CN117195135B - 一种水污染异常溯源检测方法及系统 - Google Patents
一种水污染异常溯源检测方法及系统 Download PDFInfo
- Publication number
- CN117195135B CN117195135B CN202311436189.4A CN202311436189A CN117195135B CN 117195135 B CN117195135 B CN 117195135B CN 202311436189 A CN202311436189 A CN 202311436189A CN 117195135 B CN117195135 B CN 117195135B
- Authority
- CN
- China
- Prior art keywords
- pollutant
- section
- pipe
- pipe network
- water quality
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000003911 water pollution Methods 0.000 title claims abstract description 36
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 123
- 231100000719 pollutant Toxicity 0.000 claims abstract description 123
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 115
- 238000005070 sampling Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 76
- 239000002351 wastewater Substances 0.000 claims abstract description 67
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000009614 chemical analysis method Methods 0.000 claims abstract description 12
- 238000011835 investigation Methods 0.000 claims abstract description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 33
- 238000012544 monitoring process Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 239000010865 sewage Substances 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 19
- 238000013434 data augmentation Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000000691 measurement method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000000356 contaminant Substances 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 229920001131 Pulp (paper) Polymers 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及污水处理技术领域，尤其涉及一种水污染异常溯源检测方法及系统，所述方法包括以下步骤：在废水排放管网中预设置采样点，并根据所述采样点获取包含有工艺污染物的废水样本；根据化学分析法确定各采样点处废水样本的污染物参数，并计算废水排放管网中不同管段断面处污染物空间分布的中心坐标；根据所述中心坐标构建管网水质参数预测模型，并根据所述取水采样点历史污染物参数确定模型训练数据，以对所述管网水质参数预测模型进行训练；根据所述产生区域定位异常工序及异常设备，并进行异常排查。本发明能够实现对造纸厂废水排放管网中的污水异常变化进行快速、自动化的识别与定位。
Description
技术领域
本发明涉及污水处理技术领域，尤其涉及一种水污染异常溯源检测方法及系统。
背景技术
随着社会的进步和发展，水污染监测逐渐成为水资源环境管理与保护的重要基础。
当前造纸厂废水管网复杂,一旦发生水质事故,靠人工很难快速确定污染源头；传统溯源方法仍主要依赖人工采样化验判断,存在监测点位稀疏、响应周期长等问题,难以对废水管网中的突发异常进行快速有效的响应和定位；另外,单一的监测指标也不足以判断污水源头。
有鉴于此，特提出本发明。
发明内容
为了现有技术存在的上述技术缺陷，本发明提供了一种水污染异常溯源检测方法及系统，可以有效解决背景技术中的问题。
为了解决上述技术问题，本发明提供的技术方案具体如下：
第一方面，本发明实施例公开了一种水污染异常溯源检测方法，所述方法包括以下步骤：
在废水排放管网中预设置采样点，并根据所述采样点获取包含有工艺污染物的废水样本；
根据化学分析法确定各采样点处废水样本的污染物参数，并计算废水排放管网中不同管段断面处污染物空间分布的中心坐标；
根据所述中心坐标构建管网水质参数预测模型，并根据采样点历史污染物参数确定模型训练数据，以对所述管网水质参数预测模型进行训练；
根据所述管网水质参数预测模型进行至少一次模拟预测，并比较模拟预测结果与实际检测值的偏差，得到异常点的产生区域；
根据所述产生区域定位异常工序及异常设备，并进行异常排查。
在上述任一方案中优选的是，在废水排放管网中预设置采样点，并根据所述采样点获取包含有工艺污染物的废水样本，包括：
根据废水排放管网系统图并结合工艺流程，确定采集包含工艺产出污染物的采样点数量和位置；
预设每个采样点的取水频次和取水量以获取废水样本，并每个样本进行标记登记，其中，所述标记登记包括采样点位置、采样时间及对应工艺流程。
在上述任一方案中优选的是，根据化学分析法确定各采样点处废水样本的污染物参数，并计算废水排放管网中不同管段断面处污染物空间分布的中心坐标，包括：
