CN117233340A - 一种有机污染物浓度的检测方法及系统 - Google Patents
一种有机污染物浓度的检测方法及系统 Download PDFInfo
- Publication number
- CN117233340A CN117233340A CN202210645410.6A CN202210645410A CN117233340A CN 117233340 A CN117233340 A CN 117233340A CN 202210645410 A CN202210645410 A CN 202210645410A CN 117233340 A CN117233340 A CN 117233340A
- Authority
- CN
- China
- Prior art keywords
- water sample
- concentration
- detecting
- turbidity
- detected
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000002957 persistent organic pollutant Substances 0.000 title claims abstract description 68
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 220
- 238000001514 detection method Methods 0.000 claims abstract description 176
- 238000004364 calculation method Methods 0.000 claims abstract description 59
- 238000001228 spectrum Methods 0.000 claims abstract description 48
- 238000010521 absorption reaction Methods 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 238000001471 micro-filtration Methods 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 239000000356 contaminant Substances 0.000 claims description 27
- 230000033116 oxidation-reduction process Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000002189 fluorescence spectrum Methods 0.000 claims description 9
- 239000012528 membrane Substances 0.000 claims description 8
- 238000001237 Raman spectrum Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000011045 prefiltration Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 132
- 239000010865 sewage Substances 0.000 description 18
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 15
- 229910052760 oxygen Inorganic materials 0.000 description 15
- 239000001301 oxygen Substances 0.000 description 15
- 239000000126 substance Substances 0.000 description 13
- 238000005259 measurement Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008054 signal transmission Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000000825 ultraviolet detection Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 239000010842 industrial wastewater Substances 0.000 description 3
- 239000008239 natural water Substances 0.000 description 3
