CN115980286A - 一种利用电子鼻对污水处理厂不同阶段废水检测的方法 - Google Patents
一种利用电子鼻对污水处理厂不同阶段废水检测的方法 Download PDFInfo
- Publication number
- CN115980286A CN115980286A CN202211542861.3A CN202211542861A CN115980286A CN 115980286 A CN115980286 A CN 115980286A CN 202211542861 A CN202211542861 A CN 202211542861A CN 115980286 A CN115980286 A CN 115980286A
- Authority
- CN
- China
- Prior art keywords
- odor
- electronic nose
- sample
- wastewater
- samples
- 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
Landscapes
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
一种利用电子鼻对污水处理厂不同阶段废水检测的方法,包括:装配用于检测的电子鼻***进行样品检测与模型训练:装配适用于检测要求电子鼻;废水样品与臭气样品采集;气味样本数据采集;对数据进行特征提取与模式识别,获得机器学习模型。将电子鼻用于污水处理厂不同阶段废水检测,包括:将电子鼻***布置在污水处理厂的不同处理阶段;使用电子鼻***进行气味浓度检测与水质参数预测,决策是否正常进行排放。本发明利用电子鼻能实现污水处理厂不同阶段废水的高效、精准、低成本检测,并且实时化通知检测结果,解决了目前水质参数检测技术成本高、操作复杂、仪器要求高、检测效率低等问题,能为污水处理厂废水检测提供了一种更可行的方法。
Description
技术领域
本发明属污水检测技术领域,具体涉及一种利用电子鼻对污水处理厂不同阶段废水检测的方法。
背景技术
污水处理厂的非法排放是环境污染的一个关键来源。
污水的非法排放将带来多方面的危害,对于群众健康将产生直接影响,通过饮水或食物链便可能引发传染病、消化病、皮肤病、慢性或急性中毒等多种疾病,甚至致癌,给群众身体健康带来威胁。对于环境也会产生多种污染,造成土壤污染,使土壤不再适宜耕作;导致河流水质恶化,影响水体的正常利用,还会经过入渗等途径污染地下水。污水非法排放给人类健康和生态***带来了潜在风险,精准检测污水质量并及时采取措施是很有必要的。
污水处理厂的废水质量由包括化学需氧量(COD)、氨氮(AN)、总氮(TN)和总磷(TP)等水平决定。这些参数包括废水质量的基本信息,是进行水质监测、利用以及污染治理的主要依据,有助于确定废水是否符合排放要求。
目前,常用的废水质量与气味浓度检测方法包括气相色谱-质谱法、热脱附-气相色谱质谱法、气相色谱-火焰电离检测器和高效液相色谱-荧光检测法等检测方法。这些方法均具备良好的稳定性和灵敏度,但是普遍存在着成本高、体积大、预处理复杂、分析时间长等缺点,且不能实现实时检测应用。此外,这些方法在每次检测中只能对被测气体中的一种挥发性化合物进行分析,不能够描述废水的气味特征。因此,传统的检测方法并不适合在污水处理厂中对废水进行现场快速定性。
电子鼻是一种模仿生物嗅觉的新型检测设备,通过传感器阵列对多种挥发性物质产生响应。电子鼻具有低成本、小型化、简便高效以及实时原位等特点,该技术已被应用于环境、食品、农业、军事和其他科学研究等多种领域。此外,电子鼻在废水分析中也有一些潜在的应用,已有研究者结合算法,通过电子鼻来评估污水处理厂中气味的浓度水平。鉴于其优势,电子鼻适用于全面描述废水的气味,并深入挖掘气味中包含的污水处理厂的运行信息。
污水处理厂中废水臭气的治理关系到环境保护,人民身体的健康,有必要加以重视,并采取有效措施对其进行监测。只有实时准确检测到所排废水情况,以臭气浓度与水质参数为关注点,才能精准完成污水处理厂排水整治。
