CN116124705A - 一种基于全光谱扫描的水质多参数在线监测系统 - Google Patents
一种基于全光谱扫描的水质多参数在线监测系统 Download PDFInfo
- Publication number
- CN116124705A CN116124705A CN202211488959.5A CN202211488959A CN116124705A CN 116124705 A CN116124705 A CN 116124705A CN 202211488959 A CN202211488959 A CN 202211488959A CN 116124705 A CN116124705 A CN 116124705A
- Authority
- CN
- China
- Prior art keywords
- full spectrum
- water
- water quality
- module
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/34—Purifying; Cleaning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/40—Concentrating samples
-
- 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
-
- 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
Abstract
本发明涉及水质监测技术领域,特别涉及一种基于全光谱扫描的水质多参数在线监测系统。其包括:进样模块,用于将所分析水样采集进入监测系统;离心预处理模块,用于对水样进行离心预处理,以去除水体中的悬浮性颗粒杂质;固相萃取模块,对于水体中低浓度的、需要进行富集预处理的物质进行富集操作;全光谱数据采集模块,用于对水样进行全光谱波段信息采集并将所采集数据传输到数据处理与分析模块;数据处理与分析模块,内含降噪处理单元、水质类别识别单元、全光谱多物质联合监测单元,按需进行单元调取。本系统普适性高、监测成本低,能够为水系统智慧管控和新污染物监测提供技术支撑。
Description
技术领域
本发明涉及水质监测技术领域,特别涉及一种基于全光谱扫描的水质多参数在线监测系统。
背景技术
随着经济的发展,人民的生活水平日益提高,对于水质的要求也随之增加。水质指标的监测一般包括COD、三氮、总磷等常规指标;随着新兴污染物等概念的提出,水质监测领域不断细化,对于水质监测的内容有了更高的要求。
现有的水质监测手段主要包括化学法、电化学法、原子吸收分光光度法、液相色谱法、气相色谱串联质谱法等。现有方法存在着操作流程复杂、前处理耗时长、进样要求高、仪器设备昂贵等问题,不适用于现场实时监测。紫外/可见分光光度法由于测样快、对样品要求低、适用性广泛、测样成本低廉等优点,在在线监测领域得到了广泛的应用。
但现有的紫外/可见分光光度法多采用单一波长对物质进行定量,当存在相似吸收波长干扰物质时易造成结果的误读。且监测水体中物质种类繁多,单一波长的数据监测已经不能满足日益精细化的监测需求。同时,常规的紫外/可见分光光度法对于水体中低浓度物质不能进行有效识别,这大大限制了其应用范围。
发明内容
本发明提供一种基于全光谱扫描的水质多参数在线监测系统,旨在解决现有技术中提到的紫外/可见分光光度法在实时水质监测中存在的问题。一方面,通过全光谱扫描结合相关算法提升对于水体中多物质联合监测的可行性;另一方面,通过设计添加固相萃取模块,提升该系统对于水体中低浓度物质如新型污染物等的有效监测能力。
本发明提供一种基于全光谱扫描的水质多参数在线监测系统,包括:
进样模块,用于将所分析水样采集进入监测系统;
离心预处理模块,用于对水样进行离心预处理,以去除水体中的悬浮性颗粒杂质;
固相萃取模块,对于水体中低浓度的、需要进行富集预处理的物质进行富集操作;
全光谱数据采集模块,用于对水样进行全光谱波段信息采集并将所采集数据传输到数据处理与分析模块;
数据处理与分析模块,内含降噪处理单元、水质类别识别单元、全光谱多物质联合监测单元,按需进行单元调取;
所述水质多参数在线监测系统由两条独立的同步监测通道组成,包括:
水质常规污染物监测通道,通过直接扫描原始水样进行水质常规污染物的监测,其进样通路为:水样经由进样模块、离心预处理模块、全光谱数据采集模块、数据处理与分析模块完成水质参数分析;