使用化学分析法测定各废水样本中污染物参数的浓度，并记录不同采样点的污染物参数测定结果；
统计每个管段断面对应取样点的污染物参数测定结果，并计算每个管段断面污染物质心坐标；
将各管段断面污染物质心坐标绘制在所述废水排放管网系统图上,得到污染物的空间分布和传输轨迹。
在上述任一方案中优选的是，统计每个管段断面对应取样点的污染物参数测定结果，并计算每个管段断面污染物质心坐标，包括：
获取每个管段断面所有采样点的污染物参数测定结果；
设置时间周期，计算时间周期下采样点的每项污染物参数的平均值，得到采样点的每项污染物参数的平均值时间序列；
收集每个管段断面对应的所有采样点的各项污染物参数的平均值时间序列；
设置各项污染物参数对应的影响因子，并根据所述影响因子计算每个管段断面各项污染物参数的加权质心坐标。
在上述任一方案中优选的是，根据所述中心坐标构建管网水质参数预测模型，并根据采样点历史污染物参数确定模型训练数据，以对所述管网水质参数预测模型进行训练，包括：
将上游管段断面的污染物质心坐标维度设为管网水质参数预测模型的输入层节点数，并将下游管段断面的污染物质心坐标维度设为管网水质参数预测模型的输出层节点数，构建管网水质参数预测模型；
获取各管段断面对应取样点的历史污染物参数测定结果，生成历史参数集；
对所述历史参数集中各元素进行预处理，并计算管段断面历史各时段的污染物质心坐标；
配对相邻管段的上下游断面污染物质心坐标，生成初始训练数据对；
汇总废水排放管网对应的全部初始训练对，并进行优化处理，得到训练数据集；
根据所述训练数据集对管网水质参数预测模型进行训练。
在上述任一方案中优选的是，对所述历史参数集中各元素进行预处理，并计算管段断面历史各时段的污染物质心坐标，包括：
检查历史参数集中的监测数据,剔除错误数据和重复数据；
消除所述监测数据中的随机噪声，并进行相关性分析,计算历史参数集中各参数间的相关系数,剔除相关性过高的冗余参数；
根据所述各参数的测量方法和精度,确定对应的权重系数；
根据所述权重系数对每个时段的各参数值计算加权值；
计算各参数加权值与总加权值的比值,得到各参数质心坐标；
重复计算,获取管段断面历史各时段的污染物质心坐标。
在上述任一方案中优选的是，配对相邻管段的上下游断面污染物质心坐标，生成初始训练数据对，包括：
将第i段管段的上游断面设为Ai，下游断面设为Bi；
在第i段管段的历史每一时刻t下，计算Ai的质心坐标向量和Bi的质心坐标向量；
将历史所有时刻t的下的质心坐标向量排列组合,构成上游断面矩阵和下游断面矩阵/>；
对相邻的两段管段i和i+1,提取对应上下游的质心矩阵、/>、/>和；
将与/>进行配对组合，生成管段i和管段i+1的初始训练数据对。
第二方面，一种水污染异常溯源检测系统，包括：
获取模块，用于在废水排放管网中预设置采样点，并根据所述采样点获取包含有工艺污染物的废水样本；
计算模块，用于根据化学分析法确定各采样点处废水样本的污染物参数，并计算废水排放管网中不同管段断面处污染物空间分布的中心坐标；
构建模块，用于根据所述中心坐标构建管网水质参数预测模型，并根据采样点历史污染物参数确定模型训练数据，以对所述管网水质参数预测模型进行训练；
比较模块，用于根据所述管网水质参数预测模型进行至少一次模拟预测，并比较模拟预测结果与实际检测值的偏差，得到异常点的产生区域；
定位模块，用于根据所述产生区域定位异常工序及异常设备，并进行异常排查
第三方面，一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现上述方法。
与现有技术相比，本发明的有益效果：
本发明提供的水污染异常溯源检测方法及系统，能够实现对造纸厂废水排放管网中的污水异常变化进行快速、自动化的识别与定位；对突发的污水情况具有快速响应性；能够实现智能化的异常识别与预警；可以捕捉污水传输轨迹,直观反映异常的动态扩散过程，并且可以快速定位污水异常源头，有效提升了造纸厂的在线溯源的效率。
附图说明
附图用于对本发明的进一步理解，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1是本发明水污染异常溯源检测方法的流程图；
图2是本发明水污染异常溯源检测系统的模块示意图。
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。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
为了更好地理解上述技术方案，下面将结合说明书附图及具体实施方式对本发明技术方案进行详细说明。
如图1所示，本发明提供了一种水污染异常溯源检测方法，所述方法包括以下步骤：
步骤1，在废水排放管网中预设置采样点，并根据所述采样点获取包含有工艺污染物的废水样本；
步骤2，根据化学分析法确定各采样点处废水样本的污染物参数，并计算废水排放管网中不同管段断面处污染物空间分布的中心坐标；
步骤3，根据所述中心坐标构建管网水质参数预测模型，并根据所述取水采样点历史污染物参数确定模型训练数据，以对所述管网水质参数预测模型进行训练；
步骤4，根据所述管网水质参数预测模型进行至少一次模拟预测，并比较模拟预测结果与实际检测值的偏差，得到异常点的产生区域；
步骤5，根据所述产生区域定位异常工序及异常设备，并进行异常排查。
在本发明实施例所述的水污染异常溯源检测方法中，通过在废水管网设置采样点,可以实现对工艺排放水质的全面监测,对各种污染物进行定量检测；计算污染物在管网中的空间分布和传输轨迹,可以直观反映水质异常的动态变化和扩散过程；应用水质预测模型,实现对管网水质变化规律的主动模拟和评估,可以做到异常预警和防范；比较模拟预测与实际检测,可以快速识别水质异常点,判断潜在事故隐患；根据异常点出现的位置和扩散路径,可以推断异常源头,进行溯源和定位；通过对根源工序和设备排查,找出水质异常的具体原因,针对性解决问题。
在本发明另一可选的实施例中，上述步骤1还包括：
步骤11，根据废水排放管网系统图并结合工艺流程，确定采集包含工艺产出污染物的采样点数量和位置；
步骤12，预设每个采样点的取水频次和取水量以获取废水样本，并每个样本进行标记登记，其中，所述标记登记包括采样点位置、采样时间及对应工艺流程。
在一个具体的实施方式中，所述包含有工艺污染物的废水样本优选的是，包含有木浆化学物质残留的废水样品；在所述步骤12中，在确定的采样点位置处，可安装固定的自动取水装置并连接至采样瓶，进一步的，在采集完成后将采集瓶运送至化验室，以进行后续的污染物浓度和成分分析。
