CN111007220B - 一种生猪养殖污水水质敏捷监测的方法 - Google Patents
一种生猪养殖污水水质敏捷监测的方法 Download PDFInfo
- Publication number
- CN111007220B CN111007220B CN201911298578.9A CN201911298578A CN111007220B CN 111007220 B CN111007220 B CN 111007220B CN 201911298578 A CN201911298578 A CN 201911298578A CN 111007220 B CN111007220 B CN 111007220B
- Authority
- CN
- China
- Prior art keywords
- model
- regression
- monitoring
- models
- indexes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 239000010865 sewage Substances 0.000 title claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 238000009395 breeding Methods 0.000 title claims abstract description 33
- 230000001488 breeding effect Effects 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012417 linear regression Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 229910000069 nitrogen hydride Inorganic materials 0.000 claims description 21
- 230000001419 dependent effect Effects 0.000 claims description 18
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 15
- 239000003041 laboratory chemical Substances 0.000 claims description 11
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 10
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 244000144972 livestock Species 0.000 abstract description 5
- 244000144977 poultry Species 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 239000002351 wastewater Substances 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004204 optical analysis method Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/06—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Emergency Medicine (AREA)
- Molecular Biology (AREA)
- Activated Sludge Processes (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明公开了一种生猪养殖污水水质敏捷监测的方法,对生猪养殖污水处理工序中的污水进行采样,并遴选出建模样本和检验样本,对样本中的各水质指标进行定量检测;基于具有显著相关性的三个指标构建出相应的回归模型;筛选出拟合效果较好的回归模型;基于检验样本的数据和实测值对回归模型的准确性进行验证;再针对NH3‑N、EC和TN三个指标进行综合建模;最终得出针对NH3‑N和TN的最优回归模型;针对TP和COD,分别建立线性回归模型。基于所得到的回归模型,确定生猪养殖污水敏捷监测方案。该方法解决了传统畜禽养殖污水水质监测方案中水质指标测量难度系数大、成本高、效率低的问题,有效提高了监测效率。
Description
技术领域
本发明涉及污水监测技术领域,尤其涉及一种生猪养殖污水水质敏捷监测的方法。
背景技术
