CN115792165A - 一种环境水质智能监测方法及系统 - Google Patents
一种环境水质智能监测方法及系统 Download PDFInfo
- Publication number
- CN115792165A CN115792165A CN202310046199.0A CN202310046199A CN115792165A CN 115792165 A CN115792165 A CN 115792165A CN 202310046199 A CN202310046199 A CN 202310046199A CN 115792165 A CN115792165 A CN 115792165A
- Authority
- CN
- China
- Prior art keywords
- water quality
- drainage
- index
- water
- characteristic
- 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.)
- Granted
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种环境水质智能监测方法及系统,属于数据处理技术领域,所述方法包括:对待监测水域进行邻域工厂采集,获取邻域工厂集合;进行排水检测,获取特征排水物质集合;进行排水指标分析,以计算获取的排水指标作为信息熵赋值参数对特征排水物质集合进行信息熵赋值;对待监测水域进行采样,获取水质采样数据集;搭建水质环境模型;以特征排水物质集合作为水质变量、以信息熵赋值结果为水质变量的权参,对水质环境模型进行非线性拟合,输出水质监测模型,获取水质预警信息。本申请解决了现有技术中存在水质动态监测的智能化程度低,监测结果可靠性差的技术问题,达到了提高水质监测的准确程度,提高预警可靠程度的技术效果。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种环境水质智能监测方法及系统。
背景技术
目前,主要通过对水域进行人工抽样和探析的方式,对水域内水质进行检测,通过定期检测的方式对水质的变化进行统计,进而对统计数据进行深入挖掘,数据比对,指标验证的方法,得到水域的水环境是否存在污染。
然而,通过人工抽样的方式,不仅检测效率低,而且受限于工作人员的能力和在检测过程中的规范程度,导致检测结果与实际的水环境之间的差异度较大。而且,采用人工抽样检测的方式,检测周期长,而水域环境随着水流的流入和流出,水质状态在不断的发生变化,检测结果距离实际的水环境之间的时间差过大,无法代表当下的水环境状态。因此,现有技术中存在水质动态监测的智能化程度低,监测结果可靠性差的技术问题。
发明内容
本申请的目的是提供一种环境水质智能监测方法及系统,用以解决现有技术中存在水质动态监测的智能化程度低,监测结果可靠性差的技术问题。
鉴于上述问题,本申请提供了一种环境水质智能监测方法及系统。
第一方面,本申请提供了一种环境水质智能监测方法,其中,所述方法应用于环境水质智能监测系统,所述系统与数据检测装置通信连接,所述方法包括:对待监测水域进行邻域工厂采集,获取邻域工厂集合,其中,所述邻域工厂集合为排水系统与待监测水域存在水流汇聚的工厂;通过对所述邻域工厂集合中的各个工厂进行排水检测,获取特征排水物质集合,其中,所述特征排水物质集合与所述领域工厂集合一一对应;对所述特征排水物质集合进行排水指标分析,以计算获取的排水指标作为信息熵赋值参数对所述特征排水物质集合进行信息熵赋值,获取信息熵赋值结果;对所述待监测水域进行采样,获取水质采样数据集;按照所述水质采样数据集,搭建水质环境模型;以所述特征排水物质集合作为水质变量、以所述信息熵赋值结果为所述水质变量的权参,对所述水质环境模型进行非线性拟合,输出水质监测模型;根据所述水质监测模型,获取水质预警信息。
另一方面,本申请还提供了一种环境水质智能监测系统,其中,所述系统包括:邻域工厂获得模块,所述邻域工厂获得模块用于对待监测水域进行邻域工厂采集,获取邻域工厂集合,其中,所述邻域工厂集合为排水系统与待监测水域存在水流汇聚的工厂;排水物质获得模块,所述排水物质获得模块用于通过对所述邻域工厂集合中的各个工厂进行排水检测,获取特征排水物质集合,其中,所述特征排水物质集合与所述领域工厂集合一一对应;信息熵赋值模块,所述信息熵赋值模块用于对所述特征排水物质集合进行排水指标分析,以计算获取的排水指标作为信息熵赋值参数对所述特征排水物质集合进行信息熵赋值,获取信息熵赋值结果;水质数据获得模块,所述水质数据获得模块用于对所述待监测水域进行采样,获取水质采样数据集;环境模型搭建模块,所述环境模型搭建模块用于按照所述水质采样数据集,搭建水质环境模型;检测模型输出模块,所述监测模型输出模块用于以所述特征排水物质集合作为水质变量、以所述信息熵赋值结果为所述水质变量的权参,对所述水质环境模型进行非线性拟合,输出水质监测模型;预警信息获得模块,所述预警信息获得模