一种污水水质检测分析方法

技术领域

本发明涉及污水处理技术领域，具体涉及一种污水水质检测分析方法。

背景技术

随着现代社会的发展，污水产生量越来越大，由于污水中的有机物、重金属等在自然条件下难以降解，其不仅会对水源、土壤等环境造成污染，而且通过食物链的富集作用还会最终进入人体，从而对人体健康造成危害，因此对污水进行处理显得尤为重要，况且水资源循环过程中污水的处理也是极为重要的一步，现有的污水水质检测分析方法一般依靠人工检测，无法进行实时预测，严重影响污水处理效率。

发明内容

本发明的目的在于提供一种污水水质检测分析方法，以提高污水处理效率。

本发明提供一种污水水质检测分析方法，包括以下步骤：

S1：对污水进行静置处理，得到泥水分离的静置污水；

S2：以预设频次获取所述静置污水的图像数据和水质数据；

S3：对所述图像数据进行处理，得到特征矩阵；

S4：根据所述特征矩阵和所述水质数据得到增广矩阵，并利用增广矩阵训练预测模型，得到训练好的预测模型；

S5：利用所述特征矩阵和训练好的预测模型对污水水质进行预测，得到预测水质结果；

S6：判断所述预测水质结果是否达到排放标准，若是，排放所述污水；否则，返回S1。

可选择地，所述步骤S1中，利用SBR反应器对污水进行静置处理，得到静置污水。

可选择地，所述步骤S2中，利用水样采样系统以预设频次获取静置污水的图像数据和水质数据；

所述水样采样系统包括：

水样采样器，所述水样采样器包括旋转轴，转盘和多个采样杯；所述旋转轴设置于所述转盘的中心，以用于控制所述转盘的旋转速度；各所述采样杯通过管道连接所述SBR反应器，以用于获取所述SBR反应器中的水样，多个所述采样杯等距分布于所述转盘边缘，以用于存储水样；

高光谱摄像机；所述高光谱摄像机包括横向摄像机和纵向摄像机，所述横向摄像机的摄像头平行设置于所述采样杯的侧方，所述纵向摄像机的摄像头垂直设置于所述采样杯的正上方；所述图像数据包括横向水样图像和纵向水样图像；所述横向摄像机用于水平拍摄横向水样图像，所述纵向摄像机用于垂直拍摄纵向水样图像；

所述水质数据包括化学需氧量和氨氮浓度值，各所述采样杯的侧方固定安装有COD监测传感器和氨氮监测传感器，以分别获取化学需氧量和氨氮浓度值。

可选择地，所述步骤S3包括以下分步骤：

S31：分别对相邻两次采样拍摄的图像数据所对应的各相位点的像素值作差，得到差值数据；

S32：组合所述差值数据和所述图像数据，得到数据矩阵；

S33：对所述数据矩阵进行降噪处理，得到特征矩阵。

可选择地，所述步骤S4中，所述预测模型利用特征矩阵对BP神经网络进行训练得到的。

可选择地，利用特征矩阵对BP神经网络进行训练包括：

S41：将所述增广矩阵输入至所述BP神经网络中；

S42：通过所述BP神经网络每层的卷积核对所述特征矩阵进行卷积计算以获取不同的尺寸信息；

S43：利用池化层和激活函数对不同的尺寸信息进行降维操作和非线性激活，得到所述特征矩阵的分类结果；

S44：利用损失函数计算所述分类结果和实际标签之间的损失，得到损失值；

S45：利用反向传播算法对所述损失值和所述BP神经网络中的参数逐层求偏导；

S46：基于所述偏导值优化所述BP神经网络的参数。

可选择地，所述S45中，所述反向传播算法包括激励传播部分，所述激励传播部分包括前向传播过程和反向求导过程；在所述前向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态；

在所述反向求导过程中，如果在输出层没有得到期望输出，则计算输出层的误差，然后反向传播误差，通过网络将误差沿原来的连接通路反传回来修改各神经元的权重和偏量直至达到期望目标。

