CN113848237A - 一种基于cod软测量的污水水质监控方法 - Google Patents
一种基于cod软测量的污水水质监控方法 Download PDFInfo
- Publication number
- CN113848237A CN113848237A CN202111104776.4A CN202111104776A CN113848237A CN 113848237 A CN113848237 A CN 113848237A CN 202111104776 A CN202111104776 A CN 202111104776A CN 113848237 A CN113848237 A CN 113848237A
- Authority
- CN
- China
- Prior art keywords
- conductivity
- cod
- range
- sewage
- early warning
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 112
- 238000005259 measurement Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000001186 cumulative effect Effects 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 abstract description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 abstract description 5
- 229910052760 oxygen Inorganic materials 0.000 abstract description 5
- 239000001301 oxygen Substances 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 27
- 230000008569 process Effects 0.000 description 15
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 229910052809 inorganic oxide Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002351 wastewater Substances 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Electrochemistry (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明实施例公开了一种基于COD软测量的污水水质监控方法,包括基于电导率的累积概率建立电导率预警范围,采集待检测样品的电导率,并与电导率预警范围比较,确定电导率的预警性质,将需要COD精测的电导率导入COD软测量模型,得到COD估算量,将COD估算量与COD预警范围比较,根据比较结果进行相应处理。本发明先通过电导率排除严重污染情况,再基于电导率与化学需氧量(COD)之间的相关性,检测出电导率合格但化学需氧量(COD)异常的情况,这种双层监控技术大幅度降低了系统的运算数据体量,具有检测精准、操作简单、维护管理方便、成本低等优点,尤其适用于大范围、高密集布设的情形,可应用于大范围的农村分散式生活污水处理设施的监测。
Description
技术领域
本发明实施例涉及COD软测量技术领域,具体涉及一种基于COD软测量的污水水质监控方法。
背景技术
农村分散式生活污水具有如下特点:
1、种类多,分布广且分散,水质水量变化大;
2、管网收集系统不健全,缺乏污水处理设施,属于粗放型排放;
3、间歇排放,集中在早中晚三个时间段,污水流量小,且日变化系数大,一般为3.5-5.0;
4、污水成分复杂,但各种污染物的浓度较低,污水可生化性好。
因此,高精度、低成本地监测农村分散式污水处理站点的出水水质是有效监管污水处理系统运行状况的难点。
化学需氧量(COD)通常用来衡量水体中有机物的相对含量,是对水中的有机物和无机氧化物浓度的测量,反映了水体受还原性物质污染的程度,表示水体中还原性物质的综合指标,是水质评价的重要指标。实际工程中存在测量成本高、检测时间长、实时性差等缺点,同时由于污水处理指标水质检测仪表安装环境条件要求较高,费用非常昂贵,且难以进行精确的检测。
发明内容
为此,本发明实施例提供一种基于COD软测量的污水水质监控方法,以解决现有技术中由于污水水质检测要求高、费用昂贵而导致的适用性弱、检测不精确的问题。