块用于根据所述水质监测模型,获取水质预警信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过对待监测水域进行邻域工厂采集,得到排水系统与待监测水域存在水流汇聚的工厂,对其进行汇总得到邻域工厂集合,通过对邻域工厂集合中的各个工厂进行排水检测,得到特征排水物质集合,进而,通过排水物质集合与领域工厂集合一一对应,保证后续影响水质的物质来源定位监测的可靠性,进而,通过对特征排水物质集合进行排水指标分析,以计算获取的排水指标作为信息熵赋值参数对特征排水物质集合进行信息熵赋值,从而得到信息熵赋值结果,然后对待监测水域进行采样,获取水质采样数据集,进而根据水质采样数据集,搭建水质环境模型,通过以特征排水物质集合作为水质变量、以信息熵赋值结果为水质变量的权参,对水质环境模型进行非线性拟合,输出水质监测模型,然后根据水质监测模型,获取水质预警信息。达到了综合考虑水域自身的净化能力,对水域水质进行动态实时监测,提高水质监测的准确性的技术效果。
附图说明
为了更清楚地说明本申请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获得其他的附图。
图1为本申请实施例提供的一种环境水质智能监测方法的流程示意图;
图2为本申请实施例提供的一种环境水质智能监测方法中对特征排水物质集合进行排水指标分析的流程示意图;
图3为本申请实施例提供的一种环境水质智能监测方法中获取水质预警信息的流程示意图;
图4为本申请一种环境水质智能监测系统的结构示意图。
附图标记说明:邻域工厂获得模块11,排水物质获得模块12,信息熵赋值模块13,水质数据获得模块14,环境模型搭建模块15,检测模型输出模块16,预警信息获得模块17。
具体实施方式
本申请通过提供一种环境水质智能监测方法及系统,解决了现有技术中存在水质动态监测的智能化程度低,监测结果可靠性差的技术问题。达到了对水质进行实时动态的智能化监测,提高监测预警的准确程度的技术效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,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,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种环境水质智能监测方法,其中,所述方法应用于环境水质智能监测系统,所述系统与数据检测装置通信连接,所述方法包括:
步骤S100:对待监测水域进行邻域工厂采集,获取邻域工厂集合,其中,所述邻域工厂集合为排水系统与待监测水域存在水流汇聚的工厂;
具体而言,所述待监测水域是要进行水质监测的任意一个水域范围。水域水质不仅受到周围环境、天气等自然因素的限制,还受到周围的工厂排放物质的影响,因此要对待监测水域周围的工厂信息进行采集,从而确定周围工厂对于水域水质的影响提供分析数据。所述邻域工厂是排水系统与待监测水域之间存在水流汇聚的,在待监测水域周围的工厂。所述邻域工厂集合反映了对待监测水域的水质产生外部影响的工厂集合。所述数据检测装置是对水域内的采样样本进行水质检测的装置,包括COD测定仪、BOD速测仪、氨氮检测仪等。由此,达到了对产生影响水质的外部因素的工厂进行采集,获得水质影响对象,提高水质监测分析的准确度的技术效果。
步骤S200:通过对所述邻域工厂集合中的各个工厂进行排水检测,获取特征排水物质集合,其中,所述特征排水物质集合与所述领域工厂集合一一对应;
具体而言,在获得所述邻域工厂集合后,对集合内的各个工厂排水情况进行检测,通过水质检测设备对各个工厂的排水系统中排出的废水进行检测,得到所述特征排水物质集合。由于生产产品和生产工艺的不同,不同工厂的排水系统中排放的物质不同,因此,所述排水物质集合与所述邻域工厂集合一一对应。其中,所述特征排水物质集合反映了邻域工厂对所述待监测水域由于水流汇集,使工厂生产排放进待监测水域的物质情况。示例性的,默河水域周围开设有养猪场、造纸厂和水泥厂,养猪场的排水系统与默河水域不产生交叉,造纸厂和水泥厂的污水经过处理后流入默河水域中,进而,需要对造纸厂和水泥厂的排放废水进行检测,得到造纸厂的特征排水物质为悬浮物、树脂、烧碱、纤维素等,水泥厂的特征排水物质为重金属、氯化物等。通过得到所述特征排水物质集合,为后续对水质的影响物质进行获取,达到了提高水质影响分析的准确程度,提高水质监测结果的可靠程度的技术效果。
步骤S300:对所述特征排水物质集合进行排水指标分析,以计算获取的排水指标作为信息熵赋值参数对所述特征排水物质集合进行信息熵赋值,获取信息熵赋值结果;
进一步的,如图2所示,所述对所述特征排水物质集合进行排水指标分析,本申请实施例步骤S300还包括:
步骤S310:分析所述特征排水物质集合中各个排水物质与水质环境的影响度,获取多个影响度集合,其中,所述多个影响度集合与所述特征排水物质集合一一对应;
步骤S320:根据所述多个影响度集合进行主成分分析,获取N个特征排水物质;
