CN116881747A - 基于医疗废水监测的智能处理方法及*** - Google Patents
基于医疗废水监测的智能处理方法及*** Download PDFInfo
- Publication number
- CN116881747A CN116881747A CN202311145737.8A CN202311145737A CN116881747A CN 116881747 A CN116881747 A CN 116881747A CN 202311145737 A CN202311145737 A CN 202311145737A CN 116881747 A CN116881747 A CN 116881747A
- Authority
- CN
- China
- Prior art keywords
- pollutant
- content
- wastewater
- raw material
- pollutants
- 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.)
- Granted
Links
- 239000002351 wastewater Substances 0.000 title claims abstract description 150
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 398
- 231100000719 pollutant Toxicity 0.000 claims abstract description 398
- 238000001514 detection method Methods 0.000 claims abstract description 131
- 239000002994 raw material Substances 0.000 claims abstract description 90
- 238000005070 sampling Methods 0.000 claims abstract description 60
- 239000010865 sewage Substances 0.000 claims abstract description 36
- 238000012806 monitoring device Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 239000000356 contaminant Substances 0.000 claims description 27
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000011144 upstream manufacturing Methods 0.000 claims description 11
- 230000008676 import Effects 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 230000014759 maintenance of location Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/10—Devices for withdrawing samples in the liquid or fluent state
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Hydrology & Water Resources (AREA)
- Activated Sludge Processes (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了基于医疗废水监测的智能处理方法及***,涉及数据处理技术领域,其方法包括:遍历医疗业务类型进行污染物关联,生成多组关联污染物和多组污染物原料消耗系数,结合业务执行时区和业务执行规模进行执行单元总数累积,生成污染物预测含量,若其小于预测含量阈值的污染物类型删除,生成留存污染物类型配置污染物监测装置,通过污染物监测装置对污水取样结果进行处理,生成多个污染物监测含量进行集中值评估,生成污染物代表含量,将污染物代表含量添加进医疗废水监测结果,解决现有技术中通过污染排放废水进行取样检测确定污染物,其针对性较差导致污染物检出效率较低的技术问题,实现基于医疗废水进行合理化监测,提高污染物检出效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于医疗废水监测的智能处理方法及***。
背景技术
随着废水监测的发展,首先废水造成的水质污染是制约水资源开发利用、保护和改善环境质量的重要因素。流域环境质量总体恶化趋势明显,废水成为严重危害水资源可持续利用的主要污染物之一,水体污染问题日益突出,水体污染主要表现为水污染、光辐射污染、土壤污染以及微生物污染等危害,而在现有技术中通过污染排放废水进行取样检测确定污染物,存在针对性较差导致污染物检出效率较低的技术问题。
发明内容
本申请提供了基于医疗废水监测的智能处理方法及***,用于针对解决现有技术中存在的通过污染排放废水进行取样检测确定污染物,其针对性较差导致污染物检出效率较低的技术问题。
鉴于上述问题,本申请提供了基于医疗废水监测的智能处理方法及***。