在本发明实施例所述的水污染异常溯源检测方法中，根据管网和工艺流程布局确定采样点,可以针对性地设置在工艺产污关键节点；预设采样频次和取水量,可以获取充分代表性的废水样本；采用自动取水装置,实现了全天候持续取样,无需人工现场操作；对每个样本进行详细标记登记,记录采样时间、位置等信息,为后续分析建立样本溯源；运送样品进行化验分析,可以检测废水中的具体污染物种类及浓度水平；在造纸厂中,可以监测包含木浆化学物质的废水,判断生产过程的污染物排放；有利于建立标准化、规范化的采样程序,保证采样质量和数据可靠性。
在本发明另一可选的实施例中，上述步骤2还包括：
步骤21，使用化学分析法测定各废水样本中污染物参数的浓度，并记录不同采样点的污染物参数测定结果；
步骤22，统计每个管段断面对应取样点的污染物参数测定结果，并计算每个管段断面污染物质心坐标；
步骤23，将各管段断面污染物质心坐标绘制在所述废水排放管网系统图上，得到各管段断面污染物的空间分布和传输轨迹。
在一个具体的实施方式中，在步骤21中，可使用COD在线监测仪、多参数水质分析仪等仪器对管网各采样点获取的废水样本进行污染参数测定，例如：
为每个取水点配置一台COD在线监测仪，监测废水COD值的变化，记录5分钟间隔的COD数据；
选取主要管段的取水点，配置多参数水质分析仪，每2小时测定一次废水的COD、BOD、氨氮、总磷、浊度、色度等10项参数；
对所有监测仪器的数据实时汇总，并保存原始数据至数据库。
在本发明实施例所述的水污染异常溯源检测方法中，使用标准化的测试方法,可以准确检测各类污染物的参数指标；记录不同采样点的监测数据,可以反映各管段的水质状况；计算质心坐标,可以直观表示出污染物在管网中的空间分布和流动方向；利用在线监测仪实现高频次监测,可以动态跟踪水质变化；多参数联合监测可以全面判断水质状况；将监测数据汇总到数据库,有利于后续分析应用；质心坐标可以将抽象的监测数据转换为直观的空间分布信息；质心变化轨迹可以判断水质异常的产生位置和传播方向，为水质异常预警、定位、溯源提供了准确的判断依据。
在本发明另一可选的实施例中，上述步骤22，统计每个管段断面对应取样点的污染物参数测定结果，并计算每个管段断面污染物质心坐标，包括：
步骤221，获取每个管段断面所有采样点的污染物参数测定结果；
步骤222，设置时间周期，计算时间周期下采样点的每项污染物参数的平均值，得到采样点的每项污染物参数的平均值时间序列；
步骤223，收集每个管段断面对应的所有采样点的各项污染物参数的平均值时间序列；
步骤224，设置各项污染物参数对应的影响因子，并根据所述影响因子计算每个管段断面各项污染物参数的加权质心坐标；
步骤225，根据时间推移，重复上述计算，得到各管段断面在不同时间下断面的加权质心坐标。
在本发明实施例所述的水污染异常溯源检测方法中，收集每个管段所有采样点的监测数据,可以全面反映该管段的水质状况；计算时间周期内的平均值,可以消除随机误差的影响；考虑各参数的重要性,进行加权处理,使质心坐标更具有针对性；加权质心坐标综合反映了各项参数的影响和贡献；随时间推移计算质心坐标变化轨迹,可以判断水质变化的方向；质心坐标变化直观反映管段水质安全状况,便于判断异常；质心轨迹可用于快速定位异常扩散的管段范围；为水质风险预警和事件溯源提供了定量的空间分布依据；有利于建立标准化、定量的水质安全评估和决策流程。
可选的，上述步骤224包括：
步骤2241，通过公式：，汇总管段断面/>对应采样点的所有参数的测定结果，其中，/>为第i个取样点的所有参数测定结果，/>为第i个取样点的第j项污染物参数的测定值，n为该管段断面的采样点总数；
步骤2242，设置各项污染物参数对应的影响因子为，其中，/>为第j项污染物参数的影响因子；
步骤2243，通过公式：，计算管段断面的各项污染物参数的加权质心坐标。
在本发明实施例所述的水污染异常溯源检测方法中，通过公式计算可以全面考虑管段断面所有采样点各项参数的监测值,计算管段的污染物总和；引入了不同参数的影响因子,可以根据参数的重要性进行差异化加权；影响因子的设定可以根据水质评估需求进行优化,实现针对性监测；质心坐标公式将各项参数的加权值归一化为0-1范围,便于量化分析；质心坐标直观反映了不同参数的相对贡献和含量分布状态，以随时间变化的质心坐标,形成参数含量和分布的动态轨迹；质心轨迹的异常变化可以快速识别水质安全事件的产生，为水质安全预警和事故溯源提供了定量的判断依据；有利于通过调整影响因子不断优化水质评估方案。
在本发明另一可选的实施例中，上述步骤3，根据所述中心坐标构建管网水质参数预测模型，并根据所述取水采样点历史污染物参数确定模型训练数据，以对所述管网水质参数预测模型进行训练，包括：
步骤31，将上游管段断面的污染物质心坐标维度设为管网水质参数预测模型的输入层节点数，并将下游管段断面的污染物质心坐标维度设为管网水质参数预测模型的输出层节点数，构建管网水质参数预测模型；
步骤32，获取各管段断面对应取样点的历史污染物参数测定结果，生成历史参数集；
步骤33，对所述历史参数集中各元素进行预处理，并计算管段断面历史各时段的污染物质心坐标；
步骤34，配对相邻管段的上下游断面污染物质心坐标，生成初始训练数据对；
步骤35，汇总废水排放管网对应的全部初始训练对，并进行优化处理，得到训练数据集；
步骤36，根据所述训练数据集对管网水质参数预测模型进行训练。
在本发明实施例所述的水污染异常溯源检测方法中，输入输出层节点设置直接关联到实际的管段水质状态,使模型具有针对性；通过收集丰富的历史监测数据,为模型提供了充足的训练样本；通过预处理历史数据,提高了数据的质量,增强了模型的鲁棒性；通过计算历史质心坐标矩阵,可以将水质信息参数化,便于模型学习；通过配对上下游质心坐标,可以根据实际水流方向构建训练数据对,使模型学习到水质传输规律；通过汇总全部管段的训练数据,可以覆盖管网各段水质变化模式；通过充分训练,模型可以提取管网水质变化的深层规律，可以预测管段的水质状态和趋势,实现水质监测的智能化，为水质安全评估、预警和事故溯源提供了可靠的技术手段。
在本发明另一可选的实施例中，上述步骤33，对所述历史参数集中各元素进行预处理，并计算管段断面历史各时段的污染物质心坐标，包括：
步骤331，检查历史参数集中的监测数据,剔除错误数据和重复数据；
步骤332,消除所述监测数据中的随机噪声，并进行相关性分析,计算历史参数集中各参数间的相关系数,剔除相关性过高的冗余参数；
步骤334,根据所述各参数的测量方法和精度,确定对应的权重系数；
步骤335,根据所述权重系数对每个时段的各参数值计算加权值；
