CN111596028A - 一种针对分散式污水排放源的水质在线监测系统 - Google Patents

Abstract

本发明公开了一种针对分散式污水排放源的水质在线监测系统，涉及水质监测领域，包括在线监测集成探头、PLC控制器、工业触摸屏和远传模块，其中，在线监测集成探头包括在线pH电极、在线ORP电极、全光谱传感器、在线浊度传感器、在线电导率传感器、在线溶解氧传感器、运算模块；在线监测集成探头的数据信息均通过PLC控制器连接到工业触摸屏；工业触摸屏通过远传模块将数据上传到互联网中的云服务器。本发明实现了对分散式污水排放源水体中COD、NO₃ ^‑‑N、pH值、水温、ORP、浊度、电导率、溶解氧等多项指标的在线监测，并形成一套在线监测系统，具有监测快速、无化学试剂消耗、维护简便、数据实时传输、便于远程操作等优点。

Description

一种针对分散式污水排放源的水质在线监测系统

技术领域

本发明涉及水质监测领域，尤其涉及一种针对分散式污水排放源的水质在线监测系统。

背景技术

目前已广泛应用的易于快速在线监测的常规水质指标主要包括：pH值、氧化还原电位(ORP)、水温、溶解氧、浊度、电导率等六项。对于表征水质的重要指标：COD、NH₃-N和NO₃ ^--N，一般采用基于国家标准监测方法的自动分析设备实现在线监测。这些监测方法应用于在线监测时存在以下缺点：检测过程需要消耗化学试剂，其中部分试剂有毒有害，易造成二次污染，运行成本较高；检测分析需要一定的反应时间，难以实现连续监测；设备的结构系统复杂，体积较大，维护不便，且设备价格通常较高。由于以上原因，这些基于国标法的在线监测设备通常应用于重要的水环境监控断面或者规模以上排放源的监控。面对不断发展的生态环境质量的大数据信息需求，以及分散式污染源(如分散铁路站段)在线监测的需求，需要开发能够产生实时连续水质数据，设备和运行成本低，维护简便，无二次污染的在线监测技术。近年来，随着光谱技术与设备的发展，开始有研究者利用能够实现全谱直读的CCD光谱仪开发出基于全光谱的多参数水质监测设备。该技术的基本原理是：利用硝酸盐在220nm-240nm处的吸收特征，在线监测NO₃ ^--N的浓度；利用紫外可见波段的吸收特征，预测COD浓度；利用可见光波段的吸收特征，预测SS和浊度等。

综合以上分析，全光谱技术是一种能同时测量COD、NO₃ ^--N、浊度等指标的有效方法，也能高效、快速地在线监测常规水质指标，适用于分散式污水排放源的水质在线监测。

近年来，我国铁路建设得到快速发展，铁路站段已超过5000个，并且多数是中小车站，这些中小车站大多远离城市，周边没有配套的市政污水收集系统，污水处理规模一般较小，处理不稳定，且自动化程度低，给污水综合利用带来了困难。随着我国的经济发展，对铁路站段污水处理要求也愈加严格，同时，能够实现对铁路站段废水水质进行快速在线监测的需求日益迫切。车站污水主要是生活污水，来自于各车站、办公房屋等的生活污水排放，主要污染物为CODcr、BOD₅、NO₃ ^--N、SS，另外还有油脂、大肠杆菌菌群数等。

因此，本领域的技术人员致力于开发一种对分散式污水排放源水体的pH值、水温、ORP、吸光度、浊度、电导率、溶解氧、COD和NO₃ ^--N等水质指标进行同时且实时连续在线监测的系统，满足设备和运行成本低，维护简便，无二次污染的在线监测技术。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是基于国家标准监测方法的自动分析设备监测过程需要消耗化学试剂，其中部分试剂有毒有害，易造成二次污染，运行成本较高；检测分析需要一定的反应时间，难以实现连续监测；设备的结构系统复杂，体积较大，维护不便，且设备价格通常较高。

为实现上述目的，本发明提供了一种针对分散式污水排放源的水质在线监测系统，包括在线监测集成探头、PLC控制器、工业触摸屏和远传模块，其中，所述在线监测集成探头包括在线pH电极、在线ORP电极、全光谱传感器、在线浊度传感器、在线电导率传感器、在线溶解氧传感器、运算模块；所述在线监测集成探头的数据信息均通过所述PLC控制器连接到所述工业触摸屏；所述工业触摸屏通过所述远传模块将数据上传到互联网中的云服务器。