可选择地，所述前向传播过程表示为：

z

a

其中，z

所述输出层的误差计算为：

其中，

所述反向传播误差为：

其中，

可选择地，修改各所述神经元的权重和偏量包括：

分别对权重和偏量进行梯度计算，以及，对所述权重和偏量进行参数更新；

所述对权重进行梯度计算为：

其中，

所述对偏量进行梯度计算为：

其中，

对所述权重和偏量进行参数更新包括：

其中，w

可选择地，所述反向传播算法还包括权重更新部分，所述权重更新部分通过梯度下降法进行权重更新。

本发明具有以下有益效果：

1、本发明能够根据图像对污水水质进行实时预测，当水质达到污水排放标准时即可实现排放，减少了污水处理的循环周期数以及能源消耗，提高了污水处理效率；

2、本发明使用了反向传播算法以及梯度下降算法，通过计算实际值与目标值之间的差值优化模型参数，保证了预测模型的准确率。

附图说明

图1为本发明污水水质检测分析方法的流程图；

图2为SBR反应器及数据采集示意图；

图3为水样采样器结构示意图；

图4为图像数据和水质数据处理过程示意图；

图5为图像数据矩阵示意图；

图6为BP神经网络训练流程图；

图7为实施例1测试箱中的COD值变化曲线图；

图8为实施例1测试箱重氨氮浓度变化曲线图；

图9为实施例1模型预测氨氮值与实测值比较曲线图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例1

本发明提供一种污水水质检测分析方法，包括以下步骤：

S1：对污水进行静置处理，得到泥水分离的静置污水；

本发明利用SBR反应器对污水进行好氧30分钟和厌氧30分钟，循环交替7个周期，再沉淀静置处理后排水，在整个处理过程中，每10分钟采样1次，经沉淀后得到静置污水，进行数据采集。

如图2所示，SBR反应器通过进水管进水(然后采水样进行拍摄照片X

需要说明的是，第一预设时间至第四预设时间可以设置为相同的时间，本发明均设置为5～15min。

S2：以预设频次获取所述静置污水的图像数据和水质数据；

本发明利用水样采样系统以预设频次获取静置污水的图像数据和水质数据。

本发明的水样采样系统包括：

水样采样器，所述水样采样器包括旋转轴，转盘和多个采样杯；所述旋转轴设置于所述转盘的中心，以用于控制所述转盘的旋转速度；各所述采样杯通过管道连接所述SBR反应器，以用于获取所述SBR反应器中的水样，多个所述采样杯等距分布于所述转盘边缘，以用于存储水样；

高光谱摄像机；所述高光谱摄像机包括横向摄像机和纵向摄像机，所述横向摄像机的摄像头平行设置于所述采样杯的侧方，所述纵向摄像机的摄像头垂直设置于所述采样杯的正上方；所述图像数据包括横向水样图像和纵向水样图像；所述横向摄像机用于水平拍摄横向水样图像，所述纵向摄像机用于垂直拍摄纵向水样图像；

所述水质数据包括化学需氧量和氨氮浓度值，各所述采样杯的侧方固定安装有COD监测传感器和氨氮监测传感器，以分别获取化学需氧量和氨氮浓度值。

参考图3所示，水样采样器工作原理为：转盘每15min(与第一预设时间至第四预设时间为相同的预设时间)旋转一周，每一个采样杯进样1分钟，静置4～14min分钟，拍摄5秒，然后出水10秒。转盘上的采样水杯编号分别为0#、1#、2#、3#、4#。

污水曝气和缺氧(厌氧)处理过程，参考图4所示，纵向拍摄数据组分别为X1、COD1、N-NH

即，本发明基于污水处理过程中水质的色度、浊度和泥水比的变化，利用高光谱摄像机对污水处理过程中经适当方式静置的水质进行纵向(或横向)拍摄，每5～60分钟拍摄一次，对图片(纵向拍摄图片记为X、横向拍摄图片记为Y或者纵向拍摄图片记为Y、横向拍摄图片记为X)进行有序排列。

