CN115586145A - 一种基于光谱技术的钢铁冶金行业废水重金属监测方法 - Google Patents
一种基于光谱技术的钢铁冶金行业废水重金属监测方法 Download PDFInfo
- Publication number
- CN115586145A CN115586145A CN202211001346.4A CN202211001346A CN115586145A CN 115586145 A CN115586145 A CN 115586145A CN 202211001346 A CN202211001346 A CN 202211001346A CN 115586145 A CN115586145 A CN 115586145A
- Authority
- CN
- China
- Prior art keywords
- wastewater
- heavy metal
- layer
- representing
- metal content
- 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
- 239000002351 wastewater Substances 0.000 title claims abstract description 87
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000009851 ferrous metallurgy Methods 0.000 title claims abstract description 19
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 239000010842 industrial wastewater Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于光谱技术的钢铁冶金行业废水重金属监测方法。包括步骤：利用光谱仪扫描废水光谱数据；废水光谱数据输入到废水重金属含量在线监测模型以及生产数据库，根据国家及企业标准确定废水重金属含量的允许排放阈值，将重金属含量不同的废水分为多个等级，录入系统；生产数据库数据不断更新，废水重金属含量在线监测模型定期从生产数据库抽取数据，训练调优，更新的模型重新发布到在线检查系统中；训练好的模型根据输入的废水光谱数据及预设的重金属含量阈值判定废水所属等级，若废水等级过低，重金属含量越高，则停止废水排放。本发明提升钢铁冶金行业废水重金属含量监测便捷性、快速性、准确性。
Description
技术领域
本发明涉及一种基于光谱技术的钢铁冶金行业废水重金属监测方法，属于钢铁冶金生产技术领域。
背景技术
钢铁冶金行业是我国国民经济的重要基础产业，随着社会发展，钢铁冶金行业发展迅速，但是重工业生产过程中产生的污染也是不可忽视的。近年来，我国环境保护政策相继出台，为积极响应国家政策，保护自然环境，钢铁冶金行业更有义务严格控制废气废水废渣等污染物的产生和排放。
水是生命之源，工业废水的排放带来很多水污染问题。其中，工业废水包含大量重金属，当排放水体重金属含量过高，水体无法正常净化，很难被微生物降解，易被生物富集，不仅危害生态环境，还会严重损害人体健康。为此，钢铁冶金行业废水重金属监测预警，控制排放是保护环境的重要途径。目前，工业废水重金属含量仍然以化学检测方法为主，但是传统化学检测方法耗时长、步骤繁琐，检测结果受检验人员熟练程度、外界环境等因素影响较大，检测结果准确率无法保证。而随着光谱技术的快速发展，各种物质的光谱信息越来越丰富，将光谱分析技术和机器学习相结合，能够快速、准确的对废水中的重金属进行检测，通过设定预警范围，当重金属含量超标时，判定等级过低，及时停止排放。因此，基于光谱技术的钢铁冶金行业废水重金属含量监测方法可以有效控制废水排放，减少环境污染。
发明内容
为了克服现有技术中的不足，本发明提供了一种基于光谱技术的钢铁冶金行业废水重金属监测方法，提升了钢铁冶金行业废水重金属含量监测便捷性、快速性、准确性。
本发明的技术方案是：一种基于光谱技术的钢铁冶金行业废水重金属监测方法，所述方法包括如下步骤：
Step1、在废水排放出口设置光谱仪，当废水开始排放发出信号，光谱仪接受启动信号，开始扫描废水光谱数据；
Step2、废水光谱数据输入到废水重金属含量在线监测模型以及生产数据库，根据国家及企业标准确定废水重金属含量的允许排放阈值，将重金属含量不同的废水分为多个等级，重金属含量越高，等级越低，重金属含量均超标，等级最低，录入系统；