步骤336,计算各参数加权值与总加权值的比值,得到各参数质心坐标；
步骤337,重复计算,获取管段断面历史各时段的污染物质心坐标。
在本发明实施例所述的水污染异常溯源检测方法中，通过收集大量历史监测数据,可以为模型提供可靠、充分的训练样本,提高模型学习能力；通过对历史数据进行预处理,包括清洗、去噪、补缺失等,可以提高数据质量,增强模型对异常数据的适应能力；通过计算历史时段的质心坐标,将高维的水质信息参数化成直观的空间特征,便于神经网络模型进行特征学习；通过构建相邻管段上下游的训练数据对,可以根据废水实际流动方向设置输入输出,可以使模型更好地学习水质在管网中传输变化的规律；通过汇总整个管网所有管段的训练数据,可以使模型适应整个管网各段复杂、多变的水质状态；通过对训练数据进行优化处理,如增广、平衡等,可以提高数据多样性,增强模型的泛化性能；通过在优化后高质量的训练数据集上进行模型训练,神经网络可以学习到管网水质变化的深层规律，以实现对管段水质状态的可靠预测,达到智能化监测的目的。
可选的，上述步骤334包括：
步骤3341，收集各参数的测量方法，并提取每个所述测量方法的精度数据，其中，所述精度数据包括重复性标准偏差sr和再现性标准偏差sR；
步骤3342，根据sr、sR的值将所述测量方法的等级划分为Lm(m=1,2,...,n)，其中L1对应为最高精度，且每个所述测量方法的等级Lm对应一个sr、sR的范围值；
步骤3343，通过公式：；/>；/>，计算参数的标准不确定度u，其中，n为重复测量的次数；
步骤3344，通过公式：，计算扩展不确定度U，其中，k为覆盖因子，优选的是，k取值为2或3,以保证有95%或99%的概率使真值落在U的区间内；
步骤3345，将扩展不确定度U等分为若干段,并设置各段的权重范围:
步骤3346，通过公式：，拟合扩展不确定度U与权重w的函数关系；
步骤3347，加入约束条件：，并求解a,b,c,d；
步骤3348，根据求解的a,b,c,d，计算各参数的U对应的权重w。
在本发明实施例所述的水污染异常溯源检测方法中，通过收集参数的测量方法标准,可以获取每个参数的精度数据,为权重计算奠定基础；通过根据精度数据将方法等级划分,高精度方法对应的参数权重就应较大,可以体现参数精度对权重的影响；通过采用不确定度分析方法,基于重复性和再现性精度,计算参数的标准不确定度u,反映参数精度好坏；通过计算扩展不确定度U,引入覆盖因子k,可以统计学上合理确保真值落在U区间内,使结果更可靠；通过将不确定度U分段,每段对应一个权重范围,根据U值映射到权重,实现了将参数精度映射到权重的过程；通过使用曲线拟合方法,建立不确定度U与权重w之间的量化对应关系,使权重计算更具体化；通过加入约束条件,保证权重范围合理,避免出现非物理意义的负权重；通过求解方程,可以直接计算每个参数所对应的权重，可以使参数权重的计算过程变得更加严谨、可靠,也将参数精度与权重建立了量化的对应关系,为后续的质心计算提供了合理的权重支持。
可选的，上述步骤335包括：
步骤3351，设置时段t有nc个参数，定义参数值为：，各参数的权重系数为w1，w2，…，wnc；
步骤3352，通过公式：，计算参数/>的加权值；
步骤3353，通过公式：，计算时段t的加权值之和/>；
步骤3354，通过公式：，计算参数/>的加权值比值/>；
步骤3355，重复计算，得到每个时段的各参数值对应的加权值比值。
在本发明实施例所述的水污染异常溯源检测方法中，利用简洁的加权值计算公式,可以快速得到每个参数在某一时段的加权值,体现了参数值与权重的结合；计算时段的加权值总和,是对各参数加权值进行整体汇总,为后续的比值计算奠定基础；比值计算公式实现了加权值与总和的比例关系求解,即得到了加权质心坐标的值；质心坐标意味着参数在该时段水质状态中的含量占比和贡献度；重复计算可以得到各时段的动态质心坐标,反映水质时间变化过程；通过质心坐标将抽象的参数监测数据转换为直观的可视化结果,更好地表达水质信息；通过质心坐标变化轨迹可以清晰反映水质状态的时间演变过程，为水质异常识别、风险预警及事件溯源提供了定量的判断依据。
可选的，上述步骤336包括：
步骤3361，将每个时段的各参数值对应的加权值比值作为每个时段的各参数值对应的质心坐标；
步骤3362，汇总每个时段的各参数值对应的质心坐标，得到质心矩阵。
在本发明实施例所述的水污染异常溯源检测方法中，将参数的加权比值确定为质心坐标,可以直接体现质心坐标的计算过程和物理意义；质心坐标表示了参数在水质总体状况中的含量分布和贡献度；通过计算每一个时段的全参数质心坐标,可以反映该时段水质的综合状态；将多个时段的质心坐标进行汇总,形成一个质心矩阵，可以矩直观地表示不同时段及不同参数的质心坐标映射关系；通过矩阵可以清晰观察每个参数在不同时段的质心变化轨迹，全面反映了水质状态随时间的演变过程，且定量地呈现了水质信息,更利于智能分析。
在本发明另一可选的实施例中，上述步骤34，配对相邻管段的上下游断面污染物质心坐标，生成初始训练数据对，包括：
步骤341，将第i段管段的上游断面设为Ai，下游断面设为Bi；
步骤342，在第i段管段的历史每一时刻t下，计算Ai的质心坐标向量和Bi的质心坐标向量；
步骤343，将历史所有时刻t的下的质心坐标向量排列组合,构成上游断面矩阵和下游断面矩阵/>；
步骤344，对相邻的两段管段i和i+1,提取对应上下游的质心矩阵、/>、/>和/>；
步骤345，将与/>进行配对组合，生成管段i和管段i+1的初始训练数据对；
步骤346，重复配对及生成，得到管网中所有相邻管段的初始训练数据对。
在本发明实施例所述的水污染异常溯源检测方法中，明确定义了管段的上下游断面,为训练数据的生成奠定基础；通过计算历史各时段的断面质心坐标,可以反映水质时间变化过程；通过将不同时段的质心坐标排列组合成矩阵,可以直观表示水质时空分布；通过提取相邻管段的上下游质心矩阵,可以根据实际水流方向确定输入输出；通过配对上下游矩阵形成初始训练数据对,可以使模型学习水质传输规律；通过重复构建训练数据对,可以覆盖管网中的全部管段,提供更丰富的训练样本。
在本发明另一可选的实施例中，上述步骤35，汇总废水排放管网对应的全部初始训练对，并进行优化处理，得到训练数据集，包括：
步骤351，检查初始训练数据对，并剔除数据异常的数据对；
步骤352:平衡初始训练数据对各类别样本的比例,并在时间轴上随机打乱初始训练数据对的顺序；
步骤353:对初始训练数据对进行数据增广，得到训练数据集。