目前,生猪养殖污水成分复杂,其包含的污染物浓度较高,极易造成下游地表和地下水体的富营养化,对生态环境构成极大的威胁。多年来,生猪养殖污水的净化方法、治理工艺、主要指标的去除方法等一直都是研究的热点。根据治理工艺的不同,生猪养殖污水的治理方式主要包括生态治理、工业治理和集中治理,其中工业治理后的污水因排放到自然水体中而存在污染风险。针对工业治理后的生猪养殖污水的水质监测因受成本高、监测难度大等因素的限制,目前主要采用的仍是常规的取样监测法,即采用传统的实验室化学检测方法对污水进行检测。衡量畜禽尤其是生猪养殖污水水质状况的主要指标有氨氮(NH3-N)、总磷(TP)、总氮(TN)、化学需氧量(COD)等。针对这些指标的检测,除了传统的实验室化学检测法,一些新兴领域的检测方法也相继问世。“酶法”是一种基于生物药物的检测方法,可用于检测水中氨氮含量,通过简单的操作实现针对氨氮的高精度、高灵敏度检测;基于光学分析法的水质指标检测,有效避免了对于各种化学试剂的依赖性,且适用于氨氮、COD等多个指标的检测;基于神经网络模型的水质指标估算也是比较常见的水质研究方法,主要通过大样本学习进行检测估算,将人工智能算法与污水水质检测有机结合,为水质监测的研究提供了新的思路。
现有技术中无论是注重于污水水质的全面监测研究,还是针对于某些单独指标的检测研究,都有其局限性,前者注重于水质状况的整体监测,虽然能达到预期效果,却可能因系统庞大、成本过高而导致普适性较差;后者虽然对单个水质指标实现了精确检测,但不符合水质全面检测的需要,同时即使实现了对污水指标的检测,也可能因检测所需样本量大、在线检测困难等问题而不具有实际应用价值。另外,生猪养殖污水的主要成分及猪场所在的环境与常见的地表水或地下水均有不同,传统的不定期取样监测法虽然效率低、时效性差,但数据准确,监测成本总体较低;在线监测法虽具有快速、时效性强的优点,但监测所用传感设备或在线检测仪成本高,往往超出猪场的承受能力,且监测数据的准确性不易得到保障。因此寻找一种快速、高效、低成本的监测方法,并建立相应的监测方案成为生猪养殖污水水质监测的关键,对实时监管生猪养殖污水具有十分重要的意义。
发明内容
本发明的目的是提供一种生猪养殖污水水质敏捷监测的方法,该方法解决了传统畜禽养殖污水水质监测方法中水质指标检测效率低、时效性差及在线监测方法中成本高、数据准确性较差的问题,在有效提高监测效率的同时,极大地降低了监测难度和成本。
本发明的目的是通过以下技术方案实现的:
一种生猪养殖污水水质敏捷监测的方法,所述方法包括:
步骤1、在不同的季节、不同天气、不同工序阶段对生猪养殖污水处理工序中的污水进行采样,并遴选出建模样本和检验样本,对样本中的各水质指标进行定量检测;
步骤2、采用统计产品与服务解决方案SPSS软件对检测得到的各水质指标数据进行分析,获得具有显著相关性的三个指标,具体为氨氮NH3-N、电导率EC和总氮TN三个指标;
步骤3、基于该具有显著相关性的三个指标,构建出NH3-N、TN和EC两两之间的回归模型;
步骤4、通过比较各回归模型的决定系数R2、残差平方和RSS和回归均方MSR筛选出拟合效果较好的回归模型;其中,针对NH3-N为因变量而建立的较好回归模型为多项式回归模型以及组合后的回归模型,分别将其定义为模型Ⅰ和模型Ⅱ;针对TN为因变量而建立的较好回归模型为幂次式回归模型,将其定义为模型Ⅲ;
步骤5、然后基于检验样本的数据和实测值对步骤4所得到回归模型的准确性进行验证;
步骤6、再针对NH3-N、EC和TN三个指标进行综合建模,将针对NH3-N建立的综合模型定义为模型Ⅳ,针对TN建立的综合模型定义为模型Ⅴ;
步骤7、将得到的综合模型Ⅳ和Ⅴ与模型Ⅰ、Ⅱ、Ⅲ进行精度对比,最终得出针对NH3-N和TN的最优回归模型,具体为模型Ⅰ和模型Ⅴ;
步骤8、针对另外两个水质指标TP和COD,分别建立基于自动检测数据和传统实验室化学法检测数据之间的线性回归模型VI和VII;
步骤9、基于步骤7得到的最优回归模型Ⅰ和Ⅴ,以及步骤8得到的模型VI和模型VII,确定生猪养殖污水敏捷监测方案,完成基于低成本传感器对TN和NH3-N两个重要指标的替代检测以及基于电极或自动检测仪的其他四个指标的自动检测。
由上述本发明提供的技术方案可以看出,上述方法解决了传统畜禽养殖污水水质监测方法中水质指标检测效率低、时效性差及在线监测方法中成本高、数据准确性较差的问题,在有效提高监测效率的同时,极大地降低了监测难度和成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的生猪养殖污水水质敏捷监测的方法流程示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述,如图1所示为本发明实施例提供的生猪养殖污水水质敏捷监测的方法流程示意图,所述方法包括:
步骤1、在不同的季节、不同天气、不同工序阶段对生猪养殖污水处理工序中的污水进行采样,并遴选出建模样本和检验样本,对样本中的各水质指标进行定量检测;
在该步骤中,所述水质指标包括氨氮NH3-N、总磷TP、总氮TN、化学需氧量COD、电导率EC和pH值。
步骤2、采用统计产品与服务解决方案SPSS软件(Statistical Product andService Solutions)对检测得到的各水质指标数据进行分析,获得具有显著相关性的三个指标,具体为氨氮NH3-N、电导率EC和总氮TN三个指标;
具体实现中,可以将NH3-N、COD、TP和TN四个在实验室进行化学法检测的指标归纳入组Ⅰ;将pH和EC两种由便携式仪器直接检测的指标归纳入组Ⅱ;对组Ⅰ和组Ⅱ中各指标进行Pearson相关性分析,分析工具为统计产品与服务解决方案SPSS 24.0软件;结果得出:
通过对不同季节及不同气候条件下30组随机样本的检测与相关性分析,发现NH3-N与TN、NH3-N与EC、TN与EC之间均存在很强的相关性,相关系数分别为0.772、0.775、0.920,即氨氮NH3-N、电导率EC和总氮TN三个指标之间具有显著相关性。