为了实现上述目的,本发明的实施方式提供如下技术方案:
一种基于COD软测量的污水水质监控方法,包括基于电导率的累积概率建立电导率预警范围,采集待检测样品的电导率,并与电导率预警范围比较,确定电导率的预警性质,将需要COD精测的电导率导入COD软测量模型,得到COD估算量,将COD估算量与COD预警范围比较,根据比较结果进行相应处理。
进一步的,所述基于电导率的累积概率建立电导率预警范围包括采集若干第一污水样本,对所述第一污水样本进行概率分布分析,第一污水样本的样本来源性质需要一致,环境条件相近,采集第一污水样本后进行概率分布,得到电导率概率分布,根据电导率概率分布结果划分电导率预警范围。
进一步的,所述采集第一污水样本后标记环境条件与样本来源性质。
进一步的,所述电导率预警范围分为正常范围、COD精测范围与报警范围,若电导率预警范围为正常范围,则待检测污水合格,无须进一步检测;若电导率预警范围为COD精测范围,则需要进一步检测待检测污水的COD;若电导率预警范围为报警范围,则报警提示。
进一步的,所述正常范围设定为最大累积概率对应的电导率范围;所述COD精测范围设定为超出所述正常范围下限60%的范围内或超出正常范围上限20%的范围内;所述报警范围设定为超出正常范围下限60%的范围外或超出正常范围上限20%的范围外。
进一步的,所述COD软测量模型的建立方法包括:
初始样本数据采集:分别采集若干第二污水样本的COD与电导率,检错、滤除异常数据;
建立COD软测量数学模型:对经过预处理后的数据采用回归分析进行拟合,得到COD软测量数学模型,使用电导率与COD浓度的建模数据进行线性拟合,得到线性回归方程,E(yi)=α+βxi,其中i=1,2,3...,k,所述xi为电导率,E(yi)为xi对应的COD。所述α、β为回归系数,α,β通过最小二乘法估计得到,回归方程的斜率回归方程的y轴截距式中,为自变量的样本平均值,为应变量的样本平均值。
进一步的,所述将COD软测量模型的输出值与COD预警范围比较,确定输出值的预警性质,若输出值为COD正常范围,则结束测量;若输出值为COD异常范围,则报警提示。
根据本发明的实施方式,具有如下优点:
本发明提供一种针对MBBR(移动床生物膜反应器,Moving-Bed Biofilm Reactor,MBBR)处理工艺和MBR(膜生物反应器(Membrane Bio-Reactor)处理工艺的COD软测量技术,建立污水关键水质指标的软测量模型,有效进行水质在线检测,并实现水质闭环控制。
本发明通过研究电导率与COD的相关性规律,考察以电导率波动指示COD波动,进而监控污水处理系统的运行状况和出水水质变化情况,为有效监管农村分散式污水处理设施的运行状况提供技术支撑。
本发明先通过电导率排除严重污染情况,再基于电导率与化学需氧量(COD)之间的相关性,检测出电导率合格但化学需氧量(COD)异常的情况,这种双层监控技术大幅度降低了系统的运算数据体量,具有检测精准、操作简单、维护管理方便、成本低等优点,尤其适用于大范围、高密集布设的情形,可应用于大范围的农村分散式生活污水处理设施的监测。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种基于COD软测量的污水水质监控方法的方法流程图;
图2为崇明农村生活污水MBBR工艺进水的电导率数据分布直方图;
图3为崇明农村生活污水MBBR工艺进水剔除异常数据后的电导率数据分布直方图;
图4为崇明农村生活污水MBBR工艺进水剔除异常数据后的电导率概率分布图;
图5为崇明农村生活污水MBBR工艺进水电导率与COD的相关性分析图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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。
本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
本发明实施例所述的一种基于COD软测量的污水水质监控方法,本技术通过电导率与COD浓度之间的正向关系,筛出电导率正常以及电导率严重异常的情况,剩下可能存在COD浓度异常的情况,大幅度降低了数据处理量,仅需要对COD浓度可能异常的情况进行针对性检测。如图1所示,包括以下步骤:
1、采集待检测污水的电导率,确定所述电导率的电导率预警范围,若电导率预警范围位于COD精测范围内,则进入COD精测步骤,具体如下:
1.1建立电导率的预警范围。
