一种基于多参数耦合交叉的水质在线监测方法和系统与流程

本发明涉及水质监测技术领域，具体地说，涉及一种基于多参数耦合交叉的水质在线监测方法和系统。

背景技术：

现有的水质在线监测系统由在线监测仪器、gprs通信模块和远程监控中心三部分组成，一般应用于河流、湖泊等水域的水质监测。通过gprs通信模块将在线监测仪器采集到的原始数据信息上传到远程监测中心，再完成数据的处理和展示，从而实现水质参数的实时远程监测。

如图1所示，一种现有的水质在线监测系统，包括在线监测仪器、gprs通信模块和远程监控中心，该系统的缺陷在于：

(1)下位机只为各模块供电，不对采集到的数据作处理及本地存储。当发生网络故障时，将会丢失此时间段内的监测数据。

(2)远程监控中心控制在线监测仪器的测量过程，由于存在网络延迟，实际采样时间与要求采样时间会存在一定偏差。定时采样时，时间误差会累积。

(3)gprs通信模块与电源管理模块独立，系统集成度低。

(4)受水体环境影响，单独使用在线监测仪器对某些水质参数的测量精度不高。

在线监测仪器在对水质数据进行采集的过程中，可能会因为技术成熟度不同而产生较大误差，如化学需氧量(cod)的测量，现有的测量仪器不太成熟，测得的化学需氧量(cod)数据难以确定准确性。

而通过文献调研，发现ph、浊度、溶解氧(do)和氧化还原电位(orp)4个水质参数与化学需氧量(cod)密切相关，为确定模型的输入参数选择提供了参考。

为了进一步验证输出参数化学需氧量(cod)与4个输入参数ph、浊度、溶解氧(do)和氧化还原电位(orp)的相关性，对覆盖这些参数的实际项目数据进行相关性计算。相关系数绝对值越大，相关性越强，r为0时，表示相互独立。r大于0，表示正相关；r为0时，表示负相关。相关性计算公式如式1所示。

其中，cov(x,y)为x与y的协方差，var[x]为x的方差，var[y]为y的方差。

由相关性分析结果可知，ph、浊度、溶解氧(do)和电导率这四个参数与输出参数化学需氧量(cod)的相关性更高。

技术实现要素：

本发明的目的为提供一种基于多参数耦合交叉关系的水质在线监测方法，解决无法准确测量水体中化学需氧量的问题，进而实现水体质量的实时监测。

本发明的另一目的为提供一种基于多参数耦合交叉关系的水质在线监测系统，该系统可用于实现上述水质在线监测方法。

为了实现上述目的，本发明提供的基于多参数耦合交叉关系的水质在线监测方法包括以下步骤：

1)获取水体原始样本的ph、浊度、溶解氧和电导率数据，以化学需氧量为标签，剔除掉数据异常的样本，形成训练集；

2)对水体原始样本的ph、浊度、溶解氧和电导率数据进行归一化处理；

3)使用归一化处理后的ph、浊度、溶解氧和电导率数据及对应的标签对bp神经网络进行训练，获得水质参数模型；

4)将待测水体的ph、浊度、溶解氧和电导率数据经归一化处理后输入水质参数模型中，并对输出的数据进行反归一化处理，得到待测水体的化学需氧量数据；

5)根据待测水体的化学需氧量数据，得到待测水体的水质情况；

6)根据应用场合设定一个预警值，当待测水体的化学需氧量大于预警值时，进行报警提示污染超标。

上述技术方案中，利用易于测得的ph、浊度、溶解氧和电导率数据，建立水质参数模型，实现对不宜检测的化学需氧量的实时测量，节省了监测时间。

作为优选，步骤1)中，所述的剔除掉数据异常的样本采用的方法为：

将每一时刻的化学需氧量值均与前一时刻进行比较，当变化值大于±10％时，认为其发生了突变(采集的时间为30分钟，如果没有外力干扰，各水质参数是缓慢稳定变化的)；

从突变值往后寻找，出现的第一个与其后10组数据处于同一水平(每相邻两组数据差值不差过±10％，10组数据为5个小时监测时间，可以认为其达到稳定)，认为此值以后的数据为正常值；

从发生突变至重新稳定到新数值水平之间的数据均为为异常值，从训练集剔除。

突变原因可以分两种情况讨论：

①发生突变后短时间又恢复到原数值水平，认为是传感器探头被杂物遮挡，被水流或自身清洁刷清理后又恢复正常。

则从发生突变至重新恢复原先水平间的数据均为异常值，不具有参考价值，需从训练集剔除。

②发生突变后稳定在一个新的数值水平，认为是发生排污，水体环境发生改变。

则从发生突变至重新稳定到新数值水平间的数据均为为异常值，不具有参考价值，需从训练集剔除。

由于输入参数具有不同的量纲和量纲单位，会影响到数据分析的结果，为了消除量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各参数处于同一数量级，适合进行综合对比评价。作为优选，步骤2)中对ph、浊度、溶解氧和电导率数据进行归一化处理的公式为：