在本发明实施例所述的水污染异常溯源检测方法中，检查初始训练数据,可以剔除明显错误的数据,提高数据质量,增强后续模型的鲁棒性；判断不同类别样本的比例是否均衡,必要时进行过采样或欠采样,使样本分布更加合理,防止模型过度偏向某些类别；在时间轴上随机打乱数据顺序,可以增强模型对时间因素的抗干扰能力,提高模型的泛化性能；使用数据增广技术,通过添加噪声、扰动、变形等操作,可以生成更多样化的训练样本,丰富数据特征；数据增广可以提高模型的多样性适应性,防止模型过度依赖某些特定样本特征；经过检查、平衡和增广,可以获得一个更高质量、更丰富的训练数据集；优化后的数据集可以更全面地反映各种水质变化情况,提高模型的预测准确性，也为模型提供了更好的泛化能力,使其可以适应新出现的未知水质情况。
可选的，上述步骤352包括：
步骤3521，统计初始训练数据对中各类别样本的数量,计算类别比例；
步骤3522，当至少一个类别样本比例过高时,对该类别进行欠采样,删除部分样本；
步骤3523，当至少一个类别样本比例过低时,对该类别进行过采样,增加部分样本；
步骤3524，将平衡后的训练数据对按时间顺序排列成序列，并设置随机数种子,对时间序列进行洗牌打乱；
步骤3525，将打乱后的训练数据对重新组合成不按时间顺序的新数据集。
在本发明实施例所述的水污染异常溯源检测方法中，统计样本类别比例,可以判断样本分布是否合理,为后续采样提供依据；对比例过高的类别进行删除部分样本的欠采样,可以降低该类别样本的比例,防止模型过度偏向该类别；对比例过低的类别进行增加部分样本的过采样,可以提高该类别样本的比例,防止模型忽略该类别；欠采样和过采样的组合可以使各类别样本比例趋于平衡,样本分布更加合理；将平衡后的数据按时间顺序排列,再进行随机打乱,可以打破数据的时间相关性；时间无关的数据集可以增强模型对时间变化的适应能力,提高模型的泛化性能；随机打乱也可以使各类别样本更加均匀分布,而不是集中在某些批次；这样可以获得一个类别均衡且时间无关的新数据集,更利于神经网络模型训练。
可选的，上述步骤353包括：
步骤3531，加载初始训练数据对,其中输入特征为上游管段的质心坐标矩阵,标签为下游管段的质心坐标矩阵；
步骤3532，对上游管段的质心坐标矩阵,以预设概率施加不同的数据增广,得到增广后的特征矩阵；
步骤3533，保持下游管段的质心坐标矩阵不变,并构建新的训练数据对；
步骤3531，将初始数据对与新的训练数据对汇总,得到训练数据集。
在本发明实施例所述的水污染异常溯源检测方法中，加载初始训练数据对,其含有代表水质状态的上下游质心坐标矩阵,为进行数据增广提供基础样本；在输入特征矩阵即上游质心矩阵中,添加不同类型的扰动,如噪声、变形等,可以丰富数据的表示形式；保持下游质心矩阵即标签不变,构成新的训练数据对,扩充了训练样本数量；新生成的训练数据包含各种不同形式的特征表示,使模型接触到更多样化的情况，这可以增强模型处理未知输入的能力,提高模型的泛化性能；将初始数据和新生成的数据汇总作为训练集,包含了更丰富的特征表示,有利于模型训练；数据增广可以减少模型对特定样本的依赖,使模型对水质变化情况有更强的适应力，也为可能出现的新情况提供了更好的应对准备,如新污染物等。
在本发明另一可选的实施例中，上述步骤4，根据所述管网水质参数预测模型进行至少一次模拟预测，并比较模拟预测结果与实际检测值的偏差，得到异常点的产生区域，包括：
步骤41，获取管网当前时刻的上游管段实际质心坐标矩阵作为所述管网水质参数预测模型的输入，并运行前向预测,得到下游管段的预测质心坐标；
步骤42，收集对应时段下游管段的实际质心坐标矩阵，并计算预测质心坐标与实际质心坐标的偏差误差；
步骤43，分析各管段的预测偏差,将预测偏差超过预设阈值的管段记为异常点产生区域；
步骤44，根据预测结果的置信度,剔除误报的异常点；
步骤44，输出检测到的异常点所在的管段区域。
在本发明实施例所述的水污染异常溯源检测方法中，输入当前时段的实际上游质心坐标,可以得到该时段下游的预测质心坐标,实现对当前水质状态的预测；收集实际的下游质心坐标,与预测结果进行对比,可以计算出预测的偏差；分析预测偏差,判断大于预设阈值的管段为异常点,完成了对异常情况的自动识别；根据预测结果本身的置信度,可以剔除一些误报的异常点,提高识别的准确性；最终输出真正的异常管段,为后续的异常处理提供了依据；该预测模型可以实现水质状态的智能监测和异常预警，为水质安全监管提供了自动化和智能化的技术支持。
在本发明另一可选的实施例中，上述步骤5，根据所述产生区域定位异常工序及异常设备，并进行异常排查，包括：
步骤51，查询所述异常点的产生区域所对应的车间、工序和设备；
步骤52，对相关区域进行现场检查,监测设备运行参数,发现问题设备。
步骤53，调取设备的历史运行日志,分析日志数据,定位异常时间段；
步骤54，结合设备实时数据,判断导致异常的关键部件和根因；例如如管道堵塞、泵损坏等；
步骤55，检查关键部件的使用维护记录,确认问题原因；例如缺乏维护造成的异常；
步骤56，提出设备改进措施；例如更换损坏部件、增加维护频次等；
步骤57，修复问题设备,并监控运行,确认异常得到消除。
在本发明实施例所述的水污染异常溯源检测方法中，查询异常点对应的车间和设备区域,可以明确需要排查的物理范围,使溯源更有针对性；进行现场检查,监测设备运行参数,可以快速定位存在问题的设备,缩小异常原因的范围；分析设备的历史运行日志,可以判断问题发生的时间段,找出异常的直接诱因；结合设备实时状态数据,可以推断导致异常的关键部件和根本原因,如管道堵塞等；检查维护记录,可以发现一些隐患,如缺乏维护导致的问题；提出更换部件或增加维护频次等具体的改进措施,进行针对性的问题修复；监控设备运行,确认问题得到彻底解决,防止异常再次发生；该溯源和处理过程实现了对事件的快速响应和有效处置，有利于建立标准化的异常处理流程,提高事故应对的效率。
如图2所示，本发明还提供了一种水污染异常溯源检测系统，包括：
获取模块10，用于在废水排放管网中预设置采样点，并根据所述采样点获取包含有工艺污染物的废水样本；
计算模块20，用于根据化学分析法确定各采样点处废水样本的污染物参数，并计算废水排放管网中不同管段断面处污染物空间分布的中心坐标；
构建模块30，用于根据所述中心坐标构建管网水质参数预测模型，并根据所述取水采样点历史污染物参数确定模型训练数据，以对所述管网水质参数预测模型进行训练；
比较模块40，用于根据所述管网水质参数预测模型进行至少一次模拟预测，并比较模拟预测结果与实际检测值的偏差，得到异常点的产生区域；