第一方面,本申请提供了基于医疗废水监测的智能处理方法,所述方法包括:获取待监测废水的第一流动管道,基于废水流动管道拓扑结构进行上游汇入分析,生成待监测废水生产源特征,其中,所述待监测废水生产源特征包括医疗业务类型、业务执行时区和业务执行规模,所述业务执行规模表征单位时长的原料消耗量;遍历所述医疗业务类型进行污染物关联,生成多组关联污染物和多组污染物原料消耗系数,其中,污染物原料消耗系数表征产生单位质量的污染物消耗的原料量;根据所述多组污染物原料消耗系数和所述多组关联污染物,结合所述业务执行时区和所述业务执行规模进行执行单元总数累积,生成污染物预测含量;将所述污染物预测含量小于预测含量阈值的污染物类型删除,生成留存污染物类型,配置污染物监测装置;控制污水取样装置对所述待监测废水进行稀疏均匀采样,生成污水取样结果,通过所述污染物监测装置对所述污水取样结果进行处理,生成多个污染物监测含量;对所述多个污染物监测含量进行集中值评估,生成污染物代表含量;当所述污染物代表含量和所述污染物预测含量的含量偏差小于或等于含量偏差阈值,将所述污染物代表含量添加进医疗废水监测结果。
第二方面,本申请提供了基于医疗废水监测的智能处理***,所述***包括:上游汇入分析模块,所述上游汇入分析模块用于获取待监测废水的第一流动管道,基于废水流动管道拓扑结构进行上游汇入分析,生成待监测废水生产源特征,其中,所述待监测废水生产源特征包括医疗业务类型、业务执行时区和业务执行规模,所述业务执行规模表征单位时长的原料消耗量;污染物关联模块,所述污染物关联模块用于遍历所述医疗业务类型进行污染物关联,生成多组关联污染物和多组污染物原料消耗系数,其中,污染物原料消耗系数表征产生单位质量的污染物消耗的原料量;执行单元总数累积模块,所述执行单元总数累积模块用于根据所述多组污染物原料消耗系数和所述多组关联污染物,结合所述业务执行时区和所述业务执行规模进行执行单元总数累积,生成污染物预测含量;污染物类型模块,所述污染物类型模块用于将所述污染物预测含量小于预测含量阈值的污染物类型删除,生成留存污染物类型,配置污染物监测装置;取样处理模块,所述取样处理模块用于控制污水取样装置对所述待监测废水进行稀疏均匀采样,生成污水取样结果,通过所述污染物监测装置对所述污水取样结果进行处理,生成多个污染物监测含量;集中值评估模块,所述集中值评估模块用于对所述多个污染物监测含量进行集中值评估,生成污染物代表含量;第一判断模块,所述第一判断模块用于当所述污染物代表含量和所述污染物预测含量的含量偏差小于或等于含量偏差阈值,将所述污染物代表含量添加进医疗废水监测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的基于医疗废水监测的智能处理方法及***,涉及数据处理技术领域,解决了现有技术中通过污染排放废水进行取样检测确定污染物,其针对性较差导致污染物检出效率较低的技术问题,实现了基于医疗废水进行合理化监测,提高污染物检出效率。
附图说明
图1为本申请提供了基于医疗废水监测的智能处理方法流程示意图;
图2为本申请提供了基于医疗废水监测的智能处理方法中多组污染物原料消耗系数流程示意图;
图3为本申请提供了基于医疗废水监测的智能处理***结构示意图。
附图标记说明:上游汇入分析模块1,污染物关联模块2,执行单元总数累积模块3,污染物类型模块4,取样处理模块5,集中值评估模块6,第一判断模块7。
具体实施方式
本申请通过提供基于医疗废水监测的智能处理方法及***,用于解决现有技术中通过污染排放废水进行取样检测确定污染物,其针对性较差导致污染物检出效率较低的技术问题。
实施例一
如图1所示,本申请实施例提供了基于医疗废水监测的智能处理方法,该方法应用于基于医疗废水监测的智能处理***,基于医疗废水监测的智能处理与污水取样装置通信连接,该方法包括:
步骤A100:获取待监测废水的第一流动管道,基于废水流动管道拓扑结构进行上游汇入分析,生成待监测废水生产源特征,其中,所述待监测废水生产源特征包括医疗业务类型、业务执行时区和业务执行规模,所述业务执行规模表征单位时长的原料消耗量;
在本申请中,本申请实施例提供的基于医疗废水监测的智能处理方法应用于基于医疗废水监测的智能处理***,该基于医疗废水监测的智能处理***与污水取样装置通信连接,该污水取样装置用于进行废水参数的采集。
为保证对后期所监测的废水进行更为全面的处理,首先需要对废水排放的的多条流动管道进行记录监测,在多条流动管道内任意选取一条作为第一流动管道,将第一流动管道内的废水作为当前未检测且即将进行监测的废水,进一步的,通过多条流动管道的排布图绘制废水流动管道的拓扑结构,且废水流动管道所接通的不同医疗室均连接有排放通道,则废水流动管道具有对应的流动管道拓扑结构,废水流动管道的拓扑结构是表示废水流动管道中点和线之间关系的图,包含废水流动管道中点、线之间的位置关系,并在拓扑结构中进行废水上游汇入分析,即对废水管道中所流动的废水进行溯源,根据溯源后确定的待检测废水生产源所接通的不同医疗室的特征进行归类提取,在所提取的待监测废水生产源特征中包含医疗业务类型、业务执行时区以及业务执行规模,医疗业务类型是指由于不同科室所需要进行的业务不同导致所生成的废水内的杂质不同,业务执行时区是指不同科室的工作时间段,业务执行规模表征医疗业务在单位时长下的原料消耗量,为后期实现对医疗废水进行监测并智能处理作为重要参考依据。
步骤A200:遍历所述医疗业务类型进行污染物关联,生成多组关联污染物和多组污染物原料消耗系数,其中,污染物原料消耗系数表征产生单位质量的污染物消耗的原料量;
进一步而言,如图2所示,本申请步骤A200还包括:
步骤A210:所述医疗业务类型包括使用原料类型和医疗任务类型;
步骤A220:根据所述使用原料类型和所述医疗任务类型,结合医疗大数据,检索原料消耗量记录日志和产出废水密集检测日志,其中,所述原料消耗量记录日志和所述产出废水密集检测日志一对多关联;
步骤A230:获取所述原料消耗量记录日志的第一原料消耗量记录值的多个产出废水密集检测值;
步骤A240:按照污染物检出类型对所述多个产出废水密集检测值进行聚类分析,生成第一密集检测值聚类结果;
步骤A250:遍历所述第一密集检测值聚类结果进行集中值评估,生成污染物检出含量;
步骤A260:提取所述污染物检出含量大于或等于检出含量阈值的污染物类型,添加进所述多组关联污染物;
步骤A270:根据所述多组关联污染物的污染物检出含量,结合所述第一原料消耗量记录值,计算污染物原料消耗系数,添加进所述多组污染物原料消耗系数。
进一步而言,如图2所示,本申请步骤A250包括:
步骤A251:遍历所述第一密集检测值聚类结果提取多组污染物检出量记录值;
步骤A252:遍历所述多组污染物检出量记录值对应的污染物检出类型,设定多个污染物含量偏差;
步骤A253:遍历所述多个污染物含量偏差,对所述多组污染物检出量记录值的对应组的污染物检出量记录值进行层次拟合聚类分析,生成污染物检出量聚类结果,其中,所述污染物检出量聚类结果具有污染物层次拟合检出量和类内支持度,所述类内支持度表征所述污染物检出量聚类结果的类内记录值数量比例系数;
步骤A254:将所述类内支持度小于或等于类内支持度阈值的所述污染物层次拟合检出量删除,对留存层次拟合检出量求均值,生成所述污染物检出含量。
在本申请中,通过对医疗业务类型沿着污染物搜索路线,依次对医疗业务类型中的每个医疗业务节点进行访问后均与污染物进行关联,其医疗业务类型中包括在医疗作业中使用原料类型和医疗任务类型,使用原料类型是指在医疗作业中所使用物料根据物理性质以及化学性质进行划分的类型,医疗任务类型是比如在医疗作业过程中所执行的手术的不同以及治疗方式的不同,则所产生的废水之间存在区别,进一步的,通过使用原料类型和医疗任务类型,与医疗大数据进行结合,在医疗大数据中将使用原料类型和医疗任务类型作为索引数据进行检索,获取与之对应的原料消耗量记录日志和产出废水密集检测日志,原料消耗记录日志是用于记录不同科室内每个单位时间内所使用的原料用量,产出废水密集检测日志是用于记录与不同科室所接通的废水流动管道内所产出的废水排出量,以及废水排出频次,且原料消耗量记录日志和产出废水密集检测日志一对多关联。
进一步的,通过任意在原料消耗量记录日志中进行记录调取后,将其记作第一原料消耗量记录值,在第一原料消耗记录值中对所有可能存在的污染物进行检测后的结果进行汇总,作为第一原料消耗记录值的多个产出废水密集检测值,且在多个废水密集检测值中包含所检出的污染物类型以及所检出的污染物含量,按照污染物检出类型对多个产出废水密集检测值进行聚类分析,是指将多个产出废水密集检测值根据污染物检出类型分成由相同污染物类型组成的多个类,从而生成第一密集检测值聚类结果。
进一步的,根据第一密集检测值聚类结果中的污染物检出类型进行对第一密集检测值聚类结果中的每个节点依次进行访问,同时对遍历后的第一密集检测值聚类结果进行集中值评估,是指通过遍历第一密集检测值聚类结果后根据不同污染物检出类型分别提取出多组污染物检出量记录值,并根据污染物检出类型对多组污染物检出量记录值中的每个记录值均进行访问,同时根据所访问的记录值之间的数据差值设定多个污染物含量偏差,再对多个污染物含量偏差中的每个偏差数值节点进行访问记录,继而对多组污染物检出量记录值的对应组的污染物检出量记录值进行层次拟合聚类分析,是指将小于或等于污染物含量偏差的污染物检出量记录值聚集为一类,且将计算类内的污染物检出量记录值进行均值求取后将其设为拟合值,根据拟合值对污染物检出量记录值继续进行聚类,直到在污染物检出量记录值中任意两个类间偏差大于污染物含量偏差时停止,从而生成污染物检出量聚类结果,其中,污染物检出量聚类结果具有污染物层次拟合检出量和类内支持度,类内支持度表征污染物检出量聚类结果的类内记录值数量比例系数,类内记录值数量比例系数是指类内的记录值数量与对应组的污染物检出量记录值数量的比值,最终将类内支持度与类内支持度阈值进行比较判断,类内支持度阈值是指将类内的记录值数量最大且对应组的污染物检出量记录值数量最小的比值作为上限值,将类内的记录值数量最小且对应组的污染物检出量记录值数量最大的比值作为下限值所划分出的阈值,并删除类内支持度小于或等于类内支持度阈值的污染物层次拟合检出量,将删除后的污染物层次拟合检出量记作留存层次拟合检出量,同时对留存层次拟合检出量进行均值求取,根据留存层次拟合检出量的均值生成污染物检出含量。
进一步的,将污染物检出含量与检出含量阈值进行比较,检出含量阈值是根据历史污染物检出含量数据的最大值以及最小值进行范围划定,并对污染物检出含量大于或等于检出含量阈值的污染物类型进行提取,将符合污染物类型的污染物添加至多组关联污染物进行输出,再根据多组关联污染物的污染物检出含量,与第一原料消耗量记录值进行结合,是根据污染物类型对第一原料消耗量记录值中的原料消耗量与所检出的污染物检出含量进行比对,通过将原料消耗量与污染物检出含量的比值记作污染物原料消耗系数,同时将污染物原料消耗系数添加至多组污染物原料消耗系数进行输出,进而为实现对医疗废水进行监测并智能处理作保障。
步骤A300:根据所述多组污染物原料消耗系数和所述多组关联污染物,结合所述业务执行时区和所述业务执行规模进行执行单元总数累积,生成污染物预测含量;
进一步而言,本申请步骤A500还包括:
步骤A310:构建执行单元总数计算公式:
;
其中,表征第i类型污染物的执行单元总数,/>表征第k医疗业务类型的业务执行规模,/>表征第k医疗业务类型的业务执行时区,/>表征第i类型污染物在第k医疗业务类型的污染物原料消耗系数,N表征医疗业务类型数量;
步骤A320:根据所述执行单元总数计算公式,根据所述多组污染物原料消耗系数和所述多组关联污染物,结合所述业务执行时区和所述业务执行规模进行执行单元总数累积,生成所述污染物预测含量。
在本申请中,为了更精准的对医疗废水进行监测处理,因此需要对污染物的含量进行预测,则首先通过上述计算所获的多组污染物原料消耗系数以及多组关联污染物作为基础数据,与待监测废水生产源特征中的业务执行时区以及业务执行规模通过构建执行单元总数计算公式进行执行单元的总数累积操作,所构建的执行单元总数计算公式为:
;
其中,表征第i类型污染物的执行单元总数,/>表征第k医疗业务类型的业务执行规模,/>表征第k医疗业务类型的业务执行时区,/>表征第i类型污染物在第k医疗业务类型的污染物原料消耗系数,N表征医疗业务类型数量;
进一步的,通过执行单元总数计算公式获取所有污染物类型的污染物执行单元总数,并通过将多组污染物原料消耗系数和多组关联污染物与业务执行时区和业务执行规模进行结合,是指根据不同污染物类型在业务执行时区内所执行的业务规模下所对应的污染物原料消耗系数及其所关联的污染物进行执行单元总数累积,并汇总所有污染物类型的污染物执行单元总数对污染物含量进行预测,污染物执行单元总数与污染物含量为正比关系,当污染物执行单元总数越大则污染物含量越高,从而对污染物的污染物预测含量进行生成,为后续实现对医疗废水进行监测并智能处理夯实基础。
