一起，获得样本水样的吸光度谱数据矩阵A＝[a1,a2,…,ak]T，其中am为样本水样m的吸光度谱数据，m＝1,2,…,k，k为样本水样总数量；每个吸光度谱包含了n个波长的水样吸光度数据aλi，i＝1,2,…,n；
步骤303、给每个样本水样赋予相应的水样标签号lθ，θ＝1,2,…，每一个标签号对应一种类型的水样，该标签号lθ为正整数，构建样本水样的标签号数据矩阵为L＝[l1,l2,…,lk]T；
步骤304、提取水样吸光度谱数据的特征成分，采用主成分分析方法提取水样吸光度谱数据矩阵A的特征主成分，获得特征主成分的系数矩阵P＝[p1,p2,…,pj]T，其中P为j×n的矩阵，pi为水样吸光度谱第i个特征主成分的系数，pi为1×n的向量，j为水样吸光度谱的特征主成分数量；
步骤305、获取水样的特征主成份向量，将样本水样m的吸光度谱数据与特征主成分系数矩阵P相乘，得到该样本水样吸光度谱的特征主成分向量tm，即其中，tm1,tm2,…,tmj分别为样本水样m吸光度谱的第1,2,…,j个特征主成分，构建样本水样的特征主成份数据矩阵T，即T＝[t1,t2,…,tm]T，T为m×j的矩阵；
步骤306、通过机器学习的方法建立水样类型识别数学模型，采用机器学习方法中的最小二乘支持向量机的方法，构建水样吸光度谱特征主成分向量tm与对应的水样类型标签号lm关系模型，将T作为输入量，L作为输出量，经最小二乘支持向量机训练后即可获得水样识别模型lm＝fR(tm)。
再进一步的，步骤6包括以下步骤：
步骤601、设标签号为lθ的样本水样特征主成分向量所在的空间是在以位置xθ＝[xθ1,xθ2,…,xθj]为中心，半径为Rθ的区域内；
步骤602、当获取待测水样x的吸光度谱ax后，将其同特征主成分系数P的转置相乘便得到水样吸光度谱的特征主成分向量tx＝[tx1,tx2,…,txj]，然后求解tx与xθ的空间距离D，当D＞Rθ时，就认为该待测水样不属于该lθ样本水样类型，否则，当D≤Rθ时，就认为该水样同样本水样为同一类型。
水质指标预测方法，其特征在于，包括以下步骤：
A、采集某一水样类型的不同水质指标浓度的若干水样作为样本水样进行测量，获取各次测量时光源的光谱及各样本水样的对应光谱，同时采用化学方法获得每一个样本水样的所需水质指标；
B、根据各光源的光谱及各样本水样的对应光谱得到各水样的吸光度谱；
C、根据各水样的吸光度谱及对应样本水样的所需水质指标构建水质指标预测模型；
D、预测时，获取光源的光谱及待测水样的对应光谱；
F、根据光源的光谱与待测水样的对应光谱构建待测水样的吸光度谱；
G、将待测水样的吸光度谱代入到水质指标预测模型中得到水质指标预测结果。
具体的，步骤A中，所述样本水样的所需水质指标为样本水样的COD值；
步骤C中，所述水质指标预测模型为某一水样类型的水样COD预测模型。
进一步的，步骤B及步骤F中，所述待测水样的吸光度谱与水样的吸光度谱的获取方法相同，其获取方法为：
步骤B1、将光源的光谱S和水样的对应光谱S’分别按照一定的波长间隔△λ分割，获得波长和光强的数组和其中，λi为第i个波长，i为正整数，为光源的光谱S中λi对应的光强，为水样的对应光谱S’中λi对应的光强，n为吸光度谱中的波长个数，若构建的是待测水样的对应度谱，则所述水样的对应光谱S’为待测水样的对应光谱，若构建的是水样的对应度谱，则所述水样的对应光谱S’为样本水样的对应光谱；
步骤B2、根据比尔朗伯定律，逐个获得波长λi处的吸光度数据其计算公式为：
步骤B3、将所有波长λi对应的吸光度数据集合，获得水样的吸光度谱数据组从而得到水样的吸光度谱，记为SA。
具体的，步骤C包括以下步骤：
步骤C1、根据获得的若干个样本水样的吸光度谱SA、吸光度谱数组a及对应的COD值ci组成的数据矩阵C＝[c1,c2,…,ck]T采用主成分分析方法提取水样吸光度谱数据矩阵A的特征主成分，获得特征主成分的系数矩阵P；
步骤C2、将每一个样本水样的吸光度谱数组a同特征主成分的系数矩阵P相乘获得其特征主元数组ty；
步骤C3、采用最小二乘支持向量机的方法，将ty＝[ty1,ty2,…,tyj]作为输入量，cy作为输出量，进行多元非线性拟合，获得水样类型为lθ的水样COD预测模型cm＝fθ(tm)。
再进一步的，步骤A中，所述采集某一水样类型的不同水质指标浓度的若干水样作为样本水样中，所述样本水样的数量不低于5个。
本发明的有益效果是，上述水质指标监测仪、云数据中心及系统、预测方法和水样识别方法，可将分布在不同地域、不同地理位置和不同污染企业的水质指标监测仪链接起来，在水质指标监测云数据中心的远程支持下实现不同成份待测水样光谱数据的共享，弥补了单台水质指标监测仪独立工作时对水样类型适应性差，以及水样成分明显变化导致的水质指标监测仪不能准确测量水质指标值的缺陷。同现有技术相比较，本发明能使现场工作的单台水质指标监测仪分享丰富的水样类型数据，使水质指标监测仪在水质成份明显变化时对水质指标值实施可靠监测。本发明还实现了水样识别模型、水质指标预测模型能够自行升级，使得水质指标监测仪对水质的适应性能明显改善，基本弥补目前光谱法监测技术存在的缺陷。本发明还可应用于对水质高锰酸盐指标、硝酸盐指数、浊度等其他水质指标实施监测。不仅如此，本发明还可以进一步应用于利用水样的拉曼光谱、荧光光谱、原子发射光谱、红外光谱等光谱数据，通过基于已知水样样本的水质指标数据和其光谱数据获得水样水质指标同其光谱数据数学映射关系进而对未知水样的水质指标实施机器预测的水质指标的在线自动监测。
附图说明
图1为本发明实施例中水质指标监测仪的系统框图；
图2为本发明实施例中另一种水质指标监测仪的系统框图；
图3为本发明实施例中水质指标监测云数据中心的系统框图；
图4为本发明实施例中水质指标监测系统的系统框图。
具体实施方式
下面结合实施例及附图，详细描述本发明的技术方案。
本发明所述的水质指标监测仪，包括水质指标监测仪本体及无线通讯模块一，无线通讯模块一与水质指标监测仪本体连接，其中，水质指标监测仪本体用于同时获取光源的光谱及待测水样的对应光谱，采用水样识别模型判定待测水样的水样类型，若为已存储的具有水质指标预测模型的水样类型，则根据所存储的对应水样类型的水质指标预测模型获取待测水样的水质指标值并显示，否则将获取的待测水样的对应光谱通过无线通讯模块一发送出去，并接收且显示从无线通讯模块一发送来的水质指标值；无线通讯模块一用于与水质指标监测云数据中心连接，进行信息交互。
本发明所述的另一种水质指标监测仪，由显示模块、光谱仪及无线通讯模块一组成，显示模块、光谱仪分别与无线通讯模块一连接，其中，光谱仪用于获取光源的光谱及待测水样的对应光谱发送给无线通讯模块一，由无线通讯模块一转发给与其连接的水质指标监测云数据中心；显示模块用于显示无线通讯模块一接收到的水质指标值；无线通讯模块一用于与水质指标监测云数据中心连接，进行信息交互。
本发明所述的水质指标监测云数据中心，包括水质指标数据库、水样识别数据库、控制中心及无线通讯模块二，水质指标数据库、水样识别数据库及无线通讯模块二分别与控制中心连接，其中，水质指标数据库存储有各种样本水样的水样类型对应的光谱数据及各种样本水样的水样类型对应的水质指标预测模型；水样识别数据库存储有用于判定水样类型的水样识别模型；无线通讯模块二用于与水质指标监测仪连接，进行信息交互；控制中心用于通过无线通讯模块二接收与其连接的水质指标监测仪发送来的光源的光谱及待测水样的对应光谱，采用存储的水样识别模型判定待测水样的水样类型，并根据所判定的水样类型选择水质指标数据库中对应的水质指标预测模型进行待测水样的水质指标值的获取，并将获取到的水质指标值通过无线通讯模块二反馈给对应的水质指标监测仪。