- 239000005416 organic matter Substances 0.000 description 3
- 239000008399 tap water Substances 0.000 description 3
- 235000020679 tap water Nutrition 0.000 description 3
- 238000005273 aeration Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- 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
本申请提供一种有机污染物浓度的检测方法及系统，该方法包括：通过取样泵和进水管路，获取待检测水样；通过微滤过滤器，对待检测水样进行过滤，得到过滤水样；基于检测通道，对过滤水样进行检测，得到水样浊度、多个吸收系数和多个光谱检测数据；基于有机污染物浓度检测平台，将水样浊度、多个吸收系数和多个光谱检测数据输入至预先训练好的数学模糊计算模型中进行综合计算，得到待检测水样的有机污染物浓度。可见，实施这种实施方式，能够在一定程度上降低对有机污染物浓度的检测误差，并在同时提高有机污染物浓度测试的普遍适应能力。
Description
技术领域
本申请涉及污水处理领域，具体而言，涉及一种有机污染物浓度的检测方法及系统。
背景技术
对于污水中的有机污染物浓度，在常规检测方法中，通常会检测化学需氧量(COD，Chemical Oxygen Demand)或生化需氧量(BOD，Biochemical oxygen demand)来表征。
目前，COD可以采用紫外光检测技术进行检测。具体的，技术人员会基于有机物对一定波长(254nm)紫外线具有较强吸收的原理而采用254nm紫外线照射测定水体，然后同时测定紫外光的吸收系数，以该吸收系数确定出COD。
然而，在实践中发现，该种方法会受到水中的浑浊物、悬浮物等物体的干扰，从而导致测出的COD具有较大的误差。
发明内容
本申请实施例的目的在于提供一种有机污染物浓度的检测方法及系统，能够在一定程度上降低对有机污染物浓度的检测误差，并在同时提高有机污染物浓度测试的普遍适应能力。
本申请实施例第一方面提供了一种有机污染物浓度的检测方法，包括：
通过取样泵和进水管路，获取待检测水样；
通过微滤过滤器，对所述待检测水样进行过滤，得到过滤水样；
基于检测通道，对所述过滤水样进行检测，得到水样浊度、多个吸收系数和多个光谱检测数据；
基于有机污染物浓度检测平台，将所述水样浊度、所述多个吸收系数和所述多个光谱检测数据输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度。
实施这种实施方式，能够对污水中的浊度干扰、颗粒物杂质干扰、盐度干扰等干扰进行合理修正，从而通过提高抗干扰能力，进而提高有机污染物浓度的检测精度；同时，实施这种实施方式，还能够根据数学模糊计算模型实时计算出更加准确的有机污染物浓度。
进一步地，所述将所述水样浊度、所述多个吸收系数和所述多个光谱检测数据输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度的步骤包括：
对所述过滤水样进行检测，得到水样电导率、氧化还原电位数据和水样酸碱值；
将所述水样浊度、所述多个吸收系数、所述多个光谱检测数据、所述水样电导率、所述氧化还原电位数据和所述水样酸碱值输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度。
进一步地，所述对所述待检测水样进行过滤，得到过滤水样的步骤包括：
通过100微米以下孔径的微滤膜对所述待检测水样进行过滤，得到过滤水样。
进一步地，所述对所述过滤水样进行检测，得到水样浊度、多个吸收系数和多个光谱检测数据的步骤包括：
通过浊度仪对所述过滤水样进行检测，得到水样浊度；
对所述过滤水样进行检测，得到多个光谱检测数据；所述多个光谱检测数据中至少包括对应于拉曼光谱检测数据、荧光光谱检测数据和多普勒光谱检测数据；
通过波长为243nm、254nm、265nm、275nm和290nm的多个紫外光以及波长为546nm～550nm的可见光对所述过滤水样进行检测，得到多个吸收系数。
进一步地，所述基于有机污染物浓度检测平台，将所述水样浊度、所述水样电导率、所述氧化还原电位数据和所述多光谱检测数据输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度的步骤之前，所述方法还包括：
基于有机污染物浓度检测平台，根据预获取的训练数据和预设的神经网络进行人工智能模型训练，得到预设的数学模糊计算模型。
进一步地，所述方法还包括：
获取对所述待检测水样进行检测得到的滤前浊度；
基于所述滤前浊度和所述水样浊度进行计算，得到浊度差值；
基于所述浊度差值对所述有机污染物浓度进行校正，得到校正后的有机物污染浓度。
本申请实施例第二方面提供了一种有机污染物浓度的检测系统，所述有机污染物浓度的检测系统包括：
取样单元，用于通过取样泵和进水管路，获取待检测水样；
过滤单元，用于通过微滤过滤器，对所述待检测水样进行过滤，得到过滤水样；