步骤S330:根据所述N个特征排水物质,获取N个信息熵赋值结果。
具体而言,在获得所述特征排水物质集合后,即对所述待监测水域的影响因素进行获取,然后分析各个特征排水物质对水域的影响程度。在分析影响程度时,常常会表明一个特征排水物质的影响很大,但是对于具体影响程度无法进行准确描述,因此,通过对排水物质集合进行排水指标分析,进而,将排水指标作为信息熵赋值参数,对各个特征排水物质进行影响程度的信息熵赋值,对影响程度进行量化描述,达到了对影响程度进行准确计算,提高监测分析可靠性的技术效果。
具体的,所述排水指标是指各个特征排水物质对应的物质浓度和物质量的大小,从而对各个特征排水物质进行准确描述。所述信息熵赋值参数是指进行信息熵大小赋值时的参考依据,赋值参数越高,对特征排水物质赋值越高。所述信息熵赋值结果反映了特征排水物质集合中各物质对水域的影响程度。所述多个影响度集合是各个排水物质对水质的影响程度进行汇总得到的,多个影响度集合中的影响度与所述特征排水物质集合中的特征排水物质一一对应。优选的,通过对各个排水物质的危害性、浓度,排放量进行采集,按照预设权重对危害性、浓度,排放量三个指标对应的数据进行加权计算,得到影响度。预设权重由工作人员根据需求自行设定,在此不做限制。
具体的,对获得的多个影响度集合进行主成分分析,将多个影响度之间可能存在相互关联关系的影响度,转换为两两不相关的影响度,从而得到尽可能少的影响因素,并且由于两两不相关,从而降低影响度之间的关联程度,对数据进行降维,用低维数据尽可能多的表达高维数据包含的信息。即通过筛选出N个特征排水物质来表达所述特征排水物质集合中物质对所述监测水域的影响程度。所述N个特征排水物质是筛选出的可以代表邻域工厂的排放对待监测水域的影响程度的物质。进而,根据所述N个特征排水物质的影响度,得到N个信息熵赋值结果,影响度越大,信息熵赋值越高。由此,达到了对多个特征排水物质进行合理筛选,并保证数据质量不受影响,从而简化分析数量,提高分析效率的技术效果。
步骤S400:对所述待监测水域进行采样,获取水质采样数据集;
步骤S500:按照所述水质采样数据集,搭建水质环境模型;
具体而言,对所述待监测水域进行实时采样,对采取的水样进行水质检测,并获得采样水质的环境数据信息,组成所述水质采样数据集。其中,所述水质采样数据集反映了待监测水域的实时水质环境情况,包括水质检测信息、环境温度、日照情况、湿度情况等数据。进而,根据所述水质采样数据集,组建水质环境模型。所述水质环境模型是根据水质采样数据智能化分析待监测水域的水质环境,即待监测水域的自净化能力。
优选的,通过获取待监测水域的历史水质采样数据集和对应的历史水质环境数据,并对历史水质环境数据进行标记,将历史水质采样数据集和标记后的历史水质环境数据组合为历史数据集,按照一定的比例,将历史数据集划分为训练集和验证集,其中,划分比例可以是2:1。通过训练集对卷积神经网络进行训练,将输出结果训练至收敛,并利用标记后的历史水质环境数据对训练过程进行监督,进而,套拿过所述验证集对训练好的水质环境模型进行准确度验证,当得到的准确度满足要求时,输出所述水质环境模型。达到了对水域的自净化水质情况进行智能化分析,提高分析效率和分析准确度的技术效果。
步骤S600:以所述特征排水物质集合作为水质变量、以所述信息熵赋值结果为所述水质变量的权参,对所述水质环境模型进行非线性拟合,输出水质监测模型;
进一步的,本申请实施例步骤S600还包括:
步骤S610:以所述N个特征排水物质作为水质变量、以所述N个信息熵赋值结果为所述水质变量的权参,生成网络关系层;
步骤S620:以所述网络关系层作为所述水质环境模型的添加层进行非线性拟合,输出水质监测模型,其中,所述水质监测模型为连接水质环境模型进行函数关系二次训练后的神经网络模型。
具体而言,所述水质变量是指对水质产生影响的变化因素,所述水质变量的权参是指水质变量对水质产生影响的程度进行量化的权重参数,从而对影响程度进行准确计算。进而,通过以所述N个特征排水物质作为水质变量,即通过对特征排水物质进行筛选,减少变量,提高整体分析时的准确度,避免分析数据过多导致分析结果无法收敛,影响准确性。进而,以所述N个信息熵赋值结果作为计算水质变量的影响程度的权重参数,得到所述网络关系层。其中,所述网络关系层是指对特征排水物质对水质环境的影响程度进行分析的网络层。然后,在所述水质环境模型中加入所述网络关系层作为添加层,对水质环境进行水质变量影响的非线性拟合,从而得到所述水质监测模型。
具体的,根据所述网络关系层中水质变量的权重参数和水质变量,对水质环境模型的水质环境结果按照对应的水质变量进行调整,调整幅度根据所述水质变量的权参来定。优选的,利用非线性最小二乘法进行数据非线性拟合,从而得到水质监测模型。从而利用所述水质监测模型对水质受到水质变量影响后的水质情况进行实时监测,达到了对水质进行实时监测,量化分析影响情况,基于水域自身的净化能力,分析水质影响的技术效果。
步骤S700:根据所述水质监测模型,获取水质预警信息。