本发明所述的水质指标监测系统，包括上述水质指标监测云数据中心及至少一个上述水质指标监测仪，每一个水质指标监测仪的无线通讯模块一都分别与水质指标监测云数据中心的无线通讯模块二连接。
本发明所述的水样识别方法为：首先以不同类型及不同浓度的若干水样作为样本水样并进行测量，获取各次测量时光源的光谱及各样本水样的对应光谱，再根据各光源的光谱及各样本水样的对应光谱得到各水样的吸光度谱，然后根据各水样的吸光度谱构建水样识别模型，测试时，获取光源的光谱及待测水样的对应光谱，然后根据光源的光谱与待测水样的对应光谱构建待测水样的吸光度谱，最后将待测水样的吸光度谱代入到水样识别模型中得到水样识别结果。
本发明所述的水质指标预测方法为：首先采集某一水样类型的不同水质指标浓度的若干水样作为样本水样进行测量，获取各次测量时光源的光谱及各样本水样的对应光谱，同时采用化学方法获得每一个样本水样的所需水质指标，再根据各光源的光谱及各样本水样的对应光谱得到各水样的吸光度谱，然后根据各水样的吸光度谱及对应样本水样的所需水质指标构建水质指标预测模型，预测时，获取光源的光谱及待测水样的对应光谱，然后根据光源的光谱与待测水样的对应光谱构建待测水样的吸光度谱，最后将待测水样的吸光度谱代入到水质指标预测模型中得到水质指标预测结果。
实施例
本例中的水质指标监测仪，其系统框图参见图1，包括水质指标监测仪本体及无线通讯模块一，无线通讯模块一与水质指标监测仪本体连接。
其中，水质指标监测仪本体用于同时获取光源的光谱及待测水样的对应光谱，采用水样识别模型判定待测水样的水样类型，若为已存储的具有水质指标预测模型的水样类型，则根据所存储的对应水样类型的水质指标预测模型获取待测水样的水质指标值并显示，否则将获取的待测水样的对应光谱通过无线通讯模块一发送出去，并接收且显示从无线通讯模块一发送来的水质指标值。
无线通讯模块一用于与水质指标监测云数据中心连接，进行信息交互。
参见图1，本例中的水质指标监测仪本体可以包括光谱仪、处理显示模块及存储模块，光谱仪与处理显示模块连接，处理显示模块与存储模块连接，处理显示模块与无线通讯模块一连接。
光谱仪用于获取光源的光谱及待测水样的对应光谱发送给处理模块。
存储模块用于存储水样识别模型及各水样类型对应的水质指标预测模型。
处理显示模块用于在接收到光源的光谱及待测水样的对应光谱后，根据存储模块中所存储的水样识别模型判定待测水样的水样类型，并根据所判定的水样类型选择存储模块中对应的水质指标预测模型进行待测水样的水质指标值的获取，若存储模块中没有对应的水质指标预测模型，则将获取的光源的光谱及待测水样的对应光谱通过无线通讯模块一发送出去，并接收且显示从无线通讯模块一发送来的水质指标值。
本例中，水质指标监测仪本体还能够通过无线通讯模块一发出请求，请求获取水样识别模型和/或某水样类型对应的水质指标预测模型，且接收并存储无线通讯模块一转发来的水样类型判定方式和/或某水样类型对应的水质指标预测模型。
这里，水质指标预测模型可以为水质COD预测模型，获取光源的光谱及待测水样的对应光谱中，光源的光谱可以为光源的紫外可见光谱，待测水样的对应光谱可以为待测水样的紫外可见吸收光谱。
本例中的另一种水质指标监测仪，其系统框图如图2所示，由显示模块、光谱仪及无线通讯模块一组成，显示模块、光谱仪分别与无线通讯模块一连接。
其中，光谱仪用于获取光源的光谱及待测水样的对应光谱发送给无线通讯模块一，由无线通讯模块一转发给与其连接的水质指标监测云数据中心。
显示模块用于显示无线通讯模块一接收到的水质指标值。
无线通讯模块一用于与水质指标监测云数据中心连接，进行信息交互。
同理，获取光源的光谱及待测水样的对应光谱中，光源的光谱可以为光源的紫外可见光谱，待测水样的对应光谱可以为待测水样的紫外可见吸收光谱。
本例中的水质指标监测云数据中心，其系统框图参见图3，包括水质指标数据库、水样识别数据库、控制中心及无线通讯模块二，水质指标数据库、水样识别数据库及无线通讯模块二分别与控制中心连接。
其中，水质指标数据库存储有各种样本水样的水样类型对应的光谱数据及各种样本水样的水样类型对应的水质指标预测模型。
水样识别数据库存储有用于判定水样类型的水样识别模型。
无线通讯模块二用于与水质指标监测仪连接，进行信息交互。
控制中心用于通过无线通讯模块二接收与其连接的水质指标监测仪发送来的光源的光谱及待测水样的对应光谱，采用存储的水样识别模型判定待测水样的水样类型，并根据所判定的水样类型选择水质指标数据库中对应的水质指标预测模型进行待测水样的水质指标值的获取，并将获取到的水质指标值通过无线通讯模块二反馈给对应的水质指标监测仪。
本例中，控制中心还可以通过无线通讯模块二接收与其连接的水质指标监测仪发出的请求，根据请求通过无线通讯模块二向对应的水质指标监测仪发送所需的水样识别模型和/或某水样类型对应的水质指标预测模型。
控制中心在判定待测水样的水样类型时，若判定失败则可以通过无线通讯模块二通知对应的水质指标监测仪显示报警信息，并同时通知工作人员，由工作人员现场获取该待测水样的光谱数据并采用其他方式获得该待测水样的水质指标值，存入水质指标监测仪，并上传给控制中心，或直接上传给控制中心，控制中心根据接收到的该待测水样的光谱数据及该待测水样的水质指标值，将其作为样本水样更新所存储的水样识别模型及水样指标预测模型，且存储该水样的光谱数据。
本例中，水样识别模型的建立方式为：首先采集不同水样类型的样本水样的若干个光谱数据，并赋予样本水样的水样类型，采用主成分分析方法(PCA)提取样本水样的光谱数据特征主成分，再通过机器学习方法(SVM)建立水样类型与样本水样的光谱数据特征主成分之间的数学模型，作为水样识别模型。水质指标监测仪中的水样识别模型，也采用上述方式进行建立。
则判定待测水样的水样类型时，将其代入水样识别模型中，通过待测水样的光谱数据特征主成分向量的空间位置与样本水样的光谱数据特征主成分向量的空间位置进行比较，从而判断待测水样的水样类型。
同样的，水质指标预测模型可以为水质COD预测模型，而光源的光谱可以为光源的紫外可见光谱，待测水样的对应光谱可以为待测水样的紫外可见吸收光谱。
本例中的水质指标监测系统，其系统框图参见图4，包括上述水质指标监测云数据中心及至少一个上述水质指标监测仪，每一个水质指标监测仪的无线通讯模块一都分别与水质指标监测云数据中心的无线通讯模块二连接。
这里，无线通讯模块一和/或无线通讯模块二还能够与环保局监控中心连接，将各水质指标监测仪获得的水质指标值发送至环保局监控中心。
本例的水质指标监测仪、云数据中心及系统中，所采用的水样识别方法为：
步骤1、以不同类型及不同浓度的若干水样作为样本水样并进行测量，获取各次测量时光源的光谱及各样本水样的对应光谱。
步骤2、根据各光源的光谱及各样本水样的对应光谱得到各水样的吸光度谱。
步骤3、根据各水样的吸光度谱构建水样识别模型。
步骤4、测试时，获取光源的光谱及待测水样的对应光谱。
步骤5、根据光源的光谱与待测水样的对应光谱构建待测水样的吸光度谱。