定位模块50，用于根据所述产生区域定位异常工序及异常设备，并进行异常排查。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种水污染异常溯源检测方法，其特征在于：所述方法包括以下步骤：
在废水排放管网中预设置采样点，并根据所述采样点获取包含有工艺污染物的废水样本；
根据化学分析法确定各采样点处废水样本的污染物参数，并计算废水排放管网中不同管段断面处污染物空间分布的中心坐标，包括：
使用化学分析法测定各废水样本中污染物参数的浓度，并记录不同采样点的污染物参数测定结果；
统计每个管段断面对应取样点的污染物参数测定结果，并计算每个管段断面污染物质心坐标；
将各管段断面污染物质心坐标绘制在所述废水排放管网系统图上,得到污染物的空间分布和传输轨迹；
根据所述中心坐标构建管网水质参数预测模型，并根据采样点历史污染物参数确定模型训练数据，以对所述管网水质参数预测模型进行训练，包括：
将上游管段断面的污染物质心坐标维度设为管网水质参数预测模型的输入层节点数，并将下游管段断面的污染物质心坐标维度设为管网水质参数预测模型的输出层节点数，构建管网水质参数预测模型；
获取各管段断面对应取样点的历史污染物参数测定结果，生成历史参数集；
对所述历史参数集中各元素进行预处理，并计算管段断面历史各时段的污染物质心坐标；
配对相邻管段的上下游断面污染物质心坐标，生成初始训练数据对，包括：
将第i段管段的上游断面设为Ai，下游断面设为Bi；
在第i段管段的历史每一时刻t下，计算Ai的质心坐标向量和Bi的质心坐标向量；
将历史所有时刻t的下的质心坐标向量排列组合,构成上游断面矩阵和下游断面矩阵/>；
对相邻的两段管段i和i+1,提取对应上下游的质心矩阵、/>、/>和/>；
将与/>进行配对组合，生成管段i和管段i+1的初始训练数据对；
汇总废水排放管网对应的全部初始训练对，并进行优化处理，得到训练数据集；
根据所述训练数据集对管网水质参数预测模型进行训练；
根据所述管网水质参数预测模型进行至少一次模拟预测，并比较模拟预测结果与实际检测值的偏差，得到异常点的产生区域；
根据所述产生区域定位异常工序及异常设备，并进行异常排查。
2.根据权利要求1所述的水污染异常溯源检测方法，其特征在于：在废水排放管网中预设置采样点，并根据所述采样点获取包含有工艺污染物的废水样本，包括：
根据废水排放管网系统图并结合工艺流程，确定采集包含工艺产出污染物的采样点数量和位置；
预设每个采样点的取水频次和取水量以获取废水样本，并每个样本进行标记登记，其中，所述标记登记包括采样点位置、采样时间及对应工艺流程。
3.根据权利要求2所述的水污染异常溯源检测方法，其特征在于：统计每个管段断面对应取样点的污染物参数测定结果，并计算每个管段断面污染物质心坐标，包括：
获取每个管段断面所有采样点的污染物参数测定结果；
设置时间周期，计算时间周期下采样点的每项污染物参数的平均值，得到采样点的每项污染物参数的平均值时间序列；
收集每个管段断面对应的所有采样点的各项污染物参数的平均值时间序列；
设置各项污染物参数对应的影响因子，并根据所述影响因子计算每个管段断面各项污染物参数的加权质心坐标。
4.根据权利要求3所述的水污染异常溯源检测方法，其特征在于：对所述历史参数集中各元素进行预处理，并计算管段断面历史各时段的污染物质心坐标，包括：
检查历史参数集中的监测数据,剔除错误数据和重复数据；
消除所述监测数据中的随机噪声，并进行相关性分析,计算历史参数集中各参数间的相关系数,剔除相关性过高的冗余参数；
根据所述各参数的测量方法和精度,确定对应的权重系数；
根据所述权重系数对每个时段的各参数值计算加权值；
计算各参数加权值与总加权值的比值,得到各参数质心坐标；
重复计算,获取管段断面历史各时段的污染物质心坐标。
5.一种水污染异常溯源检测系统，其特征在于：包括：
获取模块，用于在废水排放管网中预设置采样点，并根据所述采样点获取包含有工艺污染物的废水样本；
计算模块，用于根据化学分析法确定各采样点处废水样本的污染物参数，并计算废水排放管网中不同管段断面处污染物空间分布的中心坐标，包括：
使用化学分析法测定各废水样本中污染物参数的浓度，并记录不同采样点的污染物参数测定结果；
统计每个管段断面对应取样点的污染物参数测定结果，并计算每个管段断面污染物质心坐标；
将各管段断面污染物质心坐标绘制在所述废水排放管网系统图上,得到污染物的空间分布和传输轨迹；
构建模块，用于根据所述中心坐标构建管网水质参数预测模型，并根据采样点历史污染物参数确定模型训练数据，以对所述管网水质参数预测模型进行训练，包括：
将上游管段断面的污染物质心坐标维度设为管网水质参数预测模型的输入层节点数，并将下游管段断面的污染物质心坐标维度设为管网水质参数预测模型的输出层节点数，构建管网水质参数预测模型；
获取各管段断面对应取样点的历史污染物参数测定结果，生成历史参数集；
对所述历史参数集中各元素进行预处理，并计算管段断面历史各时段的污染物质心坐标；
配对相邻管段的上下游断面污染物质心坐标，生成初始训练数据对，包括：
将第i段管段的上游断面设为Ai，下游断面设为Bi；
在第i段管段的历史每一时刻t下，计算Ai的质心坐标向量和Bi的质心坐标向量；
将历史所有时刻t的下的质心坐标向量排列组合,构成上游断面矩阵和下游断面矩阵/>；
对相邻的两段管段i和i+1,提取对应上下游的质心矩阵、/>、/>和/>；
将与/>进行配对组合，生成管段i和管段i+1的初始训练数据对；
汇总废水排放管网对应的全部初始训练对，并进行优化处理，得到训练数据集；
根据所述训练数据集对管网水质参数预测模型进行训练；
比较模块，用于根据所述管网水质参数预测模型进行至少一次模拟预测，并比较模拟预测结果与实际检测值的偏差，得到异常点的产生区域；
定位模块，用于根据所述产生区域定位异常工序及异常设备，并进行异常排查。
6.一种计算设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一项所述的水污染异常溯源检测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1-4中任一项所述的水污染异常溯源检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311436189.4A CN117195135B (zh) | 2023-11-01 | 2023-11-01 | 一种水污染异常溯源检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311436189.4A CN117195135B (zh) | 2023-11-01 | 2023-11-01 | 一种水污染异常溯源检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117195135A CN117195135A (zh) | 2023-12-08 |