水质新污染物监测通道,通过耦合固相萃取进行新污染物的监测,其进样通路为:水样经由进样模块、离心预处理模块、固相萃取模块、全光谱数据采集模块、数据处理与分析模块完成水质参数分析。
作为本发明的进一步改进,所述进样模块包括蠕动泵、步进电机,所述步进电机驱动蠕动泵,所述蠕动泵一端对接待测水质,其另一端对接离心预处理模块。
作为本发明的进一步改进,所述离心预处理模块包括离心机、多种尺寸的离心管,每种尺寸的离心管有偶数支,采样时水样根据相应进样体积分别进入对应尺寸离心管,同时在离心机中对称位置的离心管自动注入相同体积液体;离心后的水样取上清液进入固相萃取模块或全光谱数据采集模块。
作为本发明的进一步改进,所述 固相萃取模块中,采用固相萃取柱对水样完成萃取工作,并进行柱体活化、上样、清洗、洗脱的富集步骤,洗脱后通过氮吹、红外定容技术对水样中待测物质进行浓缩定容。
作为本发明的进一步改进,所述全光谱数据采集模块包括采集未浓缩原始水样全光谱信息的第一进样单元、采集经过固相萃取模块浓缩水样全光谱信息的第二进样单元,所述第一进样单元和第二进样单元相互独立,所述第一进样单元和第二进样单元均包括有用于采样的比色皿、用于照射水样的全光谱光源。
作为本发明的进一步改进,所述全光谱光源包括氙灯、氘灯、钨灯中的一种或者多种的组合形式。
作为本发明的进一步改进,所述数据处理与分析模块中,各单元的执行过程为:
所述降噪处理单元利用相关降噪模型对全光谱数据采集模块传输的水样全光谱数据进行全波段降噪;
所述水质类别识别单元通过对降噪后的全光谱数据进行一阶求导处理,得到一阶导数光谱,并将降噪处理后的原始全光谱数据与一阶导数全光谱数据作为数据集一起输入卷积神经网络模型,使用卷积神经网络对水样类型予以判别区分;
所述全光谱多物质联合监测单元利用水质类别识别单元识别结果、经过降噪处理后的原始全光谱数据、一阶导数全光谱数据,基于最小二乘法、卷积神经网络双模型对数据进行处理,并通过训练集积累参数对于两个模型的输出结果进行赋权,赋权后的结果作为水质中多物质联合监测结果。
作为本发明的进一步改进,所述降噪处理单元中的降噪模型包括但不限于傅里叶变换降噪模型、小波变换降噪模型。
作为本发明的进一步改进,水质中污染物的目标测量物质包括但不限于COD、BOD、TSS、氨氮、亚硝氮、硝氮、磷酸盐、持久性有机污染物、内分泌干扰物、抗生素。
作为本发明的进一步改进,目标测量物质浓度检测范围:COD为10-2000mg/L、氨氮为0.1-250mg/L、亚硝氮为0.1-250mg/L、硝氮为0.1-250mg/L、磷酸盐为0.1-250mg/L;持久性有机污染物为1-50000ug/L、内分泌干扰物为1-50000ug/L、抗生素为1-50000ug/L。
本发明的有益效果是:设计了一套用于常规污染物及新污染物同步在线监测的系统,在基于全光谱法的前提下,采用双通道的设计思想,很好地解决了现有技术存在的问题。首先,基于全光谱法的数据解析避免了单一波长解析引起的物质测量误差,同时利用不同物质的全光谱图像差异,可以实现多种水质指标的一体化监测。而双通道进样体系的设计,则很好地解决了水质中低浓度物质测定的需求,通过常规指标常规通路、低浓度特殊指标富集浓缩的办法,极大的拓展了紫外/可见分光光度法能够测定的指标范围。本发明的系统,普适性高、监测成本低,能够为水系统智慧管控和新污染物监测提供技术支撑。
附图说明
图1是本发明基于全光谱扫描的水质多参数在线监测系统的结构图;
图2是本发明基于全光谱扫描的水质多参数在线监测系统的设计流程图;
图3是本发明中数据处理与分析模块的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
本发明基于两方面的因素提出一种基于全光谱扫描的水质多参数在线监测系统。一方面,现有水质分析方法在现场实时水质监测中存在如操作流程复杂、前处理耗时长、进样要求高、仪器设备昂贵等问题;另一方面,应用日益广泛、监测成本低廉的紫外/可见分管光度法存在着单一波长定量易引起较大误差、监测水质指标单一、无法监测低浓度物质等问题。
如图1和2所示,本发明的一种基于全光谱扫描的水质多参数在线监测系统包括:
进样模块1,用于将所分析水样采集进入监测系统;
离心预处理模块2,用于对水样进行离心预处理,以去除水体中的悬浮性颗粒杂质;
固相萃取模块3,对于水体中低浓度的、需要进行富集预处理的物质进行富集操作;