步骤6、将待测水样的吸光度谱代入到水样识别模型中得到水样识别结果。
在上述步骤2及步骤5中，待测水样的吸光度谱与水样的吸光度谱的获取方法相同，其获取方法可以为：
步骤201、将光源的光谱S和水样的对应光谱S’分别按照一定的波长间隔△λ分割，获得波长和光强的数组和其中，λi为第i个波长，i为正整数，为光源的光谱S中λi对应的光强，为水样的对应光谱S’中λi对应的光强，n为吸光度谱中的波长个数，若构建的是待测水样的对应度谱，则所述水样的对应光谱S’为待测水样的对应光谱，若构建的是水样的对应度谱，则所述水样的对应光谱S’为样本水样的对应光谱；
步骤202、根据比尔朗伯定律，逐个获得波长λi处的吸光度数据其计算公式为：
步骤203、将所有波长λi对应的吸光度数据集合，获得水样的吸光度谱数据组从而得到水样的吸光度谱，记为SA。
当获取到水样的吸光度谱后，步骤3可以包括以下具体步骤：
步骤301、使用水质指标监测仪以不同类型及不同浓度的若干水样作为样本水样并进行测量，获得若干个样本水样的吸光度谱SA和吸光度谱数组a；
步骤302、将若干个吸光度谱数组集合到一起，获得样本水样的吸光度谱数据矩阵A＝[a1,a2,…,ak]T，其中am为样本水样m的吸光度谱数据，m＝1,2,…,k，k为样本水样总数量；每个吸光度谱包含了n个波长的水样吸光度数据i＝1,2,…,n；
步骤303、给每个样本水样赋予相应的水样标签号lθ，θ＝1,2,…，每一个标签号对应一种类型的水样，该标签号lθ为正整数，构建样本水样的标签号数据矩阵为L＝[l1,l2,…,lk]T；
步骤304、提取水样吸光度谱数据的特征成分，采用主成分分析方法提取水样吸光度谱数据矩阵A的特征主成分，获得特征主成分的系数矩阵P＝[p1,p2,…,pj]T，其中P为j×n的矩阵，pi为水样吸光度谱第i个特征主成分的系数，pi为1×n的向量，j为水样吸光度谱的特征主成分数量；
步骤305、获取水样的特征主成份向量，将样本水样m的吸光度谱数据与特征主成分系数矩阵P相乘，得到该样本水样吸光度谱的特征主成分向量tm，即其中，tm1,tm2,…,tmj分别为样本水样m吸光度谱的第1,2,…,j个特征主成分，构建样本水样的特征主成份数据矩阵T，即T＝[t1,t2,…,tm]T，T为m×j的矩阵；
步骤306、通过机器学习的方法建立水样类型识别数学模型，采用机器学习方法中的最小二乘支持向量机的方法，构建水样吸光度谱特征主成分向量tm与对应的水样类型标签号lm关系模型，将T作为输入量，L作为输出量，经最小二乘支持向量机训练后即可获得水样识别模型lm＝fR(tm)。
由此，步骤6可以包括以下步骤：
步骤601、设标签号为lθ的样本水样特征主成分向量所在的空间是在以位置xθ＝[xθ1,xθ2,…,xθj]为中心，半径为Rθ的区域内；
步骤602、当获取待测水样x的吸光度谱ax后，将其同特征主成分系数P的转置相乘便得到水样吸光度谱的特征主成分向量tx＝[tx1,tx2,…,txj]，然后求解tx与xθ的空间距离D，当D＞Rθ时，就认为该待测水样不属于该lθ样本水样类型，否则，当D≤Rθ时，就认为该水样同样本水样为同一类型。
本例的水质指标监测仪、云数据中心及系统中，所采用的水质指标预测方法为：
A、采集某一水样类型的不同水质指标浓度的若干水样作为样本水样进行测量，获取各次测量时光源的光谱及各样本水样的对应光谱，同时采用化学方法获得每一个样本水样的所需水质指标；这里，采集某一水样类型的不同水质指标浓度的若干水样作为样本水样中，样本水样的数量一般不低于5个；
B、根据各光源的光谱及各样本水样的对应光谱得到各水样的吸光度谱；
C、根据各水样的吸光度谱及对应样本水样的所需水质指标构建水质指标预测模型；
D、预测时，获取光源的光谱及待测水样的对应光谱；
F、根据光源的光谱与待测水样的对应光谱构建待测水样的吸光度谱；
G、将待测水样的吸光度谱代入到水质指标预测模型中得到水质指标预测结果。
这里，步骤A中，若样本水样的所需水质指标为样本水样的COD值，则步骤C中，水质指标预测模型为某一水样类型的水样COD预测模型。
由此，在步骤B及步骤F中，待测水样的吸光度谱与水样的吸光度谱的获取方法相同，其获取方法可以与上述水样识别方法中相同，以减轻系统负担，则可同样为：
步骤B1、将光源的光谱S和水样的对应光谱S’分别按照一定的波长间隔△λ分割，获得波长和光强的数组和其中，λi为第i个波长，i为正整数，为光源的光谱S中λi对应的光强，为水样的对应光谱S’中λi对应的光强，n为吸光度谱中的波长个数，若构建的是待测水样的对应度谱，则所述水样的对应光谱S’为待测水样的对应光谱，若构建的是水样的对应度谱，则所述水样的对应光谱S’为样本水样的对应光谱；
步骤B2、根据比尔朗伯定律，逐个获得波长λi处的吸光度数据其计算公式为：
步骤B3、将所有波长λi对应的吸光度数据集合，获得水样的吸光度谱数据组从而得到水样的吸光度谱，记为SA。
而步骤C则可以包括以下步骤：
步骤C1、根据获得的若干个样本水样的吸光度谱SA、吸光度谱数组a及对应的COD值ci组成的数据矩阵C＝[c1,c2,…,ck]T采用主成分分析方法提取水样吸光度谱数据矩阵A的特征主成分，获得特征主成分的系数矩阵P；
步骤C2、将每一个样本水样的吸光度谱数组a同特征主成分的系数矩阵P相乘获得其特征主元数组ty；
步骤C3、采用最小二乘支持向量机的方法，将ty＝[ty1,ty2,…,tyj]作为输入量，cy作为输出量，进行多元非线性拟合，获得水样类型为lθ的水样COD预测模型cm＝fθ(tm)。
下面以监测水质化学需氧量(COD)指标为例，进行详细说明：
第一步，构建光谱COD监测仪(水质指标监测仪)，它由硬件系统和软件系统两部分组成。硬件系统主要包括紫外可见光谱仪(光谱仪)，以及水样采集、电路系统、工业平板电脑(处理显示模块)与4G信号收发模块(无线通讯模块一)等硬件组成，用于获取测量待测水样的紫外可见光谱数据；软件系统是基于VC++平台开发的MFC应用程序，主要由仪控软件、光谱数据处理软件、水样识别模型软件、COD机器预测模型软件等组成。软件系统与SQL数据库连接，构建仪器光谱库(存储模块)。软件系统用于对仪器运行的自动控制，用于对硬件获取的水样光谱数据进行处理和存储。光谱COD监测仪测量得到的COD值可通过4G通信网络与互联网直接发送到环保局监控中心的WEB服务器中，或将COD值及相关数据发送至云COD数据中心。
第二步，组建云COD数据中心(水质指标监测云数据中心)。它包括水质指标数据库、水样识别数据库、控制中心及无线通讯模块二等，具体为计算机服务器、网络设备如网络光纤、交换机等硬件组成。云COD数据中心的水质指标数据库及水样识别数据库用于存储海量的水样光谱数据、水样类型标签数据(对应水样类型)和水样COD值等数据。云COD数据中心的软件系统是基于UNIX操作系统的VC++语言编写，并利用SQL数据库平台构建水质指标数据库及水样识别数据库。
第三步，组建基于光谱COD监测仪与云COD数据中心的水质COD在线自动监测物联网。从组成和结构上分为三个层次，即设备层、数据传输层和远程监控层。其中，设备层由分别安装在不同监测地点的若干光谱COD监测仪组成，用于获取水样的紫外可见光谱数据；数据传输层主要负责光谱COD监测仪与远程监控层的服务器通信。本实施例中数据传输层可采用4G无线网络与Internet，按照TCP/IP协议传递监测数据，实现光谱COD监测仪与远程监控层服务器数据的交互；远程监控层的服务器为云COD数据中心。