步骤A400:将所述污染物预测含量小于预测含量阈值的污染物类型删除,生成留存污染物类型,配置污染物监测装置;
在本申请中,为了提升后期对医疗废水中污染物的监测效率,因此需要对上述计算所获的污染物预测含量与预测含量阈值进行比较判断,预测含量阈值是指根据待监测废水生产源特征中的医疗业务类型、业务执行时区、业务执行规模下对污染物的含量进行污染物含量最小临界值的确定,将污染物预测含量小于预测含量阈值的污染物作为少量污染物并对其进行删除,将污染物预测含量大于等于预测含量阈值的污染物类型进行记录,作为常见污染物,并根据污染物检出类型对常见污染物进行划分后生成留存污染物类型,并根据留存污染物类型对应进行污染物监测装置的配置,其所配置的污染物监测装置更适用于对留存污染物类型内的污染物进行监测,达到提高污染物监测效率,从而实现污染物检出效率的技术效果。
步骤A500:控制污水取样装置对所述待监测废水进行稀疏均匀采样,生成污水取样结果,通过所述污染物监测装置对所述污水取样结果进行处理,生成多个污染物监测含量;
进一步而言,本申请步骤A500还包括:
步骤A510:提取所述待监测废水的中心点坐标,提取所述中心点坐标垂直于边缘的连线中点坐标,提取所述待监测废水的两个边缘坐标,其中,所述两个边缘坐标具有预设间距;
步骤A520:基于所述中心点坐标、所述连线中点坐标和所述两个边缘坐标,控制所述污水取样装置对所述待监测废水进行稀疏均匀采样,获取所述污水取样结果,通过所述污染物监测装置对所述污水取样结果进行处理,生成多个污染物监测含量。
在本申请中,为提取污染物的监测含量,首先需要对所配置的污水取样装置对待监测废水进行稀疏均匀采样,是指通过积分法重心位置分割确定待监测废水的中心,并对待监测废水的中心点坐标进行确定,并根据中心点坐标对中心点坐标垂直于边缘的连线中点坐标进行提取,从而确定待监测废水的两个边缘坐标,且该两个边缘坐标之间具有预设间距,预设间距是根据待监测废水中心到边缘坐标的距离进行确定的,进一步的,基于中心点坐标、连线中点坐标和两个边缘坐标,控制污水取样装置对待监测废水进行稀疏均匀采样,是指通过污水取样装置在待监测废水中每间隔一定间距采集监测废水一次,从而将所有采集监测数据记作污水取样结果,最终通过污染物监测装置对污水取样结果进行污染物的含量评估,是指基于污染物监测装置内对不同类别的污染物的含量进行确定后生成多个污染物监测含量,实现对医疗废水进行监测并智能处理有着推进的作用。
步骤A600:对所述多个污染物监测含量进行集中值评估,生成污染物代表含量;
在本申请中,根据多个污染物监测含量中的污染物监测含量进行对多个污染物监测含量中的每个节点依次进行访问,同时对遍历后的多个污染物监测含量进行集中值评估,是指通过遍历多个污染物监测含量后根据不同污染物监测含量分别提取出多组污染物监测含量记录值,并根据污染物监测含量对多组污染物监测含量记录值中的每个记录值均进行访问,同时根据所访问的记录值之间的数据差值设定多个污染物含量偏差,再对多个污染物含量偏差中的每个偏差数值节点进行访问记录,继而对多组污染物监测含量记录值的对应组的污染物监测含量记录值进行层次拟合聚类分析,是指将小于或等于污染物含量偏差的污染物监测含量记录值聚集为一类,且将计算类内的污染物检出量记录值进行均值求取后将其设为拟合值,根据拟合值对污染物监测含量记录值继续进行聚类,直到在污染物监测含量记录值中任意两个类间偏差大于污染物含量偏差时停止,从而生成污染物监测含量聚类结果,其中,污染物检出量聚类结果具有污染物层次拟合监测含量和类内支持度,类内支持度表征污染物监测含量聚类结果的类内记录值数量比例系数,类内记录值数量比例系数是指类内的记录值数量与对应组的污染物监测含量记录值数量的比值,最终将类内支持度与类内支持度阈值进行比较判断,类内支持度阈值是指将类内的记录值数量最大且对应组的污染物监测含量记录值数量最小的比值作为上限值,将类内的记录值数量最小且对应组的污染物监测含量记录值数量最大的比值作为下限值所划分出的阈值,并删除类内支持度小于或等于类内支持度阈值的污染物层次拟合检出量,将删除后的污染物层次拟合检出量记作留存层次拟合检出量,同时对留存层次拟合检出量进行均值求取,根据留存层次拟合监测含量的均值生成污染物代表含量,以便为后期对医疗废水进行监测并智能处理时作为参照数据。
步骤A700:当所述污染物代表含量和所述污染物预测含量的含量偏差小于或等于含量偏差阈值,将所述污染物代表含量添加进医疗废水监测结果。
在本申请中,为保证医疗废水监测结果的准确性,因此首先将通过集中值评估的污染物代表含量与计算所获的污染物预测含量进行比较,将污染物代表含量与污染物预测含量进行作差,将所获差值作为含量偏差与含量偏差阈值进行判断,含量偏差阈值是指通过污染物代表含量与污染物预测含量作差的最小临界值作为标准进行划定,当污染物代表含量与污染物预测含量的含量偏差小于或等于含量偏差阈值时,将此时的污染物代表含量作为医疗废水监测结果进行输出,提高后期实现对医疗废水进行监测并智能处理的准确率。
进一步而言,本申请步骤A800还包括:
步骤A810:当所述污染物代表含量和所述污染物预测含量的所述含量偏差大于所述含量偏差阈值,添加异常预测污染物;
步骤A820:统计所述异常预测污染物在所述留存污染物类型中的异常预测比例系数;
步骤A830:当所述异常预测比例系数大于或等于异常预测比例系数阈值,对所述待监测废水进行密集检测;
步骤A840:其中,密集检测指的是对关联污染物进行枚举检测;
步骤A850:当所述异常预测比例系数小于所述异常预测比例系数阈值,对所述异常预测污染物进行补偿检测。
