[發明專利]污水水質檢測方法與裝置

無效

• 申請號: 201310131907.7
• 申請日: 2013-04-16
• 公開（公告）號: CN103235096A
• 公開（公告）日: 2013-08-07
• 發明（設計）人: 羅隆;周力尤
• 申請（專利權）人: 廣州鐵路職業技術學院
• 主分類號: G01N33/18
• 分類號: G01N33/18
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 王茹;曾旻輝

技術領域

本發明涉及污水檢測技術領域，特別是涉及一種污水水質檢測方法與裝置。

背景技術

污水排放量隨著城市化的發展和工農業生產的發展而日益增加。我國近年興建大量的污水處理廠，來改善水資源環境，以免其進一步惡化。由于污水處理過程機理復雜，為建立良好的監測機制，保證良好的出水水質，必須及時監控污水處理過程中的水質參數。

根據國家相關排放標準，總氮、總磷是衡量水質好壞的重要指標。然而目前總氮、總磷的檢測由人工完成，人工檢測存在很大的時間滯后性，且檢測過程復雜、容易出現誤差。

發明內容

基于上述情況，本發明提出了一種污水水質檢測方法與裝置，以減少人的參與，快速準確地實現污水水質檢測。

一種污水水質檢測方法，包括步驟：

監測污水工藝參數；

將所述污水工藝參數輸入預先訓練的基于關聯向量機的出水總氮和出水總磷的預測模型；

輸出出水總氮或出水總磷的數據。

一種污水水質檢測裝置，包括：

工藝參數監測模塊，用于監測污水工藝參數；

模型輸入模塊，用于將所述污水工藝參數輸入預先訓練的基于關聯向量機的出水總氮和出水總磷的預測模型；

預測結果輸出模塊，用于輸出出水總氮或出水總磷的數據。

本發明污水水質檢測方法與裝置，通過數據訓練預先建立基于關聯向量機的預測模型，采用該預測模型對污水中的總氮和總磷進行預測。相比人工檢測的方法，本方法與裝置可以在線預測，便于進行實時監控與調節，為污水水質實時監測自動化做出了貢獻。另外，本方法與裝置采用的預測模型是基于關聯向量機的軟測量方法，相比采用神經網絡和支持向量機建模方法所建立的模型，具有更好的適用性和更高的預測精度。

附圖說明

圖1為本發明污水水質檢測方法的流程示意圖；

圖2為本發明污水水質檢測裝置的結構示意圖。

具體實施方式

污水水質檢測過程是一個多變量、多目標、多層次包含海量信息處理的復雜過程，各種參數之間存在強烈的耦合和關聯。有些重要的指標難以在線測量，例如：BOD5、N、P的值，為了更好地監控這些指標，可以利用近年來涌現出來的軟測量技術，即利用易測量的過程變量與難以直接測量的待測過程變量之間的數學模型（軟測量模型），通過各種數學計算和估計方法，用計算機軟件實現待測量過程變量的測量。支持向量機（SVM，Support?Vector?Machine）是一種基于統計學習理論的軟測量建模方法，它的目標就是構造一個決策函數，將測試數據盡可能正確地分類并預測未知類別，關聯向量機（RVM，Relevance?Vector?Machine）則是在支持向量機的基礎上發展起來的一種新的計算方法，兩者的本質都是借助于核函數把低維空間線性不可分的問題轉換為高維空間中的線性劃分問題。相對SVM模型來說，RVM是在貝葉斯框架下提出的具有稀疏概率模型的學習算法，可以得到概率似的預測。在本文總磷TP和總氮TN的預測過程中，與SVM相比，首先，RVM良好的泛化能力可使預測結果達到與SVM相當的精度；其次，在RVM模型中，沒有規則化系數，不需要通過交叉驗證獲取該參數；再次，在RVM求解過程中，核函數不必滿足Mercer條件；最后，RVM訓練完成后，只有少數基函數的權值非零，比SVM更加稀疏，因此更能明確地分析用概率表示的預測結果的不確定性。

綜上，RVM基于貝葉斯框架構建，其泛化能力優于支持向量機，且其測試時間更短，更適用于在線檢測。為此，本文提出引入RVM這一軟測量方法，建立水質中重要指標總氮(TN)和總磷(TP)的預測模型。下面結合附圖詳細解釋本發明。

本發明污水水質檢測方法，如圖1所示，包括如下步驟：

步驟S101、監測污水工藝參數；

步驟S102、將所述污水工藝參數輸入預先訓練的基于關聯向量機的出水總氮和出水總磷的預測模型；

步驟S103、輸出出水總氮或出水總磷的數據。

污水水質檢測的目的檢出是出水總氮和出水總磷的含量，鑒于總氮和總磷難以測量，因此如步驟S101所述先監測其他易于測量的工藝參數，再將這些參數輸入到預測模型中，最后輸出的即是總氮或總磷的數據。