CN113240006A - 废水排放的监测方法、装置、电子设备及存储介质 - Google Patents

废水排放的监测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113240006A
CN113240006A CN202110519149.0A CN202110519149A CN113240006A CN 113240006 A CN113240006 A CN 113240006A CN 202110519149 A CN202110519149 A CN 202110519149A CN 113240006 A CN113240006 A CN 113240006A
Authority
CN
China
Prior art keywords
sample
quality index
water quality
water
wastewater
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
Application number
CN202110519149.0A
Other languages
English (en)
Inventor
刘艳臣
鲁征圣
唐颖栋
杨浩铭
包晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
PowerChina Huadong Engineering Corp Ltd
Original Assignee
Tsinghua University
PowerChina Huadong Engineering Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University, PowerChina Huadong Engineering Corp Ltd filed Critical Tsinghua University
Priority to CN202110519149.0A priority Critical patent/CN113240006A/zh
Publication of CN113240006A publication Critical patent/CN113240006A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02A20/152—Water filtration

Abstract

本发明提供的废水排放的监测方法、装置、电子设备及存储介质，通过获取第一时刻的目标水样的光谱；基于光谱‑水质指标模型，确定所述目标水样在第一时刻的水质指标数据；判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；若所述第一变化量大于或等于所述预设值，确认存在废水排放；实现了通过实时获取水样的光谱，确定水样的水质指标数据，能够实时监测是否存在废水的排放；当检测到废水排放时，根据光谱信息，对废水进行及时溯源，有效提升了对废水排放的监测效率，以及提高对排水系统的管理水平。

Description

废水排放的监测方法、装置、电子设备及存储介质
技术领域
本发明涉及环境保护和环境管理技术领域，尤其涉及一种废水排放的监测方法、装置、电子设备及存储介质。
背景技术
水资源是现代城市发展的重要资源之一，由于水资源污染造成的水质性缺水极大限地制了我国部分城市的发展。废水是水资源污染物的重要来源之一，其中工业废水种类繁多、成分复杂且大多含有毒有害物质，对城市环境及居民生活健康有极大危害。随着科学技术的进步、法律法规的完善，很多城市已经建立了成体系的排水系统监测网络和管理条例，尤其对工业企业排污的管控力度不断加大。
目前，随着工业的发展，工业废水中含有更多复杂成分，常规的水质指标检测无法对复杂成分进行准确的描述，况且排水管道一般都深埋于地下且多数设于道路之下，造成难以对排水管网实施大范围的监测措施，只能在部分节点设置监控设备对管网进行监测并对管网整体运行情况进行推测；即使在监测到存在工业废水排放时，还需要通过繁琐的水质检测和匹配过程才能确定工业废水的来源。
由此可见，现有的废水的排放监测方法中，存在着不能根据废水中的复杂成分对废水排放进行准确监测，无法对废水的排放进行实时监测的问题。
发明内容
本发明提供一种废水排放的监测方法、装置、电子设备及存储介质，用以解决现有技术中存在着不能根据废水中的复杂成分对废水排放进行准确监测，无法对废水的排放进行实时监测的缺陷，实现通过实时获取水样的光谱，确定水样的水质指标数据，能够实时监测是否存在废水的排放；当检测到废水排放时，根据光谱信息，对废水进行及时溯源，有效提升了对废水排放的监测效率，以及对排水系统的管理水平。
本发明提供一种废水排放的监测方法，包括：
获取第一时刻的目标水样的光谱；
通过光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；所述光谱-水质指标模型是基于样本水样的光谱以及所述样本水样对应的水质指标数据训练得到的；
判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；其中，所述第二时刻在所述第一时刻之前；
若所述第一变化量大于或等于所述预设值，确认存在废水排放。
根据本发明提供一种的废水排放的监测方法，在所述确认存在废水排放之后，还包括：
获取所述第一时刻的目标水样的水质指标数据在所述光谱-水质指标模型中的向量点；
确定所述向量点与废水样本集合中任一废水样本的样本向量点的距离；其中，所述废水样本集合中包括任一来源的废水的样本向量点；