Step3、生产数据库数据不断更新，废水重金属含量在线监测模型定期从生产数据库抽取数据，训练调优，更新的模型重新发布到在线检查系统中，提高生产过程判断准确率；
Step4、训练好的模型根据输入的废水光谱数据及预设的重金属含量阈值判定废水重金属含量所属等级，若废水等级过低，说明废水重金属含量超标，则停止废水排放。
作为本发明的进一步方案，所述Step2中的在线监测模型的结构是：输入层-预处理层-特征提取层-输出层；
样本数据按一定比例分为训练集和测试集，每轮训练随机抽取一定数量光谱数据，训练多轮；
(1)输入层：将采集到的废水光谱反射率作为输入X；
(2)预处理层：在特征提取之前使用标准正态变量变换SNV方法进行预处理，对每一条光谱进行标准正态变换处理：
其中，xi表示原始光谱值，μ表示光谱平均值，σ表示原始光谱的标准偏差；
(3)特征提取层：用于对废水的重金属光谱反射数据进行加工，获取定量反演模型的特征；定量反演模型的特征包括比值特征、差值特征、归一化比值特征、修正比值特征、指数特征、导数特征；
(4)输出层：采用反向传播神经网络构建输出层，网络由一个输入层、1个隐含层和1个输出层构成，每一层由若干个节点组成；
(5)当满足收敛条件的情况下，网络训练才能停止，实现正确分类；通常定义为，当网络误差连续多次小于某个目标误差时，网络停止训练；模型采用的均方根误差RMSE作为模型性能的评价标准：
xi表示模型输出值，yi表示样本标签值；
同时，为防止训练一直不收敛，设定最大迭代次数，当达到最大迭代次数时，即使还未满足目标误差，也强制停止训练；本发明设定目标误差为0.01，最大迭代次数为20000。
作为本发明的进一步方案，所述在线监测模型的输出层包括：
1)网络输入层：将特征提取层输出的比值、差值、归一化比值、修正比值、指数、导数特征作为输入X；
2)网络隐含层：
常用的最佳隐含层神经元个数根据以下经验公式确定：
n1＝log2n
其中，
表示组合算法，n表示输入神经元个数，n1表示隐含层神经元个数，k表示样本数，m表示输出神经元个数，a表示[0,10]之间的任一常数；
每个隐含层神经元对应的输出为：
xi表示第i个神经元输入，yj表示第j个神经元输出,wij表示第i个输入与第j个神经元的连接权重用，θj表示第j个神经元的阈值；
3)网络输出层：
该层神经元个数以废水分类等级为准，分为j个等级，则输出为：
xi表示第i个神经元输入，yj表示第j个神经元输出,wij表示第i个输入与第j个神经元的连接权重用，θj表示第j个神经元的阈值；
其中隐含层和输出层的均采用Log-Sigmoid函数。
本发明的有益效果是：
1、采用工业专用的便携式光谱仪，扫描分辨率高、速度快，在工业采集环境稳定性好；
2、非接触式测检测，光谱仪安装在被测目标垂直上方一定距离，保护设备；
3、给定光谱仪开始测量信号，避免仪器持续运行，增大设备负担，延长设备使用寿命；
4、本发明提升钢铁冶金行业废水重金属含量监测便捷性、快速性、准确性。
附图说明
图1为本发明中的流程图。
具体实施方式
实施例1：如图1所示，一种基于光谱技术的钢铁冶金行业废水重金属监测方法，所述方法包括如下步骤：
Step1、在废水排放出口设置光谱仪，当废水开始排放发出信号，光谱仪接受启动信号，开始扫描废水光谱数据；光谱仪安装在垂直于被测物体的基础上，仪器四周放置卤素灯作为光源，光源照射方向保持固定；测量仪器拟选用采用工业专用的便携式光谱仪，扫描分辨率高、速度快，专用于冶金行业等高温工业应用场景，工作稳定，测温范围350nm～2500nm，配套功能丰富的终端软件，方便对采集到的光谱数据进行处理；由于工业现场环境复杂，光谱仪受现场高温、粉尘、振动等外界因素的影响，准确率可能有所下降，因此光谱仪最好放置于干燥、密闭、专业光源的工作环境，初步解决现场环境对测量结果的影响；
由于边缘波段测试效果不加，通常在光谱特征分析时去除了350～399和2401～2500nm两段数据，不同场景去除的波段不同；
为减少光谱仪的工作负担，在给光谱仪发出测量信号之后，设备才开始测量。
Step2、废水重金属含量在线监测模型将光谱数据、废水等级作为输入，是否合格作为输出，建立机器学习模型；废水光谱数据输入到废水重金属含量在线监测模型以及生产数据库，操作人员根据国家及企业标准确定废水重金属含量的允许排放阈值，将重金属含量不同的废水分为多个等级，重金属含量越高，等级越低，重金属含量均超标，等级最低，录入系统；生产数据库数据不断更新，模型不断训练，提高训练准确率；
