CN112162017A - 一种水污染超标监测方法、装置、系统 - Google Patents
一种水污染超标监测方法、装置、系统 Download PDFInfo
- Publication number
- CN112162017A CN112162017A CN202011040545.7A CN202011040545A CN112162017A CN 112162017 A CN112162017 A CN 112162017A CN 202011040545 A CN202011040545 A CN 202011040545A CN 112162017 A CN112162017 A CN 112162017A
- Authority
- CN
- China
- Prior art keywords
- conductivity
- water
- standard
- detected
- sample
- 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
- 238000003911 water pollution Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 197
- 238000001514 detection method Methods 0.000 claims abstract description 102
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 45
- 231100000719 pollutant Toxicity 0.000 claims abstract description 45
- 238000003556 assay Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 29
- 238000007689 inspection Methods 0.000 claims description 21
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 19
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 19
- 229910052757 nitrogen Inorganic materials 0.000 claims description 19
- 229910052698 phosphorus Inorganic materials 0.000 claims description 19
- 239000011574 phosphorus Substances 0.000 claims description 19
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000009533 lab test Methods 0.000 claims description 4
- 238000011545 laboratory measurement Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000010865 sewage Substances 0.000 description 11
- 230000002349 favourable effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种水污染超标监测方法,包括获得电导率自动监测仪检测的待测水样的电导率数据;判断电导率数据是否大于预定电导率阈值;其中,预定电导率阈值为预先根据机器学习获得的水污染超标概率和电导率之间的对应关系确定的阈值;若电导率数据大于预定电导率阈值,则确定待测水样存在污染超标风险;将待测水样进行污染物含量化验检测,若待测样本中污染物含量超标,则待测水样污染超标。本申请中预定电导率阈值是基于机器算法获得水污染超标概率和电导率之间的对应关系而确定的,能够在低成本检测的基础上提升检测水污染超标的准确性,有利于对企业的排污监测推广应用。本申请还提供了一种水污染超标检测装置和系统,具有上述有益效果。
Description
技术领域
本发明涉及环境排污监测技术领域,特别是涉及一种水污染超标监测方法、装置、系统。
背景技术
HJ818文件(环境保护标准)规定,排污单位须对氨氮、总磷、总氮中排放量较大的污染物进行监测。目前对污染物进行监测的方式一种是由企业购买价格高昂的氨氮、总磷、总氮自动监测仪,显然这种排污监测的方式成本太高,不利于在各大企业中推广应用。另一种是用低成本的电导率自动监测仪来代替高成本氨氮、总磷和总氮的监测,因为排放水中电导率与氨氮、总磷和总氮三个指标有较大的关系,那么电导率的大小在一定程度上也就能够反映排放水中氨氮、总磷和总氮的含量。
目前运维人员是据经验确定一个电导率阈值,高于该电导率阈值的即被认为存在氨氮、总磷和总氮任意一项指标的超标行为,反之则为正常排污。但是仅仅根据运维人员的经验确定一个电导率阈值,显然是存在很大的误差,导致对排放水中的污染物检测结果不准确。
发明内容
本发明的目的是提供一种水污染超标监测方法、装置以及系统,在不提高监测成本的基础上,提高对水污染超标的检测准确度。