因此,为了解决现有废水质量检测方法所存在的检测成本高、检测仪器体积大、样品预处理复杂、分析时间长和不能达到实时检测等缺点,根据电子鼻响应信号与中国标准方法检测结果之间的关系,发明了用于污水处理厂不同阶段废水检测的电子鼻***。结合污水处理厂的排放情况,通过对污水处理厂排放的废水进行检测与传感器响应信号采集,完成识别模型构建,进一步实现气味浓度与水质参数情况的实时准确预测,根据预测结果主动进行预警并对排放进行控制,极大程度避免了污水处理厂的违规排放,使居民健康与环境安全得到了有效保证,使污水处理工作快速见效。
发明内容
本发明的目的在于提供一种利用电子鼻对污水处理厂不同阶段废水检测的方法,该方法能够解决现有技术检测成本高、分析时间长、预处理复杂等问题。
一种利用电子鼻对污水处理厂不同阶段废水检测的方法,包括下列步骤:
1.1)装配适用于检测要求的电子鼻***:电子鼻***由数据传输接口、数据采集卡、调理电路板、进气管、传感器阵列、传感器腔室、连接管、出气管、气泵组成;其中,数据传输接口位于数据采集卡下方,数据采集卡位于调理电路板下方,调理电路板位于传感器腔室下方,传感器腔室和气泵从左至右顺序排列;传感器腔室入口与进气管连接,传感器腔室出口经连接管与气泵入口连接,气泵出口与出气管连接;气体传感器阵列环绕固定在传感器腔室的内壁上,经调理电路板与数据采集卡连接,数据采集卡上设有数据输出接口;待测气体由进气管进入电子鼻***,经出气管排出电子鼻***,传感器阵列产生的响应信号由数据采集卡采集,并通过数据输出接口输出至电脑端;传感器阵列使用若干颗气体传感器;
1.2)废水样品与臭气样品获取,包括以下步骤:
1.2.1)在污水处理厂的不同位置进行废水样品与臭气样品的收集,在P1、P3、P4、P5和P6位置使用塑料瓶收集废水样品,在每个位置收集m+n份样品,其中m份样品用于定性分析,n份样品用于水质参数的检测分析,且此n份样品分n次采集,每两次采集间隔时间为5天,确保每份样品水质参数是不同的;
1.2.2)在P2位置使用气泵将臭气样品收集到气味收集袋中,并稀释到K种浓度,便于后续检测使用;
1.3)使用电子鼻***进行样品分析,包括以下步骤:
1.3.1)电子鼻***的采样频率设置为f,每次采样分为气味样本数据采集和传感器阵列清洗两个阶段,两阶段时间分别设置为t1和t2;
1.3.2)在测试前,将废水样品静置15分钟产生顶空气体;
1.3.3)将装有废水样品的塑料瓶口与进气管4相连,使用气泵9将顶空气体输送到电子鼻腔室6中,使顶空气体与传感器阵列5发生反应,获取气味样本数据,在进行下一次测量之前,用干净的空气对电子鼻腔室6进行清洗,以确保传感器阵列5的反应曲线回到基线位置;
1.3.4)将装有臭气样品的气味收集袋直接连接到进气管4,用气泵9将臭气样品输送到电子鼻腔室6中,使臭气样品与传感器阵列5发生反应,获取气味样本数据,在进行下一次测量之前,用干净的空气对电子鼻腔室6进行清洗,以确保传感器阵列5的反应曲线回到基线位置;
1.4)按照中国标准方法对废水样品的化学需氧量、氨氮、总氮和总磷该四项水质参数,以及气味样品的浓度进行检测;
1.5)利用步骤1.3.3和步骤1.3.4获取的气味样本数据,进行数据预处理:对气体传感器阵列(5)获得的原始数据进行特征提取,使用傅里叶变换、多项式曲线拟合提取气味样本数据的瞬态特征;使用最大值、平均值和积分值提取气味样本数据的稳态特征;
1.6)对特征提取后的数据使用线性判别分析(LDA)、支持向量机(SVM)和偏最小二乘回归(PLS)进行模式识别与数据分析,进行模式识别结果分析,包括以下步骤:
1.6.1)确定污水处理厂内不同位置的废水样品的特征存在差别,将传感器响应信号最大电压值作为输入数据应用于LDA模型的参数,获得来自污水处理厂内五个取样地点的臭味样本的可视化LDA图,每类别有m个样品;
1.6.2)使用预处理阶段通过不同的特征提取方法提取的特征值,用作SVM支持向量机的输入数据,训练SVM模型进行定性鉴定,确定废水样本的来源;
1.6.3)使用PLS回归法构建的两阶段回归模型进行废水的定量预测,进一步准确评估污水处理厂的气味浓度和水质参数,包括以下步骤:
1.6.3.1)构建第一阶段的回归模型,用于确定废水的气味浓度和水质参数是否在适当的范围内。用于水质参数预测的样品为分别从P1、P3、P4、P5和P6共五个位置分n次收集,每个样品用电子鼻重复检测,并计算多次重复检验的平均值Vmax,用于气味浓度预测的样品为从P2位置收集到的稀释到K种不同浓度的臭气样品,每个浓度下有多个重复检测样品,将每个传感器的多个重复响应值取平均值,作为PLS模型的输入参数;