进一步地，所述在线监测集成探头通过COD浓度监测模型和NO₃ ^--N浓度监测模型对COD和NO₃ ^--N进行监测。

进一步地，建立所述COD浓度监测模型和所述NO₃ ^--N浓度监测模型包括以下步骤：

步骤1、采集若干水样，按照HJ标准的方法监测COD浓度、NO₃ ^--N浓度的实测值；

步骤2、获取每个水样对应波段的吸收光谱的吸光度光谱数据和常规水质指标；

步骤3、将所述步骤1和所述步骤2中获取的数据分别进行矢量归一化预处理，使其映射到[-1，1]区间之内，获得样本数据；

步骤4、构建BP-神经网络模型，选择80％所述样本数据，采用BP-神经网络算法，选择Sigmoid函数为激活函数，并选择神经网络隐含层、每层的单元数和学习率等参数，使得所测项目实测值与预测值之间的方差最小；

步骤5、选取剩余20％所述样本数据，计算所测项目实测值与预测值之间R平方、均方根误差等评价指标对模型的预测性能进行评价，以确保模型的实用性。

进一步地，在建立所述COD浓度监测模型时，所述步骤2中，获取每个水样电导率和浊度的值，获取每个水样200-700nm波段的吸收光谱的吸光度光谱数据。

进一步地，在建立所述COD浓度监测模型时，所述步骤4中所述BP-神经网络模型，所述神经网络隐含层为2层，每层的所述单元数分别为5和3。

进一步地，在建立所述NO₃ ^--N浓度监测模型时，所述步骤2中，获取每个水样220nm波段和275nm波段的吸收光谱的吸光度光谱数据。

进一步地，在建立所述NO₃ ^--N浓度监测模型时，所述步骤4中所述BP-神经网络模型，所述神经网络隐含层为1层，所述单元数为2。

进一步地，所述工业触摸屏负责数据显示和数据记录，并通过485与所述远传模块进行数据交互。

进一步地，用户通过手机APP端和电脑端访问云服务器远程获取数据，并对所述在线监测集成探头进行远程控制。

一种应用在线监测系统进行分散式污水排放源水质在线监测的方法，包括以下步骤：

步骤1、将所述在线监测集成探头置于待监测的水中，获取pH值、水温、ORP、吸光度、浊度、电导率、溶解氧；

步骤2、建立所述COD浓度监测模型和所述NO₃ ^--N浓度监测模型得到COD、NO₃ ^--N；

步骤3、所述PLC控制器接收所述在线监测集成探头获取的数据，并将数据传输到所述工业触摸屏，所述工业触摸屏显示并记录接收数据，并将数据通过485与所述远传模块进行数据交互；

步骤4、所述远传模块将数据发送到云服务器，用户通过手机APP端和电脑端远程获取到数据，并对所述在线监测集成探头进行远程控制。

本发明提出的一种针对分散式污水排放源的水质在线监测系统，具有以下技术效果：

1、本发明实现了对分散式污水排放源水体中COD、NO₃ ^--N、pH值、水温、ORP、浊度、电导率、溶解氧等多项指标的同时在线监测；

2、本发明具有监测快速、无化学试剂消耗、维护简便、设备造价和运行成本低、数据实时传输和便于远程操作等优点。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的在线监测集成探头的结构示意图；

图2是本发明的一个较佳实施例的系统结构示意图。

其中：1-在线监测集成探头，2-在线pH电极，3-在线ORP电极，4-全光谱传感器，5-在线浊度传感器，6-在线电导率传感器，7-在线溶解氧传感器，8-运算模块。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。

本实施例提供一种针对分散铁路站段的水质在线监测系统，包括在线监测集成探头1、PLC控制器、工业触摸屏和远传模块，其中，如图1所示，为本实施例的在线监测集成探头1的结构示意图，包括在线pH电极2、在线ORP电极3、全光谱传感器4、在线浊度传感器5、在线电导率传感器6、在线溶解氧传感器7、运算模块8；如图2所示，在线监测集成探头1的数据信息均通过PLC控制器连接到工业触摸屏；工业触摸屏通过远传模块将数据上传到互联网中的云服务器。