检测单元，用于基于检测通道，对所述过滤水样进行检测，得到水样浊度、多个吸收系数和多个光谱检测数据；
计算单元，用于基于有机污染物浓度检测平台，将所述水样浊度、所述多个吸收系数和所述多个光谱检测数据输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度。
实施这种实施方式，能够对污水中的浊度干扰、颗粒物杂质干扰、盐度干扰等干扰进行合理修正，从而通过提高抗干扰能力，进而提高有机污染物浓度的检测精度；同时，实施这种实施方式，还能够根据数学模糊计算模型实时计算出更加准确的有机污染物浓度。
进一步地，所述检测单元，还用于对所述过滤水样进行检测，得到水样电导率、氧化还原电位数据和水样酸碱值；
所述计算单元，具体用于将所述水样浊度、所述多个吸收系数、所述多个光谱检测数据、所述水样电导率、所述氧化还原电位数据和所述水样酸碱值输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度。
进一步地，所述检测单元包括：
第一检测子单元，用于通过浊度仪对所述过滤水样进行检测，得到水样浊度；
第二检测子单元，用于对所述过滤水样进行检测，得到多个光谱检测数据；所述多个光谱检测数据中至少包括对应于拉曼光谱检测数据、荧光光谱检测数据和多普勒光谱检测数据；
第三检测子单元，用于通过波长为243nm、254nm、265nm、275nm和290nm的多个紫外光以及波长为546nm～550nm的可见光对所述过滤水样进行检测，得到多个吸收系数。
本申请实施例第三方面提供了一种电子装置，其特征在于，所述装置包括处理器和存储器，所述处理器用于读取存储在所述存储器中的程序，所述程序用于执行本申请实施例第一方面中任一项所述的有机污染物浓度的检测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种有机污染物浓度的检测方法的流程示意图；
图2为本申请实施例提供的一种有机污染物浓度的检测系统的结构示意图；
图3为本申请实施例提供的一种有机污染物浓度的检测系统的实体结构示意图。
图标：1-取样泵；2-浮漂；3-进水管路；4-微滤过滤器；5-过滤通道；6-浊度仪；7-电导率仪；8-紫外吸收检测系统；9-多普勒光谱检测系统；10-荧光光谱检测系统；11-氧化还原ORP仪；12-检测通道；13-电动阀门；14-出水管；15-电动控制和信号传输设备；16-有机污染物浓度检测平台。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本实施例提供了一种有机污染物浓度的检测方法的流程示意图。其中，该有机污染物浓度的检测方法包括：
S101、获取待检测水样。
本实施例中，该方法是通过进水管路和设置在浮漂上的取样泵获取待检测水样的。
S102、通过100微米以下孔径的微滤膜对待检测水样进行过滤，得到过滤水样。
本实施例中，该方法在过滤通道使用100微米以下孔径的微滤膜的微滤过滤器对待检测水样进行过滤，得到过滤水样。
本实施例中，实施该方法可以有效屏蔽浊度干扰，有利于模型训练的准确性；同时，还能避免因为长时间使用而不过滤使得水中头发丝等杂质过多而导致的系统测试的稳定性问题。
S103、基于检测通道，通过浊度仪对过滤水样进行检测，得到水样浊度。
S104、基于检测通道，对过滤水样进行检测，得到多个光谱检测数据；多个光谱检测数据中至少包括对应于拉曼光谱检测数据、荧光光谱检测数据和多普勒光谱检测数据。
本实施例中，多个光谱检测数据用于表示多个且分别对应于不同的波长的光谱检测数据。
本实施例中，因为水的浊度也同时吸收紫外光，所以该方法采用波长为546nm～550nm的可见光对水的浊度进行检测，然后该方法就可以根据该检测结果对吸收系数进行修正，从而得到有机污染物浓度。
本实施例中，有机污染物浓度可以指代化学需氧量或生化需氧量，对此本实施例中不多加赘述。
本实施例中，该方法可以通过增加多光谱，对UV吸光法测定的有机污染物浓度进行补充或修正。
S105、基于检测通道，通过波长为243nm、254nm、265nm、275nm和290nm的多个紫外光以及波长为546nm～550nm的可见光对过滤水样进行检测，得到多个吸收系数。
本实施例中，该方法可以使用5个检测的波长。
在本实施例中，该方法采用多波长加权测定原理，从原有的1个254nm，增加到5个吸收波长，如243nm，254nm，265nm，275nm和290nm加权多波长。测定时间最小1min。
S106、基于检测通道，对过滤水样进行检测，得到水样电导率、氧化还原电位数据和水样酸碱值。
本实施例中，该方法通过增加辅助测定指标(例如氧化还原电位数据，电导率数据等)，使得该方法可以将该些辅助测定指标输入至数学模糊计算模型，从而完成对紫外吸光法获取到的吸收系数进行修正计算。
本实施例中，该方法可以基于同一个检测通道，实时对同一个过滤水样进行多种检测，从而得到水样浊度、多个吸收系数和多个光谱检测数据。相对于传统方法，不仅可以保证针对同一样本进行检测，还可以实现实时检测；若在水体中，虽然水体会是流动的，平常无法保证样本的统一，但是使用该方法便可以保证样本统一，从而输入到后续模型中的检测参数都是针对同一样本，使得后续的模型计算更科学、更准确。