污水电导率的预警范围基于污水电导率的累积概率,采集若干第一污水样本,对所述第一污水样本进行概率分布分析,第一污水样本的样本来源性质需要一致,如全部为出水或全部为进水,且环境条件相近,采集第一污水样本后记录环境条件,进行概率分布,得到电导率概率分布。环境条件包括空气温度、空气湿度、污水样本来源性质、地理环境、地理位置等,从而使系统识别下雨、下雪、晴天、冬季、夏季、高纬度、低纬度、平原、丘陵、高原等不同环境情况。
根据电导率概率分布结果划分电导率预警范围。所述电导率的预警范围分为正常范围、COD精测范围与报警范围,其中正常范围为概率分布分析结果中最大累积概率对应的电导率范围;COD精测范围设定为超出正常范围下限60%范围内或超出正常范围上限20%范围内;报警范围设定为超出正常范围下限60%范围外或超出正常范围上限20%范围外。
1.2确定待检测污水的电导率预警等级。
检测待检测污水的电导率,待检测污水与第一污水样本须样本来源性质相同、环境相同。将待检测污水的电导率与电导率预警范围进行比对,确定电导率预警范围,若电导率预警范围为正常范围,则待检测污水合格,无须进一步检测;若电导率预警范围为COD精测范围,则需要进一步检测待检测污水的COD;若电导率预警范围为报警范围,则立即报警提示。
2、对落入COD精测范围的待检测污水进行COD软测量检测,进一步确定COD情况,若COD软测量输出值落入COD预警范围内,则进行报警提示,需要立即进行处理。具体如下:
2.1、建立检测污水COD浓度的软测量数学模型,如图所示:
2.1.1、初始样本数据采集:使用COD在线分析仪和电导率在线分析仪分别检测若干第二污水样本的COD与电导率,被采集的数据需要标记环境条件,第二污水样本与第一污水样本的样本来源性质与环境条件均相同。
2.1.2、数据预处理:在第二污水样本数据采集后,经检错、滤除等异常数据,为避免各过程变量数值大小、量纲等不同造成计算误差,在建模前完成数据归一化处理。异常数据如一般情况下,自来水的电导率低于150μs/cm的可能性很小,若采集到低于150μs/cm的数据需要剔除并分析产生原因。
2.1.3、建立COD软测量数学模型:对经过预处理后的数据采用回归分析进行拟合,得到COD软测量数学模型,所述校验数据进行模型验证,具体方法如下:
使用电导率与COD浓度的建模数据进行线性拟合,得到线性回归方程,E(yi)=α+βxi,其中i=1,2,3...,k,所述xi为电导率,E(yi)为xi对应的COD。所述α、β为回归系数,α,β通过最小二乘法估计得到,回归方程的斜率回归方程的y轴截距式中,为自变量的样本平均值,为应变量的样本平均值。
在应用过程中,COD软测量模型的参数和结构随着污水样本来源性质、环境条件及数据累积量的不同而不同,因此需要对污水样本来源性质与环境条件进行划分,以建立不同污水样本来源性质与环境条件下的COD软测量模型,并随着数据量的增加对模型进行修正,以得到更精准的COD软测量模型。
2.2、建立COD预警范围。
根据当地执行的农污排放标准,确定COD的预警范围。
2.3、确定待检测污水的COD预警范围后进行相应处理。
将COD软测量模型的输出值与COD预警范围比较,确定输出值的预警性质,若输出值为COD正常范围,则结束测量;若输出值为COD异常范围,则报警提示。
实施例1
本实施例中采集在2018年4月到11月期间的崇明农村生活污水MBBR工艺进水的电导率数据作为第一污水样本,共23781个,其环境条件均为晴天、温度在20°~30°之间、湿度在60%-80%之间。
对剩下的第一污水样本进行概率分布分析,如图2所示,采用Origin软件分析电导率的数据分布直方图,建立横纵坐标分别为数据数量与电导率的二维坐标系,分析进水电导率从0到2800Us/cm之间的分布规律。如图3所示,剔除电导率位于0-100Us/cm之间的异常值6346个,剩余数据量17435个,该异常值的产生原因为电导率仪的异常工作。采用Origin软件分析剔除异常数据的电导率数据分布直方图。如图4所示,然后对剔除异常数据的电导率数据进行概率分布,得到位于400~2400μs/cm的电导率累积概率为92.70%;位于600~2400μs/cm的电导率累积概率为89%;位于800~2200μs/cm的电导率累积概率为80%,基于该电导率的概率分布结果得到电导率的有效数值范围为400~2400μs/cm。
根据进水电导率概率分析结果,得到3个电导率预警范围,分为正常范围、COD精测范围、报警范围,电导率预警范围的名称可为多种形式,与本技术特征实质相同的名称均落入本专利的保护范围之内,具体如下:
A、当污水的电导率在最大累积概率范围内,即400~2400μs/cm范围内,则处于正常范围内,可通过绿色表示,结束检测。
B、当污水的电导率介于(160-400)μs/cm或者(2400-2880)μs/cm时,则表明污水中COD可能存在异常,处于COD精测范围内,为进一步检测阈值范围,可通过黄色表示。