1.6.3.2)设置一个H×N元素的水质参数数据输入矩阵,列包括电子鼻中N个传感器的每个的Vmax值,行包括H个样本点的平均Vmax值;同理,再设置一个K×N的气味浓度输入矩阵;使用中国标准方法得到的输入数据保存在H×1和K×1的两个矩阵中,每一行代表他们的检测结果;
1.6.3.3)根据以上数据,计算回归系数,然后将回归模型的输出结果计算为臭气浓度和水质参数;
1.6.3.4)构建用于更加准确的参数预测的第二阶段回归模型,采用与第一阶段相同的方法建立模型,结合上步骤所得输出结果与最大排放限值进一步缩小样本范围,建立气味浓度预测的二阶段回归模型与多个水质参数预测的二阶段回归模型;
1.6.3.5)使用PLS方法构建两阶段回归模型,在电子鼻响应信号与中国标准方法检测结果之间形成线性关系,并获得污水处理厂臭气浓度和水质参数的全局校准曲线,该模型用于预测电子鼻在污水处理过程中所排放的气味浓度和水质参数;
1.7)将电子鼻***布置在污水处理厂的不同处理阶段,进行气味浓度检测与水质参数预测,若未检测出超标参数,则正常进行排放;若检测出超标参数,则在污水处理厂控制室发出警报并暂停排放。
与现有技术相比,本发明的有益效果在于:
1.本发明提出的利用电子鼻***和机器学习算法进行污水处理厂的气味浓度和水质参数进行检测的方法,可以精准确定废水来源,并进行定量预测,精度高、检测快,适合在污水处理厂中对废水进行现场快速定性。
2.与现有技术相比,电子鼻***能够进行气味浓度与水质参数情况的实时检测,实现对污水处理厂排放情况的精准动态监测,便于进一步执行控制操作。
3.通过对污水处理厂排放的废水进行检测,预测气味浓度与水质参数情况,根据预测结果主动进行预警与排放的控制,极大程度避免了污水处理厂的违规排放,使居民健康与环境安全得到了有效保证。
附图说明
图1为本发明的整体框架图;
图2为电子鼻***结构示意图;
图3为取样位置示意图;
图4为数据处理流程图;
图5为来自污水处理厂内五个取样地点的臭味样本的可视化LDA图;
图6为第一阶段回归模型气味浓度的预测结果;
图7为第一阶段回归模型化学需氧量的预测结果;
图8为第一阶段回归模型氨氮的预测结果;
图9为第一阶段回归模型总氮的预测结果;
图10为第一阶段回归模型总磷的预测结果。
其中:1-数据传输接口;2-数据采集卡;3-调理电路板;4-进气管;5-传感器阵列;6-腔室;7-连接管;8-出气管;9-气泵。
具体实施方式
一种利用电子鼻***对污水处理厂不同阶段废水检测的方法,包括以下步骤:
1)装配适用于检测要求的电子鼻***,如图2所示:电子鼻***由数据传输接口1、数据采集卡2、调理电路板3、进气管4、传感器阵列5、传感器腔室6、连接管7、出气管8、气泵9组成;其中,数据传输接口1位于数据采集卡2下方,数据采集卡2位于调理电路板3下方,调理电路板3位于传感器腔室6下方,传感器腔室6和气泵9从左至右顺序排列;传感器腔室6入口与进气管4连接,传感器腔室6出口经连接管7与气泵9入口连接,气泵9出口与出气管8连接;气体传感器阵列5环绕固定在传感器腔室6的内壁上,经调理电路板3与数据采集卡2连接,数据采集卡2上设有数据输出接口1;待测气体由进气管4进入电子鼻***,经出气管8排出电子鼻***,传感器阵列5产生的响应信号由数据采集卡2采集,并通过数据输出接口1输出至电脑端;传感器阵列5所使用的传感器型号为TGS2612、TGS2611、TGS2620、TGS2603、TGS2602、TGS2610、TGS2600、GSBT11、MS1100、MP135、MP901、MP-9、MP-3B、MP-4、MP-5、MP-2、MP503、MP801、MP905、MP402、WSP1110、WSP2110、WSP7110、MP-7、TGS2612、TGS2611、TGS2620、MP-3B、MP702、TGS2610、TGS2600、TGS2618-COO共32个;
2)废水样品与臭气样品获取,包括以下步骤:
2.1)在吉林省长春市一家污水处理厂的不同处理位置上进行废水样品与臭气样品的收集,取样位置如图3所示,在P1、P3、P4、P5和P6位置使用塑料瓶收集废水样品,在每个位置收集47个样品,40个用于定性分析,7个用于水质参数的检测分析,且此7个样品分7次采集,每两次采集间隔时间为5天,确保每个样品水质参数是不同的;