在本实施例中，检测通道能够保证所有的仪器测试的是同一样本。
S107、基于有机污染物浓度检测平台，将水样浊度、多个吸收系数、多个光谱检测数据、水样电导率、氧化还原电位数据和水样酸碱值输入至预设的数学模糊计算模型中进行综合计算，得到待检测水样的有机污染物浓度。
本实施例中，水样浊度、多个吸收系数、多个光谱检测数据、水样电导率、氧化还原电位数据和水样酸碱值可以为持续输入的实时数据。
作为一种可选的实施方式，该方法还包括：
获取对所述待检测水样进行检测得到的滤前浊度；
基于所述滤前浊度和所述水样浊度进行计算，得到浊度差值；
基于所述浊度差值对所述有机污染物浓度进行校正，得到校正后的有机物污染浓度。
实施这种实施方式，该方法可以获取到过滤前的水样浊度和过滤后的水样浊度，从而确定出因为过滤导致的水样浊度变化值(即浊度差值)。因为，在某些情况下过滤会影响到有机污染物浓度的测量(可以理解为需要被测量的元素被过滤掉，从而使得测量结果的精度降低)，所以，通过该种方式可以对最终测出的有机污染物浓度进行补偿，从而得到更高精度的有机污染物浓度。
作为一种可选的实施方式，将水样浊度、水样电导率、氧化还原电位数据和多光谱检测数据输入至预设的数学模糊计算模型中进行综合计算，得到待检测水样的有机污染物浓度的步骤之前，方法还包括：
根据预获取的训练数据和预设的神经网络进行人工智能模型训练，得到预设的数学模糊计算模型
本实施例中，该方法可以采用神经网络算法完成模型的训练，从而使得各项数据与有机污染物浓度之间形成相对固定的数学计算关系。
在本实施例中，该方法可以根据该方法所获取到的检测结果和理论值进行校对，从而加快模型建立和学习进程。
本实施例中，数学模糊计算模型中至少包括模型算法和调节系数，该方法允许用户自主选择或模型自动选择算法和相关调节系数，从而提高模型的准确率。
本实施例中，数学模糊计算模型可以是数学模糊COD计算模型，也可以是数学模糊BOD计算模型。
本实施例中，通过学习和训练，数学模糊计算模型能够将所有检测到的参数关联起来，从而解决以往孤立检测计算的数据关联问题，进而有利于获取到更准确的有机污染物浓度检测结果；并且能将不符合常规逻辑的数据进行标记和剔除，减少计算误差，从而得到更准确的有机物浓度数值。
作为一种可选的实施方式，该方法还可以增加采样时间、天气状况、水体类型等输入数据，从而使得有机污染物浓度的检测更加准确。
实施这种实施方式，能够每隔2-5min定时更新流域水体中各雨水排口的各时刻排水有机物浓度情况；能够2-5min监测污水厂的进水有机物浓度，并可以联动后续曝气系统的曝气量进行精准调配；能够每2-5min密集监测污水厂进水是否有异常情况，例如工业废水偷排等；能够通过大量监测数据，为人工智能学习提供城镇排水的水质波动数据；能够通过每2-5min密集监测，对于工业园区污水处理厂的进行24小时的来水监测，实现对工业企业排放达标情况进行监测；能够用于雨污合流排口的智能雨污分流设备的监测信号，如果达标，则排入河道；如果没有达标，则重力或者压力排入污水管网进行处理；能够采用多光谱，多参数数值模拟计算方法，可以从不同角度进行测试，从而通过模型数值计算获得对应关系，避免单一参数带来的数值不准确的问题；能够在地表水环境中进行监测，也可以在污水处理厂，自来水供水厂等环境下进行使用。能够装入车辆，进行移动监测。
本实施例中，化学需氧量(COD，Chemical Oxygen Demand)是水样中需要被氧化的还原性物质的量。在这些还原性物质中，大部分是有机物，也有一部分还原性无机物。其中，化学需氧量通常采用的单位是mg/L。
本实施例中，可以用化学需氧量或生化需氧量来表征有机物污染物浓度。可以采用神经网络算法完成模型的训练，从而使得各项数据与化学需氧量或生化需氧量之间形成相对固定的数学计算关系。
在本实施例中，COD的标准检测方法需要化学试剂(含重金属铬)在高温条件下消解2小时，再经过冷却、滴定等一系列繁琐的过程才能得出1个浓度数据；经过多年发展，目前可以采用COD快速检测仪、COD实时在线检测仪等半自动或自动设备进行测定，将每个样品的检测的时间缩短到1个小时左右。可见，该方法虽然作为标注方法具有极高的准确性，但是从时效性上来讲就差上许多，因此有了背景技术中采用的紫外线测量方法。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体中可以搭载有机污染物浓度检测平台，该有机污染物浓度检测平台的形式可以为网页形式、app形式等任意形式。
可见，实施本实施例所描述的有机污染物浓度的检测方法，能够解决现有紫外检测法中存在的检测误差和适用面窄的问题(现有的紫外检测法大多数都是测定自来水、自然水体、或污染较轻的污水；对于生活污水或工业废水并都不能准确地完成测定)。同时，实施这种实施方式，能够实现在线地快速实时连续检测，大约每2-5min完成一次检测，通过密集的检测可以更准确地表征水样中有机物浓度延时特征情况，从而对实时反馈流域水体、污水厂进出水、工业园区的污染物特征具有非常重要的意义。同时，实施这种实施方式，能够相对于传统的检测方法实现更高效、更环保的有益效果。