| CN117195135B true CN117195135B (zh) | 2024-02-27 |
Family
ID=88987164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311436189.4A Active CN117195135B (zh) | 2023-11-01 | 2023-11-01 | 一种水污染异常溯源检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195135B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117764332A (zh) * | 2023-12-19 | 2024-03-26 | 广东精英纺织服饰科技有限公司 | 一种环保高效的纺织印染废水处理系统 |
| CN117420283B (zh) * | 2023-12-19 | 2024-03-08 | 上海科泽智慧环境科技有限公司 | 一种一体化多通道水质监测方法及系统 |
| CN117633723B (zh) * | 2024-01-26 | 2024-05-10 | 四川轻化工大学 | 基于物联网的环境监测溯源分析方法、系统、终端及介质 |
| CN118378200B (zh) * | 2024-06-25 | 2024-09-03 | 台州市环科环保设备运营维护有限公司 | 一种用于水质污染源在线异常分析系统及方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950942A (zh) * | 2020-10-19 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 基于模型的水污染风险评估方法、装置和计算机设备 |
| CN112348290A (zh) * | 2020-12-03 | 2021-02-09 | 西安交大长天软件股份有限公司 | 河流水质预测方法、装置、存储介质及设备 |
| CN115146720A (zh) * | 2022-06-28 | 2022-10-04 | 广州市河涌监测中心 | 基于机器学习的河湖水环境数据融合与样本标注方法、系统及计算机设备 |
| CN115169702A (zh) * | 2022-07-12 | 2022-10-11 | 淮阴工学院 | 一种基于EEMD-LSTNet的水质参数预测方法及系统 |
| CN115204060A (zh) * | 2022-08-19 | 2022-10-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种饮用水源地水质多维模型快速预警方法及系统 |
| CN115439757A (zh) * | 2022-08-26 | 2022-12-06 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 |
| CN115688579A (zh) * | 2022-11-01 | 2023-02-03 | 福建中锐网络股份有限公司 | 一种基于生成对抗网络的流域多点水位预测预警方法 |
| CN115713448A (zh) * | 2022-11-15 | 2023-02-24 | 重庆市生态环境大数据应用中心 | 基于汇水单元的流域水污染常规因子快速溯源方法 |
| CN115826509A (zh) * | 2022-09-26 | 2023-03-21 | 中国石油化工股份有限公司 | 一种控制方法、装置、电子设备及存储介质 |
| CN115905450A (zh) * | 2023-01-04 | 2023-04-04 | 深圳联和智慧科技有限公司 | 一种基于无人机监控的水质异常溯源方法及系统 |
| CN116340723A (zh) * | 2023-05-22 | 2023-06-27 | 安徽中科大国祯信息科技有限责任公司 | 基于大数据的乡村水污染快速溯源方法及系统 |
| CN116364203A (zh) * | 2023-03-31 | 2023-06-30 | 内蒙古大学 | 一种基于深度学习的水质预测方法、系统和装置 |
| CN116579128A (zh) * | 2023-04-10 | 2023-08-11 | 浙江省环境科技有限公司 | 基于机器学习模型的工业园区地下水污染在线预测方法 |
| CN116701911A (zh) * | 2023-06-08 | 2023-09-05 | 上海博取仪器有限公司 | 一种水质检测稳定性控制特征提取方法 |
| CN116703004A (zh) * | 2023-07-19 | 2023-09-05 | 共享数据(福建)科技有限公司 | 一种基于预训练模型的水系流域智慧巡护方法和装置 |
-
2023
- 2023-11-01 CN CN202311436189.4A patent/CN117195135B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950942A (zh) * | 2020-10-19 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 基于模型的水污染风险评估方法、装置和计算机设备 |
| CN112348290A (zh) * | 2020-12-03 | 2021-02-09 | 西安交大长天软件股份有限公司 | 河流水质预测方法、装置、存储介质及设备 |
| CN115146720A (zh) * | 2022-06-28 | 2022-10-04 | 广州市河涌监测中心 | 基于机器学习的河湖水环境数据融合与样本标注方法、系统及计算机设备 |
| CN115169702A (zh) * | 2022-07-12 | 2022-10-11 | 淮阴工学院 | 一种基于EEMD-LSTNet的水质参数预测方法及系统 |