在本申请中,当污染物代表含量和污染物预测含量的含量偏差大于含量偏差阈值时,则污染物代表含量和污染物预测含量的含量偏差较大,需要判定所有的污染物的含量偏差都偏差大, 若含量偏差大的污染物占比高,则说明常规异常,则需要对全部污染物进行枚举监测,视为此时的污染物中存在异常污染物,并将异常预测污染物进行添加,进一步的,对异常预测污染物在留存污染物类型中的异常预测比例系数进行统计,是指计算异常预测污染物类型的数量与留存污染物类型的数量的比值,并将其记作异常预测比例系数,最终对所获异常预测比例系数与异常预测比例系数阈值进行判断,异常预测比例系数阈值是指含量偏差大的污染物占比的极限值,当异常预测比例系数大于或等于异常预测比例系数阈值时,则视为此时待监测废水中存在多处异常,因此需要对待监测废水进行密集检测,是指对监测废水内的每个点位依次进行检测,其中,密集检测指的是对关联污染物进行枚举检测,示例性的,相同分类的污染物的量为多少时,开始存在异常预测污染物,由于每个异常预测污染物的污染含量不同,所导致在污染物中的异常占比就不同,因此需要将不同的组合进行依次枚举出来,并一一验证。
进一步的,当异常预测比例系数小于异常预测比例系数阈值时,则视为此时异常污染物的占比低,则对异常预测污染物进行补偿检测,是指用于测量异常预测污染物,通过对造成异常预测污染物的影响因素进行补偿,从而消除这些影响因素对医疗废水监测结果的影响,得到更为准确的医疗废水监测结果。
综上所述,本申请实施例提供的基于医疗废水监测的智能处理方法,至少包括如下技术效果,实现了基于医疗废水进行合理化监测,提高污染物检出效率。
实施例二
基于与前述实施例中基于医疗废水监测的智能处理方法相同的发明构思,如图3所示,本申请提供了基于医疗废水监测的智能处理***,***包括:
上游汇入分析模块1,所述上游汇入分析模块1用于获取待监测废水的第一流动管道,基于废水流动管道拓扑结构进行上游汇入分析,生成待监测废水生产源特征,其中,所述待监测废水生产源特征包括医疗业务类型、业务执行时区和业务执行规模,所述业务执行规模表征单位时长的原料消耗量;
污染物关联模块2,所述污染物关联模块2用于遍历所述医疗业务类型进行污染物关联,生成多组关联污染物和多组污染物原料消耗系数,其中,污染物原料消耗系数表征产生单位质量的污染物消耗的原料量;
执行单元总数累积模块3,所述执行单元总数累积模块3用于根据所述多组污染物原料消耗系数和所述多组关联污染物,结合所述业务执行时区和所述业务执行规模进行执行单元总数累积,生成污染物预测含量;
污染物类型模块4,所述污染物类型模块4用于将所述污染物预测含量小于预测含量阈值的污染物类型删除,生成留存污染物类型,配置污染物监测装置;
取样处理模块5,所述取样处理模块5用于控制污水取样装置对所述待监测废水进行稀疏均匀采样,生成污水取样结果,通过所述污染物监测装置对所述污水取样结果进行处理,生成多个污染物监测含量;
集中值评估模块6,所述集中值评估模块6用于对所述多个污染物监测含量进行集中值评估,生成污染物代表含量;
第一判断模块7,所述第一判断模块7用于当所述污染物代表含量和所述污染物预测含量的含量偏差小于或等于含量偏差阈值,将所述污染物代表含量添加进医疗废水监测结果。
进一步而言,***还包括:
第二判断模块,所述第二判断模块用于当所述污染物代表含量和所述污染物预测含量的所述含量偏差大于所述含量偏差阈值,添加异常预测污染物;
统计模块,所述统计模块用于统计所述异常预测污染物在所述留存污染物类型中的异常预测比例系数;
第三判断模块,所述第三判断模块用于当所述异常预测比例系数大于或等于异常预测比例系数阈值,对所述待监测废水进行密集检测;
第一检测模块,所述第一检测模块用于密集检测指的是对关联污染物进行枚举检测。
进一步而言,***还包括:
业务类型模块,所述业务类型模块用于所述医疗业务类型包括使用原料类型和医疗任务类型;
检测日志模块,所述检测日志模块用于根据所述使用原料类型和所述医疗任务类型,结合医疗大数据,检索原料消耗量记录日志和产出废水密集检测日志,其中,所述原料消耗量记录日志和所述产出废水密集检测日志一对多关联;
第二检测模块,所述第二检测模块用于获取所述原料消耗量记录日志的第一原料消耗量记录值的多个产出废水密集检测值;
第一聚类分析模块,所述第一聚类分析模块用于按照污染物检出类型对所述多个产出废水密集检测值进行聚类分析,生成第一密集检测值聚类结果;
评估模块,所述评估模块用于遍历所述第一密集检测值聚类结果进行集中值评估,生成污染物检出含量;
第四判断模块,所述第四判断模块用于提取所述污染物检出含量大于或等于检出含量阈值的污染物类型,添加进所述多组关联污染物;
第一计算模块,所述第一计算模块用于根据所述多组关联污染物的污染物检出含量,结合所述第一原料消耗量记录值,计算污染物原料消耗系数,添加进所述多组污染物原料消耗系数。
进一步而言,***还包括:
第一遍历模块,所述第一遍历模块用于遍历所述第一密集检测值聚类结果提取多组污染物检出量记录值;
第二遍历模块,所述第二遍历模块用于遍历所述多组污染物检出量记录值对应的污染物检出类型,设定多个污染物含量偏差;
第二聚类分析模块,所述第二聚类分析模块用于遍历所述多个污染物含量偏差,对所述多组污染物检出量记录值的对应组的污染物检出量记录值进行层次拟合聚类分析,生成污染物检出量聚类结果,其中,所述污染物检出量聚类结果具有污染物层次拟合检出量和类内支持度,所述类内支持度表征所述污染物检出量聚类结果的类内记录值数量比例系数;
删除模块,所述删除模块用于将所述类内支持度小于或等于类内支持度阈值的所述污染物层次拟合检出量删除,对留存层次拟合检出量求均值,生成所述污染物检出含量。
进一步而言,***还包括:
坐标提取模块,所述坐标提取模块用于提取所述待监测废水的中心点坐标,提取所述中心点坐标垂直于边缘的连线中点坐标,提取所述待监测废水的两个边缘坐标,其中,所述两个边缘坐标具有预设间距;
控制模块,所述控制模块用于基于所述中心点坐标、所述连线中点坐标和所述两个边缘坐标,控制所述污水取样装置对所述待监测废水进行稀疏均匀采样,获取所述污水取样结果,通过所述污染物监测装置对所述污水取样结果进行处理,生成多个污染物监测含量。
进一步而言,***还包括:
第二计算模块,所述第二计算模块用于构建执行单元总数计算公式:
;