2.2)在P2位置使用气泵将臭气样品收集到气味收集袋中,并稀释到15种浓度,便于后续检测使用;
3)使用电子鼻***进行样品分析,包括以下步骤:
3.1)电子鼻***的采样频率设置为100赫兹,每次采样分为气味样本数据采集和传感器阵列清洗两个阶段,两阶段时间分别设置为1分钟和15分钟;
3.2)在测试前,将废水样品静置15分钟产生顶空气体;
3.3)将装有废水样品的塑料瓶口与进气管4相连,使用气泵9将顶空气体输送到电子鼻腔室6中,使顶空气体与传感器阵列5发生反应,获取气味样本数据,在进行下一次测量之前,用干净的空气对电子鼻腔室6进行清洗,以确保传感器阵列5的反应曲线回到基线位置,在定量分析中,每个样品用电子鼻检测4次;
3.4)将装有臭气样品的气味收集袋直接连接到进气管4,用气泵9将臭气样品输送到电子鼻腔室6中,使臭气样品与传感器阵列5发生反应,获取气味样本数据,在进行下一次测量之前,用干净的空气对电子鼻腔室6进行清洗,以确保传感器阵列5的反应曲线回到基线位置;
4)按照中国标准方法对废水样品的化学需氧量、氨氮、总氮和总磷该四项水质参数,以及气味样品的浓度进行检测,得到的废水样品的水质参数测定结果如下表1所示;
表1废水样品的水质参数测定结果
5)利用步骤3.3)和步骤3.4)获取的气味样本数据,进行数据预处理:对气体传感器阵列(5)获得的原始数据进行特征提取,使用傅里叶变换、多项式曲线拟合提取气味样本数据的瞬态特征;使用最大值、平均值和积分值提取气味样本数据的稳态特征;
6)对特征提取后的数据使用线性判别分析(LDA)、支持向量机(SVM)和偏最小二乘回归(PLS)进行模式识别与数据分析,进行模式识别结果分析,包括以下步骤:
6.1)确定污水处理厂内不同位置的废水样品的特征存在差别,将传感器响应信号最大电压值作为输入数据应用于LDA模型的参数,获得来自污水处理厂内五个取样地点的臭味样本的可视化LDA图,每类别有40个样品,如图5所示;
6.2)使用预处理阶段通过不同的特征提取方法提取的特征值,用作SVM支持向量机的输入数据,使用径向基核函数建立分类器模型;训练SVM模型进行定性鉴定,确定废水样本的来源。在分类过程中,采用了十倍交叉验证来评估该工具的性能,识别率如下表2所示。结果显示,不同的特征提取方法具有不同的识别率,但识别率都在95.33%以上;其中,基于平均值特征提取方法的SVM模型的识别率可以达到98.83%;这一结果表明,来自于五个地点的废水样本都能被SVM模型识别;
表2LDA与SVM分类结果
6.3)使用PLS回归法构建的两阶段回归模型进行废水的定量预测,进一步准确评估污水处理厂的气味浓度和水质参数,包括以下步骤:
6.3.1)构建第一阶段的回归模型,用于确定废水的气味浓度和水质参数是否在适当的范围内。用于水质参数预测的样品为分别从P1、P3、P4、P5和P6共五个位置分七次收集,每个样品用电子鼻检测4次,并计算多次重复检验的平均值Vmax;用于气味浓度预测的样品为从P2位置收集的臭气样品,并稀释到15个浓度,每个浓度有4个重复检测样品,将每个传感器的四次重复响应值取平均数,作为PLS模型的输入参数;
6.3.2)设置一个35×32元素的水质参数数据输入矩阵,列包括电子鼻中每个传感器的32个Vmax值,行包括35个样本点的Vmax值;同理,再设置一个15×32的气味浓度输入矩阵;使用中国标准方法得到的输入数据保存在35×1和15×1的两个矩阵中;
6.3.3)根据以上数据,计算回归系数,然后将回归模型的输出结果计算为臭气浓度和水质参数,结果如图6-图10所示。点代表建模的样本数据,线代表拟合结果,预测的浓度和水质参数都分布在线周围。拟合结果由相关系数(R2)和均方根误差(RMSE)决定,臭气浓度和水质参数模型的R2值在0.9920到0.9983之间,表明预测结果具有良好的线性关系;均方根误差的范围是0.0745到15.5895,表明从回归模型的预测结果来看,预期的误差范围在真实值附近,但是占到了最大限定排放范围的8.46%-31.18%,后续进一步使用第二阶段的回归模型;
6.3.4)构建第二阶段的回归模型,用于更加准确的参数预测。采用与第一阶段相同的方法建立模型,以气味浓度<15的样本建立预测气味浓度的二阶段回归模型,以COD<100mg/L、AN<10mg/L、TN<25mg/L、TP<1mg/L的样本建立多个预测水质参数的二阶段回归模型,二阶段回归模型的相关系数结果如表3所示;