为解决上述技术问题,本发明提供一种水污染超标监测方法,包括:
获得电导率自动监测仪检测的待测水样的电导率数据;
判断所述电导率数据是否大于预定电导率阈值;其中,所述预定电导率阈值为预先根据机器学习获得的水污染超标概率和电导率之间的对应关系确定的阈值;
若所述电导率数据大于所述预定电导率阈值,则确定所述待测水样存在污染超标风险;
将所述待测水样进行污染物含量化验检测,若所述待测样本中污染物含量超标,则所述待测水样污染超标。
在本申请的一种可选地实施例中,根据机器学习获得水污染超标概率的过程包括:
获得所述电导率自动监测仪检测多份水样本的电导率样本数据;
获得多份所述水样本进行实验室测量结果,确定每份所述水样本数据是否超标的超标检测结果数据;
对所述电导率样本数据和所述超标检测结果数据进行逻辑回归运算,获得反应电导率大小和水样本超标概率大小之间对应关系的水污染超标概率模型。
在本申请的一种可选地实施例中,确定所述预定电导率阈值的过程包括:
根据所述水污染超标概率模型,获得不同电导率阈值条件下,多份所述水样本被判断是否超标的超标检出率和送检效率;
其中,所述超标检出率为被判断为超标水样本中实际超标的水样本数量占所有水样本中实际超标的水样本数量的比例;所述送检效率为被判断超标的水样本中实际超标的水样本所占比例;
对各个所述电导率阈值对应的所述超标检出率和所述送检效率进行求和运算,获得求和运算结果;
以最大的求和运算结果对应的电导率阈值作为预定电导率阈值。
在本申请的一种可选地实施例中,以最大的求和运算结果对应的电导率阈值作为预定电导率阈值,包括:
在所述超标检出率不小于预设检出率,所述送检效率不小于预设效率条件下,以所述超标检出率和所述送检效率的求和运算结果最大时,对应的电导率阈值作为所述预定电导率阈值。
在本申请的一种可选地实施例中,确定所述预定电导率阈值的过程包括:
根据所述水污染超标概率模型,获得不同电导率阈值条件下,多份所述水样本被判断是否超标的超标检出率和送检效率;
对各个所述电导率阈值对应的所述超标检出率和所述送检效率进行求和运算,并获得求和运算结果最大时对应的电导率阈值;
以所述电导率阈值为基准对各个所述水样本进行是否超标判断,获得各个样本中,被判为污染超标样本中对应电导率最小值,以及被判为污染不超标样本中对应电导率最大值;
以所述电导率最小值和所述电导率最大值的中间值设定为所述预定电导率阈值。
在本申请的一种可选地实施例中,在将所述待测水样进行污染物化验检测之后,还包括:
获得进行实验室化验检测的历史水样本的化验结果和电导率数据;
以所述历史水样本的化验结果和电导率数据,作为新的样本数据对所述预定电导率阈值进行优化。
在本申请的一种可选地实施例中,在获得电导率自动监测仪检测的待测水样的电导率数据之前,还包括:
若所述待测水样的来源于历史检测过的历史水源,则以上一次检测所述历史水源对应的预定电导率阈值作为当前检测的预定电导率阈值;
若所述待测水样来源于未检测过的新水源,则对所述新水源取多份水样本,并根据机器学习获得多份所述水样本的水污染超标概率和电导率之间的对应关系确定的预定电导率阈值。
在本申请的一种可选地实施例中,将所述待测水样进行污染物含量化验检测,若所述待测样本中污染物含量超标,则所述待测水样污染超标包括:
对所述待测水样进行化验检测,获得所述待测水样中的氨氮含量、总磷含量以及总氮含量;
当所述氨氮含量、所述总磷含量以及所述总氮含量中任意一种含量超标,则所述待测水样污染超标。
本申请还提供了一种水污染超标监测装置,包括:
数据采集模块,用于获得电导率自动监测仪检测的待测水样的电导率数据;
判断模块,用于判断所述电导率数据是否大于预定电导率阈值;其中,所述预定电导率阈值为预先根据机器学习获得的水污染超标概率和电导率之间的对应关系确定的阈值;若所述电导率数据大于所述预定电导率阈值,则确定所述待测水样存在污染超标风险;
化验检测模块,用于将所述待测水样进行污染物含量化验检测,若所述待测样本中污染物含量超标,则所述待测水样污染超标。
本申请还提供了一种水污染超标监测系统,包括电导率自动监测仪、处理器以及污染物化验设备;
所述电导率自动监测仪用于检测的待测水样的电导率数据;
所述污染物化验设备用于当所述待测水样存在污染超标风险时,对所述待测水样进行污染物化验检测,并将检测结果发送止至所述处理器;
所述处理器用于根据所述电导率数据和所述检测结果,执行计算机程序,以实现如上任一项所述的水污染超标监测方法的操作步骤。
本发明所提供的一种水污染超标监测方法,包括获得电导率自动监测仪检测的待测水样的电导率数据;判断电导率数据是否大于预定电导率阈值;其中,预定电导率阈值为预先根据机器学习获得的水污染超标概率和电导率之间的对应关系确定的阈值;若电导率数据大于预定电导率阈值,则确定待测水样存在污染超标风险;将待测水样进行污染物含量化验检测,若待测样本中污染物超标,则待测水样污染超标。
本申请所提供的水污染超标监测方法中用于判断待测水样是否超标的预定电导率阈值是基于机器算法获得水污染超标概率和电导率之间的对应关系而确定的,相对于现有技术中根据人工经验确定的电导率阈值而言,在很大程度上提高了对水污染超标监测的准确性,另外,通过预定电导率阈值仅仅是确定待测水样存在超标风险,并对存在超标风险的待测水样进行进一步的化验检测,以确认是否真的超标,因此,本申请中的检测方法能够在低成本检测的基础上,很大程度上提升检测水污染超标的准确性,有利于进行企业的排污监测推广应用。