在线pH电极2为玻璃电极，量程为0～14pH。

在线ORP电极3为玻璃电极，量程为-1500～+1500mV。

全光谱传感器4为CCD光谱仪，光源波段为190-720nm。

在线浊度传感器5为不锈钢材质，测量单位可选NTU、FNUg/L、mg/L、PPm、或％固体，测量精度为浊度小于读数1％，或±0.001NTU，取大者。

在线电导率传感器6采用卫生型探头，为316不锈钢材质，测量最大范围0-200000μS/cm。

在线溶解氧传感器7包括荧光帽和探头本体，荧光帽为丙烯酸树脂，探头本体为CPVC，聚氨酯，Viton，Noryl，316不锈钢，测量范围为0～20.00PPm或0～20.0mg/L。

将在线监测集成探头1置于待监测的水中，在线pH电极2用于监测pH值和温度，在线ORP电极3用于监测ORP，全光谱传感器4用于监测吸光度，在线浊度传感器5用于监测水质浊度，在线电导率传感器6用于监测电导率，在线溶解氧传感器7用于监测溶解氧，这些监测到的数据传送至运算模块8进行运算，构建COD浓度监测模型和NO₃ ^--N浓度监测模型并进行预测。

本实施例中的针对分散铁路站段的水质在线监测方法如下：

1、COD浓度监测模型的建立

步骤1、将在线监测集成探头1置于待监测的水中，采集若干分散铁路站段水样，按照《HJ 828—2017水质化学需氧量的测定重铬酸盐法》测定COD浓度，作为COD实测值，记作[COD]_实测值，样本数为100个；

步骤2、利用CCD光谱仪构建的全光谱传感器4，获取每个水样200-700nm波段的吸收光谱的全部吸光度数据，记作A₂₀₀-A₇₀₀；

步骤3、将得到的吸光度光谱数据进行SG平滑处理；

步骤4、同时在线监测电导率和浊度的值分别记作[TDS]、[TSS]；

步骤5、将以上所有变量的数据分别进行矢量归一化预处理，使其映射到[-1，1]区间之内；

步骤6、构建[COD]_实测值、A₂₀₀-A₇₀₀、[TDS]和[TSS]的BP-神经网络模型，助于R语言neuralnet包，随机选择80％的样本数据，采用BP-神经网络模型，选择Sigmoid函数为激活函数，神经网络隐含层为2层，每层的单元数分别为5和3，阈值为0.001，构建BP-神经网络模型，使得[COD]_实测值与[COD]_预测值之间的方差最小；

步骤8、选取剩余20％的样本数据利用模型进行预测，具有较好的预测效果。

2、NO₃ ^--N浓度监测模型的建立

由于波长220nm的紫外光可以被有机物和NO₃ ^-所吸收，而波长275nm的紫外光主要被有机物吸收。利用波长220nm紫外光的吸光度，通过波长275nm紫外光吸光度进行校正，基于比尔-朗伯定律测定NO₃ ^--N。该方法理论上受到NO₂ ^--N的干扰，但在自然水体和污水生物处理设施出水中的NO₂ ^--N浓度通常较低，因此本方法中忽略NO₂ ^-的干扰。

具体建模方法同COD浓度监测模型的建立，不同之处在于波长的选择数量为2，变量数仅为2个。

步骤1、将在线监测集成探头1置于待监测的水中，采集若干分散铁路站段水样，按照《HJ/T 346-2007水质硝酸盐氮的测定紫外分光光度法》测定样本硝酸盐氮浓度，作为NO₃ ^--N实测值，记作[NO₃ ^--N]_实测值，样本数为100个；

步骤2、利用CCD光谱仪构建的全光谱传感器4，可以获得水样220nm吸光度记作[A220]和275nm吸光度记作[A275]；

步骤3、将[A220]、[A275]和[NO₃ ^--N]_实测值数据分别进行矢量归一化预处理，使其映射到[-1，1]区间之内；

步骤4、构建[NO₃ ^--N]_实测值与[A220]和[A275]的BP-神经网络模型，借助于R语言Neuralnet包，随机选择80％的样本数据，采用BP-神经网络算法，选择Sigmoid函数为激活函数，神经网络隐含层为1层，单元数为2，阈值为0.001，构建BP-神经网络模型，使得[NO₃ ^--N]_实测值与[NO₃ ^--N]_预测值之间的方差最小；