步骤3、基于该具有显著相关性的三个指标,构建出NH3-N、TN和EC两两之间的回归模型;
步骤4、通过比较各回归模型的决定系数R2、残差平方和RSS和回归均方MSR筛选出拟合效果较好的回归模型;
其中,针对NH3-N为因变量而建立的较好回归模型为多项式回归模型以及组合后的回归模型,分别将其定义为模型Ⅰ和模型Ⅱ;针对TN为因变量而建立的较好回归模型为幂次式回归模型,将其定义为模型Ⅲ;
在该步骤中,可以分别建立线性、二次式和多项式三种回归模型,然后比较各回归模型的决定系数R2、残差平方和RSS和回归均方MSR筛选出拟合效果相对最佳的回归模型,最终得到针对NH3-N为因变量,EC为自变量而建立的多项式回归模型Ⅰ为较好回归模型,表示为:
针对EC为自变量x、以TN为中间变量、NH3-N为因变量y建立的组合后的回归模型Ⅱ表示为:
针对TN为因变量,EC为自变量而建立的幂次式回归模型Ⅲ表示为:
步骤5、然后基于检验样本的数据和实测值对步骤4所得到回归模型的准确性进行验证;
在该步骤中,具体取步骤1选出的检验样本的数据代入步骤4所得到的模型Ⅰ、Ⅱ、Ⅲ中,得出相关指标的估算值;
再与相关指标数据的实测值建立线性拟合图,通过样点距离1:1标准参考线的离散程度、拟合线与1:1标准参考线的偏离程度以及R2值的大小来衡量回归模型Ⅰ、Ⅱ、Ⅲ的准确性。
步骤6、再针对NH3-N、EC和TN三个指标进行综合建模,将针对NH3-N建立的综合模型定义为模型Ⅳ,针对TN建立的综合模型定义为模型Ⅴ;
在该步骤中,针对NH3-N为因变量y,EC和TN分别为自变量x1、x2进行综合建模得到的模型Ⅳ表示为:
针对TN为因变量y,NH3-N和EC分别为自变量x1、x2进行综合建模得到的模型Ⅴ表示为:
步骤7、将得到的综合模型Ⅳ和Ⅴ与模型Ⅰ、Ⅱ、Ⅲ进行精度对比,最终得出针对NH3-N和TN的最优回归模型,具体为模型Ⅰ和模型Ⅴ;
具体实现中,同样调取10组检验样本数据,将指标真实值与估算值建立线性拟合图,通过样点距离1:1标准参考线的离散程度、拟合线与1:1标准参考线的偏离程度以及R2值的大小来衡量回归模型的准确性,通过模型验证和对比最终确定了分别适合于NH3-N的最优回归模型为“多项式回归模型Ⅰ”以及适合TN的最优回归模型为“综合模型Ⅴ”;根据这两个模型得出的指标估算值与实测值最为接近,且决定系数最高,分别为0.855和0.953,是最优回归模型。
步骤8、针对另外两个水质指标TP和COD,分别建立基于自动检测数据和传统实验室化学法检测数据之间的线性回归模型VI和VII;
具体实现中,根据自动检测数据与传统实验室化学法检测数据的线性变化关系,分别构建针对TP和COD的以自动检测数据为自变量、以传统实验室化学法检测数据为因变量的线性回归模型VI和VII,具体模型表示为:
其中,x'1 和x'2 分别表示TP和COD的自动检测数据;yTP和yCOD分别为TP和COD的估算值。
步骤9、基于步骤7得到的最优回归模型Ⅰ和Ⅴ,以及步骤8得到的模型VI和模型VII,确定生猪养殖污水敏捷监测方案,完成基于低成本传感器对TN和NH3-N两个重要指标的替代检测以及基于电极或自动检测仪的其他四个指标的自动检测。
至此,生猪养殖污水需要直接检测的指标由6个缩减为4个。
在步骤9中,在线检测难度大、成本高的TN作为一个重要的检测指标,由NH3-N、EC两指标推导得出;在线检测难度和成本相对较低的NH3-N的浓度由EC大小推导而得;在线检测难度和成本都较低的pH和EC使用基于电极的自动检测方法检测得出;TP和COD分别使用在线检测仪得到相应数值,将得到的数值分别代入到步骤8中的模型VI和模型VII中,从而得到接近传统实验室化学检测法的高精度检测值。
举例来说,下面通过具体实例对上述监测方案进行详细说明:
第1步,进行自动检测设备的选型。
针对pH、EC分别选择与便携式仪器相同的电极,以保证自动检测数据和便携式仪器检测数据的一致性;针对TP、COD选择与传统实验室化学检测法具有相同检测原理的自动检测仪,同样是为了保证传统检测数据与自动检测数据的一致性。
第2步,将自动检测的TP、COD的数值分别代入到步骤8中的模型VI和模型VII中,得到与采用传统检测方法相近的数据,作为最佳估算值;
同时,将通过电极测得的EC值分别代入到步骤7得到的最优回归模型Ⅰ和Ⅴ中,得到NH3-N和TN的最佳估算值。
通过上述步骤即可完成利用自动检测法在实际检测四个指标(TP、COD、pH和EC)的前提下,结合模型I、模型V、模型VI和模型VII实现TP、COD、NH3-N、TN、pH和EC共6个指标的全面检测,且检测数据的准确性因与传统检测法接近度高而得到了很好的保障,从而达到了快速、高效、低成本监测的目的。
值得注意的是,本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
综上所述,本申请所提供的方法与传统畜禽养殖污水水质监测方案相比,对TN、NH3-N两指标无需直接检测,在硬件设备上总体使用的检测设备数量更少,大大降低了监测难度和成本,有效提高了监测效率。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (2)
1.一种生猪养殖污水水质敏捷监测的方法,其特征在于,所述方法包括:
步骤1、在不同的季节、不同天气、不同工序阶段对生猪养殖污水处理工序中的污水进行采样,并遴选出建模样本和检验样本,对样本中的各水质指标进行定量检测;
所述水质指标包括氨氮NH3-N、总磷TP、总氮TN、化学需氧量COD、电导率EC和pH值;
步骤2、采用统计产品与服务解决方案SPSS软件对检测得到的各水质指标数据进行分析,获得具有显著相关性的三个指标,具体为氨氮NH3-N、电导率EC和总氮TN三个指标;
步骤3、基于该具有显著相关性的三个指标,构建出NH3-N、TN和EC两两之间的回归模型;
步骤4、通过比较各回归模型的决定系数R2、残差平方和RSS和回归均方MSR筛选出拟合效果较好的回归模型;其中,针对NH3-N为因变量而建立的较好回归模型为多项式回归模型以及组合后的回归模型,分别将其定义为模型Ⅰ和模型Ⅱ;针对TN为因变量而建立的较好回归模型为幂次式回归模型,将其定义为模型Ⅲ;
其中,针对NH3-N为因变量,EC为自变量而建立的多项式回归模型Ⅰ表示为:
针对EC为自变量x、以TN为中间变量、NH3-N为因变量y建立的组合后的回归模型Ⅱ表示为:
针对TN为因变量,EC为自变量而建立的幂次式回归模型Ⅲ表示为:
TN=exp(1.804+0.768EC)/[1-exp(1.804+0.768EC)] ;
步骤5、然后基于检验样本的数据和实测值对步骤4所得到回归模型的准确性进行验证,具体过程为:
取步骤1选出的检验样本的数据代入步骤4所得到的模型Ⅰ、Ⅱ、Ⅲ中,得出相关指标的估算值;再与相关指标数据的实测值建立线性拟合图,通过样点距离1:1标准参考线的离散程度、拟合线与1:1标准参考线的偏离程度以及R2值的大小来衡量回归模型Ⅰ、Ⅱ、Ⅲ的准确性;
步骤6、再针对NH3-N、EC和TN三个指标进行综合建模,将针对NH3-N建立的综合模型定义为模型Ⅳ,针对TN建立的综合模型定义为模型Ⅴ;
其中,针对NH3-N为因变量y,EC和TN分别为自变量x1、x2进行综合建模得到的模型Ⅳ表示为:
针对TN为因变量y,NH3-N和EC分别为自变量x1、x2进行综合建模得到的模型Ⅴ表示为:
步骤7、将得到的综合模型Ⅳ和Ⅴ与模型Ⅰ、Ⅱ、Ⅲ进行精度对比,最终得出针对NH3-N和TN的最优回归模型,具体为模型Ⅰ和模型Ⅴ;
步骤8、针对另外两个水质指标TP和COD,分别建立基于自动检测数据和传统实验室化学法检测数据之间的线性回归模型VI和VII;
步骤9、基于步骤7得到的最优回归模型Ⅰ和Ⅴ,以及步骤8得到的模型VI和模型VII,确定生猪养殖污水敏捷监测方案,完成基于低成本传感器对TN和NH3-N两个重要指标的替代检测以及基于电极或自动检测仪的其他四个指标的自动检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298578.9A CN111007220B (zh) | 2019-12-17 | 2019-12-17 | 一种生猪养殖污水水质敏捷监测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298578.9A CN111007220B (zh) | 2019-12-17 | 2019-12-17 | 一种生猪养殖污水水质敏捷监测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111007220A CN111007220A (zh) | 2020-04-14 |
CN111007220B true CN111007220B (zh) | 2022-06-17 |
Family
ID=70115917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911298578.9A Active CN111007220B (zh) | 2019-12-17 | 2019-12-17 | 一种生猪养殖污水水质敏捷监测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007220B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112485304B (zh) * | 2020-12-14 | 2022-08-09 | 河北工业大学 | 一种基于电导法的牛奶检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107449885A (zh) * | 2017-09-12 | 2017-12-08 | 广东工业大学 | 一种nh3‑n软测量系统及方法 |
CN107664683A (zh) * | 2016-07-30 | 2018-02-06 | 复凌科技(上海)有限公司 | 一种总氮的水质软测量预测方法 |
CN107664682A (zh) * | 2016-07-30 | 2018-02-06 | 复凌科技(上海)有限公司 | 一种氨氮的水质软测量预测方法 |
-
2019
- 2019-12-17 CN CN201911298578.9A patent/CN111007220B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107664683A (zh) * | 2016-07-30 | 2018-02-06 | 复凌科技(上海)有限公司 | 一种总氮的水质软测量预测方法 |