取ymax＝1,ymin＝-1，则原数据映射到区间[-1，1]，注：x为原始数据，y为归一化处理后数据。

作为优选，步骤3)中bp神经网络包括输入层、隐藏层和输出层，各层神经元个数分别为4、9和1；输入层到隐藏层的传递函数为tansig，隐藏层到输出层的传递函数为purelin，学习算法选择标准梯度下降算法traingd；以模型输出和期望输出的均方误差mse为评价指标确定是否达到训练要求。

作为优选，步骤4)中，对输出的数据进行反归一化处理的公式为：

取ymax＝1,ymin＝-1，则将模型输出映射回真实数值，其中，x为真实数据，y为模型输出的归一化数据。反归一化处理与归一化为逆操作，将模型输出的[-1，1]数值重新映射回真实数值区间。

作为优选，步骤6)中，当应用场合为城市内河时，设定预警值为10mg/l，当应用场合为工业废水排放口时，设定预警值为100mg/l。

国家规定的工业废水排放指标参考二级标准，化学需氧量(cod)小于100mg/l。

为了实现上述另一目的，本发明提供的基于多参数耦合交叉的水质在线监测系统，用于实现上述水质在线监测方法，包括：

数据采集组件，设有ph传感器、浊度传感器、溶解氧传感器和氧化还原电位传感器；

数据处理组件，设有存储模块和处理模块，存储模块中存储有水质参数模型以及上述各传感器采集到的水质参数；处理模块对水质参数进行处理计算得到待测水体的化学需氧量数据，并结合待测水体的ph、浊度、溶解氧和电导率数据与化学需氧量数据，得到待测水体的水质情况；

数据传输组件，通过4g通信方式将监测结果上传并显示。

与现有技术相比，本发明的有益效果为：

本发明引入水质参数模型，可以实现对未测量水质参数的估测，降低了硬件成本，减少了人工定期维护校准次数；由下位机控制测量过程，进行数据处理、存储，系统更加稳定可靠；采用4g通信，相比于gprs传输效率更高、更稳定；所有模块集成在一块控制板中，系统集成度更高。

附图说明

图1为现有技术中的水质在线监测系统的结构示意图；

图2为本发明实施例中水质在线监测系统的结构示意图；

图3为本发明实施例中水质在线监测系统的硬件架构图；

图4为本发明实施例中水质在线监测系统的嵌入式系统工作流程图；

图5为本发明实施例的水质参数模型示意图；

图6为本发明实施例中水质参数模型验证过程中化学需氧量估测结果对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合实施例及其附图对本发明作进一步说明。

实施例

参见图2和图3，本实施例的基于多参数耦合交叉的水质在线监测系统包括水质在线监测系统的硬件系统和嵌入式系统两部分，实现对水质参数的数据采集、数据处理和数据传输三大功能。其中包括：

数据采集组件，设有ph传感器、浊度传感器、溶解氧传感器和氧化还原电位传感器；

数据处理组件，设有存储模块和处理模块，存储模块中存储有水质参数模型以及上述各传感器采集到的水质参数；处理模块对水质参数进行处理计算得到待测水体的化学需氧量数据，并结合待测水体的ph、浊度、溶解氧和电导率数据与化学需氧量数据，得到待测水体的水质情况；

数据传输组件，通过4g通信方式将监测结果上传并显示。

图3为水质在线监测系统的硬件架构图，通过接入相应的传感器，系统可以实时的采集到水质参数模型的输入参数，微处理器经过计算后即可实现目标水质参数化学需氧量(cod)的在线估测。最后，通过4g通信的方式将结果上传显示。

嵌入式系统有三个功能模块，分别为系统初始化模块、中断模块和数据处理模块。参见图4，硬件系统上电之后，首先进行各个模块的初始化，然后定时器开始计时，当发生中断1时，系统将向传感器发送测试指令；当传感器返回信息时触发中断2，检测到完成1个modbus信息帧的接收后，会对其进行相应的数据处理，包括原始数据存储和通信协议解析以及目标参数化学需氧量(cod)的估测。4g通信程序负责将最终结果上传。

利用本实施例的水质在线监测系统实现水质在线监测方法的步骤如下：

步骤s100，获取水体原始样本的ph、浊度、溶解氧和电导率数据，以化学需氧量为标签，剔除掉数据异常的样本，形成训练集。

将每一时刻的化学需氧量值均与前一时刻进行比较，当变化值大于±10％时，认为其发生了突变(采集的时间为30分钟，如果没有外力干扰，各水质参数是缓慢稳定变化的)；

从突变值往后寻找，出现的第一个与其后10组数据处于同一水平(每相邻两组数据差值不差过±10％，10组数据为5个小时监测时间，可以认为其达到稳定)，认为此值以后的数据为正常值；