其中,表征第i类型污染物的执行单元总数,/>表征第k医疗业务类型的业务执行规模,/>表征第k医疗业务类型的业务执行时区,/>表征第i类型污染物在第k医疗业务类型的污染物原料消耗系数,N表征医疗业务类型数量;
累积模块,所述累积模块用于根据所述执行单元总数计算公式,根据所述多组污染物原料消耗系数和所述多组关联污染物,结合所述业务执行时区和所述业务执行规模进行执行单元总数累积,生成所述污染物预测含量。
本说明书通过前述对基于医疗废水监测的智能处理方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于医疗废水监测的智能处理***,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.基于医疗废水监测的智能处理方法,其特征在于,应用于基于医疗废水监测的智能处理***,所述***和污水取样装置通信连接,包括:
获取待监测废水的第一流动管道,基于废水流动管道拓扑结构进行上游汇入分析,生成待监测废水生产源特征,其中,所述待监测废水生产源特征包括医疗业务类型、业务执行时区和业务执行规模,所述业务执行规模表征单位时长的原料消耗量;
遍历所述医疗业务类型进行污染物关联,生成多组关联污染物和多组污染物原料消耗系数,其中,污染物原料消耗系数表征产生单位质量的污染物消耗的原料量;
根据所述多组污染物原料消耗系数和所述多组关联污染物,结合所述业务执行时区和所述业务执行规模进行执行单元总数累积,生成污染物预测含量;
将所述污染物预测含量小于预测含量阈值的污染物类型删除,生成留存污染物类型,配置污染物监测装置;
控制污水取样装置对所述待监测废水进行稀疏均匀采样,生成污水取样结果,通过所述污染物监测装置对所述污水取样结果进行处理,生成多个污染物监测含量;
对所述多个污染物监测含量进行集中值评估,生成污染物代表含量;
当所述污染物代表含量和所述污染物预测含量的含量偏差小于或等于含量偏差阈值,将所述污染物代表含量添加进医疗废水监测结果。
2.如权利要求1所述的方法,其特征在于,还包括:
当所述污染物代表含量和所述污染物预测含量的所述含量偏差大于所述含量偏差阈值,添加异常预测污染物;
统计所述异常预测污染物在所述留存污染物类型中的异常预测比例系数;
当所述异常预测比例系数大于或等于异常预测比例系数阈值,对所述待监测废水进行密集检测;
其中,密集检测指的是对关联污染物进行枚举检测。
3.如权利要求2所述的方法,其特征在于,还包括:当所述异常预测比例系数小于所述异常预测比例系数阈值,对所述异常预测污染物进行补偿检测。
4.如权利要求1所述的方法,其特征在于,遍历所述医疗业务类型进行污染物关联,生成多组关联污染物和多组污染物原料消耗系数,其中,污染物原料消耗系数表征产生单位质量的污染物消耗的原料量,包括:
所述医疗业务类型包括使用原料类型和医疗任务类型;
根据所述使用原料类型和所述医疗任务类型,结合医疗大数据,检索原料消耗量记录日志和产出废水密集检测日志,其中,所述原料消耗量记录日志和所述产出废水密集检测日志一对多关联;
获取所述原料消耗量记录日志的第一原料消耗量记录值的多个产出废水密集检测值;
按照污染物检出类型对所述多个产出废水密集检测值进行聚类分析,生成第一密集检测值聚类结果;
遍历所述第一密集检测值聚类结果进行集中值评估,生成污染物检出含量;
提取所述污染物检出含量大于或等于检出含量阈值的污染物类型,添加进所述多组关联污染物;
根据所述多组关联污染物的污染物检出含量,结合所述第一原料消耗量记录值,计算污染物原料消耗系数,添加进所述多组污染物原料消耗系数。
5.如权利要求4所述的方法,其特征在于,遍历所述第一密集检测值聚类结果进行集中值评估,生成污染物检出含量,包括:
遍历所述第一密集检测值聚类结果提取多组污染物检出量记录值;
遍历所述多组污染物检出量记录值对应的污染物检出类型,设定多个污染物含量偏差;
遍历所述多个污染物含量偏差,对所述多组污染物检出量记录值的对应组的污染物检出量记录值进行层次拟合聚类分析,生成污染物检出量聚类结果,其中,所述污染物检出量聚类结果具有污染物层次拟合检出量和类内支持度,所述类内支持度表征所述污染物检出量聚类结果的类内记录值数量比例系数;
将所述类内支持度小于或等于类内支持度阈值的所述污染物层次拟合检出量删除,对留存层次拟合检出量求均值,生成所述污染物检出含量。
6.如权利要求1所述的方法,其特征在于,控制污水取样装置对所述待监测废水进行稀疏均匀采样,生成污水取样结果,通过所述污染物监测装置对所述污水取样结果进行处理,生成多个污染物监测含量,包括:
提取所述待监测废水的中心点坐标,提取所述中心点坐标垂直于边缘的连线中点坐标,提取所述待监测废水的两个边缘坐标,其中,所述两个边缘坐标具有预设间距;
基于所述中心点坐标、所述连线中点坐标和所述两个边缘坐标,控制所述污水取样装置对所述待监测废水进行稀疏均匀采样,获取所述污水取样结果,通过所述污染物监测装置对所述污水取样结果进行处理,生成多个污染物监测含量。
7.如权利要求1所述的方法,其特征在于,根据所述多组污染物原料消耗系数和所述多组关联污染物,结合所述业务执行时区和所述业务执行规模进行执行单元总数累积,生成污染物预测含量,包括:
构建执行单元总数计算公式:
;
其中,表征第i类型污染物的执行单元总数,/>表征第k医疗业务类型的业务执行规模,/>表征第k医疗业务类型的业务执行时区,/>表征第i类型污染物在第k医疗业务类型的污染物原料消耗系数,N表征医疗业务类型数量;
根据所述执行单元总数计算公式,根据所述多组污染物原料消耗系数和所述多组关联污染物,结合所述业务执行时区和所述业务执行规模进行执行单元总数累积,生成所述污染物预测含量。
8.基于医疗废水监测的智能处理***,其特征在于,所述***和污水取样装置通信连接,包括:
上游汇入分析模块,所述上游汇入分析模块用于获取待监测废水的第一流动管道,基于废水流动管道拓扑结构进行上游汇入分析,生成待监测废水生产源特征,其中,所述待监测废水生产源特征包括医疗业务类型、业务执行时区和业务执行规模,所述业务执行规模表征单位时长的原料消耗量;