进一步的,如图3所示,所述根据所述水质监测模型,获取水质预警信息,本申请实施例步骤S700还包括:
步骤S710:根据所述水质监测模型,获取水质监测数据;
步骤S720:根据所述水质环境模型,获取水质环境数据,其中,所述水质环境数据与所述水质监测数据具有时序对应性;
步骤S730:以所述水质监测数据和所述水质环境数据进行数据比对,生成双维变化曲线;
步骤S740:对所述双维变化曲线进行水质维稳性分析,获取水质维稳指标;
步骤S750:根据所述水质维稳指标,获取所述水质预警信息。
具体而言,根据所述水质监测模型得到实时待监测水域的水质监测数据,其中,所述水质监测数据是将水质影响因素考虑进去后,拟合影响程度后得到水质数据,包括水中离子含量、微生物含量、溶解氧含量等数据。进而,根据所述水质环境模型得到不考虑水质影响因素,仅仅考虑水域自身的净化能力得到的水质环境数据。所述水质环境数据的监测时间与所述水质监测数据对应的监测时间,按照时间顺序具有一一对应性。进而,通过对水质监测数据和水质环境数据中的各个项目的数据进行数据比对,以时间为横坐标,以项目数据为纵坐标,得到水质监测变化曲线和水质环境监测变化曲线,组成所述双维变化曲线。进而,根据所述双维变化曲线进行水质对于外部污染的净化能力分析,从而得到所述水质维稳指标。所述水质维稳指标反映了水质净化能力大小。当水质维稳指标中超过了所述待监测水域的水质净化能力,即仅仅依靠水域自身净化,无法消除邻域工厂造成的污染,此时获得所述水质预警信息。其中,所述水质预警信息用于提醒工作人员水质变化超出水域自身控制范围,需要进行人工处理。由此,达到了对水质进行双维度分析,从而得到更加准确的监测结果的技术效果。
进一步的,所述根据所述水质维稳指标,获取所述水质预警信息,本申请实施例步骤S750还包括:
步骤S751:根据预警判断模块,对所述水质维稳指标进行判断,所述预警判断模块包括存储器、判断器和预警器;
步骤S752:其中,所述存储器中存储有预设水质维稳指标,所述判断器通过调用所述存储器中的所述预设水质维稳指标,判断所述水质维稳指标是否处于所述预设水质维稳指标内,若不处于,将生成水质预警信息由所述预警器发出。
进一步的,本申请实施例步骤S752还包括:
步骤S7521:若所述水质维稳指标不处于所述预设水质维稳指标内,引入所述水质维稳指标和所述预设水质维稳指标至损失函数中;
步骤S7522:根据所述损失函数,输出水质维稳损失数据;
步骤S7523:通过对所述水质维稳损失数据进行n阶降维,以n阶降维后的数据获取损失定位结果,其中,所述损失定位结果为水质污染物质的定位结果;
步骤S7524:将所述损失定位结果通过所述预警器作为附加信息输出。
具体而言,所述预警判断模块是对水质维稳指标进行预警判断,判断其是否在合理范围内的功能模块,包括存储器、判断器、预警器、其中,所述存储器是用于存储预设水质维稳指标的单元,所述预设水质维稳指标是预先设置的水质变化在水域自净化范围内的指标。所述判断器是用于对水质维稳指标进行范围判断的单元,通过调佣所述存储器中的预设水质维稳指标,将其与水质维稳指标进行比对判断,当不处于所述预设水质维稳指标内时,得到所述水质预警信息,通过所述预警器将所述水质预警信息发出。从而,达到了对水质维稳指标进行判断,得到可靠的水质预警情况的技术效果。
具体的,当所述水质维稳指标不处于所述预设水质维稳指标内时,通过根据所述损失函数对指标之间的损失情况进行分析。其中,所述损失函数是用来度量预设水质维稳指标与所述预设水质维稳指标之间的差异程度的运算函数,是一个非负实值函数。优选的,所述损失函数可以采用均方差损失函数、平均绝对误差损失函数和分位数损失函数等。所述水质维稳损失数据是根据损失函数计算出的水质维稳指标与所述预设水质维稳指标之间不符的数据。进而,通过对所述水质维稳损失数据进行多次降维分析,根据损失数据的损失程度进行n阶降维,直至获得损失最大,对水质影响最深的数据,根据其获得水质污染物质的定位结果,即所述损失定位结果。并将损失定位结果作为附加信息,随水质预警信息输出。从而,得到对待监测水域影响最大的污染物位置,达到了对污染物质进行准确的定位分析,提高监测的准确度的技术效果。
进一步的,所述判断所述水质维稳指标是否处于所述预设水质维稳指标内,本申请实施例步骤S752还包括:
步骤S7525:若所述水质维稳指标不处于所述预设水质维稳指标内,对所述水质维稳损失数据进行损失值分析,获取损失指数;
步骤S7526:若所述损失指数大于预设损失指数,基于所述水质预警信息连接目标工厂的排水系统,生成排水调节参数。
具体而言,当所述水质维稳指标不处于所述预设水质维稳指标内,通过对所述水质维稳损失数据进行量化损失分析计算,得到所述损失指数。优选的,通过对水质维稳损失数据与所述预设水质维稳指标相比,得到所述损失指数。所述预设损失指数是指预先设置的水质损失在合理范围内的数值。当所述损失指数大于所述预设损失指数时,表明此时损失情况超出可控范围,通过根据所述水质预警信息,以及附加的水质污染物质的定位结果得到目标工厂。其中,所述目标工厂是产生水质污染物质的工厂。通过连接目标工厂的排水系统,根据损失情况,得到排水调节参数。其中,所述排水调节参数是所述目标工厂的排水处理参数,当损失指数大于预设损失指数,表明此时目标工厂对排水的处理等级不够,会对待监测水域造成影响,因此,根据所述排水调节参数增强对排水的处理,从而避免对水域造成污染。达到了对污染物质进行溯源,并得到准确的调节参数,从而形成水质监测、预警、处理的闭环,提高水质监测的准确度和质量的技术效果。