实施例2
请参看图2，图2为本实施例提供的一种有机污染物浓度的检测系统的结构示意图。如图2所示，该有机污染物浓度的检测系统包括：
取样单元210，用于通过取样泵和进水管路，获取待检测水样；
过滤单元220，用于通过微滤过滤器，对待检测水样进行过滤，得到过滤水样；
检测单元230，用于基于检测通道，对过滤水样进行检测，得到水样浊度、多个吸收系数和多个光谱检测数据；
计算单元240，用于基于有机污染物浓度检测平台，将水样浊度、多个吸收系数和多个光谱检测数据输入至预设的数学模糊计算模型中进行综合计算，得到待检测水样的有机污染物浓度。
作为一种可选的实施方式，检测单元230，还用于对过滤水样进行检测，得到水样电导率、氧化还原电位数据和水样酸碱值；
计算单元240，具体用于将水样浊度、多个吸收系数、多个光谱检测数据、水样电导率、氧化还原电位数据和水样酸碱值输入至预设的数学模糊计算模型中进行综合计算，得到待检测水样的有机污染物浓度。
作为一种可选的实施方式，过滤单元220具体用于通过100微米以下孔径的微滤膜对待检测水样进行过滤，得到过滤水样。
作为一种可选的实施方式，检测单元230包括：
第一检测子单元231，用于通过浊度仪对过滤水样进行检测，得到水样浊度；
第二检测子单元232，用于对过滤水样进行检测，得到多个光谱检测数据；多个光谱检测数据中至少包括对应于拉曼光谱检测数据、荧光光谱检测数据和多普勒光谱检测数据；
第三检测子单元233，用于通过波长为243nm、254nm、265nm、275nm和290nm的多个紫外光以及波长为546nm～550nm的可见光对过滤水样进行检测，得到多个吸收系数。
作为一种可选的实施方式，该有机污染物浓度的检测系统还包括：
训练单元250，用于基于有机污染物浓度检测平台，根据预获取的训练数据和预设的神经网络进行人工智能模型训练，得到预设的数学模糊计算模型。
请参阅图3，图3示出了一种有机污染物浓度的检测系统的实体结构示意图。在该图中，取样泵1的出水口与进水管路3连接，进水管路的另一端与微滤过滤器4连接，水样进入微滤过滤器4中的过滤通道5，在取样泵1的压力下进行过滤预处理过程，其中通过过滤后的水样出水口设置浊度检测仪6，然后进入后续检测通道12，检测通道12中分别设置了电导率仪7，紫外吸收检测系统或探头8，多普勒检测系统或探头9，荧光光谱检测系统或探头10，氧化还原点位检测仪11。检测通道12的水样出水口连接出水管路14，最终检测完的水样回到水体。检测仪6，7，8，9，10，11的数据全部通过电控信号设备13进行连接，并最终将检测数据上传给有机污染物浓度检测平台16，数据在有机污染物浓度检测平台中进行计算，拟合，并最终形成实时的有机污染物浓度。具体的，该方法用于计算得到化学需氧量或生化需氧量来表征有机污染物浓度。
需要理解的是，该系统可以在对应区域增加可见光区域的检测吸收探头，对此本实施例中不做赘述。
同时，取样单元210可以包括取样泵1、浮漂2、进水管路3；过滤单元220可以包括微滤过滤器4和过滤通道5；检测单元230可以包括浊度仪6、电导率仪7、紫外吸收检测系统8、多普勒光谱检测系统9、荧光光谱检测系统10、氧化还原ORP仪11、检测通道12和电动阀门13；计算单元240可以包括电动控制和信号传输设备15和有机污染物浓度检测平台16。
关于取样泵1：通过木制或塑料浮漂的浮力，将泵固定在浮漂上，然后浸没在将要进行检测的水体之中，可以浸没在不同液位位置。水体可以是自然水体，或者污水，或其它需要连续检测的水体；取样泵1也可以通过其它方式进行安装，但应保证其不被污堵，取水样具有代表性，尽量不会将污泥、颗粒物等容易堵塞过滤装置的颗粒物泵送至过滤器，导致过滤器污堵。
关于微滤过滤器4：微滤过滤器主要功能是降低原水样的浊度和颗粒物，作为预处理设备。其过滤公称孔径在1um-100um范围，可以能够将大部分浊度物质进行过滤，同时不宜小于0.4um，可能会导致有机物的测定出现较大误差的情况。微滤过滤器采用一定压力和流速的管道过滤器，再水样快速通过微滤管路的过程中进行过滤，从而避免死端过滤导致的污堵。
关于过滤通道5：该过滤通道5采用亲水性强的陶瓷膜等无机膜结构，避免采用有机物膜、活性炭等过滤材料，从而减少对有机物的吸附。
关于浊度仪6：浊度仪6主要检测经过微滤过滤器5后的浊度情况，并将浊度实时数据传送给电动控制和信号传输设备15。具体的，该浊度仪可以为可见光测量仪器，也可以为其他能够直接测量出浊度的仪器，对此本实施例中不做任何限定。
其中，该系统采用的检测方法中具有“基于检测通道，对过滤水样进行检测，得到水样浊度、多个吸收系数和多个光谱检测数据”这一步骤。基于该步骤可知，过滤之后的过滤水样是直接输入检测通道的，不过基于图3也应当理解该输入过程也对应着一个输入的管道，而该管道中的过滤水样与检测通道中的过滤水样是同一水样，即所有的检测仪器可以对同一过滤水样进行检测。然而，在实践中该系统中可以将浊度仪6设置于图3所示的位置，即上述管道之中。虽然浊度仪6设置无论该管道还是检测通道中皆是对过滤水样进行检测；但是，按照图3这样设置还可以规避其他检测仪器对浊度检测的影响，从而保证该水样浊度可以与滤前浊度之间的差值只受到微滤过滤器4的影响，进而保证最终的浊度补偿计算能够获取到更高精度的有机污染物浓度。除此之外，应当理解，浊度仪6的设置位置是灵活的，只要针对过滤水样进行检测即可，图3示出的这种结构仅为一种有额外效果的实施方式。