所述Step2中的在线监测模型的结构是：输入层-预处理层-特征提取层-输出层；
样本数据按一定比例分为训练集和测试集(随着数据增大，训练集的比例可适当增大)，每轮训练随机抽取一定数量光谱数据，训练多轮；
(1)输入层：将采集到的废水光谱反射率作为输入X；
(2)预处理层：由于数据采集设备或者现场条件影响，提取到的光谱数据或多或少会受到噪声影响，通常在特征提取之前使用标准正态变量变换SNV方法进行预处理，对每一条光谱进行标准正态变换处理：
其中，xi表示原始光谱值，μ表示光谱平均值，σ表示原始光谱的标准偏差；
(3)特征提取层：因为重金属的内部结构特征和化学特性对不同波长的光谱有不同的响应。光谱技术为每个像元提供成百上千个波段的光谱信息，不同物质的光谱具有一些反射特性明显的独特谱带，这些特征谱带包含的信息量较大，噪声小，代表性强，能反应不同物种之间的差异。光谱技术经常利用光谱特征来定量反演各种化学成分及含量；
特征提取层用于对废水的重金属光谱反射数据进行加工，获取定量反演模型的特征；定量反演模型的特征包括比值特征、差值特征、归一化比值特征、修正比值特征、指数特征、导数特征；
1)比值特征：
2)差值特征：
3)归一化比值特征：
4)修正比值特征：
5)指数特征：
6)导数特征：
其中，
表示第i、j、k波段的反射率。
(4)输出层：采用反向传播神经网络构建输出层，网络由一个输入层、1个隐含层和1个输出层构成，每一层由若干个节点组成。
所述在线监测模型的输出层包括：
1)网络输入层：将特征提取层输出的比值、差值、归一化比值、修正比值、指数、导数特征作为输入X；
2)网络隐含层：
常用的最佳隐含层神经元个数根据以下经验公式确定：
n1＝log2n
其中，
表示组合算法，n表示输入神经元个数，n1表示隐含层神经元个数，k表示样本数，m表示输出神经元个数，a表示[0,10]之间的任一常数；
每个隐含层神经元对应的输出为：
xi表示第i个神经元输入，yj表示第j个神经元输出,wij表示第i个输入与第j个神经元的连接权重用，θj表示第j个神经元的阈值；
3)网络输出层：
该层神经元个数以废水分类等级为准，分为j个等级，则输出为：
xi表示第i个神经元输入，yj表示第j个神经元输出,wij表示第i个输入与第j个神经元的连接权重用，θj表示第j个神经元的阈值；
其中隐含层和输出层的均采用Log-Sigmoid函数：
(5)当满足收敛条件的情况下，网络训练才能停止，实现正确分类；通常定义为，当网络误差连续多次小于某个目标误差时，网络停止训练；模型采用的均方根误差RMSE作为模型性能的评价标准：
xi表示模型输出值，yi表示样本标签值；
同时，为防止训练一直不收敛，设定最大迭代次数，当达到最大迭代次数时，即使还未满足目标误差，也强制停止训练；本发明设定目标误差为0.01，最大迭代次数为20000。
Step3、生产数据库数据不断更新，废水重金属含量在线监测模型定期从生产数据库抽取数据，训练调优，更新的模型重新发布到在线检查系统中，提高生产过程判断准确率；
Step4、训练好的模型根据输入的废水光谱数据及预设的重金属含量阈值判定废水重金属含量所属等级，若废水等级过低，说明废水重金属含量超标，则停止废水排放。
本发明所使用的装置可以从市场公开采购，不同生产现场要求不同，因此对光谱仪的型号、具体结构及性能参数不再赘述。
为了能够确定监测模型的最优参数，本发明将采集的600个样本数据集按照4:1:1的比例随机分为训练集(400个)、校正集(100个)、测试集(100个)。训练集用于训练模型，校正集用于验证当前网络参数的有效性，二者结合，确定最佳模型参数。最后用测试集进行测试，判断模型的性能。
根据钢铁工业水污染重金属综合排放标准，通过专业检验部门检测，得到600个实验样本的轧钢工序废水排放重金属含量，根据结果分为如下5个等级：(数据仅供参考，具体要求应按照当地环保部门及生产工序要求执行)：
表1为轧钢工序废水排放重金属含量
备注：符号～表示X<A<＝Y。
实验提取每个实验样本的比值特征、差值特征、归一化比值特征、修正比值特征、指数特征、导数特征作为模型输入，废水等级作为输出，与样本的真实数据做对比，比较其正确判别率。
表2为实验样本识别准确率对比
根据实验数据可以看出，对于训练、校正、测试的600个样本，模型输出的等级与实际等级相比，正确率较高，特别地，当比值特征、差值特征、归一化比值特征、修正比值特征、指数特征、导数特征均作为模型输入特征，准确率最高，识别效果较好。