综上所述,本申请所提供的一种环境水质智能监测方法具有如下技术效果:
1.本申请通过根据水流汇聚的情况对待监测水域周围的邻域工厂进行采集,实现对可能污染源进行采集的目标,进而根据邻域工厂的生产制造情况,对排水中的物质情况进行检测,获取每个邻域工厂的特征排水物质集合,并根据检测时的对应关系,确定特征排水物质集合与领域工厂集合一一对应,然后对特征排水物质集合中的物质进行排水指标分析,分析物质的量和物质大小,从而计算获取排水指标,并将其作为信息熵赋值的参数,对物质集合中的物质进行逐一赋值,得到信息熵赋值结果,然后对待监测水域进行采样,通过采样水质的分析,实现对水域自净化能力的分析,进而得到对水域自身固有的处理能力进行分析的水质环境模型,然后通过将特征排水物质集合作为对水质产生影响的变量、根据信息熵赋值结果确定各个变量影响程度的权重参数,对水质环境模型中的数据进行非线性拟合,然后得到水质监测模型,对邻域工厂排放物对水域的影响情况进行实时动态监测,进而分析得到水质预警信息。达到了提高水质监测的准确性,智能化的进行实时动态监测,缩短反馈周期,提高监测效率的技术效果。
2.本申请实施例通过对特征排水物质集合中各个排水物质对水质环境的影响程度进行分析,从而对物质对水质环境的影响程度进行量化计算,然后根据计算结果,进行主成分分析,筛选以最少的物质来表现整体对水域环境的影响,从而得到N个特征排水物质,进而根据N个特征排水物质对物质的信息熵进行分析赋值,得到N个信息熵赋值结果。达到了对水质的影响物质进行筛选,在保证数据可靠的前提下,减少分析数据,从而提高分析效率的技术效果。
实施例二
基于与前述实施例中一种环境水质智能监测方法同样的发明构思,如图4所示,本申请还提供了一种环境水质智能监测系统,其中,所述系统包括:
邻域工厂获得模块11,所述邻域工厂获得模块11用于对待监测水域进行邻域工厂采集,获取邻域工厂集合,其中,所述邻域工厂集合为排水系统与待监测水域存在水流汇聚的工厂;
排水物质获得模块12,所述排水物质获得模块12用于通过对所述邻域工厂集合中的各个工厂进行排水检测,获取特征排水物质集合,其中,所述特征排水物质集合与所述领域工厂集合一一对应;
信息熵赋值模块13,所述信息熵赋值模块13用于对所述特征排水物质集合进行排水指标分析,以计算获取的排水指标作为信息熵赋值参数对所述特征排水物质集合进行信息熵赋值,获取信息熵赋值结果;
水质数据获得模块14,所述水质数据获得模块14用于对所述待监测水域进行采样,获取水质采样数据集;
环境模型搭建模块15,所述环境模型搭建模块15用于按照所述水质采样数据集,搭建水质环境模型;
监测模型输出模块16,所述监测模型输出模块16用于以所述特征排水物质集合作为水质变量、以所述信息熵赋值结果为所述水质变量的权参,对所述水质环境模型进行非线性拟合,输出水质监测模型;
预警信息获得模块17,所述预警信息获得模块17用于根据所述水质监测模型,获取水质预警信息。
进一步的,所述系统还包括:
监测数据获得单元,所述监测数据获得单元用于根据所述水质监测模型,获取水质监测数据;
水质环境数据获取单元,所述水质环境数据获取单元用于根据所述水质环境模型,获取水质环境数据,其中,所述水质环境数据与所述水质监测数据具有时序对应性;
双维变化曲线生成单元,所述双维变化曲线生成单元用于以所述水质监测数据和所述水质环境数据进行数据比对,生成双维变化曲线;
维稳指标获取单元,所述维稳指标获取单元用于对所述双维变化曲线进行水质维稳性分析,获取水质维稳指标;
水质预警信息获取单元,所述水质预警信息获取单元用于根据所述水质维稳指标,获取所述水质预警信息。
进一步的,所述系统还包括:
维稳指标判断单元,所述维稳指标判断单元用于根据预警判断模块,对所述水质维稳指标进行判断,所述预警判断模块包括存储器、判断器和预警器;
判断模块设定单元,所述判断模块设定单元用于设定所述存储器中存储有预设水质维稳指标,所述判断器通过调用所述存储器中的所述预设水质维稳指标,判断所述水质维稳指标是否处于所述预设水质维稳指标内,若不处于,将生成水质预警信息由所述预警器发出。
进一步的,所述系统还包括:
指标引入单元,所述指标引入单元用于若所述水质维稳指标不处于所述预设水质维稳指标内,引入所述水质维稳指标和所述预设水质维稳指标至损失函数中;
损失数据输出单元,所述损失数据输出单元用于根据所述损失函数,输出水质维稳损失数据;
损失定位结果获得单元,所述损失定位结果获得单元用于通过对所述水质维稳损失数据进行n阶降维,以n阶降维后的数据获取损失定位结果,其中,所述损失定位结果为水质污染物质的定位结果;