本申请还提供了一种水污染超标检测装置和系统,具有上述有益效果。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的附图。
图1为本申请实施例提供的水污染超标监测方法的流程示意图;
图2为本申请实施例提供的确定预定电导率阈值的流程示意图;
图3为本申请另一实施例提供的确定预定电导率阈值的流程示意图;
图4为本发明实施例提供的水污染超标监测装置的结构框图。
具体实施方式
本申请的核心是提供一种检测企业排污水中污染物含量的技术方案,能够在低成本的检测基础上提升污染物检测结果的准确度。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,图1为本申请实施例提供的水污染超标监测方法的流程示意图,该检测方法可以包括:
S11:获得电导率自动监测仪检测的待测水样的电导率数据。
电导率自动监测仪是一种价格相对较低的仪器设备,相对于使用的氨氮、总磷、总氮自动监测仪而言,极大的降低了排污监测的设备成本,有利于在各种企业尤其是中小型企业中推广应用。
S12:判断电导率数据是否大于预定电导率阈值,若是,则进入步骤S13,若否,则确定待测水样为正常排污。
其中,预定电导率阈值为预先根据机器学习获得的水污染超标概率和电导率之间的对应关系确定的阈值。
本实施例所指的水污染超标主要是指水样中总磷、总氮、氨氮等水污染因子的含量超标。可以通过实验室化验检测确定。
那么,在预先确定该预定电导率阈值时,可以对需要长期监测排污状况中的排污水进行采样,获得多份水样本,需要说明的是该水样本的采集应当随机分散在多个时间点进行取样,进而获得取样的准确性。再将该水样本进行电导率测量,并且还对水样本中的实际氨氮、总磷、总氮的含量数据进行检测,基于各份水样本中总磷、总氮、氨氮等水污染因子的含量多少,即可明确确定各份水样是否实际是否污染超标,也就是说每份水样品对应的电导率、以及是否污染超标的情况均可以确定。
根据各份水样品对应的电导率、以及是否污染超标的情况再基于机器学习,即可确定水污染超标概率和电导率之间的对应关系,由此,可以根据该对应关系确定一个合适的预定电导率阈值。
在实际应用中根据各份水样品对应的电导率、以及是否污染超标的情况进行基于机器学习,可以是采用逻辑回归运算,获得水污染超标概率模型,当然,本申请中也并不排除采用其他机器算法确定水污染超标概率和电导率之间的对应关系的实施例。
在获得水污染超标概率模型后,可以根据选定一个超标概率值,例如可以选定当水污染超标概率达到50%,即认为可能存在超标,那么根据该水污染超标概率模型,可以确定当水污染超标概率达到50%时,对应的电导率大小即为预定电导率阈值。
S13:确定待测水样存在污染超标风险。
S14:将待测水样进行污染物含量化验检测,若待测样本中污染物含量超标,则待测水样污染超标。
本申请中在确定通过电导率的判断确定的水污染是否超标的情况,仅仅是作为一种初检结果,一旦认为初检结果认为存在超标风险,则需要将待测样本进行化验检测,进一步更精准的确定待测样本中的污染物含量。具体地,可以将待测水样送至实验室进行化验检测,并采集化验检测的数据,根据化验检测数据中氨氮含量、总磷含量以及总氮含量的多少对待测水样是否超标进行判断,如果三种污染物中任意一种含量超标,则认为该待测水样污染超标,反之,如果三种污染物的含量均未超标,则认为该待测水样为正常排污。
需要说明的是,本申请中之所以没有对待测水样进行直接化验检测,是因为对待测水样进行化验检测的成本高、程序复杂,如果送检样品太多,必然会导致检测效率低,而经过对电导率的检测进行初检筛选,能够在很大程度上减少化验检测的样本水量,在降低检测成本的基础上保证检测结果的准确性。
进一步地,本实施例中污染物主要是氨氮、总磷、总氮等成分。但在实际应用中,不同企业中排污的污染物种类都是不尽相同的,在实际应用中,如果存在除了氨氮、总磷、总氮等成分的污染物也和电导率在相关性,同样可以使用本申请的方案。
综上所述,本申请中在对企业排放的污水进行检测时,先通过待测样本的电导率进行检测,基于预定电导率阈值进行初检,当确定该待测样本的电导率大于预定电导率时,则认为该待测样本存在超标风险;该预定电导率阈值是基于预先通过机器学习确定的电导率和水污染超标概率之间的对应关系获得的,相对于人工经验确定的电导率阈值,更具有准确性,并且在进行初检后,将存在超标风险的待测样本进行化验检测,即避免之间化验检测效率低成本高的问题,有保证了检测结果的准确性,有利于在各大企业中推广应用。
如前所述,本申请中预定电导率阈值是基于机器学习后获得表征电导率和水污染超标概率之间对应关系的水污染超标概率模型而确定的。根据水污染超标概率模型确定预定电导率阈值存在多种方式。
在本申请的一种可选地实施例中,如图2所示,图2为本申请实施例提供的确定预定电导率阈值的流程示意图,该确定预定电导率阈值的过程包括:
S21:对需要排放的污水进行采样,获得多份水样本。
S22:获得电导率自动监测仪检测多份水样本的电导率样本数据。
S23:获得多份水样本进行实验室测量结果,确定每份水样本数据是否超标的超标检测结果数据。
S24:对所有水样本数据的电导率样本数据和超标检测结果数据进行逻辑回归运算,获得反映电导率大小和水样本超标概率大小之间对应关系的水污染超标概率模型。
S25:根据水污染超标概率模型,获得不同电导率阈值条件下,多份水样本被判断是否超标的超标检出率和送检效率。