| CN115204060A (zh) * | 2022-08-19 | 2022-10-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种饮用水源地水质多维模型快速预警方法及系统 |
| CN115439757A (zh) * | 2022-08-26 | 2022-12-06 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 |
| CN115826509A (zh) * | 2022-09-26 | 2023-03-21 | 中国石油化工股份有限公司 | 一种控制方法、装置、电子设备及存储介质 |
| CN115688579A (zh) * | 2022-11-01 | 2023-02-03 | 福建中锐网络股份有限公司 | 一种基于生成对抗网络的流域多点水位预测预警方法 |
| CN115713448A (zh) * | 2022-11-15 | 2023-02-24 | 重庆市生态环境大数据应用中心 | 基于汇水单元的流域水污染常规因子快速溯源方法 |
| CN115905450A (zh) * | 2023-01-04 | 2023-04-04 | 深圳联和智慧科技有限公司 | 一种基于无人机监控的水质异常溯源方法及系统 |
| CN116364203A (zh) * | 2023-03-31 | 2023-06-30 | 内蒙古大学 | 一种基于深度学习的水质预测方法、系统和装置 |
| CN116579128A (zh) * | 2023-04-10 | 2023-08-11 | 浙江省环境科技有限公司 | 基于机器学习模型的工业园区地下水污染在线预测方法 |
| CN116340723A (zh) * | 2023-05-22 | 2023-06-27 | 安徽中科大国祯信息科技有限责任公司 | 基于大数据的乡村水污染快速溯源方法及系统 |
| CN116701911A (zh) * | 2023-06-08 | 2023-09-05 | 上海博取仪器有限公司 | 一种水质检测稳定性控制特征提取方法 |
| CN116703004A (zh) * | 2023-07-19 | 2023-09-05 | 共享数据(福建)科技有限公司 | 一种基于预训练模型的水系流域智慧巡护方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 模糊神经网络在重庆市饮用水原水水质评价中的应用;周燕;王里奥;;三峡环境与生态;20100128(第01期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117195135A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
| CN107862338B (zh) | 基于双检验法的海洋环境监测数据质量管理方法及系统 | |
| CN110675036B (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
| CN111898691A (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
| Bennett et al. | Optimizing taxonomic resolution and sampling effort to design cost‐effective ecological models for environmental assessment | |
| CN117538492B (zh) | 建筑空间中污染物的在线检测方法及系统 | |
| Whittier et al. | The surface waters component of the Environmental Monitoring and Assessment Program (EMAP): an overview | |
| CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
| CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
| CN118297444A (zh) | 一种面向人工智能的数据集质量通用评估方法 | |
| CN108763966A (zh) | 一种尾气检测作弊监管系统及方法 | |
| Sabia et al. | Assessing the quality of biogeochemical coastal data: a step-wise procedure | |
| CN117233342A (zh) | 一种基于置信区间算法的入河排污口精准监测方法及系统 | |
| CN112734208B (zh) | 燃煤验收监测装置、方法、设备以及可读存储介质 | |
| CN113836813A (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
| CN111007220A (zh) | 一种生猪养殖污水水质敏捷监测的方法 | |
| CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
| CN110658316A (zh) | 一种水质在线监测方法及系统 | |
| CN118430702B (zh) | 一种基于对象数据模型的数据融通方法 | |
| CN116307184B (zh) | 一种基于因果关系的空气污染治理效果评估方法 | |
| CN118396386B (zh) | 一种基于城市水体返黑返臭高风险环节识别及达标评估的方法体系及系统 | |
| CN117541071B (zh) | 一种场地土壤重金属损害基线计算方法和装置 | |
| CN117147807B (zh) | 一种用于石油勘探的油质监测系统及方法 | |
| CN118708881A (zh) | 一种排水管网数据清洗方法、装置、存储设备及介质 | |
| Bamini | Assessment of Measurement Quality through Law of Propagation of Uncertainty in Water Analysis |
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 |