S3：对所述图像数据进行处理，得到特征矩阵；

可选择地，步骤S3包括以下分步骤：

S31：分别对相邻两次采样拍摄的图像数据所对应的各相位点的像素值作差，得到差值数据；

具体计算方式为：

ΔX

ΔY

S32：组合所述差值数据和所述图像数据，得到数据矩阵；

将差值(ΔX

扣除原水中相同的背景值，差示数据对有机物、ss、色度等等信息变化进行挖掘和放大，更能与水质中的N-NH

S33：对所述数据矩阵进行降噪处理，得到特征矩阵。

采用卷积和池化等方法对数据进行降噪处理，得出特征矩阵。图片像素1920×1080相素(200万像素)，再加上COD和N-NH

S4：根据所述特征矩阵和所述水质数据得到增广矩阵，并利用增广矩阵训练预测模型，得到训练好的预测模型。

具体过程包括：

S41：将所述增广矩阵输入至所述BP神经网络中；

S42：通过所述BP神经网络每层的卷积核对所述特征矩阵进行卷积计算以获取不同的尺寸信息；

S43：利用池化层和激活函数对不同的尺寸信息进行降维操作和非线性激活，得到所述特征矩阵的分类结果；

S44：利用损失函数计算所述分类结果和实际标签之间的损失，得到损失值；

S45：利用反向传播算法对所述损失值和所述BP神经网络中的参数逐层求偏导；

S46：基于所述偏导值优化所述BP神经网络的参数。

即CNN的训练过程可以分为两个阶段，即前向传播阶段和反向传播阶段，如图6所示。由图可以看出，前向传播分为三步，首先将数据输入到模型中，通过每层的卷积核对输入数据进行卷积运算获取不同尺寸的信息。之后再利用池化层和激活函数对得到的信息进行降维操作和非线性激活，最后输出特征的分类结果。根据该结论，可以通过损失函数将其和实际标签进行损失运算，最后可以计算出预测值和实际值之间的差值。利用反向传播算法对损失值和网络中的参数逐层求偏导，从而通过所求得的偏导值优化模型参数。若想了解监督网络训练的优劣程度，还必须利用优化算法找到网络中最佳的参数优化方向，最常见的优化算法有：Adam、RAdam和SGD等。

S45中，所述反向传播算法包括激励传播部分，所述激励传播部分包括前向传播过程和反向求导过程；在所述前向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态；

在所述反向求导过程中，如果在输出层没有得到期望输出，则计算输出层的误差，然后反向传播误差，通过网络将误差沿原来的连接通路反传回来修改各神经元的权重和偏量直至达到期望目标。

反向传播算法是为了训练神经网络进行参数更新所提出的一种算法，该算法主要原理是将模型中的所有参数进行求偏导数，并通过所求导值来对参数进行更新。由激励传播、权重更新这两部分所构成的，激励传播又包含了前向传播和反向求导两个步骤。要使神经网络模型可以对输入的数据进行训练和学习，须通过前向传播计算对数据进行逐层的传输。同时使用损失函数估计模型预测数值与实际数值之间的差值，然后再通过反向传播运算把损失值反馈给网络，对网络的训练参数进行实时更新，从而能够获得数据中有价值的信息。

可选择地，所述前向传播过程表示为：

z

a

其中，z

所述输出层的误差计算为：

其中，

所述反向传播误差即利用当前层计算出的误差作为中间变量去推断下一层误差，具体为：

其中，

可选择地，修改各所述神经元的权重和偏量包括：

分别对权重和偏量进行梯度计算，以及，对所述权重和偏量进行参数更新；

所述对权重进行梯度计算为：

其中，

所述对偏量进行梯度计算为：

其中，

对所述权重和偏量进行参数更新包括：

其中，w

反向传播算法还包括权重更新部分，所述权重更新部分通过梯度下降法进行权重更新。梯度下降法是利用逆向思维，将下降方向设置为梯度的反方向，每次下降同等长度能够使函数得到收敛。该优化算法需要选择一个恰当的梯度，朝着选择的梯度方向不断重复地移动相同的步长，直到目标函数取得最小值后结束迭代。

梯度下降算法的目标函数为：

其中，H

损失函数定义为预测值与真实值之间的均方差，具体为：

求导后的值为：

梯度更新值为：

θ

其中，J(θ)表示损失函数，m表示m个预测值，i表示变量项数，h

本发明通过预测模型对后期的污水处理过程COD、氨氮值(Z′)进行连续预测预判，当其COD、氨氮值(Z′)达到排放标准时，即可停止曝气和搅拌处理循环，通过静置后排放。该方法可以实现达标排放、减少好氧-厌氧运行循环周期数，减少能源消耗，提高水处理效率。

S5：利用所述特征矩阵和预测模型对污水水质进行预测，得到预测水质结果；

S6：判断所述预测水质结果是否达到排放标准，若是，排放所述污水；否则，返回S1。

具体地，本实施例测试箱中的COD值变化曲线图参考图7所示，测试箱重氨氮浓度变化曲线图参考图8所示，模型预测氨氮值与实测值比较曲线图参考图9所示。

实施例2：

在SBR反应池中进校园内生活污水0.5m

实施例3：

在SYR反应池中进校园内生活污水0.5m

实施例4：

在AAO反应池中进校园内生活污水0.5m

本发明具有以下有益效果：

1、本发明能够根据图像对污水水质进行实时预测，当水质达到污水排放标准时即可实现排放，减少了污水处理的循环周期数以及能源消耗，提高了污水处理效率；

2、本发明使用了反向传播算法以及梯度下降算法，通过计算实际值与目标值之间的差值优化模型参数，保证了预测模型的准确率。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。