表3回归模型的相关系数结果
6.3.5)使用PLS方法构建两阶段回归模型,在电子鼻响应信号与中国标准方法检测结果之间形成线性关系,并获得污水处理厂臭气浓度和水质参数的全局校准曲线,该模型用于预测电子鼻在污水处理过程中所排放的气味浓度和水质参数;
7)将电子鼻***布置在污水处理厂的不同处理阶段,进行气味浓度检测与水质参数预测,若未检测出超标参数,则正常进行排放;若检测出超标参数,则在污水处理厂控制室发出警报并暂停排放。
Claims (1)
1.一种利用电子鼻对污水处理厂不同阶段废水检测的方法,其特征在于:包括下列步骤:
1.1)装配适用于检测要求的电子鼻***:电子鼻***由数据传输接口(1)、数据采集卡(2)、调理电路板(3)、进气管(4)、传感器阵列(5)、传感器腔室(6)、连接管(7)、出气管(8)、气泵(9)组成;其中,数据传输接口(1)位于数据采集卡(2)下方,数据采集卡(2)位于调理电路板(3)下方,调理电路板(3)位于传感器腔室(6)下方,传感器腔室(6)和气泵(9)从左至右顺序排列;传感器腔室(6)入口与进气管(4)连接,传感器腔室(6)出口经连接管(7)与气泵(9)入口连接,气泵(9)出口与出气管(8)连接;气体传感器阵列(5)环绕固定在传感器腔室(6)的内壁上,经调理电路板(3)与数据采集卡(2)连接,数据采集卡(2)上设有数据输出接口(1);待测气体由进气管(4)进入电子鼻***,经出气管(8)排出电子鼻***,传感器阵列(5)产生的响应信号由数据采集卡(2)采集,并通过数据输出接口(1)输出至电脑端;传感器阵列(5)使用若干颗气体传感器;
1.2)废水样品与臭气样品获取,包括以下步骤:
1.2.1)在污水处理厂的不同位置进行废水样品与臭气样品的收集,在P1、P3、P4、P5和P6位置使用塑料瓶收集废水样品,在每个位置收集m+n份样品,其中m份样品用于定性分析,n份样品用于水质参数的检测分析,且此n份样品分n次采集,每两次采集间隔时间为5天,确保每份样品水质参数是不同的;
1.2.2)在P2位置使用气泵将臭气样品收集到气味收集袋中,并稀释到K种浓度,便于后续检测使用;
1.3)使用电子鼻***进行样品分析,包括以下步骤:
1.3.1)电子鼻***的采样频率设置为f,每次采样分为气味样本数据采集和传感器阵列清洗两个阶段,两阶段时间分别设置为t1和t2;
1.3.2)在测试前,将废水样品静置15分钟产生顶空气体;
1.3.3)将装有废水样品的塑料瓶口与进气管(4)相连,使用气泵(9)将顶空气体输送到电子鼻腔室(6)中,使顶空气体与传感器阵列(5)发生反应,获取气味样本数据,在进行下一次测量之前,用干净的空气对电子鼻腔室(6)进行清洗,以确保传感器阵列(5)的反应曲线回到基线位置;
1.3.4)将装有臭气样品的气味收集袋直接连接到进气管(4),用气泵(9)将臭气样品输送到电子鼻腔室(6)中,使臭气样品与传感器阵列(5)发生反应,获取气味样本数据,在进行下一次测量之前,用干净的空气对电子鼻腔室(6)进行清洗,以确保传感器阵列5的反应曲线回到基线位置;
1.4)按照中国标准方法对废水样品的化学需氧量、氨氮、总氮和总磷该四项水质参数,以及气味样品的浓度进行检测;
1.5)利用步骤1.3.3和步骤1.3.4获取的气味样本数据,进行数据预处理:对气体传感器阵列(5)获得的原始数据进行特征提取,使用傅里叶变换、多项式曲线拟合提取气味样本数据的瞬态特征;使用最大值、平均值和积分值提取气味样本数据的稳态特征;
1.6)对特征提取后的数据使用线性判别分析(LDA)、支持向量机(SVM)和偏最小二乘回归(PLS)进行模式识别与数据分析,进行模式识别结果分析,包括以下步骤:
1.6.1确定污水处理厂内不同位置的废水样品的特征存在差别,将传感器响应信号最大电压值作为输入数据应用于LDA模型的参数,获得来自污水处理厂内五个取样地点的臭味样本的可视化LDA图,每类别有m个样品;
1.6.2)使用预处理阶段通过不同的特征提取方法提取的特征值,用作SVM支持向量机的输入数据,训练SVM模型进行定性鉴定,确定废水样本的来源;
1.6.3)使用PLS回归法构建的两阶段回归模型进行废水的定量预测,进一步准确评估污水处理厂的气味浓度和水质参数,包括以下步骤:
1.6.3.1)构建第一阶段的回归模型,用于确定废水的气味浓度和水质参数是否在适当的范围内。用于水质参数预测的样品为分别从P1、P3、P4、P5和P6共五个位置分n次收集,每个样品用电子鼻重复检测,并计算多次重复检验的平均值Vmax,用于气味浓度预测的样品为从P2位置收集到的稀释到K种不同浓度的臭气样品,每个浓度下有多个重复检测样品,将每个传感器的多个重复响应值取平均值,作为PLS模型的输入参数;
1.6.3.2)设置一个H×N元素的水质参数数据输入矩阵,列包括电子鼻中N个传感器的每个的Vmax值,行包括H个样本点的平均Vmax值;同理,再设置一个K×N的气味浓度输入矩阵;使用中国标准方法得到的输入数据保存在H×1和K×1的两个矩阵中,每一行代表他们的检测结果;
1.6.3.3)根据以上数据,计算回归系数,然后将回归模型的输出结果计算为臭气浓度和水质参数;
1.6.3.4)构建用于更加准确的参数预测的第二阶段回归模型,采用与第一阶段相同的方法建立模型,结合上步骤所得输出结果与最大排放限值进一步缩小样本范围,建立气味浓度预测的二阶段回归模型与多个水质参数预测的二阶段回归模型;
1.6.3.5)使用PLS方法构建两阶段回归模型,在电子鼻响应信号与中国标准方法检测结果之间形成线性关系,并获得污水处理厂臭气浓度和水质参数的全局校准曲线,该模型用于预测电子鼻在污水处理过程中所排放的气味浓度和水质参数;
1.7)将电子鼻***布置在污水处理厂的不同处理阶段,进行气味浓度检测与水质参数预测,若未检测出超标参数,则正常进行排放;若检测出超标参数,则在污水处理厂控制室发出警报并暂停排放。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211542861.3A CN115980286A (zh) | 2022-12-03 | 2022-12-03 | 一种利用电子鼻对污水处理厂不同阶段废水检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211542861.3A CN115980286A (zh) | 2022-12-03 | 2022-12-03 | 一种利用电子鼻对污水处理厂不同阶段废水检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115980286A true CN115980286A (zh) | 2023-04-18 |
Family
ID=85968998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211542861.3A Pending CN115980286A (zh) | 2022-12-03 | 2022-12-03 | 一种利用电子鼻对污水处理厂不同阶段废水检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115980286A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521008A (zh) * | 2023-11-09 | 2024-02-06 | 北京德众国良环保科技有限公司 | 一种基于数据融合的污水处理监测控制方法及*** |
-
2022
- 2022-12-03 CN CN202211542861.3A patent/CN115980286A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521008A (zh) * | 2023-11-09 | 2024-02-06 | 北京德众国良环保科技有限公司 | 一种基于数据融合的污水处理监测控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444232B (zh) | 一种多通道智能化污染气体监测装置与扩散溯源方法 | |
Stuetz et al. | Assessment of odours from sewage treatment works by an electronic nose, H2S analysis and olfactometry | |
Capelli et al. | Measuring odours in the environment vs. dispersion modelling: A review | |