其中,超标检出率为被判断为超标水样本中实际超标的水样本数量占所有水样本中实际超标的水样本数量的比例;送检效率为被判断超标的水样本中实际超标的水样本所占比例。
需要说明的是,在本实施例中因为所有水样本中实际超标的水样本数量是已知的,而根据该水污染超标概率模型可以设定多个不同的电导率阈值,确定以各个电导率阈值为判断标准时,确定各个水样本被判断超标的数量,由此即可确定各个不同的电导率阈值对应的超标检出率,也即是水样本中超标被检测出的概率;
而送检效率则是指根据电导率被判断超标的水样本中实际超标的水样本所占的比例。
基于上述论述可知,在实际应用中,超标检出率和送检效率是相互受限的,如果要超标检出率达到100%,往往会导致送检效率较低,也即是说被判断超标而进行化验检测的水样本中存在大量实际不超标的样本;反之,如果送检效率达到100%,那么超标检出率也必然相对较低。为此,在确定合适的电导率阈值时,就需要在超标检出率和送检效率之间达到一个平衡。
S26:对各个电导率阈值对应的超标检出率和送检效率进行求和运算,获得求和运算结果。
S27:以最大的求和运算结果对应的电导率阈值作为预定电导率阈值。
本实施例中以超标检出率和送检效率之和最大时对应的电导率阈值作为预定电导率阈值,进而达到超标检出率和送检效率之间的平衡。
考虑到仅仅以超标检出率和送检效率求和最大时对应的电导率为电导率阈值,可能存在超标检出率较大而送检效率过小,或者超标检出率过小而送检效率较大时对应的求和结果最大,显然以此求和结果最大对应的电导率作为预设电导率阈值是不合理的。
因此,在本申请的另一可选地实施例中,可以在确定对各个电导率阈值对应的超标检出率和送检效率的求和运算结果之后,在超标检出率不小于预设检出率,送检效率不小于预设效率条件下,以超标检出率和送检效率的求和运算结果最大时,对应的电导率阈值作为预定电导率阈值。
本实施例中以超标检出率和送检效率作为评估电导率阈值是否合理的标准,确定保证超标检出率和送检效率均相对较高时对应的电导率阈值为判断待测水样是否超标的预定电导率阈值,使得判断待测水样的电导率阈值设置更为合理。
需要说明的是,考虑到采集的水样本数量有限,而在实际应用中,随着对水污染监测的时间增长,被判断为存在超标风险而被进行化验检测的待测样本的数量也会增多,为此,可以将被进行化验检测的待测样本的化验结果和电导率作为新的样本数据,水污染超标概率模型进行优化,进而对预定电导率阈值进行优化,从而更进一步地提高水污染监测精度。
在本申请的另一具体实施例中,如图3所示,图3为本申请另一实施例提供的确定预定电导率阈值的流程示意图,该确定预定电导率阈值的过程包括:
S31:通过采集多份水样本的电导率和污染物含量,确定水污染超标概率模型。
具体地,该过程和上述实施例中的步骤S21至S24的内容近似,在此不重复赘述。
S32:根据水污染超标概率模型,获得不同电导率阈值条件下,多份水样本被判断是否超标的超标检出率和送检效率。
S33:对各个电导率阈值对应的超标检出率和送检效率进行求和运算,并获得求和运算结果最大时对应的电导率阈值。
S34:以电导率阈值为基准对各个水样本进行是否超标判断,获得各个水样本中,被判为污染超标样本中对应电导率最小值,以及被判为污染不超标样本中对应电导率最大值。
具体地,以该电导率阈值作为是否超标的判断基准,则各个水样本中一部分则可以判定为超标水样本,而各个超标水样本中电导率最小的水样本对应的电导率即为电导率最小值;同理水样本的另一部分可以被判定为不超标水样本,各个不超标水样本中电导率最大的水样本对应的电导率即为电导率最大值。
需要说明的是,作为基准的电导率阈值在实际应用中,并不仅限于采用超标检出率和送检效率进行求和运算结果最大时对应的电导率阈值,也可以是用户根据自身经验人为设定,还可以是在超标检出率不小于预设检出率,送检效率不小于预设效率条件下,以超标检出率和送检效率的求和运算结果最大时,对应的电导率阈值作为判断基准,对此本申请中不做具体限制。
S35:以电导率最小值和电导率最大值的中间值设定为预定电导率阈值。
如前所述,随着对水污染监测时间的增长,可以将被判断存在超标风险而被化验检测的待测样本作为新的水样本。本实施例中同样可以将历史累计的被送检的待测样本的电导率和化验结果作为样本数据,对本实施例中电导率最小值和电导率最大值之间的范围逐渐缩小,进而确定出更为精准的预定电导率阈值。
基于上述任意实施例可知,在对某一企业的水污染进行检测之前需要确定好预定电导率数据。但是如前所述,每一企业工厂的排污情况各不相同,污水中污染物的含量分布情况也不尽相同。为了保证每个企业工厂的水污染监测的准确性,在实际应用过程中,可以针对每一企业工厂排出的污水进行取样,确定一个预设电导率阈值,而不针对所有的企业工厂采用统一的预设电导率阈值。具体地,在本申请的另一具体实施中,在对待测水样进行监测之前,还可以包括:
若待测水样的来源于历史检测过的历史水源,则以上一次检测历史水源对应的预定电导率阈值作为当前检测的预定电导率阈值;
若待测水样来源于未检测过的新水源,则对新水源取多份水样本,并根据机器学习获得多份水样本的水污染超标概率和电导率之间的对应关系确定的预定电导率阈值。
具体地,本实施例中的历史水源是指进行过污水监测的企业或工厂排出的污水水源,而新水源则是指第一次进行污水监测的企业或工厂排除的污水水源。
下面对本发明实施例提供的水污染超标监测装置进行介绍,下文描述的水污染超标监测装置与上文描述的水污染超标监测方法可相互对应参照。