第一步中的光谱COD监测仪，除了直接采集水样的吸收光谱S’，同时还采集光源光谱S，通过光源光谱S与水样的吸收光谱S’构建水样的吸光度谱。水样吸光度谱的构建方法为：
步骤1：首先，将光源光谱S和水样的透射光谱S’分别按照一定的波长间隔△λ分割，获得波长和光强的数组和其中，λi为第i个波长，i为正整数，为光源的光谱S中λi对应的光强，为水样的对应光谱S’中λi对应的光强，n为吸光度谱中的波长个数；
步骤2：然后，根据比尔朗伯定律，逐个获得波长λi处的吸光度数据
步骤3：将所有波长λi对应的吸光度数据集合，即可获得待测水样的吸光度谱数据组从而得到水样的吸光度谱SA，这里，吸光度谱数据组a是一组同波长对应的吸光度数据构成的，而吸光度谱SA一般为一条曲线。
水样的吸光度与水样的摩尔吸光系数、光程以及溶液的吸光物质浓度有关，但与入射光的强度无关。由于采用实时监测的光源光谱作为入射光谱，可减小光源的不稳定性所造成的测量误差。另外，采用吸光度谱构建COD的预测模型(水质指标预测模型)，可消除不同仪器光源光强不一致和光源稳定性差异引起的测量误差。另外，辅以对光谱仪波长的标定、对测量池光程的精确控制，可实现测量数据的标准化，即任意两台光谱仪对同一水样测量获得的吸光度谱是一致的。
第一步中的水样识别模型软件用于判断待测水样的水样类型，它是这样建立和工作的：
步骤1：首先，使用光谱COD监测仪以不同类型、不同浓度的若干水样作为样本水样并进行测量。如选用E地F城市生活污水处理厂不同时段排放的污水，G地H厂不同时段排放的电镀废水为样本水样，同一类型水样的样本水样数量一般不少于5个。这样可以获得若干个水样的吸光度谱SA和吸光度谱数组a；
步骤2：将若干个吸光度谱数组集合到一起，获得样本水样的吸光度谱数据矩阵A＝[a1,a2,…,ak]T，其中am为水样m的吸光度谱数据，m＝1,2,…,k，k为样本水样总数量；每个吸光度谱包含了n个波长的水样吸光度i＝1,2,…,n；
步骤3：给每个样本水样赋予相应的水样标签号lθ，θ＝1,2,…，每一个标签号对应一种类型的水样，该标签号lθ为1至若干的任意阿拉伯数字，其含义可人为定义。如E地F厂的城市生活污水赋予标签号1、G地H厂的电镀废水赋予标签号1280等，这样就可以构建样本水样的标签号数据矩阵为L＝[l1,l2,…,lk]T；
步骤4：然后，提取水样吸光度谱数据的特征成分。
采用主成分分析方法(PCA)提取水样吸光度谱数据矩阵A的特征主成分，获得特征主成分的系数矩阵P＝[p1,p2,…,pj]T，其中P为j×n的矩阵，pi为水样吸光度谱第i个特征主成分的系数，pi为1×n的向量。j为水样吸光度谱的特征主成分数量；
步骤5：获取水样的特征主成份向量。
将样本水样m的吸光度谱数据与特征主成分系数矩阵P相乘，则可得到该样本水样吸光度谱的特征主成分向量tm，即其中，tm1,tm2,…,tmj分别为样本水样m吸光度谱的第1,2,…,j个特征主成分。依此，可构建样本水样的特征主成份数据矩阵T，即T＝[t1,t2,…,tm]T，T为m×j的矩阵；
步骤6：通过机器学习的方法建立水样类型识别数学模型。
采用机器学习方法(SVM)中的最小二乘支持向量机(LS-SVM)的方法，构建水样吸光度谱特征主成分向量tm与对应的水样类型标签号lm关系模型。将T作为输入量，L作为输出量，经LS-SVM训练后即可获得水样识别模型lm＝fR(tm)；
步骤7：水样类型识别
本实施例中，标签号为lθ的样本水样特征主成分向量所在的空间是在以位置xθ＝[xθ1,xθ2,…,xθj]为中心，半径为Rθ的区域内。当光谱COD监测仪获取待测未知水样x的吸光度谱ax后，将其同特征主成分系数P的转置相乘便得到水样吸光度谱的特征主成分向量tx＝[tx1,tx2,…,txj]，然后求解tx与xθ的空间距离D，当D＞Rθ时，就认为该待测水样不属于该lθ样本水样类型，否则，当D≤Rθ时，就认为该水样同样本水样为同一类型。当然，Rθ的值往往需要根据实际水样类型的判别结果进行调整，以获得最佳的水样类型判别效果。
水样类型的识别由水样识别模型软件承担。
第一步中的COD机器预测模型用于预测待测水样的COD值，它是这样建立的：
步骤1：首先，使用光谱COD监测仪获取E地F城市生活污水处理厂lθ类型污水(即某一水样类型)的不同浓度的若干水样作为样本水样并进行测量，样本水样数量不低于5个；然后，通过重铬酸钾氧化法获得每一个水样的COD值。这样可以获得若干个样本水样的吸光度谱SA、吸光度谱数组a，以及对应的COD值ci组成的数据矩阵C＝[c1,c2,…,ck]T；
步骤2：然后采用主成分分析方法(PCA)提取水样吸光度谱数据矩阵A的特征主成分，获得特征主成分的系数矩阵P。
步骤3：将每一个样本水样的吸光度谱数组a同特征主成分的系数矩阵P相乘获得其特征主元数组ty；
步骤4：采用LS-SVM的方法，将ty＝[ty1,ty2,…,tyj]作为输入量，cy作为输出量，进行多元非线性拟合，获得水样类型为lθ的水样COD预测模型cy＝fθ(ty)，即是光谱COD监测仪在E地F城市生活污水处理厂COD机器预测模型(水质指标预测模型)。
依据水样的吸光度谱数据预测水样COD测量值，以及水样COD测量值机器预测模型的自动建立由COD机器预测模型软件承担。
第一步中的光谱COD监测仪，它采用如下步骤实施对水样COD指标的在线自动监测：
步骤1：首先测量待测水样，同时获取其光源光谱S和水样的透射光谱S’；
步骤2：然后，由光谱数据处理软件处理光源光谱S和水样的吸收光谱S’获得该待测水样的吸光度谱SA；
步骤4：再将待测水样的吸光度谱SA输入水样识别模型lm＝fR(tm)识别待测水样类型；
步骤5：当待测水样类型是光谱COD监测仪已知水样类型时，则由光谱COD监测仪中的COD预测模型cy＝fθ(ty)预测待测水样的COD值；
步骤6：当待测水样类型不是光谱COD监测仪已知水样类型时，则将待测水样的吸光度谱传送至云COD数据中心，交由云COD数据中心处理。
第二步中的云COD数据中心在接收到监测现场光谱COD监测仪传送来的待测水样的吸光度谱数据后，按下列步骤实施COD监测：
步骤1：先由水样识别模型软件中的lm＝fR(tm)确定待测水样类型lθ；
步骤2：依据获得的水样类型lθ，在水质指标数据库搜索获得相应的COD机器预测模型cy＝fθ(ty)，然后由该cy＝fθ(ty)预测待测水样的COD测量值；
步骤3：将待测水样的COD测量值数据传送至监测现场的光谱COD监测仪；
步骤4：当水样识别模型识别该待测水样为陌生类型(即识别失败)时，云COD数据中心立即通知现场光谱COD监测仪报警，并通知工作人员赶赴监测现场；
步骤6：工作人员在监测现场获取类似水样的吸光度谱数据和采用重铬酸钾氧化法测量获得该水样的COD值，并存入监测现场的光谱COD监测仪和传送至远端的云COD数据中心；
步骤7：然后，光谱COD监测仪和云COD数据中心自动优化其水样识别模型和COD机器预测模型，继续开展COD在线自动监测。