步骤5、再选取剩余20％的样本数据进行预测，具有良好的预测效果。

本发明的一个较佳实施例中，PLC控制器接收在线监测集成探头1输出的数据，并将数据传输到工业触摸屏，工业触摸屏显示并记录接收数据，并将数据通过485与远传模块进行数据交互；远传模块将数据发送到云服务器，用户通过手机APP端和电脑端远程获取到数据，并对在线监测集成探头1进行远程控制。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种针对分散式污水排放源的水质在线监测系统，其特征在于，包括在线监测集成探头、PLC控制器、工业触摸屏和远传模块，其中，所述在线监测集成探头包括在线pH电极、在线ORP电极、全光谱传感器、在线浊度传感器、在线电导率传感器、在线溶解氧传感器、运算模块；所述在线监测集成探头的数据信息均通过所述PLC控制器连接到所述工业触摸屏；所述工业触摸屏通过所述远传模块将数据上传到互联网中的云服务器。

2.如权利要求1所述的针对分散式污水排放源的水质在线监测系统，其特征在于，所述在线监测集成探头通过COD浓度监测模型和NO₃ ^--N浓度监测模型对COD和NO₃ ^--N进行监测。

3.如权利要求2所述的针对分散式污水排放源的水质在线监测系统，其特征在于，建立所述COD浓度监测模型和所述NO₃ ^--N浓度监测模型包括以下步骤：

步骤1、采集若干水样，按照HJ标准的方法监测COD浓度、NO₃ ^--N浓度的实测值；

步骤2、获取每个水样对应波段的吸收光谱的吸光度光谱数据和常规水质指标；

步骤3、将所述步骤1和所述步骤2中获取的数据分别进行矢量归一化预处理，使其映射到[-1，1]区间之内，获得样本数据；

步骤4、构建BP-神经网络模型，选择80％所述样本数据，采用BP-神经网络算法，选择Sigmoid函数为激活函数，并选择神经网络隐含层、每层的单元数和学习率等参数，使得所测项目实测值与预测值之间的方差最小；

步骤5、选取剩余20％所述样本数据，计算所测项目实测值与预测值之间R平方、均方根误差等评价指标对模型的预测性能进行评价，以确保模型的实用性。

4.如权利要求3所述的针对分散式污水排放源的水质在线监测系统，其特征在于，在建立所述COD浓度监测模型时，所述步骤2中，获取每个水样电导率和浊度的值，获取每个水样200-700nm波段的吸收光谱的吸光度光谱数据。

5.如权利要求3所述的针对分散式污水排放源的水质在线监测系统，其特征在于，在建立所述COD浓度监测模型时，所述步骤4中所述BP-神经网络模型，所述神经网络隐含层为2层，每层的所述单元数分别为5和3。

6.如权利要求3所述的针对分散式污水排放源的水质在线监测系统，其特征在于，在建立所述NO₃ ^--N浓度监测模型时，所述步骤2中，获取每个水样220nm波段和275nm波段的吸收光谱的吸光度光谱数据。

7.如权利要求3所述的针对分散式污水排放源的水质在线监测系统，其特征在于，在建立所述NO₃ ^--N浓度监测模型时，所述步骤4中所述BP-神经网络模型，所述神经网络隐含层为1层，所述单元数为2。

8.如权利要求1所述的针对分散式污水排放源的水质在线监测系统，其特征在于，所述工业触摸屏负责数据显示和数据记录，并通过485与所述远传模块进行数据交互。

9.如权利要求1所述的针对分散式污水排放源的水质在线监测系统，其特征在于，用户通过手机APP端和电脑端访问云服务器远程获取数据，并对所述在线监测集成探头进行远程控制。

10.一种应用权利要求1至9所述的在线监测系统进行分散式污水排放源水质在线监测的方法，其特征在于，包括以下步骤：

步骤1、将所述在线监测集成探头置于待监测的水中，获取pH值、水温、ORP、吸光度、浊度、电导率、溶解氧；

步骤2、建立所述COD浓度监测模型和所述NO₃ ^--N浓度监测模型得到COD、NO₃ ^--N；

步骤3、所述PLC控制器接收所述在线监测集成探头输出的数据，并将数据传输到所述工业触摸屏，所述工业触摸屏显示并记录接收数据，并将数据通过485与所述远传模块进行数据交互；

步骤4、所述远传模块将数据发送到云服务器，用户通过手机APP端和电脑端远程获取到数据，并对所述在线监测集成探头进行远程控制。

Images