关于电导率仪7：电导率仪7主要检测水样的电导率，并将电导率数据信号传送给电动控制和信号传输设备15。
关于检测通道12：检测通道12主要是在一个检测周期内，确保检测的水样是一次采集的水样，检测通道中的水样是联通的结构，所有检测传感器和探头，针对的是同一个水样进行读数。检测通道的前端和后端可以设置电动阀门13，当一次检测开始采集数据时，保持关闭；当检测结束后，完全打开。
关于出水管路14：出水管路14为重力自流进入水体。可以单独一个管路，也可以与微滤过滤器5的排水管路联通，共同排水，减少管路敷设消耗。
关于电动控制和信号传输设备15：电动控制和信号传输设备15可以为PLC，也可以为单片机，负责将一个检测周期的同一时刻的检测数据进行采集，记录，并传输给智慧管控平台进行计算。负责检测通道12的电动控制阀门；负责微滤过滤器5的电动控制逻辑程序；负责提升泵1的电动控制逻辑程序等。
关于有机污染物浓度检测平台16：该系统将电动控制和信号传输设备15的数据上传至有机污染物浓度检测平台16，有机污染物浓度检测平台可根据上传数据进行模型模拟，进行大数据的累积和深度学习，从而找到这些数据与有机物浓度之间的逻辑关系，最终反馈进水有机物浓度数据。可以将部分COD浓度数据与有机物浓度数据进行定期比对和修正，从而防止数字模型偏离，偏离误差不应大于5％。
本申请实施例中，对于有机污染物浓度的检测系统的解释说明可以参照实施例1中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的有机污染物浓度的检测系统，能够解决现有紫外检测法中存在的检测误差和适用面窄的问题(现有的紫外检测法大多数都是测定自来水、自然水体、或污染较轻的污水；对于生活污水或工业废水并都不能准确地完成测定)。同时，实施这种实施方式，能够实现在线地快速实时连续检测，大约每2-5min完成一次检测，通过密集的检测可以更准确地表征水样中有机物浓度延时特征情况，从而对实时反馈流域水体、污水厂进出水、工业园区的污染物特征具有非常重要的意义。同时，实施这种实施方式，能够相对于传统的检测方法实现更高效、更环保的有益效果。
本申请实施例提供了一种电子设备，包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行本申请实施例1中的有机污染物浓度的检测方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本申请实施例1中的有机污染物浓度的检测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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存储介质中。基于这样的理解，本申请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)执行本申请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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种有机污染物浓度的检测方法，其特征在于，包括：
通过取样泵和进水管路，获取待检测水样；
通过微滤过滤器，对所述待检测水样进行过滤，得到过滤水样；
基于检测通道，对所述过滤水样进行检测，得到水样浊度、多个吸收系数和多个光谱检测数据；
基于有机污染物浓度检测平台，将所述水样浊度、所述多个吸收系数和所述多个光谱检测数据输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度。
2.根据权利要求1所述的有机污染物浓度的检测方法，其特征在于，所述将所述水样浊度、所述多个吸收系数和所述多个光谱检测数据输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度的步骤包括：
对所述过滤水样进行检测，得到水样电导率、氧化还原电位数据和水样酸碱值；
将所述水样浊度、所述多个吸收系数、所述多个光谱检测数据、所述水样电导率、所述氧化还原电位数据和所述水样酸碱值输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度。
3.根据权利要求1所述的有机污染物浓度的检测方法，其特征在于，所述对所述待检测水样进行过滤，得到过滤水样的步骤包括：
通过100微米以下孔径的微滤膜对所述待检测水样进行过滤，得到过滤水样。
4.根据权利要求1所述的有机污染物浓度的检测方法，其特征在于，所述对所述过滤水样进行检测，得到水样浊度、多个吸收系数和多个光谱检测数据的步骤包括：