US7866204B2 (en) | Adaptive real-time contaminant detection and early warning for drinking water distribution systems | |
Edie et al. | Constraining the accuracy of flux estimates using OTM 33A | |
CN108665119B (zh) | 一种供水管网异常工况预警方法 | |
Liu et al. | Event-scale hysteresis metrics to reveal processes and mechanisms controlling constituent export from watersheds: A review✰ | |
Caron et al. | Identification of indoor air quality events using a K-means clustering analysis of gas sensors data | |
CN106290532A (zh) | 一种面向物联网的智能化水质痕量重金属在线监测与预警*** | |
CN116340723B (zh) | 基于大数据的乡村水污染快速溯源方法及*** | |
CN115980286A (zh) | 一种利用电子鼻对污水处理厂不同阶段废水检测的方法 | |
Zhu et al. | Online recognition of drainage type based on UV-vis spectra and derivative neural network algorithm | |
CN116384268A (zh) | 基于水污染的污染源溯源方法、装置以及设备 | |
Moufid et al. | Pollution parameters evaluation of wastewater collected at different treatment stages from wastewater treatment plant based on E-nose and E-tongue systems combined with chemometric techniques | |
Chen et al. | Towards accuracy recognition and content estimation of typical pesticides in groundwater via electronic nose | |
CN114544894A (zh) | 基于pmf模型的源解析不确定性分析方法及*** | |
CN1896742A (zh) | 空间污染实时监测公示仪 | |
Tan et al. | E-nose screening of pesticide residue on chilli and double-checked analysis through different data-recognition algorithms | |
CN116448988A (zh) | 一种工业园区土壤污染监测***及方法 | |
Di Lecce et al. | Online wastewater monitoring system using solid state sensor | |
CN111007220B (zh) | 一种生猪养殖污水水质敏捷监测的方法 | |
CN209372744U (zh) | 一种多通道智能化污染气体监测装置 | |
CN117875573B (zh) | 一种基于生物毒性和生物有效性的水环境评价方法和*** | |
Kong et al. | Soil pesticides pollution detection and specific recognition using electronic nose | |
CN118229485A (zh) | 一种基于arima模型的地下水健康风险预警方法和*** |
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 |