污染物关联模块,所述污染物关联模块用于遍历所述医疗业务类型进行污染物关联,生成多组关联污染物和多组污染物原料消耗系数,其中,污染物原料消耗系数表征产生单位质量的污染物消耗的原料量;
执行单元总数累积模块,所述执行单元总数累积模块用于根据所述多组污染物原料消耗系数和所述多组关联污染物,结合所述业务执行时区和所述业务执行规模进行执行单元总数累积,生成污染物预测含量;
污染物类型模块,所述污染物类型模块用于将所述污染物预测含量小于预测含量阈值的污染物类型删除,生成留存污染物类型,配置污染物监测装置;
取样处理模块,所述取样处理模块用于控制污水取样装置对所述待监测废水进行稀疏均匀采样,生成污水取样结果,通过所述污染物监测装置对所述污水取样结果进行处理,生成多个污染物监测含量;
集中值评估模块,所述集中值评估模块用于对所述多个污染物监测含量进行集中值评估,生成污染物代表含量;
第一判断模块,所述第一判断模块用于当所述污染物代表含量和所述污染物预测含量的含量偏差小于或等于含量偏差阈值,将所述污染物代表含量添加进医疗废水监测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311145737.8A CN116881747B (zh) | 2023-09-06 | 2023-09-06 | 基于医疗废水监测的智能处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311145737.8A CN116881747B (zh) | 2023-09-06 | 2023-09-06 | 基于医疗废水监测的智能处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881747A true CN116881747A (zh) | 2023-10-13 |
CN116881747B CN116881747B (zh) | 2023-11-24 |
Family
ID=88271963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311145737.8A Active CN116881747B (zh) | 2023-09-06 | 2023-09-06 | 基于医疗废水监测的智能处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881747B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235475A (zh) * | 2023-11-07 | 2023-12-15 | 江苏旭龙环境科技有限公司 | 一种用于镉治理设备的分布式运行控制方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5542542A (en) * | 1994-12-07 | 1996-08-06 | Pulp And Paper Research Institute Of Canada | System for detecting contaminants |
CN104392100A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于水质在线监测***的污染源扩散预警方法 |
CN105036479A (zh) * | 2015-08-05 | 2015-11-11 | 枞阳县宇瑞环保科技有限公司 | 一种医疗污水处理方法 |
CN110188946A (zh) * | 2019-05-29 | 2019-08-30 | 剑科云智(深圳)科技有限公司 | 一种污水参数的预测方法及污水预测*** |
CN112288021A (zh) * | 2020-11-02 | 2021-01-29 | 广东柯内特环境科技有限公司 | 一种医疗废水监测数据质控方法、装置及*** |
CN112505189A (zh) * | 2020-12-16 | 2021-03-16 | 深圳市南科环保科技有限公司 | 一种基于地下水特征污染物的自动溯源方法 |
WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
CN113582456A (zh) * | 2021-08-09 | 2021-11-02 | 武汉润之生环保科技有限公司 | 一种医疗污水处理方法 |
CN116187822A (zh) * | 2022-12-30 | 2023-05-30 | 浙江大学嘉兴研究院 | 一种基于模型预测的污染物网格化监测与评估方法 |
CN116282497A (zh) * | 2023-01-05 | 2023-06-23 | 广州澄然环境科技有限公司 | 一种医疗废水处理***及处理方法 |
CN116701885A (zh) * | 2023-08-04 | 2023-09-05 | 合肥工业大学 | 一种废水处理数据采集分析方法 |
-
2023
- 2023-09-06 CN CN202311145737.8A patent/CN116881747B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5542542A (en) * | 1994-12-07 | 1996-08-06 | Pulp And Paper Research Institute Of Canada | System for detecting contaminants |
CN104392100A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于水质在线监测***的污染源扩散预警方法 |
CN105036479A (zh) * | 2015-08-05 | 2015-11-11 | 枞阳县宇瑞环保科技有限公司 | 一种医疗污水处理方法 |
CN110188946A (zh) * | 2019-05-29 | 2019-08-30 | 剑科云智(深圳)科技有限公司 | 一种污水参数的预测方法及污水预测*** |