通过浊度仪对所述过滤水样进行检测，得到水样浊度；
对所述过滤水样进行检测，得到多个光谱检测数据；所述多个光谱检测数据中至少包括对应于拉曼光谱检测数据、荧光光谱检测数据和多普勒光谱检测数据；
通过波长为243nm、254nm、265nm、275nm和290nm的多个紫外光以及波长为546nm～550nm的可见光对所述过滤水样进行检测，得到多个吸收系数。
5.根据权利要求1所述的有机污染物浓度的检测方法，其特征在于，所述基于有机污染物浓度检测平台，将所述水样浊度、所述水样电导率、所述氧化还原电位数据和所述多光谱检测数据输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度的步骤之前，所述方法还包括：
基于有机污染物浓度检测平台，根据预获取的训练数据和预设的神经网络进行人工智能模型训练，得到预设的数学模糊计算模型。
6.根据权利要求1所述的有机污染物浓度的检测方法，其特征在于，所述方法还包括：
获取对所述待检测水样进行检测得到的滤前浊度；
基于所述滤前浊度和所述水样浊度进行计算，得到浊度差值；
基于所述浊度差值对所述有机污染物浓度进行校正，得到校正后的有机物污染浓度。
7.一种有机污染物浓度的检测系统，其特征在于，所述有机污染物浓度的检测系统包括：
取样单元，用于通过取样泵和进水管路，获取待检测水样；
过滤单元，用于通过微滤过滤器，对所述待检测水样进行过滤，得到过滤水样；
检测单元，用于基于检测通道，对所述过滤水样进行检测，得到水样浊度、多个吸收系数和多个光谱检测数据；
计算单元，用于基于有机污染物浓度检测平台，将所述水样浊度、所述多个吸收系数和所述多个光谱检测数据输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度。
8.根据权利要求7所述的有机污染物浓度的检测系统，其特征在于，所述检测单元，还用于对所述过滤水样进行检测，得到水样电导率、氧化还原电位数据和水样酸碱值；
所述计算单元，具体用于将所述水样浊度、所述多个吸收系数、所述多个光谱检测数据、所述水样电导率、所述氧化还原电位数据和所述水样酸碱值输入至预设的数学模糊计算模型中进行综合计算，得到所述待检测水样的有机污染物浓度。
9.根据权利要求7所述的有机污染物浓度的检测系统，其特征在于，所述检测单元包括：
第一检测子单元，用于通过浊度仪对所述过滤水样进行检测，得到水样浊度；
第二检测子单元，用于对所述过滤水样进行检测，得到多个光谱检测数据；所述多个光谱检测数据中至少包括对应于拉曼光谱检测数据、荧光光谱检测数据和多普勒光谱检测数据；
第三检测子单元，用于通过波长为243nm、254nm、265nm、275nm和290nm的多个紫外光以及波长为546nm～550nm的可见光对所述过滤水样进行检测，得到多个吸收系数。
10.一种电子装置，其特征在于，所述装置包括处理器和存储器，所述处理器用于读取存储在所述存储器中的程序，所述程序用于执行权利要求1～6任一项所述有机污染物浓度的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210645410.6A CN117233340A (zh) | 2022-06-08 | 2022-06-08 | 一种有机污染物浓度的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210645410.6A CN117233340A (zh) | 2022-06-08 | 2022-06-08 | 一种有机污染物浓度的检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117233340A true CN117233340A (zh) | 2023-12-15 |
Family
ID=89086765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210645410.6A Pending CN117233340A (zh) | 2022-06-08 | 2022-06-08 | 一种有机污染物浓度的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117233340A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117740758A (zh) * | 2024-02-20 | 2024-03-22 | 深圳市伟昊净化设备有限公司 | 一种液体过滤过程中液体品质的探测方法及系统 |
-
2022
- 2022-06-08 CN CN202210645410.6A patent/CN117233340A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117740758A (zh) * | 2024-02-20 | 2024-03-22 | 深圳市伟昊净化设备有限公司 | 一种液体过滤过程中液体品质的探测方法及系统 |