根据实验结果可以看出，基于光谱技术的废水重金属含量在线监测模型识别不仅能够保证监测的准确性，同时，不依赖检验人员的熟练度、专业度，能够快速完成监测。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种基于光谱技术的钢铁冶金行业废水重金属监测方法，其特征在于：所述方法包括如下步骤：
Step1、在废水排放出口设置光谱仪，当废水开始排放发出信号，光谱仪接受启动信号，开始扫描废水光谱数据；
Step2、废水光谱数据输入到废水重金属含量在线监测模型以及生产数据库，根据国家及企业标准确定废水重金属含量的允许排放阈值，将重金属含量不同的废水分为多个等级，重金属含量越高，等级越低，重金属含量均超标，等级最低，录入系统；
Step3、生产数据库数据不断更新，废水重金属含量在线监测模型定期从生产数据库抽取数据，训练调优，更新的模型重新发布到在线检查系统中，提高生产过程判断准确率；
Step4、训练好的模型根据输入的废水光谱数据及预设的重金属含量阈值判定废水重金属含量所属等级，若废水等级过低，说明废水重金属含量超标，则停止废水排放。
2.根据权利要求1所述的基于光谱技术的钢铁冶金行业废水重金属监测方法，其特征在于：所述Step2中的在线监测模型的结构是：输入层-预处理层-特征提取层-输出层；
样本数据按一定比例分为训练集和测试集，每轮训练随机抽取一定数量光谱数据，训练多轮；
(1)输入层：将采集到的废水光谱反射率作为输入X；
(2)预处理层：在特征提取之前使用标准正态变量变换SNV方法进行预处理，对每一条光谱进行标准正态变换处理：
其中，xi表示原始光谱值，μ表示光谱平均值，σ表示原始光谱的标准偏差；
(3)特征提取层：用于对废水的重金属光谱反射数据进行加工，获取定量反演模型的特征；定量反演模型的特征包括比值特征、差值特征、归一化比值特征、修正比值特征、指数特征、导数特征；
(4)输出层：采用反向传播神经网络构建输出层，网络由一个输入层、1个隐含层和1个输出层构成，每一层由若干个节点组成；
(5)当满足收敛条件的情况下，网络训练才能停止，实现正确分类；通常定义为，当网络误差连续多次小于某个目标误差时，网络停止训练；模型采用的均方根误差RMSE作为模型性能的评价标准：
xi表示模型输出值，yi表示样本标签值；
同时，为防止训练一直不收敛，设定最大迭代次数，当达到最大迭代次数时，即使还未满足目标误差，也强制停止训练。
3.根据权利要求2所述的基于光谱技术的钢铁冶金行业废水重金属监测方法，其特征在于：所述在线监测模型的输出层包括：
1)网络输入层：将特征提取层输出的比值、差值、归一化比值、修正比值、指数、导数特征作为输入X；
2)网络隐含层：
常用的最佳隐含层神经元个数根据以下经验公式确定：
n1＝log2n
其中，
表示组合算法，n表示输入神经元个数，n1表示隐含层神经元个数，k表示样本数，m表示输出神经元个数，a表示[0,10]之间的任一常数；
每个隐含层神经元对应的输出为：
xi表示第i个神经元输入，yj表示第j个神经元输出,wij表示第i个输入与第j个神经元的连接权重用，θj表示第j个神经元的阈值；
3)网络输出层：
该层神经元个数以废水分类等级为准，分为j个等级，则输出为：
xi表示第i个神经元输入，yj表示第j个神经元输出,wij表示第i个输入与第j个神经元的连接权重用，θj表示第j个神经元的阈值；
其中隐含层和输出层的均采用Log-Sigmoid函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211001346.4A CN115586145A (zh) | 2022-08-19 | 2022-08-19 | 一种基于光谱技术的钢铁冶金行业废水重金属监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211001346.4A CN115586145A (zh) | 2022-08-19 | 2022-08-19 | 一种基于光谱技术的钢铁冶金行业废水重金属监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115586145A true CN115586145A (zh) | 2023-01-10 |
Family