除了所述的现场光谱COD监测仪、工作人员在监测现场给云COD数据中心补充水样光谱数据外，也可以依需要，采取其他方式主动给云COD数据中心补充水样光谱和COD数据，以丰富云COD数据中心的水样光谱数据，更好地满足光谱COD监测仪现场监测的需要。
尽管本发明的内容已经通过上述优选的实施方案作了详细介绍，但应当认识到上述介绍不应被认为是对本发明的限制。当具有专业知识和技能的人员在阅读了上述内容后，对本发明的多种修改、代替和规避都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (18)
1.水质指标监测仪，包括水质指标监测仪本体，其特征在于，还包括无线通讯模块一，所述无线通讯模块一与水质指标监测仪本体连接，
所述水质指标监测仪本体用于同时获取光源的光谱及待测水样的对应光谱，采用水样识别模型判定待测水样的水样类型，若为已存储的具有水质指标预测模型的水样类型，则根据所存储的对应水样类型的水质指标预测模型获取待测水样的水质指标值并显示，否则将获取的待测水样的对应光谱通过无线通讯模块一发送出去，并接收且显示从无线通讯模块一发送来的水质指标值，自动优化其水样识别模型和水质指标预测模型；
所述无线通讯模块一用于与水质指标监测云数据中心连接，进行信息交互。
2.如权利要求1所述的水质指标监测仪，其特征在于，所述水质指标监测仪本体包括光谱仪、处理显示模块及存储模块，所述光谱仪与处理显示模块连接，处理显示模块与存储模块连接，处理显示模块与无线通讯模块一连接，
所述光谱仪用于获取光源的光谱及待测水样的对应光谱发送给处理模块；
所述存储模块用于存储水样识别模型及各水样类型对应的水质指标预测模型；
所述处理显示模块用于在接收到光源的光谱及待测水样的对应光谱后，根据存储模块中所存储的水样识别模型判定待测水样的水样类型，并根据所判定的水样类型选择存储模块中对应的水质指标预测模型进行待测水样的水质指标值的获取，若存储模块中没有对应的水质指标预测模型，则将获取的光源的光谱及待测水样的对应光谱通过无线通讯模块一发送出去，并接收且显示从无线通讯模块一发送来的水质指标值。
3.如权利要求1所述的水质指标监测仪，其特征在于，所述水质指标监测仪本体还能够通过无线通讯模块一发出请求，请求获取水样识别模型和/或某水样类型对应的水质指标预测模型，且接收并存储无线通讯模块一转发来的水样类型判定方式和/或某水样类型对应的水质指标预测模型。
4.如权利要求1或2或3所述的水质指标监测仪，其特征在于，所述水质指标预测模型为水质COD预测模型，所述获取光源的光谱及待测水样的对应光谱中，光源的光谱为光源的紫外可见光谱，待测水样的对应光谱为待测水样的紫外可见吸收光谱。
5.水质指标监测云数据中心，其特征在于，包括水质指标数据库、水样识别数据库、控制中心及无线通讯模块二，所述水质指标数据库、水样识别数据库及无线通讯模块二分别与控制中心连接，
所述水质指标数据库存储有各种样本水样的水样类型对应的光谱数据及各种样本水样的水样类型对应的水质指标预测模型；
所述水样识别数据库存储有用于判定水样类型的水样识别模型；
所述无线通讯模块二用于与水质指标监测仪连接，进行信息交互；
所述控制中心用于通过无线通讯模块二接收与其连接的水质指标监测仪发送来的光源的光谱及待测水样的对应光谱，采用存储的水样识别模型判定待测水样的水样类型，并根据所判定的水样类型选择水质指标数据库中对应的水质指标预测模型进行待测水样的水质指标值的获取，并将获取到的水质指标值通过无线通讯模块二反馈给对应的水质指标监测仪。
6.如权利要求5所述的水质指标监测云数据中心，其特征在于，所述控制中心还通过无线通讯模块二接收与其连接的水质指标监测仪发出的请求，根据请求通过无线通讯模块二向对应的水质指标监测仪发送所需的水样识别模型和/或某水样类型对应的水质指标预测模型。
7.如权利要求5所述的水质指标监测云数据中心，其特征在于，所述控制中心在判定待测水样的水样类型时，若判定失败则通过无线通讯模块二通知对应的水质指标监测仪显示报警信息，并同时通知工作人员，由工作人员现场获取该待测水样的光谱数据并采用其他方式获得该待测水样的水质指标值，存入水质指标监测仪，并上传给控制中心，或直接上传给控制中心，控制中心根据接收到的该待测水样的光谱数据及该待测水样的水质指标值，将其作为样本水样更新所存储的水样识别模型及水样指标预测模型，且存储该水样的光谱数据。
8.如权利要求5所述的水质指标监测云数据中心，其特征在于，所述水样识别模型的建立方式为：首先采集不同水样类型的样本水样的若干个光谱数据，并赋予样本水样的水样类型，采用主成分分析方法提取样本水样的光谱数据特征主成分，再通过机器学习方法建立水样类型与样本水样的光谱数据特征主成分之间的数学模型，作为水样识别模型；
所述判定待测水样的水样类型时，将其代入水样识别模型中，通过待测水样的光谱数据特征主成分向量的空间位置与样本水样的光谱数据特征主成分向量的空间位置进行比较，从而判断待测水样的水样类型。
9.如权利要求5所述的水质指标监测云数据中心，其特征在于，所述水质指标预测模型为水质COD预测模型，所述光源的光谱为光源的紫外可见光谱，所述待测水样的对应光谱为待测水样的紫外可见吸收光谱。
10.水质指标监测系统，其特征在于，包括如权利要求5或6或7或8或9所述的水质指标监测云数据中心及至少一个水质指标监测仪，所述水质指标监测仪采用如权利要求1或2或3或4所述的水质指标监测仪或另一种水质指标监测仪，所述另一种水质指标监测仪由显示模块、光谱仪及无线通讯模块一组成，所述显示模块、光谱仪分别与无线通讯模块一连接，
所述光谱仪用于获取光源的光谱及待测水样的对应光谱发送给无线通讯模块一，由无线通讯模块一转发给与其连接的水质指标监测云数据中心；
所述显示模块用于显示无线通讯模块一接收到的水质指标值；
所述无线通讯模块一用于与水质指标监测云数据中心连接，进行信息交互；
每一个水质指标监测仪的无线通讯模块一都分别与水质指标监测云数据中心的无线通讯模块二连接。
11.如权利要求10所述的水质指标监测系统，其特征在于，所述另一种水质指标监测仪中，获取光源的光谱及待测水样的对应光谱中，光源的光谱为光源的紫外可见光谱，待测水样的对应光谱为待测水样的紫外可见吸收光谱。
12.水样识别方法，其特征在于，包括以下步骤：
步骤1、以不同类型及不同浓度的若干水样作为样本水样并进行测量，获取各次测量时光源的光谱及各样本水样的对应光谱；
步骤2、根据各光源的光谱及各样本水样的对应光谱得到各水样的吸光度谱；
步骤3、根据各水样的吸光度谱构建水样识别模型；
步骤4、测试时，获取光源的光谱及待测水样的对应光谱；
步骤5、根据光源的光谱与待测水样的对应光谱构建待测水样的吸光度谱；
步骤6、将待测水样的吸光度谱代入到水样识别模型中得到水样识别结果；
其中，步骤2及步骤5中，所述待测水样的吸光度谱与水样的吸光度谱的获取方法相同，其获取方法为：
步骤201、将光源的光谱S和水样的对应光谱S’分别按照一定的波长间隔△λ分割，获得波长和光强的数组和其中，λi为第i个波长，i为正整数，为光源的光谱S中λi对应的光强，为水样的对应光谱S’中λi对应的光强，n为吸光度谱中的波长个数，若构建的是待测水样的对应度谱，则所述水样的对应光谱S’为待测水样的对应光谱，若构建的是水样的对应度谱，则所述水样的对应光谱S’为样本水样的对应光谱；
步骤202、根据比尔朗伯定律，逐个获得波长λi处的吸光度数据其计算公式为：