附加信息输出单元,所述附加信息输出单元用于将所述损失定位结果通过所述预警器作为附加信息输出。
进一步的,所述系统还包括:
影响度集合获得单元,所述影响度集合获得单元用于分析所述特征排水物质集合中各个排水物质与水质环境的影响度,获取多个影响度集合,其中,所述多个影响度集合与所述特征排水物质集合一一对应;
排水物质获取单元,所述排水物质获取单元用于根据所述多个影响度集合进行主成分分析,获取N个特征排水物质;
赋值结果获取单元,所述赋值结果获取单元用于根据所述N个特征排水物质,获取N个信息熵赋值结果。
进一步的,所述系统还包括:
网络关系层生成单元,所述网络关系层生成单元用于以所述N个特征排水物质作为水质变量、以所述N个信息熵赋值结果为所述水质变量的权参,生成网络关系层;
水质监测模型输出单元,所述水质监测模型输出单元用于以所述网络关系层作为所述水质环境模型的添加层进行非线性拟合,输出水质监测模型,其中,所述水质监测模型为连接水质环境模型进行函数关系二次训练后的神经网络模型。
进一步的,所述系统还包括:
损失指数获取单元,所述损失指数获取单元用于若所述水质维稳指标不处于所述预设水质维稳指标内,对所述水质维稳损失数据进行损失值分析,获取损失指数;
损失指数判断单元,所述损失指数判断单元用于若所述损失指数大于预设损失指数,基于所述水质预警信息连接目标工厂的排水系统,生成排水调节参数。
本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他实施例的不同之处,前述图1实施例一中的一种环境水质智能监测方法和具体实例同样适用于本实施例的一种环境水质智能监测系统,通过前述对一种环境水质智能监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种环境水质智能监测系统,所以为了说明书的简洁,在此不再详述。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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种环境水质智能监测方法,其特征在于,所述方法应用于环境水质智能监测系统,所述系统与数据检测装置通信连接,所述方法包括:
对待监测水域进行邻域工厂采集,获取邻域工厂集合,其中,所述邻域工厂集合为排水系统与待监测水域存在水流汇聚的工厂;
通过对所述邻域工厂集合中的各个工厂进行排水检测,获取特征排水物质集合,其中,所述特征排水物质集合与所述领域工厂集合一一对应;
对所述特征排水物质集合进行排水指标分析,以计算获取的排水指标作为信息熵赋值参数对所述特征排水物质集合进行信息熵赋值,获取信息熵赋值结果;
对所述待监测水域进行采样,获取水质采样数据集;
按照所述水质采样数据集,搭建水质环境模型;
以所述特征排水物质集合作为水质变量、以所述信息熵赋值结果为所述水质变量的权参,对所述水质环境模型进行非线性拟合,输出水质监测模型;
根据所述水质监测模型,获取水质预警信息。
2.如权利要求1所述的方法,其特征在于,所述根据所述水质监测模型,获取水质预警信息,包括:
根据所述水质监测模型,获取水质监测数据;
根据所述水质环境模型,获取水质环境数据,其中,所述水质环境数据与所述水质监测数据具有时序对应性;
以所述水质监测数据和所述水质环境数据进行数据比对,生成双维变化曲线;
对所述双维变化曲线进行水质维稳性分析,获取水质维稳指标;
根据所述水质维稳指标,获取所述水质预警信息。
3.如权利要求2所述的方法,其特征在于,所述根据所述水质维稳指标,获取所述水质预警信息,包括:
根据预警判断模块,对所述水质维稳指标进行判断,所述预警判断模块包括存储器、判断器和预警器;
其中,所述存储器中存储有预设水质维稳指标,所述判断器通过调用所述存储器中的所述预设水质维稳指标,判断所述水质维稳指标是否处于所述预设水质维稳指标内,若不处于,将生成水质预警信息由所述预警器发出。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
若所述水质维稳指标不处于所述预设水质维稳指标内,引入所述水质维稳指标和所述预设水质维稳指标至损失函数中;
根据所述损失函数,输出水质维稳损失数据;
通过对所述水质维稳损失数据进行n阶降维,以n阶降维后的数据获取损失定位结果,其中,所述损失定位结果为水质污染物质的定位结果;
将所述损失定位结果通过所述预警器作为附加信息输出。
5.如权利要求1所述的方法,其特征在于,所述对所述特征排水物质集合进行排水指标分析,还包括:
分析所述特征排水物质集合中各个排水物质与水质环境的影响度,获取多个影响度集合,其中,所述多个影响度集合与所述特征排水物质集合一一对应;
根据所述多个影响度集合进行主成分分析,获取N个特征排水物质;
根据所述N个特征排水物质,获取N个信息熵赋值结果。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