全光谱数据采集模块4,用于对水样进行全光谱波段信息采集并将所采集数据传输到数据处理与分析模块5;
数据处理与分析模块5,内含降噪处理单元、水质类别识别单元、全光谱多物质联合监测单元,按需进行单元调取。
水质多参数在线监测系统构建一种基于全光谱扫描的水质常规污染物及新污染物同步监测通道,其由两条独立的同步监测通道组成,包括:
水质常规污染物监测通道,通过直接扫描原始水样进行水质常规污染物的监测,其进样通路为:不需要进行浓缩的水样经由进样模块1、离心预处理模块2、全光谱数据采集模块4、数据处理与分析模块5完成水质参数分析;
水质新污染物监测通道,通过耦合固相萃取进行新污染物的监测,其进样通路为:需要进行浓缩的水样经由进样模块1、离心预处理模块2、固相萃取模块3、全光谱数据采集模块4、数据处理与分析模块5完成水质参数分析。
进行水质常规污染物及新污染物监测前,需先进行离心预处理以去除水体中的不溶性杂质。水质多参数在线监测系统全程采用自动化方式运营,操作人员只需要预先在计算机的上的数据处理与分析模块5设置好相应的运营程序,系统即可完成全流程的自动化运营,运营全过程受到数据处理与分析模块5的监管与调节。
进样模块1包括蠕动泵、步进电机,步进电机驱动蠕动泵,蠕动泵一端对接待测水质,其另一端对接离心预处理模块2。进样模块1采用蠕动泵进样,由混合式步进电机驱动,进样体积为5~1000mL,单次最大进样体积为1000mL。
离心预处理模块2包括离心机、多种尺寸的离心管,每种尺寸的离心管有偶数支,采样时水样根据相应进样体积分别进入对应尺寸离心管,同时在离心机中对称位置的离心管自动注入相同体积液体;离心后的水样取上清液进入固相萃取模块3或全光谱数据采集模块4。
采集的水样直接进入离心预处理模块2,系统的离心预处理模块2采用50、100、500、1000mL四种尺寸离心管,每种尺寸离心管两支,对称放置,采样时根据相应进样体积分别进入对应尺寸离心管,同时对称位置自动注入相同体积自来水;离心机最高转速为5000转/分钟;离心后水样上清液根据程序设定进入固相萃取模块3或全光谱数据采集模块4。
固相萃取模块3中,采用固相萃取柱对水样完成萃取工作,并进行柱体活化、上样、清洗、洗脱的富集步骤,洗脱后通过氮吹、红外定容技术对水样中待测物质进行浓缩定容。
水质多参数在线监测系统的固相萃取模块3为选择性模块,针对具体监测物质常见水体浓度决定是否需要启用此模块进行预富集浓缩,否则直接进入全光谱数据采集模块4;固相萃取模块3使用固相萃取小柱完成萃取工作,固相萃取小柱填充物粒径范围30-60um,小柱体积范围1-40mg/L,填充物质量范围10-6000mg/L,一样一换,采取自动化换柱模式;富集步骤为柱体活化、上样、清洗、洗脱四步,各步骤所使用的溶液及过柱流速应依据具体分析物质选取,洗脱液一般采用4mL,洗脱后通过氮吹、红外定容技术定容至1mL。浓缩倍数根据固相萃取前后样品体积比进行自动换算。
全光谱数据采集模块4包括采集未浓缩原始水样全光谱信息的第一进样单元、采集经过固相萃取模块3浓缩水样全光谱信息的第二进样单元,所述第一进样单元和第二进样单元相互独立,所述第一进样单元和第二进样单元均包括有用于采样的比色皿、用于照射水样的全光谱光源。全光谱光源包括氙灯、氘灯、钨灯中的一种或者多种的组合形式。
水质多参数在线监测系统的全光谱数据采集模块4由两个独立的进样单元组成,分别可采集未浓缩的原始水样全光谱信息与经过固相萃取模块3浓缩的特征物质全光谱信息;未浓缩的原始水样进入第一进样单元,采用标准10mm比色皿进行采样;经过固相萃取模块3浓缩的水样进入第二进样单元,采用1mm微量比色皿进行采样;全光谱光源可以为氙灯、氘灯、钨灯或者是它们的组合形式。
全光谱数据采集模块4的第一进样单元可对未浓缩的原始水样进行稀释,稀释倍数根据数据处理与分析模块5反馈结果自动调节,稀释范围为2-20倍。
如图3所示,数据处理与分析模块5中,各单元的执行过程为:
降噪处理单元利用相关降噪模型对全光谱数据采集模块4传输的水样全光谱数据进行全波段降噪;
水质类别识别单元通过对降噪后的全光谱数据进行一阶求导处理,得到一阶导数光谱,并将降噪处理后的原始全光谱数据与一阶导数全光谱数据作为数据集一起输入卷积神经网络模型,使用卷积神经网络对水样类型予以判别区分;
全光谱多物质联合监测单元利用水质类别识别单元识别结果、经过降噪处理后的原始全光谱数据、一阶导数全光谱数据,基于最小二乘法、卷积神经网络双模型对数据进行处理,并通过训练集积累参数对于两个模型的输出结果进行赋权,赋权后的结果作为水质中多物质联合监测结果。