WO2021174751A1 (zh) * | 2020-03-02 | 2021-09-10 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
CN112288021A (zh) * | 2020-11-02 | 2021-01-29 | 广东柯内特环境科技有限公司 | 一种医疗废水监测数据质控方法、装置及*** |
CN112505189A (zh) * | 2020-12-16 | 2021-03-16 | 深圳市南科环保科技有限公司 | 一种基于地下水特征污染物的自动溯源方法 |
CN113582456A (zh) * | 2021-08-09 | 2021-11-02 | 武汉润之生环保科技有限公司 | 一种医疗污水处理方法 |
CN116187822A (zh) * | 2022-12-30 | 2023-05-30 | 浙江大学嘉兴研究院 | 一种基于模型预测的污染物网格化监测与评估方法 |
CN116282497A (zh) * | 2023-01-05 | 2023-06-23 | 广州澄然环境科技有限公司 | 一种医疗废水处理***及处理方法 |
CN116701885A (zh) * | 2023-08-04 | 2023-09-05 | 合肥工业大学 | 一种废水处理数据采集分析方法 |
Non-Patent Citations (1)
Title |
---|
张树山等: "论医疗污水处理污染物当量的控制技术", 新疆环境保护, vol. 38, no. 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235475A (zh) * | 2023-11-07 | 2023-12-15 | 江苏旭龙环境科技有限公司 | 一种用于镉治理设备的分布式运行控制方法及*** |
CN117235475B (zh) * | 2023-11-07 | 2024-02-13 | 江苏旭龙环境科技有限公司 | 一种用于镉治理设备的分布式运行控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116881747B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898691B (zh) | 一种河流突发水污染预警溯源方法、***、终端及介质 | |
CN116881747B (zh) | 基于医疗废水监测的智能处理方法及*** | |
Hawkins et al. | Method of predicting reference condition biota affects the performance and interpretation of ecological indices | |
Borzooei et al. | Data mining application in assessment of weather-based influent scenarios for a WWTP: getting the most out of plant historical data | |
CN110929743B (zh) | 基于时间序列关联与聚类分析的水质污染物变化监测*** | |
US20130085690A1 (en) | Data processing method and system for checking pipeline leakage | |
CN107292501B (zh) | 一种评估废水监测数据质量的方法及设备 | |
Branisavljević et al. | Improved real-time data anomaly detection using context classification | |
CN110132629B (zh) | 一种利用支持向量机预测农村生活污水处理设施运行有效性的方法 | |
CN106918684B (zh) | 一种水质污染预警方法 | |
CN117195135B (zh) | 一种水污染异常溯源检测方法及*** | |
CN113341087A (zh) | 一种河道水质污染源智能监测分析方法、***及计算机存储介质 | |
CN112906738A (zh) | 一种水质检测及处理方法 | |
CN110146122B (zh) | 一种农村生活污水处理设施运行有效性的预测方法 | |
CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
CN114066037A (zh) | 一种基于人工智能的流域污染溯源预测方法及装置 | |
Holloway et al. | Exploring the use of water resource recovery facility instrument data to visualise dynamic resilience to environmental stressors | |
CN113947504B (zh) | 一种基于随机森林法的窃电分析方法及其*** | |
CN116448988A (zh) | 一种工业园区土壤污染监测***及方法 | |
CN115471122A (zh) | 基于元数据模型的能耗评估方法及*** | |
CN108345214A (zh) | 一种基于替代数据法的工业过程非线性检测方法 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN118469151A (zh) | 用于污水处理装置的运行状态评估方法及*** | |
CN115906687B (zh) | 一种工业生活取水退水的河流环境影响的定量分析和评估方法 |
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 |