图4为本发明实施例提供的水污染超标监测装置的结构框图,参照图4的水污染超标监测装置可以包括:
数据采集模块100,用于获得电导率自动监测仪检测的待测水样的电导率数据;
判断模块200,用于判断所述电导率数据是否大于预定电导率阈值;其中,所述预定电导率阈值为预先根据机器学习获得的水污染超标概率和电导率之间的对应关系确定的阈值;若所述电导率数据大于所述预定电导率阈值,则确定所述待测水样存在污染超标风险;
化验检测模块300,用于将所述待测水样进行污染物含量化验检测,若所述待测样本中污染物超标,则所述待测水样污染超标。
可选地,在本申请的另一具体实施例中,还可以进一步地包括:
确定阈值模块,用于获得所述电导率自动监测仪检测多份水样本的电导率样本数据;获得多份所述水样本进行实验室测量结果,确定每份所述水样本数据是否超标的超标检测结果数据;对所述电导率样本数据和所述超标检测结果数据进行逻辑回归运算,获得反应电导率大小和水样本超标概率大小之间对应关系的水污染超标概率模型。
可选地,在本申请的另一具体实施例中,确定阈值模块还可以用于:根据所述水污染超标概率模型,获得不同电导率阈值条件下,多份所述水样本被判断是否超标的超标检出率和送检效率;其中,所述超标检出率为被判断为超标水样本中实际超标的水样本数量占所有水样本中实际超标的水样本数量的比例;所述送检效率为被判断超标的水样本中实际超标的水样本所占比例;对各个所述电导率阈值对应的所述超标检出率和所述送检效率进行求和运算,获得求和运算结果;以最大的求和运算结果对应的电导率阈值作为预定电导率阈值。
可选地,在本申请的另一具体实施例中,确定阈值模块还可以用于:在所述超标检出率不小于预设检出率,所述送检效率不小于预设效率条件下,以所述超标检出率和所述送检效率的求和运算结果最大时,对应的电导率阈值作为所述预定电导率阈值。
可选地,在本申请的另一具体实施例中,确定阈值模块还可以用于:根据所述水污染超标概率模型,获得不同电导率阈值条件下,多份所述水样本被判断是否超标的超标检出率和送检效率;对各个所述电导率阈值对应的所述超标检出率和所述送检效率进行求和运算,并获得求和运算结果最大时对应的电导率阈值;以所述电导率阈值为基准对各个所述水样本进行是否超标判断,获得各个样本中,被判为污染超标样本中对应电导率最小值,以及被判为污染不超标样本中对应电导率最大值;以所述电导率最小值和所述电导率最大值的中间值设定为所述预定电导率阈值。
可选地,在本申请的另一具体实施例中,确定阈值模块还可以进一步地用于在将所述待测水样进行污染物化验检测之后,获得进行实验室化验检测的历史水样本的化验结果和电导率数据;以所述历史水样本的化验结果和电导率数据,作为新的样本数据对所述预定电导率阈值进行优化。
可选地,在本申请的另一具体实施例中,确定阈值模块还可以进一步地用于在获得电导率自动监测仪检测的待测水样的电导率数据之前,若所述待测水样的来源于历史检测过的历史水源,则以上一次检测所述历史水源对应的预定电导率阈值作为当前检测的预定电导率阈值;若所述待测水样来源于未检测过的新水源,则对所述新水源取多份水样本,并根据机器学习获得多份所述水样本的水污染超标概率和电导率之间的对应关系确定的预定电导率阈值。
可选地,在本申请的另一具体实施例中,化验检测模块300具体用于对所述待测水样进行化验检测,获得所述待测水样中的氨氮含量、总磷含量以及总氮含量;当所述氨氮含量、所述总磷含量以及所述总氮含量中任意一种含量超标,则所述待测水样污染超标。
本实施例的水污染超标监测装置用于实现前述的水污染超标监测方法,因此水污染超标监测装置中的具体实施方式可见前文中的水污染超标监测方法的实施例部分,在此不再赘述。
本申请还提供了一种水污染超标监测系统,包括电导率自动监测仪、处理器以及污染物化验设备;
所述电导率自动监测仪用于检测的待测水样的电导率数据;
所述污染物化验设备用于当所述待测水样存在污染超标风险时,对所述待测水样进行污染物化验检测,并将检测结果发送止至所述处理器;
所述处理器用于根据所述电导率数据和所述检测结果,执行计算机程序,以实现如上任意实施例中所述的水污染超标监测方法的操作步骤。
本实施例中所提供的水污染超标监测系统,能够合理的设定判断水污染是否超标的预定电导率阈值,并且在基于电导率判断超标的待测样本还进行化验检测,在很大程度上提升水污染监测的准确率,并且降低水污染监测的成本,有利于在各种企业中推广应用。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
Claims (10)
1.一种水污染超标监测方法,其特征在于,包括:
获得电导率自动监测仪检测的待测水样的电导率数据;
判断所述电导率数据是否大于预定电导率阈值;其中,所述预定电导率阈值为预先根据机器学习获得的水污染超标概率和电导率之间的对应关系确定的阈值;
若所述电导率数据大于所述预定电导率阈值,则确定所述待测水样存在污染超标风险;
将所述待测水样进行污染物含量化验检测,若所述待测样本中污染物含量超标,则所述待测水样污染超标。
2.如权利要求1所述的水污染超标监测方法,其特征在于,获得的水污染超标概率和电导率之间的对应关系的过程包括:
获得所述电导率自动监测仪检测的多份水样本的电导率样本数据;
获得多份所述水样本进行实验室测量的结果,确定每份所述水样本数据是否超标的超标检测结果数据;