步骤203、将所有波长λi对应的吸光度数据集合，获得水样的吸光度谱数据组从而得到水样的吸光度谱，记为SA。
13.如权利要求12所述的水样识别方法，其特征在于，步骤3包括以下具体步骤：
步骤301、使用水质指标监测仪以不同类型及不同浓度的若干水样作为样本水样并进行测量，获得若干个样本水样的吸光度谱SA和吸光度谱数组a；
步骤302、将若干个吸光度谱数组集合到一起，获得样本水样的吸光度谱数据矩阵A＝[a1,a2,…,ak]T，其中am为样本水样m的吸光度谱数据，m＝1,2,…,k，k为样本水样总数量；每个吸光度谱包含了n个波长的水样吸光度数据
步骤303、给每个样本水样赋予相应的水样标签号lθ，θ＝1,2,…，每一个标签号对应一种类型的水样，该标签号lθ为正整数，构建样本水样的标签号数据矩阵为L＝[l1,l2,…,lk]T；
步骤304、提取水样吸光度谱数据的特征成分，采用主成分分析方法提取水样吸光度谱数据矩阵A的特征主成分，获得特征主成分的系数矩阵P＝[p1,p2,…,pj]T，其中P为j×n的矩阵，pi为水样吸光度谱第i个特征主成分的系数，pi为1×n的向量，j为水样吸光度谱的特征主成分数量；
步骤305、获取水样的特征主成份向量，将样本水样m的吸光度谱数据与特征主成分系数矩阵P相乘，得到该样本水样吸光度谱的特征主成分向量tm，即其中，tm1,tm2,…,tmj分别为样本水样m吸光度谱的第1,2,…,j个特征主成分，构建样本水样的特征主成份数据矩阵T，即T＝[t1,t2,…,tm]T，T为m×j的矩阵；
步骤306、通过机器学习的方法建立水样类型识别数学模型，采用机器学习方法中的最小二乘支持向量机的方法，构建水样吸光度谱特征主成分向量tm与对应的水样类型标签号lm关系模型，将T作为输入量，L作为输出量，经最小二乘支持向量机训练后即可获得水样识别模型lm＝fR(tm)。
14.如权利要求13所述的水样识别方法，其特征在于，步骤6包括以下步骤：
步骤601、设标签号为lθ的样本水样特征主成分向量所在的空间是在以位置xθ＝[xθ1,xθ2,…,xθj]为中心，半径为Rθ的区域内；
步骤602、当获取待测水样x的吸光度谱ax后，将其同特征主成分系数P的转置相乘便得到水样吸光度谱的特征主成分向量tx＝[tx1,tx2,…,txj]，然后求解tx与xθ的空间距离D，当D>Rθ时，就认为该待测水样不属于该lθ样本水样类型，否则，当D≤Rθ时，就认为该水样同样本水样为同一类型。
15.水质指标预测方法，其特征在于，包括以下步骤：
A、采集某一水样类型的不同水质指标浓度的若干水样作为样本水样进行测量，获取各次测量时光源的光谱及各样本水样的对应光谱，同时采用化学方法获得每一个样本水样的所需水质指标；
B、根据各光源的光谱及各样本水样的对应光谱得到各水样的吸光度谱；
C、根据各水样的吸光度谱及对应样本水样的所需水质指标构建水质指标预测模型；
D、预测时，获取光源的光谱及待测水样的对应光谱；
F、根据光源的光谱与待测水样的对应光谱构建待测水样的吸光度谱；
G、将待测水样的吸光度谱代入到水质指标预测模型中得到水质指标预测结果；
其中，步骤B及步骤F中，所述待测水样的吸光度谱与水样的吸光度谱的获取方法相同，其获取方法为：
步骤B1、将光源的光谱S和水样的对应光谱S’分别按照一定的波长间隔△λ分割，获得波长和光强的数组和其中，λi为第i个波长，i为正整数，为光源的光谱S中λi对应的光强，为水样的对应光谱S’中λi对应的光强，n为吸光度谱中的波长个数，若构建的是待测水样的对应度谱，则所述水样的对应光谱S’为待测水样的对应光谱，若构建的是水样的对应度谱，则所述水样的对应光谱S’为样本水样的对应光谱；
步骤B2、根据比尔朗伯定律，逐个获得波长λi处的吸光度数据其计算公式为：
步骤B3、将所有波长λi对应的吸光度数据集合，获得水样的吸光度谱数据组从而得到水样的吸光度谱，记为SA。
16.如权利要求15所述的水质指标预测方法，其特征在于，步骤A中，所述样本水样的所需水质指标为样本水样的COD值；
步骤C中，所述水质指标预测模型为某一水样类型的水样COD预测模型。
17.如权利要求16所述的水质指标预测方法，其特征在于，步骤C包括以下步骤：
步骤C1、根据获得的若干个样本水样的吸光度谱SA、吸光度谱数组a及对应的COD值ci组成的数据矩阵C＝[c1,c2,…,ck]T采用主成分分析方法提取水样吸光度谱数据矩阵A的特征主成分，获得特征主成分的系数矩阵P；
步骤C2、将每一个样本水样的吸光度谱数组a同特征主成分的系数矩阵P相乘获得其特征主元数组ty；
步骤C3、采用最小二乘支持向量机的方法，将ty＝[ty1,ty2,…,tyj]作为输入量，cy作为输出量，进行多元非线性拟合，获得水样类型为lθ的水样COD预测模型cy＝fθ(ty)。
18.如权利要求15-17任一项所述的水质指标预测方法，其特征在于，步骤A中，所述采集某一水样类型的不同水质指标浓度的若干水样作为样本水样中，所述样本水样的数量不低于5个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710183620.7A CN106990060B (zh) | 2017-03-24 | 2017-03-24 | 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710183620.7A CN106990060B (zh) | 2017-03-24 | 2017-03-24 | 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106990060A CN106990060A (zh) | 2017-07-28 |
| CN106990060B true CN106990060B (zh) | 2018-08-03 |
Family
ID=59412932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710183620.7A Active CN106990060B (zh) | 2017-03-24 | 2017-03-24 | 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106990060B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI818627B (zh) * | 2022-07-18 | 2023-10-11 | 國立臺北科技大學 | 水質檢測方法 |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107449749A (zh) * | 2017-09-12 | 2017-12-08 | 深圳海科德科技有限公司 | 水质检测设备及其水质检测系统 |
| CN107727819B (zh) * | 2017-11-06 | 2024-06-21 | 汉威科技集团股份有限公司 | 基于nb-iot的自供电多参数水质监测仪 |
| CN108507955A (zh) * | 2018-03-22 | 2018-09-07 | 上海交通大学 | 多光谱同步检测水体化学需氧量的装置及方法 |