具体的,全光谱数据采集模块4采集的数据传输到所述数据处理与分析模块5,信息处理的第一步由降噪单元完成,降噪处理单元能够利用相关降噪模型如傅里叶变换降噪模型、小波变换降噪模型对全光谱数据采集模块4传输的水样全光谱数据进行全波段降噪。降噪处理单元中的降噪模型包括但不限于傅里叶变换降噪模型、小波变换降噪模型。第二步,水质类别识别单元通过对降噪后的全光谱数据进行一阶求导处理,得到一阶导数光谱,并将降噪处理后的原始全光谱数据与一阶导数全光谱数据作为数据集一起输入卷积神经网络模型,使用卷积神经网络对水样类型予以判别区分。该水质判别一般为大类判别,可区分一般工业水体与生活废水、地表水体等。经过水质判别后,第三步,全光谱多物质联合监测单元能够利用水质类别识别单元识别结果、经过降噪处理后的原始全光谱数据、一阶导数全光谱数据,基于最小二乘法、卷积神经网络双模型对数据进行处理,并通过训练集积累参数对于两个模型的输出结果进行赋权,赋权后的结果作为水质中多物质联合监测结果。
信息处理步骤中的第二步与第三步所使用的卷积神经网络模型均需要进行模型的训练。具体来说,第二步训练需要采集不同的水体类型构建训练集,先人为告诉模型不同全光谱数据对应的水体类型。然后再通过随机选取的水体类型测试模型的输出准确性。第三步的训练应针对某一特定水体的多种目标污染物,首先采集水样并测量其对应的全光谱吸光度,同时使用国标法或者相应的准确度得到验证的如气相色谱串联质谱法得到目标污染物的准确数值,并基于全光谱数据与多种物质数值结果进行模型训练,挖掘隐含层权重关系。由于第三步的输出结果为最小二乘法与卷积神经网络双模型的加权结果,因此还需要基于两个模型分别的均方根误差(RMSE)等指标,确认各自所占权重比例。
例如,蠕动泵转动将污水处理厂中的原水采集进入离心预处理模块2,此次采集的水样为1000mL,位于500-1000mL区间,则水样会由管路被分配进入1000mL规格的离心管。离心后,系统自动抽取管中上清液,根据经验一般设置为进样量的95%,即950mL。其中10mL进入全光谱数据采集模块4的常规指标通道采集常规指标的全光谱信息;余下的940mL进入固相萃取模块3进行固相萃取,最终定容至1mL,浓缩倍数即为940倍,采用微量针自动移取适量溶液进入全光谱数据采集模块4的新污染物通道采集新污染物的全光谱信息。采集的数据被传输到数据处理与分析模块5,经过相关模型的处理,最终输出包含常规指标、新污染物指标在内的多水质参数信息。
水质中污染物的目标测量物质包括但不限于COD、BOD、TSS、氨氮、亚硝氮、硝氮、磷酸盐、持久性有机污染物、内分泌干扰物、抗生素。
目标测量物质浓度检测范围:COD为10-2000mg/L、氨氮为0.1-250mg/L、亚硝氮为0.1-250mg/L、硝氮为0.1-250mg/L、磷酸盐为0.1-250mg/L;持久性有机污染物为1-50000ug/L、内分泌干扰物为1-50000ug/L、抗生素为1-50000ug/L。
本发明实施例详细介绍了此监测系统水样采集—预处理—光谱采集—数据处理的全过程实施步骤,以及相应的数据处理与训练方法,并以污水处理厂的水样分析为例进行了过程说明。本发明实施例同时强调了进样的两种方式、系统运营的形式、可测量物质及其测量范围、常规通道水样稀释倍数范围等。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于全光谱扫描的水质多参数在线监测系统,其特征在于,包括:
进样模块,用于将所分析水样采集进入监测系统;
离心预处理模块,用于对水样进行离心预处理,以去除水体中的悬浮性颗粒杂质;
固相萃取模块,对于水体中低浓度的、需要进行富集预处理的物质进行富集操作;
全光谱数据采集模块,用于对水样进行全光谱波段信息采集并将所采集数据传输到数据处理与分析模块;
数据处理与分析模块,内含降噪处理单元、水质类别识别单元、全光谱多物质联合监测单元,按需进行单元调取;
所述水质多参数在线监测系统由两条独立的同步监测通道组成,包括:
水质常规污染物监测通道,通过直接扫描原始水样进行水质常规污染物的监测,其进样通路为:水样经由进样模块、离心预处理模块、全光谱数据采集模块、数据处理与分析模块完成水质参数分析;
水质新污染物监测通道,通过耦合固相萃取进行新污染物的监测,其进样通路为:水样经由进样模块、离心预处理模块、固相萃取模块、全光谱数据采集模块、数据处理与分析模块完成水质参数分析。