对所述电导率样本数据和所述超标检测结果数据进行逻辑回归运算,获得电导率大小和水样本超标概率大小之间对应关系的水污染超标概率模型。
3.如权利要求2所述的水污染超标监测方法,其特征在于,确定所述预定电导率阈值的过程包括:
根据所述水污染超标概率模型,获得不同电导率阈值条件下,多份所述水样本被判断是否超标的超标检出率和送检效率;
其中,所述超标检出率为被判断为超标水样本中实际超标的水样本数量占所有水样本中实际超标的水样本数量的比例;所述送检效率为被判断超标的水样本中实际超标的水样本所占比例;
对各个所述电导率阈值对应的所述超标检出率和所述送检效率进行求和运算,获得求和运算结果;
以最大的求和运算结果对应的电导率阈值作为所述预定电导率阈值。
4.如权利要求3所述的水污染超标监测方法,其特征在于,以最大的求和运算结果对应的电导率阈值作为预定电导率阈值,包括:
在所述超标检出率不小于预设检出率,所述送检效率不小于预设效率条件下,以所述超标检出率和所述送检效率的求和运算结果最大时,对应的电导率阈值作为所述预定电导率阈值。
5.如权利要求2所述的水污染超标监测方法,其特征在于,确定所述预定电导率阈值的过程包括:
根据所述水污染超标概率模型,获得不同电导率阈值条件下,多份所述水样本被判断是否超标的超标检出率和送检效率;
对各个所述电导率阈值对应的所述超标检出率和所述送检效率进行求和运算,并获得求和运算结果最大时对应的电导率阈值;
以所述电导率阈值为基准对各个所述水样本进行是否超标判断,获得各个样本中,被判为污染超标样本中对应电导率最小值,以及被判为污染不超标样本中对应电导率最大值;
以所述电导率最小值和所述电导率最大值的中间值设定为所述预定电导率阈值。
6.如权利要求1至5任一项所述的水污染超标监测方法,其特征在于,在将所述待测水样进行污染物化验检测之后,还包括:
获得进行实验室化验检测的历史水样本的化验结果和电导率数据;
以所述历史水样本的化验结果和电导率数据,作为新的样本数据对所述预定电导率阈值进行优化。
7.如权利要求6所述的水污染超标监测方法,其特征在于,在获得电导率自动监测仪检测的待测水样的电导率数据之前,还包括:
若所述待测水样的来源于历史检测过的历史水源,则以上一次检测所述历史水源对应的预定电导率阈值作为当前检测的预定电导率阈值;
若所述待测水样来源于未检测过的新水源,则对所述新水源取多份水样本,并根据机器学习获得多份所述水样本的水污染超标概率和电导率之间的对应关系确定的预定电导率阈值。
8.如权利要求1所述的水污染超标监测方法,其特征在于,将所述待测水样进行污染物含量化验检测,若所述待测样本中污染物含量超标,则所述待测水样污染超标包括:
对所述待测水样进行化验检测,获得所述待测水样中的氨氮含量、总磷含量以及总氮含量;
当所述氨氮含量、所述总磷含量以及所述总氮含量中任意一种含量超标,则所述待测水样污染超标。
9.一种水污染超标监测装置,其特征在于,包括:
数据采集模块,用于获得电导率自动监测仪检测的待测水样的电导率数据;
判断模块,用于判断所述电导率数据是否大于预定电导率阈值;其中,所述预定电导率阈值为预先根据机器学习获得的水污染超标概率和电导率之间的对应关系确定的阈值;若所述电导率数据大于所述预定电导率阈值,则确定所述待测水样存在污染超标风险;
化验检测模块,用于将所述待测水样进行污染物含量化验检测,若所述待测样本中污染物含量超标,则所述待测水样污染超标。
10.一种水污染超标监测系统,其特征在于,包括电导率自动监测仪、处理器以及污染物化验设备;
所述电导率自动监测仪用于检测的待测水样的电导率数据;
所述污染物化验设备用于当所述待测水样存在污染超标风险时,对所述待测水样进行污染物化验检测,并将检测结果发送至所述处理器;
所述处理器用于根据所述电导率数据和所述检测结果,执行计算机程序,以实现如权利要求1至8任一项所述的水污染超标监测方法的操作步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011040545.7A CN112162017A (zh) | 2020-09-28 | 2020-09-28 | 一种水污染超标监测方法、装置、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011040545.7A CN112162017A (zh) | 2020-09-28 | 2020-09-28 | 一种水污染超标监测方法、装置、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112162017A true CN112162017A (zh) | 2021-01-01 |
Family
ID=73861313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011040545.7A Pending CN112162017A (zh) | 2020-09-28 | 2020-09-28 | 一种水污染超标监测方法、装置、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112162017A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848237A (zh) * | 2021-09-18 | 2021-12-28 | 上海电气数智生态科技有限公司 | 一种基于cod软测量的污水水质监控方法 |
CN114062442A (zh) * | 2021-08-13 | 2022-02-18 | 浙江工业大学 | 一种自动寻污采样水质监测方法及监测船 |
CN115128229A (zh) * | 2022-06-01 | 2022-09-30 | 福建健水工程有限公司 | 基于大数据的水环境治理污染源检测管理系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2241981C1 (ru) * | 2003-11-27 | 2004-12-10 | Закрытое акционерное общество "Гранит-7" | Способ обнаружения подвижного источника экологического загрязнения водной среды |
GB0621984D0 (en) * | 2006-11-04 | 2006-12-13 | Cybersense Biosystems Ltd | Method of determining whether land is contaminated |
US20170277866A1 (en) * | 2016-03-14 | 2017-09-28 | Juan Ibañez Botella | Method for processing of physicochemical data in order to determine legionella in water samples from a plant and execution of this method using a software application |
CN208270472U (zh) * | 2018-06-27 | 2018-12-21 | 黄思源 | 区域性水质物联网在线监测系统 |
CN109534501A (zh) * | 2018-12-03 | 2019-03-29 | 浙江清华长三角研究院 | 一种农村生活污水处理设施的监管方法 |
CN209148373U (zh) * | 2018-12-03 | 2019-07-23 | 南宁市第二人民医院 | 一种小便标本留取器 |
CN110146122A (zh) * | 2019-06-06 | 2019-08-20 | 浙江清华长三角研究院 | 一种农村生活污水处理设施运行有效性的预测方法 |
CN111077277A (zh) * | 2019-12-25 | 2020-04-28 | 中国环境科学研究院 | 一种水污染在线监测方法及水污染在线监测系统 |
CN111122665A (zh) * | 2019-12-27 | 2020-05-08 | 江苏蓝创智能科技股份有限公司 | 一种用电导率进行工业企业废水水质监测的方法 |
CN210895538U (zh) * | 2019-12-26 | 2020-06-30 | 南方科技大学 | 水质智能监管装置和设备 |
CN111458471A (zh) * | 2019-12-19 | 2020-07-28 | 中国科学院合肥物质科学研究院 | 一种基于图神经网络的水域检测预警方法 |
-
2020
- 2020-09-28 CN CN202011040545.7A patent/CN112162017A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2241981C1 (ru) * | 2003-11-27 | 2004-12-10 | Закрытое акционерное общество "Гранит-7" | Способ обнаружения подвижного источника экологического загрязнения водной среды |
GB0621984D0 (en) * | 2006-11-04 | 2006-12-13 | Cybersense Biosystems Ltd | Method of determining whether land is contaminated |
US20170277866A1 (en) * | 2016-03-14 | 2017-09-28 | Juan Ibañez Botella | Method for processing of physicochemical data in order to determine legionella in water samples from a plant and execution of this method using a software application |
CN208270472U (zh) * | 2018-06-27 | 2018-12-21 | 黄思源 | 区域性水质物联网在线监测系统 |
CN109534501A (zh) * | 2018-12-03 | 2019-03-29 | 浙江清华长三角研究院 | 一种农村生活污水处理设施的监管方法 |
CN209148373U (zh) * | 2018-12-03 | 2019-07-23 | 南宁市第二人民医院 | 一种小便标本留取器 |