| CN108645806A (zh) * | 2018-05-07 | 2018-10-12 | 南京大学 | 分布式水质监测装置及其数据交互方法 |
| CN108956496B (zh) * | 2018-07-11 | 2021-04-27 | 东盛科兴环保科技河北有限公司 | 一种快速消解cod的多波长检测方法 |
| CN109142233A (zh) * | 2018-08-08 | 2019-01-04 | 安徽汇泽通环境技术有限公司 | 一种饮用水源地水质突变预警与监测系统和方法 |
| CN108956924A (zh) * | 2018-09-07 | 2018-12-07 | 江苏中聚检测服务有限公司 | 一种基于云服务器智能水质检测系统 |
| CN109596545B (zh) * | 2018-12-03 | 2023-12-08 | 北京英视睿达科技股份有限公司 | 全光谱水质监测设备质控方法 |
| CN109580509A (zh) * | 2018-12-03 | 2019-04-05 | 北京英视睿达科技有限公司 | 全光谱水质监测方法和系统 |
| CN109459402B (zh) * | 2018-12-26 | 2021-02-23 | 南京波思途智能科技股份有限公司 | 一种光谱法水质cod参数预测方法 |
| CN109709057B (zh) | 2018-12-29 | 2021-12-07 | 四川碧朗科技有限公司 | 水质指标预测模型构建方法及水质指标监测方法 |
| CN109766833A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 一种基于光谱特征的城市河道水质类型遥感识别方法 |
| CN109827922B (zh) * | 2019-03-20 | 2021-08-13 | 深圳市艾科尔特检测有限公司 | 受铜离子污染水中硝酸盐氮测定时铜离子干扰的校正方法 |
| CN110245881A (zh) * | 2019-07-16 | 2019-09-17 | 重庆邮电大学 | 一种基于机器学习的污水处理的水质预测方法及系统 |
| TWI722639B (zh) * | 2019-11-06 | 2021-03-21 | 國立中興大學 | 水產養殖環境監控的方法 |
| CN111198165A (zh) * | 2020-01-14 | 2020-05-26 | 重庆理工大学 | 一种基于光谱数据标准化进行水质参数的测定方法 |
| CN111650146A (zh) * | 2020-07-29 | 2020-09-11 | 深圳市长隆科技有限公司 | 分离式水质检测设备及系统 |
| CN112014344B (zh) * | 2020-08-21 | 2022-11-22 | 浙江全世科技有限公司 | 一种污水在线监测方法 |
| CN113376107B (zh) * | 2021-05-06 | 2022-07-15 | 三峡大学 | 基于云平台的水质监测系统和方法 |
| CN113706000A (zh) * | 2021-08-19 | 2021-11-26 | 海南绿能环境工程有限公司 | 基于物联网的环境监测资源分配方法及系统 |
| CN114814140B (zh) * | 2022-04-22 | 2024-01-30 | 启盘科技发展(上海)有限公司 | 一种可实现水样与水样分析结果自动匹配的方法及系统 |
| CN115824993B (zh) * | 2023-02-14 | 2023-07-18 | 北京英视睿达科技股份有限公司 | 水体化学需氧量的确定方法、装置、计算机设备及介质 |
| CN116297251B (zh) * | 2023-05-17 | 2023-08-29 | 安徽新宇环保科技股份有限公司 | 一种多传感器组合的水质检测系统及其检测探头 |
| CN116973348B (zh) * | 2023-09-20 | 2023-12-05 | 恒天益科技（深圳）有限公司 | 一种紫外光度法cod在线的水质分析方法及其系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1967215A (zh) * | 2006-11-08 | 2007-05-23 | 浙江大学 | 紫外扫描式多光谱水质cod快速检测方法及其装置 |
| CN102661923A (zh) * | 2012-05-03 | 2012-09-12 | 四川碧朗科技有限公司 | 一种复合型水质多参数在线自动监测仪 |
| CN103018197A (zh) * | 2012-12-14 | 2013-04-03 | 浙江大学 | 一种移动式水质现场监测预警及无线远传设备 |
| CN105092493A (zh) * | 2015-06-19 | 2015-11-25 | 浙江大学 | 一种基于水样类型识别的水体cod光学测量方法 |
| CN105136742A (zh) * | 2015-08-21 | 2015-12-09 | 董海萍 | 基于云端光谱数据库的微型光谱仪及光谱检测方法 |
| CN105334842A (zh) * | 2015-09-30 | 2016-02-17 | 苏州富米信息技术有限公司 | 一种物联云在线监测通用平台系统 |
| CN205594403U (zh) * | 2016-05-18 | 2016-09-21 | 浙江爱迪曼环保科技股份有限公司 | 一种基于云平台的农村污水处理站远程管理监控系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002074694A2 (en) * | 2001-03-16 | 2002-09-26 | Ewatertek Inc. | System and method for monitoring water quality and transmitting water quality data |
-
2017
- 2017-03-24 CN CN201710183620.7A patent/CN106990060B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1967215A (zh) * | 2006-11-08 | 2007-05-23 | 浙江大学 | 紫外扫描式多光谱水质cod快速检测方法及其装置 |
| CN102661923A (zh) * | 2012-05-03 | 2012-09-12 | 四川碧朗科技有限公司 | 一种复合型水质多参数在线自动监测仪 |
| CN103018197A (zh) * | 2012-12-14 | 2013-04-03 | 浙江大学 | 一种移动式水质现场监测预警及无线远传设备 |
| CN105092493A (zh) * | 2015-06-19 | 2015-11-25 | 浙江大学 | 一种基于水样类型识别的水体cod光学测量方法 |
| CN105136742A (zh) * | 2015-08-21 | 2015-12-09 | 董海萍 | 基于云端光谱数据库的微型光谱仪及光谱检测方法 |
| CN105334842A (zh) * | 2015-09-30 | 2016-02-17 | 苏州富米信息技术有限公司 | 一种物联云在线监测通用平台系统 |
| CN205594403U (zh) * | 2016-05-18 | 2016-09-21 | 浙江爱迪曼环保科技股份有限公司 | 一种基于云平台的农村污水处理站远程管理监控系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI818627B (zh) * | 2022-07-18 | 2023-10-11 | 國立臺北科技大學 | 水質檢測方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106990060A (zh) | 2017-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106990060B (zh) | 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 | |
| JP7391256B1 (ja) | 国家森林資源連続精査クラウドプラットフォーム及びサンプル地区のモニタリング方法 | |
| US11561169B2 (en) | Method for constructing water quality index prediction models and method for monitoring water quality indexes | |
| Fassnacht et al. | Remote sensing in forestry: current challenges, considerations and directions | |
| Zhu et al. | A remote wireless system for water quality online monitoring in intensive fish culture | |
| Lewis et al. | Estimating dark diversity and species pools: an empirical assessment of two methods | |
| Nierenberg et al. | Detection of substructure with adaptive optics integral field spectroscopy of the gravitational lens B1422+ 231 | |
| CN112763426B (zh) | 一种循环优化的高光谱大数据水质全天候动态监测方法 | |
| CN110414555A (zh) | 检测异常样本的方法及装置 | |
| CN109001136A (zh) | 一种基于紫外—可见光吸收光谱的cod在线监测方法 | |
| CN108171259A (zh) | 一种基于NB-IoT的智慧末梢水质监测系统及方法 | |
| Maleki et al. | Single-step calibration, prediction and real samples data acquisition for artificial neural network using a CCD camera | |
| Heddam et al. | Application of artificial intelligence to estimate phycocyanin pigment concentration using water quality data: a comparative study | |
| CN109115697A (zh) | 一种集合光学探头的水质多参数在线监测装置 | |
| CN118275371B (zh) | 一种基于神经网络模型的全光谱水体指标检测方法 | |
| Peng et al. | Comparisons of the prediction results of soil properties based on fuzzy c-means clustering and expert knowledge from laboratory Visible–Near-Infrared reflectance spectroscopy data | |
| Wymore et al. | Quantifying the frequency of synchronous carbon and nitrogen export to the river network | |
| CN118132626B (zh) | 一种基于数据分析的乡村信息服务管理平台 | |
| Mani et al. | AI powered IoT based real-time air pollution monitoring and forecasting | |
| CN115169728A (zh) | 一种基于简化神经网络的土壤肥力预测方法 | |
| CN106990724A (zh) | 环境监测云端服务平台及环境监测方法 | |
| CN113376107B (zh) | 基于云平台的水质监测系统和方法 | |
| CN110031407A (zh) | 水体化学需氧量光谱在线检测方法及装置 | |
| Goh et al. | A Hetero-core Spliced Optical Fiber Sensor Network for Remote Monitoring of Agricultural Enviroment | |
| US20240320474A1 (en) | Photoelectric detection model transfer and sharing method and internet of things monitoring and evaluation system based on cloud service |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 621000 No.208, 2nd floor, building 8, innovation base, Mianyang Science and technology innovation District, Mianyang City, Sichuan Province Patentee after: SICHUAN BELAM TECHNOLOGY Co.,Ltd. Address before: Mianyang City, Sichuan Province, 621000 Mountain Road No. 64 (city of science M-10 Industrial Park, second floor) Patentee before: SICHUAN BELAM TECHNOLOGY Co.,Ltd. |