CN107664682A (zh) * | 2016-07-30 | 2018-02-06 | 复凌科技(上海)有限公司 | 一种氨氮的水质软测量预测方法 |
CN107449885A (zh) * | 2017-09-12 | 2017-12-08 | 广东工业大学 | 一种nh3‑n软测量系统及方法 |
Non-Patent Citations (7)
Title |
---|
中国规模化畜禽养殖污水处理中人工湿地的研究进展;张燕;《环境科学与技术》;20160131;第39卷(第1期);第87-92页 * |
农村中小规模养殖户养殖污水处理及监管模式初探;柳嘉毅;《湖南畜牧兽医》;20151231(第5期);第27-29页 * |
基于多元线性模型、支持向量机(SVM)模型和地统计方法的地表水溶解性总固体(TDS)估算及其精度对比――以艾比湖流域为例;王小平等;《环境化学》;20170331;第36卷(第03期);第666-676页 * |
基于统计回归的污水处理出水水质的软测量研究;穆秀春;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20051015(第06期);第B027-130页 * |
村镇景观水体监测典型指标间相关性分析及水质模型研究;张梁;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20151215(第12期);第13-14、17、38-41页 * |
水质异常检测及水质污染评价研究;谷建强;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20160615(第06期);第B027-672页 * |
浅谈水质自动监测数据的可靠性;许佳;《中国水运》;20170731;第17卷(第7期);第172-173页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111007220A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113916847B (zh) | 一种基于光谱技术和线性支持向量算法的水质检测方法 | |
CN104820873A (zh) | 一种基于金属定量构效关系的淡水急性基准预测方法 | |
CN110675036B (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
CN116340723B (zh) | 基于大数据的乡村水污染快速溯源方法及系统 | |
CN111562242A (zh) | 一种城市排水系统的雨天溢流污水来源的快速识别方法 | |
CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
CN102841060B (zh) | 一种在线水质快速检测系统 | |
CN113267462A (zh) | 一种应用紫外光谱对水体有机污染特征进行表征的方法 | |
US20220316994A1 (en) | A method for predicting operation effectiveness of decentralized sewage treatment facility by using support vector machine | |
CN114935527B (zh) | 一种基于油井天然气开采的传感器智能清洁方法及系统 | |
CN117974404B (zh) | 一种水陆协同的陆域污染源分析方法及系统 | |
CN111007220B (zh) | 一种生猪养殖污水水质敏捷监测的方法 | |
CN113203691A (zh) | 一种基于小波分析的水质污染物溯源方法 | |
CN114707786A (zh) | 一种基于共现性网络的河流生态系统健康评价方法 | |
CN110687257A (zh) | 一种基于恶臭在线监测系统的溯源方法 | |
CN113240006A (zh) | 废水排放的监测方法、装置、电子设备及存储介质 | |
CN116589078B (zh) | 基于数据融合的污水处理智能控制方法及系统 | |
CN102680544A (zh) | 基于流动注射的多参数锅炉水水质分析方法 | |
CN112630202A (zh) | 一种城市排水系统的雨天溢流污水来源的识别方法 | |
CN116448988A (zh) | 一种工业园区土壤污染监测系统及方法 | |
CN111141809A (zh) | 一种基于非接触式电导信号的土壤养分离子含量检测方法 | |
CN115660455A (zh) | 一种三水统筹下水质评价体系模型构建系统、设备及终端 | |
CN116402389A (zh) | 一种混合用地类型的流域水体污染源解析方法 | |
CN115420774A (zh) | 一种快速测定土壤中污染物的方法 | |
CN115980286A (zh) | 一种利用电子鼻对污水处理厂不同阶段废水检测的方法 |
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 |