2.根据权利要求1所述基于全光谱扫描的水质多参数在线监测系统,其特征在于,所述进样模块包括蠕动泵、步进电机,所述步进电机驱动蠕动泵,所述蠕动泵一端对接待测水质,其另一端对接离心预处理模块。
3.根据权利要求1所述基于全光谱扫描的水质多参数在线监测系统,其特征在于,所述离心预处理模块包括离心机、多种尺寸的离心管,每种尺寸的离心管有偶数支,采样时水样根据相应进样体积分别进入对应尺寸离心管,同时在离心机中对称位置的离心管自动注入相同体积液体;离心后的水样取上清液进入固相萃取模块或全光谱数据采集模块。
4.根据权利要求1所述基于全光谱扫描的水质多参数在线监测系统,其特征在于,所述固相萃取模块中,采用固相萃取柱对水样完成萃取工作,并进行柱体活化、上样、清洗、洗脱的富集步骤,洗脱后通过氮吹、红外定容技术对水样中待测物质进行浓缩定容。
5.根据权利要求1所述基于全光谱扫描的水质多参数在线监测系统,其特征在于,所述全光谱数据采集模块包括采集未浓缩原始水样全光谱信息的第一进样单元、采集经过固相萃取模块浓缩水样全光谱信息的第二进样单元,所述第一进样单元和第二进样单元相互独立,所述第一进样单元和第二进样单元均包括有用于采样的比色皿、用于照射水样的全光谱光源。
6.根据权利要求5所述基于全光谱扫描的水质多参数在线监测系统,其特征在于,所述全光谱光源包括氙灯、氘灯、钨灯中的一种或者多种的组合形式。
7.根据权利要求1所述基于全光谱扫描的水质多参数在线监测系统,其特征在于,所述数据处理与分析模块中,各单元的执行过程为:
所述降噪处理单元利用相关降噪模型对全光谱数据采集模块传输的水样全光谱数据进行全波段降噪;
所述水质类别识别单元通过对降噪后的全光谱数据进行一阶求导处理,得到一阶导数光谱,并将降噪处理后的原始全光谱数据与一阶导数全光谱数据作为数据集一起输入卷积神经网络模型,使用卷积神经网络对水样类型予以判别区分;
所述全光谱多物质联合监测单元利用水质类别识别单元识别结果、经过降噪处理后的原始全光谱数据、一阶导数全光谱数据,基于最小二乘法、卷积神经网络双模型对数据进行处理,并通过训练集积累参数对于两个模型的输出结果进行赋权,赋权后的结果作为水质中多物质联合监测结果。
8.根据权利要求7所述基于全光谱扫描的水质多参数在线监测系统,其特征在于,所述降噪处理单元中的降噪模型包括但不限于傅里叶变换降噪模型、小波变换降噪模型。
9.根据权利要求1所述基于全光谱扫描的水质多参数在线监测系统,其特征在于,水质中污染物的目标测量物质包括但不限于COD、BOD、TSS、氨氮、亚硝氮、硝氮、磷酸盐、持久性有机污染物、内分泌干扰物、抗生素。
10.根据权利要求9所述基于全光谱扫描的水质多参数在线监测系统,其特征在于,目标测量物质浓度检测范围:COD为10-2000mg/L、氨氮为0.1-250mg/L、亚硝氮为0.1-250mg/L、硝氮为0.1-250mg/L、磷酸盐为0.1-250mg/L;持久性有机污染物为1-50000ug/L、内分泌干扰物为1-50000ug/L、抗生素为1-50000ug/L。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211488959.5A CN116124705A (zh) | 2022-11-25 | 2022-11-25 | 一种基于全光谱扫描的水质多参数在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211488959.5A CN116124705A (zh) | 2022-11-25 | 2022-11-25 | 一种基于全光谱扫描的水质多参数在线监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116124705A true CN116124705A (zh) | 2023-05-16 |
Family
ID=86306988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211488959.5A Pending CN116124705A (zh) | 2022-11-25 | 2022-11-25 | 一种基于全光谱扫描的水质多参数在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116124705A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116297251A (zh) * | 2023-05-17 | 2023-06-23 | 安徽新宇环保科技股份有限公司 | 一种多传感器组合的水质检测系统及其检测探头 |