ID=84771917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211001346.4A Pending CN115586145A (zh) | 2022-08-19 | 2022-08-19 | 一种基于光谱技术的钢铁冶金行业废水重金属监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115586145A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116205468A (zh) * | 2023-05-05 | 2023-06-02 | 烟台星辉航空液压有限公司 | 基于电镀工艺产线废水的智能化数据分析系统 |
-
2022
- 2022-08-19 CN CN202211001346.4A patent/CN115586145A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116205468A (zh) * | 2023-05-05 | 2023-06-02 | 烟台星辉航空液压有限公司 | 基于电镀工艺产线废水的智能化数据分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110319982B (zh) | 基于机器学习的埋地式燃气管线泄漏判断方法 | |
| 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 | |
| CN109253985B (zh) | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 | |
| CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
| CN103487411A (zh) | 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法 | |
| CN108760647A (zh) | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 | |
| CN115586145A (zh) | 一种基于光谱技术的钢铁冶金行业废水重金属监测方法 | |
| CN118154997B (zh) | 一种绝缘子质量检测方法 | |
| CN110186871A (zh) | 一种茶鲜叶产地的判别方法 | |
| CN116030310A (zh) | 一种基于激光诱导击穿光谱技术的样品分类方法及系统 | |
| CN118212209A (zh) | 一种基于智能轮廓扫描粉末喷涂检测系统 | |
| CN111667156A (zh) | 一种多点生产的卷烟物理质量一致性评价的方法 | |
| CN118424369A (zh) | 基于遥感数据的城市环境检测及综合评估方法 | |
| Chen et al. | Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods | |
| CN115688980A (zh) | 基于改进kelm的便携libs合金成分分析优化方法 | |
| CN105911000A (zh) | 基于特征波段的血斑蛋在线检测方法 | |
| CN116952586A (zh) | 基于1d-dcnn的车轴疲劳裂纹识别方法 | |
| CN102967557B (zh) | 基于近红外光谱的生物气溶胶含水量测定及其分类方法 | |
| CN107037000A (zh) | 一种环保醇类柴油的检测方法 | |
| CN110186870A (zh) | 一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法 | |
| Zhu et al. | Online discriminant model of blood spot eggs based on spectroscopy | |
| CN113418889B (zh) | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 | |
| CN114414524A (zh) | 快速检测航空煤油性质的方法 | |
| Iwata et al. | AI-aided Hammering Test System to Automatically Generate Anomaly Maps. | |
| CN112861414A (zh) | 基于红外光谱主成分和神经网络的生物质碳含量测量与建模方法 |
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 |