| CN117740758B (zh) * | 2024-02-20 | 2024-04-19 | 深圳市伟昊净化设备有限公司 | 一种液体过滤过程中液体品质的探测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107148567B (zh) | 基于吸光度和荧光确定水处理参数 | |
| Vanrolleghem et al. | On-line monitoring equipment for wastewater treatment processes: state of the art | |
| Langergraber et al. | A multivariate calibration procedure for UV/VIS spectrometric quantification of organic matter and nitrate in wastewater | |
| CN107209112B (zh) | 基于吸光度和荧光确定水处理参数 | |
| Rieger et al. | Spectral in-situ analysis of NO2, NO3, COD, DOC and TSS in the effluent of a WWTP | |
| Carré et al. | Estimation of water quality by UV/Vis spectrometry in the framework of treated wastewater reuse | |
| Huebsch et al. | Field experiences using UV/VIS sensors for high-resolution monitoring of nitrate in groundwater | |
| Birgand et al. | First report of a novel multiplexer pumping system coupled to a water quality probe to collect high temporal frequency in situ water chemistry measurements at multiple sites | |
| JP2004177122A (ja) | 水質検出方法及び水質浄化装置の運転方法 | |
| CN108680397B (zh) | 一种水质多参数自动检测分析仪 | |
| CN111929265B (zh) | 生活污水cod和/或bod精确补偿测定方法 | |
| CN117233340A (zh) | 一种有机污染物浓度的检测方法及系统 | |
| Shangguan et al. | Autonomous in situ measurements of freshwater alkalinity | |
| Khamis et al. | Calibration of an in-situ fluorescence-based sensor platform for reliable BOD5 measurement in wastewater | |
| Pan et al. | A new approach to estimating oxygen off-gas fraction and dynamic alpha factor in aeration systems using hybrid machine learning and mechanistic models | |
| CN113716700A (zh) | 河道生态修复控制系统 | |
| CN108760664A (zh) | 一种水质多参数自动检测分析方法 | |
| CN107367476B (zh) | 评估水的生物降解能力的方法和系统以及其在水处理中的应用 | |
| Iranpour et al. | Real time BOD monitoring for wastewater process control | |
| CN111707632A (zh) | 一种在线总磷、氨氮、cod水质自动监测装置 | |
| CN115403226B (zh) | 一种平衡系统内碳源的厂网联调控制方法、系统及装置 | |
| KR100299328B1 (ko) | 유출수의유기오염물측정방법및장치 | |
| CN112834450A (zh) | 一种传感器、污水测定的系统和方法 | |
| CN206540820U (zh) | 一种铬法uvcod一体机在线监测仪 | |
| Briggs et al. | Instrumentation control and automation in the control of biological effluent treatment |
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 |