-
2022
- 2022-11-25 CN CN202211488959.5A patent/CN116124705A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116297251A (zh) * | 2023-05-17 | 2023-06-23 | 安徽新宇环保科技股份有限公司 | 一种多传感器组合的水质检测系统及其检测探头 |
CN116297251B (zh) * | 2023-05-17 | 2023-08-29 | 安徽新宇环保科技股份有限公司 | 一种多传感器组合的水质检测系统及其检测探头 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN203894168U (zh) | 一种水质综合毒性在线检测装置 | |
CN105388309B (zh) | 电厂水汽中痕量铁离子自动快速检测方法及系统和应用 | |
CN101183071A (zh) | 一种新型水质分析仪 | |
CN116124705A (zh) | 一种基于全光谱扫描的水质多参数在线监测系统 | |
CN105929032A (zh) | 非甲烷总烃在线监测系统 | |
CN111596002A (zh) | 一种用检测废气的lel及v0c智能在线分析处理系统 | |
CN205484299U (zh) | 水质在线检测装置 | |
CN205449792U (zh) | 一种水质采样装置及其监测系统 | |
CN101936910B (zh) | 一种水质毒性的分析方法 | |
CN1085662A (zh) | 液体分析 | |
CN106908405A (zh) | 一种超灵敏硫酸根浊度分析方法及检测装置 | |
CN115931451B (zh) | 一种适用于地表水监测的采样分析单元 | |
CN105784617A (zh) | 一种基于光谱分析的水质检测方法 | |
CN111272685A (zh) | 一种海水重金属铜自动分析仪装置及方法 | |
CN112630202A (zh) | 一种城市排水系统的雨天溢流污水来源的识别方法 | |
CN113029994A (zh) | 基于胞外有机物多源特征光谱的微囊藻毒素浓度反演方法 | |
CN102175787A (zh) | 采用排阻色谱分析水中溶解态有机物相对分子量的方法 | |
CN116448988A (zh) | 一种工业园区土壤污染监测系统及方法 | |
Zagatto et al. | Detecting and circumventing sources of inaccuracy in flow analysis | |
Stephens et al. | NEAR–INFRARED SPECTROSCOPY AS A TOOL FOR REAL–TIME DETERMINATION OF BOD5 FOR SINGLE–SOURCE SAMPLES | |
Rodriguez-Mozaz et al. | Achievements of the RIANA and AWACSS EU projects: immunosensors for the determination of pesticides, endocrine disrupting chemicals and pharmaceuticals | |
CN112285312A (zh) | 一种基于电子鼻检测饮用水异嗅等级的方法 | |
CN116297251B (zh) | 一种多传感器组合的水质检测系统及其检测探头 | |
CN205404403U (zh) | 一种总氮水质监测系统 | |
Yebra et al. | Minicolumn field sampling and flow‐injection‐atomic absorption spectrometric determination of lead in seawater |
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 |