对所述向量点与任一样本向量点的距离由小到大进行排序，获取排序在前的预设数量的样本向量点；
通过判断所述预设数量的样本向量点的来源，确定所述目标水样的来源。
根据本发明提供的一种废水排放的监测方法，在所述通过光谱-水质指标模型，确定所述目标水样的水质指标数据之前，还包括：
获取至少一组样本水样的光谱及水质指标数据；
通过人工神经网络模型，基于样本水样的光谱以及所述样本水样对应的水质指标数据，训练得到所述光谱-水质指标模型。
根据本发明提供的一种废水排放的监测方法，所述基于样本水样的光谱以及所述样本水样对应的水质指标数据，训练得到所述光谱-水质指标模型，包括：
将所述样本水样划分为第一水样组、第二水样组；
通过所述第一水样组，确定所述光谱-水质指标模型中的任一参数值；
通过所述第二水样组，对所述光谱-水质指标模型中的任一参数值进行校准。
根据本发明提供的一种废水排放的监测方法，所述若所述第一变化量大于或等于所述预设值，确认存在废水排放，包括：
若所述第一变化量大于或等于所述预设值，经过预设时间段后，获取第三时刻的目标水样；其中，所述预设时间段的长度大于所述第一时刻与第二时刻之间的间隔长度；
判断所述第三时刻的目标水样的水质指标数据相对于第四时刻的水质指标数据的第二变化量是否小于所述预设值；其中，所述第四时刻在所述第三时刻之前，且所述第一时刻在所述第四时刻之前；
若所述第二变化量大于或等于所述预设值，确定存在废水排放。
根据本发明提供的一种废水排放的监测方法，在所述确定所述向量点与废水样本集合中任一废水样本的样本向量点的距离之前，还包括：
获取所述废水所在的任一来源地的废水水样；
将所述废水水样与生活污水按照不同比例混合，得到至少一组废水样本；
获取所述废水样本的光谱，确定所述任一废水样本的样本向量点，生成废水样本集合。
根据本发明提供的一种废水排放的监测方法，还包括：
通过废水排放预测模型，获取所述第一时刻的预测水质指标数据；所述废水排放预测模型是通过NARX网络、基于样本水样的水质指标数据以及所述样本水样的水质指标数据的预测结果训练得到的；
判断所述水质指标数据与所述预测水质指标数据的误差是否大于预设误差；
若所述误差大于所述预设误差，确认存在废水排放。
本发明还提供一种废水排放的监测装置，包括：
获取单元，用于获取第一时刻的目标水样的光谱；
数据确定单元，用于通过光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；所述光谱-水质指标模型是基于样本水样的光谱以及所述样本水样对应的水质指标数据训练得到的；
判断单元，用于判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；其中，所述第二时刻在所述第一时刻之前；
确认单元，用于若所述第一变化量大于或等于所述预设值，确认存在废水排放。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述废水排放的监测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述废水排放的监测方法的步骤。
本发明提供的废水排放的监测方法、装置、电子设备及存储介质，通过获取第一时刻的目标水样的光谱；基于光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；若所述第一变化量大于或等于所述预设值，确认存在废水排放；实现了通过实时获取水样的光谱，确定水样的水质指标数据，能够实时监测是否存在废水的排放，有效提升了对废水排放的监测效率，以及提高对排水系统的管理水平。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明实施例提供的废水排放的监测方法的流程示意图；
图2是本发明另一实施例提供的经过PCA处理后的UV-Vis光谱数据最主要两个成分的光谱示意图；
图3是本发明另一实施例提供的通过废水排放预测模型对废水排放进行监测的流程示意图；
图4是本发明另一实施例提供的NARX神经网络的流程示意图；
图5是本发明另一实施例提供的废水排放的监测装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
下面结合图1-图4描述本发明提供的废水排放的监测方法。
本发明实施例中，以通过紫外-可见分光光度计(UV-Vis光度计)获取水样的紫外-可见光吸收光谱为例，对该废水排放的检测方法进行说明。
具体的，本发明实施例中所述的水质指标包括：化学需氧量浓度(COD浓度)、硝氮(NO3 --N)浓度、浊度、电导率值、氧化还原点位(ORP)值、温度、pH值以及液位。通过水样的紫外-可见光吸收光谱，获取到的水质指标数据主要包括COD浓度、NO3 --N浓度、浊度值三种。本发明实施例中的废水可以为工业废水，或其他需要检测的废水，本实施例以工业废水为例对该废水排放的检测方法进行说明。
图1为本发明实施例提供的废水排放的检测方法的流程示意图。
参见图1，该废水排放的检测方法包括：
步骤101：获取第一时刻的目标水样的光谱。
紫外-可见光吸收光谱覆盖了大部分金属离子、非金属离子以及有机污染物等光谱范围，不仅能反映污水常规指标，也能有效的应用于工业废水的检测。
具体的，获取第一时刻的目标水样的光谱，即可以是获取当前时刻的排水管道中的水样，通过UV-Vis光度计，获取到水样的紫外-可见光吸收光谱。
步骤102：通过光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；所述光谱-水质指标模型是基于样本水样的光谱以及所述样本水样对应的水质指标数据训练得到的。
在获取到目标水样的光谱之后，通过光谱-水质指标模型，可以得到目标水样在第一时刻的水质指标数据。
其中，光谱-水质指标模型是基于样本水样的光谱以及所述样本水样对应的水质指标数据训练得到的，即获取一段时间内的多个样本水样，通过UV-Vis光度计得到各组样本水样的紫外-可见光吸收光谱，再通过检测获取到各组样本水样的水质指标数据，通过已知的各组样本水样的光谱和水质指标数据，建立光谱-水质指标模型；由此，在获取到一个水样的光谱之后，可以通过该模型获取到该水样的水质指标数据。
步骤103：判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；其中，所述第二时刻在所述第一时刻之前。
在得到目标水样在第一时刻的水质指标数据之后，为了判断第一时刻时是否存在工业废水的排放，将第一时刻的水质指标数据与前一时刻得到的水质指标数据进行比较，获取第一时刻的水质指标数据与第二时刻得到的水质指标数据的变化量，并将该变化量与预设值进行比较，从而判断在第二时刻到第一时刻的时间内，水质指标数据是否发生了突变。
具体的，第一时刻与第二时刻之间的时间间隔的长短可以由人为设定；预设值也可以由人为设定，本实施例对此不作具体限制。
步骤104：若所述第一变化量大于或等于所述预设值，确认存在废水排放。
当第一变化量大于或等于预设值时，可以确定当前时刻存在着废水的排放。
具体的，判断工业企业是否排出废水方法如下：
判断各污水的水质指标是否发生突变，可以表示如下：
Figure BDA0003063237710000071
其中，in(t)为第一时刻的任一水质指标数据，in(t-1)为第二时刻的任一水质指标数据，5％为预设值；当第一变化量大于或等于5％时，得到的结果为1，即污水的水质指标发生了突变；当第一变化量小于5％时，得到的结果为0，即污水的水质指标未发生突变。
本发明提供的废水排放的监测方法，通过获取第一时刻的目标水样的光谱；基于光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；若所述第一变化量大于或等于所述预设值，确认存在废水排放；实现了通过实时获取水样的光谱，确定水样的水质指标数据，能够实时监测是否存在废水的排放，有效提升了对废水排放的监测效率，以及提高对排水系统的管理水平。
进一步地，在上述实施例的基础上，根据本发明提供一种的废水排放的监测方法，在所述确认存在废水排放之后，还包括：
获取所述第一时刻的目标水样的水质指标数据在所述光谱-水质指标模型中的向量点；
确定所述向量点与废水样本集合中任一废水样本的样本向量点的距离；其中，所述废水样本集合中包括任一来源的废水的样本向量点；
对所述向量点与任一样本向量点的距离由小到大进行排序，获取排序在前的预设数量的样本向量点；
通过判断所述预设数量的样本向量点的来源，确定所述目标水样的来源。
在确定了当前时刻存在废水排放之后，需要对排放的废水进行溯源。
具体的，在对工业废水进行溯源之前，需要建立废水样本集合；其中，首先获取管网中正常的生活污水以及各个工业企业排放的工业废水的废水水样，再获取各个废水水样的紫外-可见光吸收光谱和水质指标数据，并将各光谱和水质指标数据以向量形式，建议一个数据集，即作为废水样本集合。
本发明实施例中，通过非线性的人工神经网络(Artificial Neural Network，即ANN)模型，建立光谱-水质指标模型。其中，目标水样的紫外-可见光吸收光谱以向量形式在模型中存在，得到的水质指标数据同样以向量形式在模型中存在。
获取到目标水样的水质指标数据在模型中的向量点，通过计算，获取到目标水样的水质指标数据的向量点与废水样本集合中各个向量点的距离，将各个距离按照由小到大进行排序，获取排列在前的预设数量的废水样本向量点。距离较近，即代表目标水样与废水样本的来源较为接近，因此通过判断多个排列在前的废水样本向量点的来源，若多个距离较近的废水样本都来源于同一个工业企业，则可以确定该目标水样也来自于该工业企业，从而完成对目标水样的溯源过程。
具体的，可以采用近邻算法(K-Nearest Neighbor，即KNN)进行废水溯源，方法如下：
S1：采集管网污水和各个工业企业的多个生产废水水样，获取其紫外-可见光吸光度光谱并建立一个数据集，并根据主成分分析法(Principal Component Analysis，即PCA)所得主要的p个波长对数据集进行简化作为训练集Aλ tr’，每一个水样为训练集Aλ tr’中的一点，其中同一来源的点归为同一类；
S2：对于采集的样本aλ’，计算样本点aλ’与训练集Aλ tr’中各个点的欧氏距离，公式如下：
Figure BDA0003063237710000091
其中，aλm’为采集得到的任一样本的样本点，aλm tr’为训练集Aλ tr’中的任一点；
S3：将样本点aλ’与训练集Aλ tr’中各个点的欧氏距离从小到大进行排序，获取训练集Aλ tr’中排名前K项的点(即最近邻的K个点)，以及其所代表的类；
S4：若K个最邻近点中，某个类出现的次数最多，即可将样本点aλ’归入该类当中。
其中，步骤S1中通过PCA得到主要的p个波长的过程如下：
S11：每一个波长的吸光度值都减去各自的波长平均值；
S12：计算协方差矩阵；
S13：用特征值分解方法求协方差矩阵的特征值与特征向量；
S14：对特征值从大到小排序，选择其中最大的p个，然后将其对应的p个特征向量分别作为行向量组成特征向量矩阵；
S15：将数据转换到p个特征向量构建的新空间中，即新的矩阵。
图2为本发明实施例提供的经过PCA处理后的UV-Vis光谱数据最主要两个成分的光谱示意图。参见图2，具体的，PCA过程中，通过PCA对实时UV-Vis光谱和特征库的数据进行处理，提取出主要成分，降低KNN的计算量，只取2位最主要成分(占比分别为91.1％，7.98％)；采用KNN对经过PCA处理后的光谱数据进行比较，取K＝5，判断实时UV-Vis光谱数据与哪一个污水处理厂或工业企业的特征UV-Vis光谱最接近，由此判断工业废水来源。
本实施例中，在确定目标样本的水质指标数据后，通过废水样本集合确定距离较近的废水样本的样本向量点，从而确定目标样本的来源；可以在废水排放后，及时确定出废水的来源并进行管控，可以有效提升对废水排放的监测效率，以及对排水系统的管理水平。
进一步地，在上述实施例的基础上，根据本发明提供的一种废水排放的监测方法，在所述通过光谱-水质指标模型，确定所述目标水样的水质指标数据之前，还包括：
获取至少一组样本水样的光谱及水质指标数据；
通过人工神经网络模型，基于样本水样的光谱以及所述样本水样对应的水质指标数据，训练得到所述光谱-水质指标模型。
在训练光谱-水质指标模型时，可以先获取一段时间内以一定频率收集的废水样本水样的光谱和水质指标数据，再通过这些废水样本水样的光谱和水质指标数据对光谱-水质指标模型进行训练。
具体的，通过人工神经网络模型(即ANN)，建立反映污水紫外-可见光吸收光谱与所需污水水质指标值之间关系的数学模型，这样能够更准确地反映成分复杂的污水水质指标值，可以表示如下：
(i1,i2,…,in)＝f(aλ1,aλ2,…aλm；w1,w2,…,wi；b1,b2,…,bj)
其中，aλ为污水水样的紫外-可见光吸收光谱的向量，i为水质指标数据的向量，可表示如下：
aλ＝(aλ1,aλ2,…aλm)T
i＝(i1,i2,…,in)T
上式中，水质指标包括：COD、硝氮(NO3 --N)、浊度共3项指标；紫外-可见光吸收光谱的波长λ范围确定为220～740nm。
其中，w，b表示ANN数学模型中各参数的向量，其中，w可以表示ANN模型中的法向量，b可以表示ANN模型中的截距，具体的，可以表示如下：
w＝(w1,w2,…wi)T
b＝(b1,b2,…,bj)T
由此，即完成了光谱-水质指标模型的初步建立，可以根据目标水样的光谱，确定出目标水样的水质指标数据。
本实施例中，通过人工神经网络模型，建立光谱-水质指标模型，通过获取到水样的光谱，就可以准确地确定出水样的水质指标数据，进一步加快了水样的水质指标数据的检测过程，提高了水样检测的准确性，从而实现对排水系统中污水的实时监测。
进一步地，在上述实施例的基础上，根据本发明提供的一种废水排放的监测方法，所述基于样本水样的光谱以及所述样本水样对应的水质指标数据，训练得到所述光谱-水质指标模型，包括：
将所述样本水样划分为第一水样组、第二水样组；
通过所述第一水样组，确定所述光谱-水质指标模型中的任一参数值；
通过所述第二水样组，对所述光谱-水质指标模型中的任一参数值进行校准。
在上述训练光谱-水质指标模型的过程中，需要先获取一段时间内以一定频率收集的废水样本水样的光谱和水质指标数据，再通过这些废水样本水样的光谱和水质指标数据对光谱-水质指标模型进行训练。
进一步地，将获取到的样本水样分为两组，一组用于确定光谱-水质指标模型中的参数w和b的参数值；确定了w和b的具体值之后，通过另一组水样的光谱和水质指标数据，对得到的w和b的具体值进行验证，从而使得得到的光谱-水质指标模型更加精确。
具体的，对管网水质监测点污水进行采样，测量污水的各项水质指标以及污水的吸收光谱，并按照70％和30％的比例，将所有数据划分为训练组(即第一水样组)和测试组(即第二水样组)。其中，训练组水质指标矩阵Itr和吸收光谱矩阵Aλ tr，可以表示如下：
Figure BDA0003063237710000121
Itr＝[i1,i2,…il]
同时建立训练使用的损失函数，损失函数采用平方损失函数，可以表示如下：
Figure BDA0003063237710000122
根据训练组水质指标矩阵Itr和吸收光谱矩阵Aλ tr求得使损失函数小于设定值的参数向量w与b的估计值w′与b′，此时模型可以表示如下：
(i1,i2,…,in)＝f(aλ1,aλ2,…aλm；w1′,w2′,…,wi′；b1′,b2′,…,bj′)
利用测试组水质指标矩阵Ite和吸收光谱矩阵Aλ te，对上述模型进行验证，判断估计值w′与b′的选取是否合理。
本实施例中，通过设置两组水样，一组用于训练光谱-水质指标模型得到模型中参数的具体值，另一组用于对得到的参数值进行验证，使得模型中的参数更加精确，根据模型得到的目标水样的水质指标数据也更加精确，从而使得对废水排放的监测结果更加准确。
进一步地，在上述实施例的基础上，根据本发明提供的一种废水排放的监测方法，所述若所述第一变化量大于或等于所述预设值，确认存在废水排放，包括：
若所述第一变化量大于或等于所述预设值，经过预设时间段后，获取第三时刻的目标水样；其中，所述预设时间段的长度大于所述第一时刻与第二时刻之间的间隔长度；
判断所述第三时刻的目标水样的水质指标数据相对于第四时刻的水质指标数据的第二变化量是否小于所述预设值；其中，所述第四时刻在所述第三时刻之前，且所述第一时刻在所述第四时刻之前；
若所述第二变化量大于或等于所述预设值，确定存在废水排放。
在工业企业的正常运转过程中，可能会出现排放的废水中一些污染物短时间内偶然增多的情况。此时若根据偶然增多的污染物进行溯源，会浪费资源。因此，需要对监测出的存在废水排放的监测结果进行验证。
在检测出第一时刻的目标水样的水质指标数据，与第二时刻的水样的水质指标数据之间的第一变化量大于或等于预设值时，可以暂时不确认存在工业废水排放；在经过预设时间后，再次获得第三时刻的水样的水质指标数据，并与第四时刻的水样的水质指标数据进行比对，确定第二变化量是否仍大于或等于预设值；若第二变化量仍大于或等于预设值，则可以确认在预设时间段内，持续发生了工业废水排放。
具体的，预设时间段的长度是大于第一时刻和第二时刻之间的间隔长度的，同时也是大于第三时刻和第四时刻之间的间隔长度的；例如，第一时刻和第二时刻之间的间隔长度为10秒，则预设时间段可以为1分钟，本实施例对此不作具体限制。
本实施例中，通过判断第三时刻的目标水样的水质指标数据相对于第四时刻的水质指标数据的第二变化量是否小于预设值，可以更准确的确定是否存在废水排放，增加了监测结果的可信度。
进一步地，在上述实施例的基础上，根据本发明提供的一种废水排放的监测方法，在所述确定所述向量点与废水样本集合中任一废水样本的样本向量点的距离之前，还包括：
获取所述废水所在的任一来源地的废水水样；
将所述废水水样与生活污水按照不同比例混合，得到至少一组废水样本；
获取所述废水样本的光谱，确定所述任一废水样本的样本向量点，生成废水样本集合。
在确定所述向量点与废水样本集合中任一废水样本的样本向量点的距离之前，还需要先建立废水样本集合。但是，不同来源的工业污水在排放过程中，与生活污水进行混合，在不同的时间或地点会形成不同浓度的工业废水，此时，就需要建立包含有多种浓度的工业废水的样本集合。
具体的，首先获取管网中正常的生活污水以及各个工业企业排放的工业废水的废水水样，以不同的比例混合生活污水和工业废水，得到多个废水样本；再获取各个废水水样的紫外-可见光吸收光谱和水质指标数据，并将各光谱和水质指标数据以向量形式，建议一个数据集，即作为废水样本集合。
本实施例中，通过废水样本集合，在对排水系统中的水质进行监测时，根据获取到的水样的光谱和水质指标数据，与不同来源的、各种浓度的废水进行对比，可以更准确、快速地确定出废水的来源，提高废水监测与溯源的效率。
进一步地，在上述实施例的基础上，根据本发明提供的一种废水排放的监测方法，还包括：
通过废水排放预测模型，获取所述第一时刻的预测水质指标数据；所述废水排放预测模型是通过NARX网络、基于样本水样的水质指标数据以及所述样本水样的水质指标数据的预测结果训练得到的；
判断所述水质指标数据与所述预测水质指标数据的误差是否大于预设误差；
若所述误差大于所述预设误差，确认存在废水排放。
在对废水排放的监测过程中，还可以建立废水排放预测模型，对废水的排放进行监测。
通过废水排放预测模型，预测未来一段时间内水样的预测水质指标数据，并将预测水质指标数据与实际的水质指标数据进行对比，若两者的误差大于预设误差，则确认存在工业废水排放。其中，预设误差可以由人为设定。
图3为本发明实施例提供的通过废水排放预测模型对工业废水排放进行监测的流程示意图；图4为本发明实施例提供的NARX神经网络的流程示意图。参见图3、图4，以监测水样中的电导率、pH值为例，对通过废水排放预测模型对工业废水排放进行监测的流程进行说明，具体步骤为：
(1)获取20天、采集频率为15分钟/次的工业废水的历史电导率、历史pH值，分别构建电导率、pH值的时间序列，通过循环神经网络(Recurrent Neural Network，即RNN)构建废水排放预测模型，并对废水排放预测模型进行训练、验证；
(2)通过NARX(外源非线性自回归模型，Nonlinear autoregressive exogenousmodel)网络对在线电导率时间序列、在线pH值时间序列进行预测，预测step为4(即1小时)；
(3)当电导率、pH值时间序列的实测值与NARX预测序列的误差平方e2，超过废水排放预测模型的训练误差最大值emax2时，发出工业废水排放预警，确认存在工业废水排放。
本实施例中，通过构建废水排放预测模型，可以在获得水样的水质指标数据后，直接与预测水质指标数据进行比对，判断出是否存在废水排放，通过不同的水质指标数据，同样完成了监测，简化了废水排放的监测过程，提高了监测效率。
下面对本发明提供的废水排放的监测装置进行描述，下文描述的废水排放的监测装置与上文描述的废水排放的监测方法可相互对应参照。
图5为本发明提供的废水排放的监测装置的结构示意图，参见图5，该废水排放的检测装置包括：
获取单元501，用于获取第一时刻的目标水样的光谱；
数据确定单元502，用于通过光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；所述光谱-水质指标模型是基于样本水样的光谱以及所述样本水样对应的水质指标数据训练得到的；
判断单元503，用于判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；其中，所述第二时刻在所述第一时刻之前；
确认单元504，用于若所述第一变化量大于或等于所述预设值，确认存在废水排放。
本实施例提供的废水排放的监测装置适用于上述各实施例提供的废水排放的监测方法，在此不再赘述。
具体的，本发明实施例还提供了一种排水管网水质监测设备；该排水管网水质监测设备能够实现对排水管道内的水质指进行监测，包括：COD浓度、NO3--N浓度、浊度、电导率值、ORP值、温度、pH值以及液位。该设备的硬件部分组成如下：
(1)传感器：包括电导率传感器、ORP传感器、温度传感器、pH传感器以及压力传感器，上述5种传感器用于采集排水系统监测点的电导率值、ORP值、温度、pH值以及液位的模拟信号；
(2)紫外-可见分光光度计(UV-Vis光度计)：用于采集排水系统监测点的紫外-可见吸收光谱，紫外-可见分光光度计的波长范围λ为200～735nm、波长分辨率为2.5nm，分光光度计采集的数据能够直接转化为数字信号；
(3)模/数转换器(A/D转换器)：用于将上述5种传感器采集的模拟信号转化为数字信号；
(4)触摸屏：触摸屏内置程序，用于采集、存储、显示、下载传感器和紫外-可见分光光度计采集的数据，以及实现设备的权限管理、参数设置、数据校准等功能；
(5)通讯模块：通过RS485与触摸屏，能够将数据传输至服务器，并通过B/S网络构架，实现实时、历史数据的查询下载；
(6)供电电源：根据现场的实际情况，可以选择采用太阳能电池板或者锂电池对该设备进行供电。该设备的配套锂电池容量为10000mAh，可以保障该设备正常工作三到四周；
(7)设备外壳：用于封装该设备的电子部分，外壳根据IP68防护等级设计，避免其内电子元件受到排水管道中水汽的腐蚀。
该排水管网水质检测设备能够实现对排水管道内的水质指数进行监测，该设备配备了包括电导率在内的5种传感器以及紫外-可见分光光度计(UV-Vis光度计)。在该设备内置的模/数(A/D)转换器与数学模型辅助下，该设备能够获取8项水质指标。同时，该设备能够对水质数据进行存储、显示、下载、传输，保证工作人员能够在设备安装现场或者通过在线平台实时获取监测数据和历史数据。通过机器学习方法对在线数据进行分析，能够在工业废水排放预警发生时，通过将该时刻设备采集的紫外-可见吸光光谱与工业废水吸收光谱特征库进行对比，能够确定该工业废水的排放源。
本发明提供的废水排放的监测装置，通过获取第一时刻的目标水样的光谱；基于光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；若所述第一变化量大于或等于所述预设值，确认存在废水排放；实现了通过实时获取水样的光谱，确定水样的水质指标数据，能够实时监测是否存在废水的排放，有效提升了对废水排放的监测效率，以及提高对排水系统的管理水平。
根据本发明提供一种的废水排放的监测方法，在所述确认存在废水排放之后，还包括：
获取所述第一时刻的目标水样的水质指标数据在所述光谱-水质指标模型中的向量点；
确定所述向量点与废水样本集合中任一废水样本的样本向量点的距离；其中，所述废水样本集合中包括任一来源的废水的样本向量点；
对所述向量点与任一样本向量点的距离由小到大进行排序，获取排序在前的预设数量的样本向量点；
通过判断所述预设数量的样本向量点的来源，确定所述目标水样的来源。
根据本发明提供的一种废水排放的监测方法，在所述通过光谱-水质指标模型，确定所述目标水样的水质指标数据之前，还包括：
获取至少一组样本水样的光谱及水质指标数据；
通过人工神经网络模型，基于样本水样的光谱以及所述样本水样对应的水质指标数据，训练得到所述光谱-水质指标模型。
根据本发明提供的一种废水排放的监测方法，所述基于样本水样的光谱以及所述样本水样对应的水质指标数据，训练得到所述光谱-水质指标模型，包括：
将所述样本水样划分为第一水样组、第二水样组；
通过所述第一水样组，确定所述光谱-水质指标模型中的任一参数值；
通过所述第二水样组，对所述光谱-水质指标模型中的任一参数值进行校准。
根据本发明提供的一种废水排放的监测方法，所述若所述第一变化量大于或等于所述预设值，确认存在废水排放，包括：
若所述第一变化量大于或等于所述预设值，经过预设时间段后，获取第三时刻的目标水样；其中，所述预设时间段的长度大于所述第一时刻与第二时刻之间的间隔长度；
判断所述第三时刻的目标水样的水质指标数据相对于第四时刻的水质指标数据的第二变化量是否小于所述预设值；其中，所述第四时刻在所述第三时刻之前，且所述第一时刻在所述第四时刻之前；
若所述第二变化量大于或等于所述预设值，确定存在废水排放。
根据本发明提供的一种废水排放的监测方法，在所述确定所述向量点与废水样本集合中任一废水样本的样本向量点的距离之前，还包括：
获取所述废水所在的任一来源地的废水水样；
将所述废水水样与生活污水按照不同比例混合，得到至少一组废水样本；
获取所述废水样本的光谱，确定所述任一废水样本的样本向量点，生成废水样本集合。
根据本发明提供的一种废水排放的监测方法，还包括：
通过废水排放预测模型，获取所述第一时刻的预测水质指标数据；所述废水排放预测模型是通过NARX网络、基于样本水样的水质指标数据以及所述样本水样的水质指标数据的预测结果训练得到的；
判断所述水质指标数据与所述预测水质指标数据的误差是否大于预设误差；
若所述误差大于所述预设误差，确认存在废水排放。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行废水排放的监测方法，该方法包括：获取第一时刻的目标水样的光谱；通过光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；所述光谱-水质指标模型是基于水样的光谱以及所述水样对应的水质指标数据训练得到的；判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；其中，所述第二时刻在所述第一时刻之前；若所述第一变化量大于或等于所述预设值，确认存在废水排放。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的废水排放的监测方法，该方法包括：获取第一时刻的目标水样的光谱；通过光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；所述光谱-水质指标模型是基于水样的光谱以及所述水样对应的水质指标数据训练得到的；判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；其中，所述第二时刻在所述第一时刻之前；若所述第一变化量大于或等于所述预设值，确认存在废水排放。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的废水排放的监测方法，该方法包括：获取第一时刻的目标水样的光谱；通过光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；所述光谱-水质指标模型是基于水样的光谱以及所述水样对应的水质指标数据训练得到的；判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；其中，所述第二时刻在所述第一时刻之前；若所述第一变化量大于或等于所述预设值，确认存在废水排放。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种废水排放的监测方法，其特征在于，包括：
获取第一时刻的目标水样的光谱；
通过光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；所述光谱-水质指标模型是基于样本水样的光谱以及所述样本水样对应的水质指标数据训练得到的；
判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；其中，所述第二时刻在所述第一时刻之前；
若所述第一变化量大于或等于所述预设值，确认存在废水排放。
2.根据权利要求1所述的一种废水排放的监测方法，其特征在于，在所述确认存在废水排放之后，还包括：
获取所述第一时刻的目标水样的水质指标数据在所述光谱-水质指标模型中的向量点；
确定所述向量点与废水样本集合中任一废水样本的样本向量点的距离；其中，所述废水样本集合中包括任一来源的废水的样本向量点；
对所述向量点与任一样本向量点的距离由小到大进行排序，获取排序在前的预设数量的样本向量点；
通过判断所述预设数量的样本向量点的来源，确定所述目标水样的来源。
3.根据权利要求1所述的一种废水排放的监测方法，其特征在于，在所述通过光谱-水质指标模型，确定所述目标水样的水质指标数据之前，还包括：
获取至少一组样本水样的光谱及水质指标数据；
通过人工神经网络模型，基于样本水样的光谱以及所述样本水样对应的水质指标数据，训练得到所述光谱-水质指标模型。
4.根据权利要求3所述的一种废水排放的监测方法，其特征在于，所述基于样本水样的光谱以及所述样本水样对应的水质指标数据，训练得到所述光谱-水质指标模型，包括：
将所述样本水样划分为第一水样组、第二水样组；
通过所述第一水样组，确定所述光谱-水质指标模型中的任一参数值；
通过所述第二水样组，对所述光谱-水质指标模型中的任一参数值进行校准。
5.根据权利要求1所述的一种废水排放的监测方法，其特征在于，所述若所述第一变化量大于或等于所述预设值，确认存在废水排放，包括：
若所述第一变化量大于或等于所述预设值，经过预设时间段后，获取第三时刻的目标水样；其中，所述预设时间段的长度大于所述第一时刻与第二时刻之间的间隔长度；
判断所述第三时刻的目标水样的水质指标数据相对于第四时刻的水质指标数据的第二变化量是否小于所述预设值；其中，所述第四时刻在所述第三时刻之前，且所述第一时刻在所述第四时刻之前；
若所述第二变化量大于或等于所述预设值，确定存在废水排放。
6.根据权利要求2所述的一种废水排放的监测方法，其特征在于，在所述确定所述向量点与废水样本集合中任一废水样本的样本向量点的距离之前，还包括：
获取所述废水所在的任一来源地的废水水样；
将所述废水水样与生活污水按照不同比例混合，得到至少一组废水样本；
获取所述废水样本的光谱，确定所述任一废水样本的样本向量点，生成废水样本集合。
7.根据权利要求1所述的一种废水排放的监测方法，其特征在于，还包括：
通过废水排放预测模型，获取所述第一时刻的预测水质指标数据；所述废水排放预测模型是通过NARX网络、基于样本水样的水质指标数据以及所述样本水样的水质指标数据的预测结果训练得到的；
判断所述水质指标数据与所述预测水质指标数据的误差是否大于预设误差；
若所述误差大于所述预设误差，确认存在废水排放。
8.一种废水排放的监测装置，其特征在于，包括：
获取单元，用于获取第一时刻的目标水样的光谱；
数据确定单元，用于通过光谱-水质指标模型，确定所述目标水样在第一时刻的水质指标数据；所述光谱-水质指标模型是基于样本水样的光谱以及所述样本水样对应的水质指标数据训练得到的；
判断单元，用于判断所述目标水样在第一时刻的水质指标数据相对于第二时刻的水质指标数据的第一变化量是否小于预设值；其中，所述第二时刻在所述第一时刻之前；
确认单元，用于若所述第一变化量大于或等于所述预设值，确认存在废水排放。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述废水排放的监测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述废水排放的监测方法的步骤。
CN202110519149.0A 2021-05-12 2021-05-12 废水排放的监测方法、装置、电子设备及存储介质 Pending CN113240006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110519149.0A CN113240006A (zh) 2021-05-12 2021-05-12 废水排放的监测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110519149.0A CN113240006A (zh) 2021-05-12 2021-05-12 废水排放的监测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113240006A true CN113240006A (zh) 2021-08-10

Family

ID=77133802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110519149.0A Pending CN113240006A (zh) 2021-05-12 2021-05-12 废水排放的监测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113240006A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814140A (zh) * 2022-04-22 2022-07-29 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
CN117554354A (zh) * 2024-01-12 2024-02-13 江苏诺恩作物科学股份有限公司 噻菌灵废水样本光谱检测分析方法和处理系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814140A (zh) * 2022-04-22 2022-07-29 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
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
CN117554354A (zh) * 2024-01-12 2024-02-13 江苏诺恩作物科学股份有限公司 噻菌灵废水样本光谱检测分析方法和处理系统
CN117554354B (zh) * 2024-01-12 2024-03-15 江苏诺恩作物科学股份有限公司 噻菌灵废水样本光谱检测分析方法和处理系统

Similar Documents

Publication Publication Date Title
CN109709057B (zh) 水质指标预测模型构建方法及水质指标监测方法
CN111898691A (zh) 一种河流突发水污染预警溯源方法、系统、终端及介质
CN113240006A (zh) 废水排放的监测方法、装置、电子设备及存储介质
CN110057761A (zh) 一种全光谱结合快速易测指标的水质在线监测系统与方法
Bhardwaj et al. Towards a cyber-physical era: soft computing framework based multi-sensor array for water quality monitoring
CN115308101A (zh) 水质监测管理方法及系统
CN110070220A (zh) 一种基于神经网络算法的氨氮指标软测量方法
Zadeh et al. Impact of measurement error and limited data frequency on parameter estimation and uncertainty quantification
CN113533672B (zh) 一种水质在线监测方法及装置
CN114839343A (zh) 一种便携式水质监测巡检仪装置及使用方法
CN114741844A (zh) 静设备腐蚀监控方法、装置、设备及存储介质
Li et al. Machine Learning Framework for Intelligent Detection of Wastewater Pollution by IoT-Based Spectral Technology
Torres et al. Local calibration for a UV/Vis spectrometer: PLS vs. SVM. A case study in a WWTP
CN109507382A (zh) 生态环境监测预警系统及监测预警方法
CN115792165B (zh) 一种环境水质智能监测方法及系统
Geng et al. Online rapid total nitrogen detection method based on UV spectrum and spatial interval permutation combination population analysis
Liu et al. A method of detecting contamination events using multiple conventional water quality sensors
CN116699093A (zh) 一种地下水质检测方法、系统及可读存储介质
CN111965125A (zh) 一种水质在线监测系统及监测方法
CN115598164B (zh) 一种集成机器学习的土壤重金属浓度检测方法及系统
CN111007220B (zh) 一种生猪养殖污水水质敏捷监测的方法
Di Lecce et al. Online wastewater monitoring system using solid state sensor
CN113607710B (zh) 一种在线监测水质的方法及其应用的装置和系统
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
CN212228727U (zh) 一种水质在线监测系统

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