CN110146122A (zh) * | 2019-06-06 | 2019-08-20 | 浙江清华长三角研究院 | 一种农村生活污水处理设施运行有效性的预测方法 |
CN111458471A (zh) * | 2019-12-19 | 2020-07-28 | 中国科学院合肥物质科学研究院 | 一种基于图神经网络的水域检测预警方法 |
CN111077277A (zh) * | 2019-12-25 | 2020-04-28 | 中国环境科学研究院 | 一种水污染在线监测方法及水污染在线监测系统 |
CN210895538U (zh) * | 2019-12-26 | 2020-06-30 | 南方科技大学 | 水质智能监管装置和设备 |
CN111122665A (zh) * | 2019-12-27 | 2020-05-08 | 江苏蓝创智能科技股份有限公司 | 一种用电导率进行工业企业废水水质监测的方法 |
Non-Patent Citations (2)
Title |
---|
王晓萍;孙继洋;金鑫;: "基于BP神经网络的钱塘江水质指标的预测", 浙江大学学报(工学版), no. 02, pages 361 - 364 * |
顾杰;王嘉;邓俊晖;王荣昌;: "基于ARIMA模型与BP神经网络算法的水质预测", 净水技术, no. 06, pages 73 - 82 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114062442A (zh) * | 2021-08-13 | 2022-02-18 | 浙江工业大学 | 一种自动寻污采样水质监测方法及监测船 |
CN114062442B (zh) * | 2021-08-13 | 2024-04-26 | 浙江工业大学 | 一种自动寻污采样水质监测方法及监测船 |
CN113848237A (zh) * | 2021-09-18 | 2021-12-28 | 上海电气数智生态科技有限公司 | 一种基于cod软测量的污水水质监控方法 |
CN115128229A (zh) * | 2022-06-01 | 2022-09-30 | 福建健水工程有限公司 | 基于大数据的水环境治理污染源检测管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112162017A (zh) | 一种水污染超标监测方法、装置、系统 | |
CN110319982B (zh) | 基于机器学习的埋地式燃气管线泄漏判断方法 | |
CN110727662A (zh) | 基于相关性分析的低压台区用户相位识别方法和系统 | |
CN103698489B (zh) | 测试数据的验证方法及装置 | |
CN102880545A (zh) | 一种测试用例优先级排序动态调整方法 | |
CN103728891A (zh) | 水质在线监测数据的控制方法及装置 | |
CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
CN117134503B (zh) | 一种大型电力供电装置的状态监测方法及系统 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN113739837A (zh) | 一种标准仪器的状态预测处理系统 | |
CN113064835A (zh) | 一种计算机软件测试系统 | |
US20220316994A1 (en) | A method for predicting operation effectiveness of decentralized sewage treatment facility by using support vector machine | |
CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
CN115951185A (zh) | 绝缘子闪络检测方法、装置、电子设备及存储介质 | |
CN105954480A (zh) | 一种水质浊度监测方法 | |
CN117273551B (zh) | 一种改性沥青智能生产管理方法、系统及存储介质 | |
CN117591978A (zh) | 一种环境污染检测方法、系统、设备及存储介质 | |
CN113447875A (zh) | 一种拆回智能电能表剩余寿命评估方法及系统 | |
CN116881747A (zh) | 基于医疗废水监测的智能处理方法及系统 | |
CN111858140A (zh) | 污染物监控数据的校验方法、装置、服务器和介质 | |
CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
CN116679139A (zh) | 电缆更换监测系统及方法 | |
CN114740419A (zh) | 基于“三维图”分析台区电表误差的方法、装置、设备和介质 | |
CN114186586A (zh) | 基于二维卷积神经网络的损伤识别方法及设备 | |
CN114186624A (zh) | 基于二维卷积神经网络的损伤识别模型建立方法及设备 |
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 |