从发生突变至重新稳定到新数值水平之间的数据均为为异常值，从训练集剔除。

突变原因可以分两种情况讨论：

①发生突变后短时间又恢复到原数值水平，认为是传感器探头被杂物遮挡，被水流或自身清洁刷清理后又恢复正常。

则从发生突变至重新恢复原先水平间的数据均为异常值，不具有参考价值，需从训练集剔除。

②发生突变后稳定在一个新的数值水平，认为是发生排污，水体环境发生改变。

则从发生突变至重新稳定到新数值水平间的数据均为为异常值，不具有参考价值，需从训练集剔除。

本实施例的水体监测数据为中天海洋系统有限公司团结河无线水质监测项目2017年6月10日0点至2017年6月19日11点的历史监测数据，共455组数据。对原始样本数据进行统计分析，研究异常值出现的原因，进而确定异常值的判断策略。在正常情况下，水体处于一种动态平衡中，各水质参数是平稳、规律变化的。异常值发生在参数突变处，具体又可以分为两种情况。一是传感器问题，如探头被杂物遮挡，表现为参数突变后又在短时间内恢复到之前水平；二是水体环境发生改变，如出现排污，表现为参数突变后稳定在新的数值水平。从出现突变值到数值重新稳定，数据是异常的，不能作为训练样本数据，需要进行剔除。按上述异常值判断方法编写程序，完成对原始样本数据异常值的查找、剔除，得到337组有效数据，随机抽取300组作为模型的本实施例的训练集，剩下的37组数据作为验证集。

步骤s200，对水体原始样本的ph、浊度、溶解氧和电导率数据进行归一化处理。

由于输入参数具有不同的量纲和量纲单位，会影响到数据分析的结果，为了消除量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各参数处于同一数量级，适合进行综合对比评价。本实施例中，对ph、浊度、溶解氧和电导率数据进行归一化处理的公式为：取ymax＝1,ymin＝-1，则原数据映射到区间[-1，1]，注：x为原始数据，y为归一化处理后数据。

步骤s300，使用归一化处理后的ph、浊度、溶解氧和电导率数据及对应的标签对bp神经网络进行训练，获得水质参数模型。参见图5，水质参数模型的结构为：

使用bp神经网络算法建模，选用3层网络，一层输入层，一层隐藏层，一层输出层，各层的神经元个数分别为4，9，1。输入参数为ph、浊度、溶解氧(do)和电导率，输出参数为化学需氧量(cod)。输入层到隐藏层的传递函数选择tansig，隐藏层到输出层的传递函数选择purelin，学习算法选择标准梯度下降算法traingd。以模型输出和期望输出的均方误差mse为评价指标确定是否达到训练要求，各层的阈值、权值在模型训练的训练过程中会确定最优值。本实施例的训练参数：最大迭代次数为1000，允许误差为0.001，训练速率为0.01。

步骤s400，将待测水体的ph、浊度、溶解氧和电导率数据经归一化处理后输入水质参数模型中，并对输出的数据进行反归一化处理，得到待测水体的化学需氧量数据。

反归一化处理的公式为：取ymax＝1,ymin＝-1，则将模型输出映射回真实数值，其中，x为真实数据，y为模型输出的归一化数据。反归一化处理与归一化为逆操作，将模型输出的[-1，1]数值重新映射回真实数值区间。

步骤s500，根据待测水体的化学需氧量数据，得到待测水体的水质情况。

步骤s600，根据应用场合设定一个预警值，当待测水体的化学需氧量大于预警值时，进行报警提示污染超标。

当应用场合为城市内河时，设定预警值为10mg/l，当应用场合为工业废水排放口时，设定预警值为100mg/l。

国家规定的工业废水排放指标参考二级标准，化学需氧量(cod)小于100mg/l。

选取ph、浊度、溶解氧(do)、氧化还原电位(orp)4个辅助参数，利用bp神经网络建立水质参数模型，经历史监测数据验证该模型具有较高的估测精度，平均相对误差小于10％。将模型的训练结果，移植到嵌入式系统，作为目标水质参数估测的依据。

利用验证集中的37组数据对本实施例的水质参数模型进行验证，参见图6，黑点为实际监测到的化学需氧量(cod)值，黑色线条为输入其他4个参数模型输出的化学需氧量(cod)值。

平均相对误差aard为4.20％，绝对系数r²为0.9762。平均相对误差其中：xi为实测值，为估测值；决定系数其中：sst＝ssr+sse，sst为总平方和，ssr为回归平方和，sse为残差平方和。aard越小，r2越接近1，说明模型的估测效果越好。