以所述N个特征排水物质作为水质变量、以所述N个信息熵赋值结果为所述水质变量的权参,生成网络关系层;
以所述网络关系层作为所述水质环境模型的添加层进行非线性拟合,输出水质监测模型,其中,所述水质监测模型为连接水质环境模型进行函数关系二次训练后的神经网络模型。
7.如权利要求4所述的方法,其特征在于,所述判断所述水质维稳指标是否处于所述预设水质维稳指标内,方法还包括:
若所述水质维稳指标不处于所述预设水质维稳指标内,对所述水质维稳损失数据进行损失值分析,获取损失指数;
若所述损失指数大于预设损失指数,基于所述水质预警信息连接目标工厂的排水系统,生成排水调节参数。
8.一种环境水质智能监测系统,其特征在于,所述系统包括:
邻域工厂获得模块,所述邻域工厂获得模块用于对待监测水域进行邻域工厂采集,获取邻域工厂集合,其中,所述邻域工厂集合为排水系统与待监测水域存在水流汇聚的工厂;
排水物质获得模块,所述排水物质获得模块用于通过对所述邻域工厂集合中的各个工厂进行排水检测,获取特征排水物质集合,其中,所述特征排水物质集合与所述领域工厂集合一一对应;
信息熵赋值模块,所述信息熵赋值模块用于对所述特征排水物质集合进行排水指标分析,以计算获取的排水指标作为信息熵赋值参数对所述特征排水物质集合进行信息熵赋值,获取信息熵赋值结果;
水质数据获得模块,所述水质数据获得模块用于对所述待监测水域进行采样,获取水质采样数据集;
环境模型搭建模块,所述环境模型搭建模块用于按照所述水质采样数据集,搭建水质环境模型;
检测模型输出模块,所述监测模型输出模块用于以所述特征排水物质集合作为水质变量、以所述信息熵赋值结果为所述水质变量的权参,对所述水质环境模型进行非线性拟合,输出水质监测模型;
预警信息获得模块,所述预警信息获得模块用于根据所述水质监测模型,获取水质预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310046199.0A CN115792165B (zh) | 2023-01-31 | 2023-01-31 | 一种环境水质智能监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310046199.0A CN115792165B (zh) | 2023-01-31 | 2023-01-31 | 一种环境水质智能监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115792165A true CN115792165A (zh) | 2023-03-14 |
CN115792165B CN115792165B (zh) | 2023-04-25 |
Family
ID=85429272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310046199.0A Active CN115792165B (zh) | 2023-01-31 | 2023-01-31 | 一种环境水质智能监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115792165B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629550A (zh) * | 2023-05-26 | 2023-08-22 | 扬州市勘测设计研究院有限公司 | 一种基于云计算的水环境监管方法及调度运行系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0985920A1 (fr) * | 1998-09-11 | 2000-03-15 | Naphtachimie | Procédé et dispositif de contrôle de qualité d'effluents |
CN110390429A (zh) * | 2019-07-15 | 2019-10-29 | 重庆邮电大学 | 一种基于神经网络的水环境质量预测系统及方法 |
CN111310976A (zh) * | 2020-01-19 | 2020-06-19 | 北京耘数科技有限责任公司 | 一种基于分布式计算的快速水质预报预警方法及系统 |
CN114935637A (zh) * | 2022-06-06 | 2022-08-23 | 倪文兵 | 基于大数据的环境污染监测系统 |
CN115239070A (zh) * | 2022-06-23 | 2022-10-25 | 邵芹 | 一种流域水环境有机污染物监测全过程质控指标评价系统 |
CN115577018A (zh) * | 2022-12-01 | 2023-01-06 | 北京华科仪科技股份有限公司 | 一种水质监测数据的智能处理方法及系统 |
-
2023