C、当污水的电导率小于160μs/cm或者大于2880μs/cm,则表明污水中COD存在严重异常或者设备出现故障,需要工作人员立即处理,处于报警范围内,需要立即处理,可通过红色表示。
先采集崇明农村生物污水MBBR工艺进水作为待检测进水污水,其环境条件均为晴天、温度在20°~30°之间、湿度在60%-80%之间,然后检测待检测进水污水的进水电导率,将进水电导率对应的电导率预警范围进行比较,确定进水电导率的电导率预警性质。若进水电导率位于COD精测范围内,则进行COD精测;若进水电导率位于报警范围内,则报警提示。
采集若干崇明农村生活污水MBBR工艺进水的电导率与COD,作为第二污水样本,数据采集时间为2018年4月~11月,数据量共160组,其环境条件均为晴天、温度在20°~30°之间、湿度在60%-80%之间。如图5所示,然后对数据进行进行线性拟合,得到线性回归方程,E(y进)=0.088x进+31.03。
将上述需要进行COD精测的待检测进水污水的电导率代入线性回归方程E(y进)=0.088x进+31.03,得到污水进水COD的估算值E(y进),然后确定E(y进)是否位于COD的有效范围内,若数据异常,则进行报警提示。
进水污水COD的有效范围基于当地执行的农污排放标准,确定COD的预警范围。具体的,崇明农村生活污水MBBR工艺进水的农污排放标准中COD排放标准范围为0~50mg/L,因此若污水进水COD软测量模型的输出值大于50mg/L,则系统提示报警;若污水进水COD软测量模型的输出值小于50mg/L,则系统提示正常。
实施例2
本实施例中采集在2018年4月到12月期间的崇明农村生活污水MBBR工艺出水的电导率数据作为第一污水样本,数据量共22334个,其环境条件均为晴天、温度在20°~30°之间、湿度在60%-80%之间。
对该数据样本进行概率分布,当电导率在800~1900μs/cm之间时,电导率的累计概率为总样本的79%,当电导率在700~2000μs/cm之间时,电导率的累计概率为总样本的88%,基于该电导率的概率分布结果得到电导率的有效数值范围为700~2000μs/cm。
根据污水电导率的有效范围,设置3个电导率预警等级,分为正常范围、COD精测范围、报警范围,所述3个导电预警等级的名称可为多种形式,内含相同的名称均落入本专利的保护范围之内,具体如下:
A、当污水的电导率在最大累积概率700~2000μs/cm范围内,则处于正常范围内,可通过绿色表示,结束检测。
B、当污水的电导率介于(280-700)μs/cm或者大于(2000-2400)μs/cm时,则表明污水中COD可能存在异常,处于COD精测范围内,为进一步检测阈值范围,可通过黄色表示。
C、当污水的电导率小于280μs/cm或者大于2400μs/cm,则表明污水中COD存在严重异常或者设备出现故障,需要工作人员立即处理,处于报警范围内,需要立即处理,可通过红色表示。
先采集崇明农村生物污水MBBR工艺出水作为待检测出水污水,其环境条件均为晴天、温度在20°~30°之间、湿度在60%-80%之间,然后检测待检测出水污水的出水电导率,将出水电导率对应的电导率预警范围进行比较,确定出水电导率的电导率预警性质。若出水电导率位于COD精测范围内,则进行COD精测;若出水电导率位于报警范围内,则报警提示。
采集若干崇明农村生活污水MBBR工艺出水的电导率与COD,作为第二污水样本,数据采集时间为2018年4月~11月,数据量共300组,其环境条件均为晴天、温度在20°~30°之间、湿度在60%-80%之间。然后对数据进行进行线性拟合,得到线性回归方程E(y出)=0.00841x出+19.6871。
将上述需要进行COD精测的待检测出水污水的电导率代入线性回归方程E(y出)=0.00841x出+19.6871,得到污水进水COD的估算值E(y出),然后确定E(y出)是否位于出水COD的有效范围内,若数据异常,则进行报警提示。
出水污水COD的有效范围基于当地执行的农污排放标准,确定COD的预警范围。具体的,崇明农村生活污水MBBR工艺出水的COD排放标准范围为20~50mg/L,若污水进水COD软测量模型的输出值大于50mg/L,则系统提示报警;若污水进水COD软测量模型的输出值小于50mg/L,则系统提示正常。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (7)
1.一种基于COD软测量的污水水质监控方法,其特征在于:包括基于电导率的累积概率建立电导率预警范围,采集待检测样品的电导率,并与电导率预警范围比较,确定电导率的预警性质,将需要COD精测的电导率导入COD软测量模型,得到COD估算量,将COD估算量与COD预警范围比较,根据比较结果进行相应处理。
2.根据权利要求1所述的一种基于COD软测量的污水水质监控方法,其特征在于:所述基于电导率的累积概率建立电导率预警范围包括采集若干第一污水样本,对所述第一污水样本进行概率分布分析,第一污水样本的样本来源性质需要一致,环境条件相近,采集第一污水样本后进行概率分布,得到电导率概率分布,根据电导率概率分布结果划分电导率预警范围。
3.根据权利要求2所述的一种基于COD软测量的污水水质监控方法,其特征在于:所述采集第一污水样本后标记环境条件与样本来源性质。
4.根据权利要求1或2所述的一种基于COD软测量的污水水质监控方法,其特征在于:所述电导率预警范围分为正常范围、COD精测范围与报警范围,若电导率预警范围为正常范围,则待检测污水合格,无须进一步检测;若电导率预警范围为COD精测范围,则需要进一步检测待检测污水的COD;若电导率预警范围为报警范围,则报警提示。
5.根据权利要求4所述的一种基于COD软测量的污水水质监控方法,其特征在于:所述正常范围设定为最大累积概率对应的电导率范围;所述COD精测范围设定为超出所述正常范围下限60%的范围内或超出正常范围上限20%的范围内;所述报警范围设定为超出正常范围下限60%的范围外或超出正常范围上限20%的范围外。
7.根据权利要求1所述的一种基于COD软测量的污水水质监控方法,其特征在于,所述将COD软测量模型的输出值与COD预警范围比较,确定输出值的预警性质,若输出值为COD正常范围,则结束测量;若输出值为COD异常范围,则报警提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111104776.4A CN113848237A (zh) | 2021-09-18 | 2021-09-18 | 一种基于cod软测量的污水水质监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111104776.4A CN113848237A (zh) | 2021-09-18 | 2021-09-18 | 一种基于cod软测量的污水水质监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113848237A true CN113848237A (zh) | 2021-12-28 |
Family
ID=78974872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111104776.4A Pending CN113848237A (zh) | 2021-09-18 | 2021-09-18 | 一种基于cod软测量的污水水质监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113848237A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2795713A1 (fr) * | 1999-07-01 | 2001-01-05 | Suez Lyonnaise Des Eaux | Procede de conduite d'installations de traitement d'eaux residuaires urbaines, en fonction d'indications de charges |
CN207623324U (zh) * | 2017-12-12 | 2018-07-17 | 鄂尔多斯市昊华精煤有限责任公司 | 一种污水质量检测装置 |
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 |
CN112162017A (zh) * | 2020-09-28 | 2021-01-01 | 江苏蓝创智能科技股份有限公司 | 一种水污染超标监测方法、装置、系统 |
CN112296076A (zh) * | 2019-08-01 | 2021-02-02 | 中国地质科学院水文地质环境地质研究所 | 一种定量刻画污染场地含水层氧化还原带方法及其应用 |
-
2021
- 2021-09-18 CN CN202111104776.4A patent/CN113848237A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2795713A1 (fr) * | 1999-07-01 | 2001-01-05 | Suez Lyonnaise Des Eaux | Procede de conduite d'installations de traitement d'eaux residuaires urbaines, en fonction d'indications de charges |
CN207623324U (zh) * | 2017-12-12 | 2018-07-17 | 鄂尔多斯市昊华精煤有限责任公司 | 一种污水质量检测装置 |
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 |
CN112296076A (zh) * | 2019-08-01 | 2021-02-02 | 中国地质科学院水文地质环境地质研究所 | 一种定量刻画污染场地含水层氧化还原带方法及其应用 |
CN112162017A (zh) * | 2020-09-28 | 2021-01-01 | 江苏蓝创智能科技股份有限公司 | 一种水污染超标监测方法、装置、系统 |
Non-Patent Citations (4)
Title |
---|
廖磊;何江涛;彭聪;张振国;王磊;: "地下水次要组分视背景值研究:以柳江盆地为例", 地学前缘, no. 01, 8 May 2017 (2017-05-08) * |
张嘉治;张雷;郑丙辉;秦延文;徐景阳;李芬;王帅;: "基于频次分析法的污水处理厂在线监测预警技术研究", 中国环境科学, no. 10, 20 October 2012 (2012-10-20) * |
时美;张伯进;顾正辉;: "农村分散式生活污水处理设施的水质监测研究", 质量安全与检验检测, no. 04, 20 August 2020 (2020-08-20) * |
杨吉祥;: "污水处理软测量技术研究进展", 净水技术, no. 04, 25 April 2020 (2020-04-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529240B (zh) | 一种大气环境数据的预测方法、系统、装置及存储介质 | |
CN109828089B (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
CN110132629B (zh) | 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法 | |
CN112362834A (zh) | 一种基于大数据的水体水质智能在线实时监测分析管理系统 | |
CN115062071B (zh) | 一种用于河道的水资源污染扩散分析方法及系统 | |
CN114723179A (zh) | 一种基于水量水质联合管控的水环境预警溯源系统和方法 | |
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 | |
CN107677614A (zh) | 一种水中重金属污染风险在线预警系统及方法 | |
CN112964843A (zh) | 污水处理设施水质监测的物联网传感器系统及监测方法 | |
CN115470702A (zh) | 一种基于机器学习的污水处理水质预测方法及系统 | |
CN113344409A (zh) | 一种设施连作土壤质量的评价方法及系统 | |
CN114169242A (zh) | 一种基于参数不确定性分析河道生态增氧的智能控制算法 | |
CN110146122B (zh) | 一种农村生活污水处理设施运行有效性的预测方法 | |
CN115754207A (zh) | 一种污水生物处理工艺模拟仿真方法和系统 | |
CN112284819A (zh) | 一种用于废水曝气池出水水质检测的取样方法 | |
CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
CN114330904A (zh) | 一种基于特征工程的河涌水质预测方法 | |
CN116881747B (zh) | 基于医疗废水监测的智能处理方法及系统 | |
CN116007685B (zh) | 一种污水管网底泥沉积点位的智能识别方法及识别系统 | |
CN113848237A (zh) | 一种基于cod软测量的污水水质监控方法 | |
CN115423383B (zh) | 基于人工智能的分布式村镇饮用水监测调控系统及方法 | |
CN115372447A (zh) | 一种监测水质的快速方法 | |
CN114693493B (zh) | 一种基于IoT的污染河流水生态修复系统 | |
CN112707508B (zh) | 基于bp-ann的农污设施cod处理效果预测方法、装置、平台 | |
CN115293940A (zh) | 基于工业互联网的环境监测系统 |
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 |