- 2023-01-31 CN CN202310046199.0A patent/CN115792165B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0985920A1 (fr) * | 1998-09-11 | 2000-03-15 | Naphtachimie | Procédé et dispositif de contrôle de qualité d'effluents |
CN110390429A (zh) * | 2019-07-15 | 2019-10-29 | 重庆邮电大学 | 一种基于神经网络的水环境质量预测系统及方法 |
CN111310976A (zh) * | 2020-01-19 | 2020-06-19 | 北京耘数科技有限责任公司 | 一种基于分布式计算的快速水质预报预警方法及系统 |
CN114935637A (zh) * | 2022-06-06 | 2022-08-23 | 倪文兵 | 基于大数据的环境污染监测系统 |
CN115239070A (zh) * | 2022-06-23 | 2022-10-25 | 邵芹 | 一种流域水环境有机污染物监测全过程质控指标评价系统 |
CN115577018A (zh) * | 2022-12-01 | 2023-01-06 | 北京华科仪科技股份有限公司 | 一种水质监测数据的智能处理方法及系统 |
Non-Patent Citations (1)
Title |
---|
王晴晴;陈星;常进;: "主成分分析法与熵值法结合在水质评价中的应用" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629550A (zh) * | 2023-05-26 | 2023-08-22 | 扬州市勘测设计研究院有限公司 | 一种基于云计算的水环境监管方法及调度运行系统 |
CN116629550B (zh) * | 2023-05-26 | 2023-11-07 | 扬州市勘测设计研究院有限公司 | 一种基于云计算的水环境监管方法及调度运行系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115792165B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114022052B (zh) | 水质异常监测方法、装置、存储介质及计算机设备 | |
CN107480698B (zh) | 基于多个监测指标的质量控制方法 | |
CN108665119B (zh) | 一种供水管网异常工况预警方法 | |
CN109784752A (zh) | 一种三峡库区水体富营养化风险评估预警系统及其分析方法 | |
CN115577018B (zh) | 一种水质监测数据的智能处理方法及系统 | |
CN114674988B (zh) | 一种基于无线网络的空气在线监测系统 | |
CN115792165A (zh) | 一种环境水质智能监测方法及系统 | |
CN113610381B (zh) | 一种基于5g网络的水质远程实时监测系统 | |
CN113671142A (zh) | 一种污水多参数水质监测分析方法、系统及计算机存储介质 | |
CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
CN114608741A (zh) | 一种基于大数据的压力传感器采集系统 | |
CN110716978A (zh) | 一种山区水库式水源地智能管理方法 | |
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 | |
CN113333304B (zh) | 一种基于互联网的环保卷材检测评估分拣系统 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN115171362A (zh) | 一种面向重点区域防控的预警方法及系统 | |
CN115293940A (zh) | 基于工业互联网的环境监测系统 | |
CN111022935B (zh) | 污水处理设备风管管网破漏检测方法、装置及系统 | |
CN109521312B (zh) | 一种非技术线损检测方法、装置及系统 | |
CN113780071A (zh) | 一种黑臭水体遥感识别系统及方法 | |
CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
CN117371873B (zh) | 一种基于大数据的环境保护工程用污水评估方法 | |
CN113159605B (zh) | 基于逻辑回归的化工装置智能化报警方法及系统 | |
CN110658316A (zh) | 一种水质在线监测方法及系统 | |
CN117870034B (zh) | 洁净室环境参数的控制方法、装置及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |