基於GA和FFNN的生活汙水糞大腸菌群在線監測系統和裝置的製作方法

2023-06-08 10:41:34

基於ga和ffnn的生活汙水糞大腸菌群在線監測系統和裝置
技術領域
1.本發明屬於農村生活汙水處理領域。具體涉及一種以機器學習算法為核心的農村生活汙水糞大腸菌群濃度在線監測系統和裝置。


背景技術：

[0002][0003]
根據近10年國內外文獻資料的檢索結果，現行國標法中的紙片快速法、多管發酵法和酶底物法是當前水體中糞大腸菌群濃度測定的常用方法。但國標法規定了採樣—保存—接種—培養—計算的檢測程序，要求按無菌操作採集水樣，樣品4℃以下冷藏並在2h內檢測，且需置於恆溫培養箱中培養24h。由於上述方法均屬異位的實驗室化驗分析，採樣和檢測成本高，操作複雜，且周期過長，該指標通常僅在汙水處理工程驗收和終端階段性體檢的情形下由運維責任單位或第三方檢測單位進行測定，難以滿足分布範圍廣、分散性強的農村生活汙水處理終端出水水質的常態化監測需求。
[0004]
另外，我國專利公開的專利申請號202111149525.8、專利名稱一種基於人工智慧的糞大腸桿菌群數的預測方法及裝置提供了循環神經網絡結合時空超圖注意力網絡的糞大腸桿菌群數的預測方法及裝置，可對汙水處理過程中糞大腸桿菌群數和影響其菌群的因素進行預測，並根據預測結果來調節進水量，溫度，藥劑投放比例及投放量，使汙水中的糞大腸桿菌群數達標。然而實施該方法所需的矩陣維數為33
×
5的基礎數據集包含調節池、兼氧池、好氧池、二沉池及排出口的汙水每個時刻的溫度，ph值，動植物油量，凱式氮濃度和有機含碳總量，兼氧池，好氧池，二沉池，排放口每個時刻(間隔為10分鐘)的生物需氧量bod和糞大腸桿菌群數，上述指標中涉及多個採樣點的動植物油量、有機碳總量、bod 和糞大腸桿菌群數均無法通過現有的在線檢測設備直接測定，需採用國標的化學檢測法獲取，數據採集的工作量巨大。由於無法在線獲取所需的全部輸入參數，模型的訓練、預測過程均需在離線狀態下進行，這會導致該發明所述「根據預測結果來調節進水量，溫度，藥劑投放比例及投放量，使汙水中的糞大腸桿菌群數達標」的技術效果不易實現。
[0005]
鑑於目前水質糞大腸菌群濃度尚未有原位、快捷、在線的測定方式，常規的國標法並不適用於糞大腸菌群濃度的常態化監測，有必要開發一種低成本，流程簡單且可實現在線監測的糞大腸菌群濃度監測系統以實時輔助農村生活汙水治理。


技術實現要素：

[0006]
本發明提供了一種基於遺傳算法(ga)和前饋神經網絡(ffnn)的農村生活汙水糞大腸菌群濃度在線監測系統和裝置，該系統和裝置充分利用了在線檢測設備快速獲取的進/ 出水水質的實時和歷史數據，結合出水水樣糞大腸菌群濃度的化驗數據，以進/出水氨氮、 tp、cod、ss、ph和濁度為輸入的二次變量，基於機器學習算法構建出水糞大腸菌群的軟測量模型，除模型訓練階段所需的出水糞大腸菌群濃度取自線下的化驗分析外，其餘各項水質指標均由常規的快速檢測設備在線獲取，顯著縮短了軟測量模型的開發周期，降低了
樣本數據採集的成本，彌補了國標法在糞大腸菌群濃度實時監測上的不適用。
[0007]
為達到上述目的，本發明採用了下列技術方案：
[0008]
一種基於ga和ffnn的生活汙水糞大腸菌群在線監測系統，準備多組樣本數據，每組樣本數據包括針對同一時刻的進/出水水質的在線監測值和出水糞大腸菌群濃度的化驗值，且包括以下步驟：
[0009]
s1.初始化ffnn配置和拓撲結構；
[0010]
s2.利用ga修正ffnn的初始權值和閾值，得到最優初始權閾的ffnn-ga；
[0011]
s3.使用樣本數據訓練ffnn-ga直到滿足結束條件得到完全訓練的ffnn-ga軟測量模型；
[0012]
s4.將待測水樣的進/出水水質在線監測值輸入至完全訓練的軟測量模型，得到所述待測水樣的出水糞大腸菌群濃度。
[0013]
通常在訓練過程中，樣本數據集被劃分為訓練集、驗證集和測試集，本方案也一樣，樣本數據被劃分為訓練集、驗證集和測試集，然後分別使用訓練集進行訓練，驗證集、測試集進行驗證和測試，訓練、驗證、測試過程統稱為得到完全訓練的軟測量模型之前的訓練過程。
[0014]
在上述的基於ga和ffnn的生活汙水糞大腸菌群在線監測系統中，將輸入數據進行歸一化處理後用於步驟s1-s4的訓練和預測，且歸一化公式為：
[0015][0016]
式中，y為歸一化後的輸入/輸出矩陣；y
max
為歸一化區間的上界，此處取1；y
min
為歸一化區間的下界，此處取-1；x為輸入/輸出矩陣；x
max
為輸入/輸出矩陣各列的最大值；x
min
為輸入/輸出矩陣各列的最小值。輸入參數矩陣和輸出參數矩陣在歸一化處理後的取值範圍為[-1,1]。
[0017]
在上述的基於ga和ffnn的生活汙水糞大腸菌群在線監測系統中，步驟s4中， ffnn-ga基於輸入的進/出水水質計算待測水樣的輸出預測值，隨後對所述的輸出預測值進行如下反歸一化處理得到所述的待測水樣的實際出水糞大腸菌群濃度：
[0018][0019]
式中，x為反歸一化後的輸入/輸出矩陣；x
max
為歸一化區間上界；x
min
為歸一化區間下界；y為輸入/輸出矩陣；y
max
為輸入/輸出矩陣各列的最大值；y
min
為輸入/輸出矩陣各列的最小值。
[0020]
在上述的基於ga和ffnn的生活汙水糞大腸菌群在線監測系統中，步驟s1中，所構建的ffnn-ga包括輸入層、隱含層和輸出層，且隱含層傳遞函數為tansig函數或logsig 函數，輸出層傳遞函數為purelin函數，各傳遞函數表達式及隱含層神經元的輸入xi和輸出 yj之間的數學關係如下：
[0021][0022][0023]
y＝purelin(x)＝x(5)
[0024][0025]
其中，yj對應第j個隱層神經元的輸出信號；f(x)為傳遞函數；n為輸入變量的數量；w
ij
為第i個輸入神經元到第j個隱含層神經元的權值；xi為第i個輸入神經元的輸出信號；b為隱含層閾值。
[0026]
在上述的基於ga和ffnn的生活汙水糞大腸菌群在線監測系統中，步驟s2中，通過ga對輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值以及輸出層閾值的初始值進行實數編碼，編碼後每個個體均為一個實數串，對應一個具有特定權值和閾值的ffnn；
[0027]
對個體進行訓練，然後通過選擇、交叉、變異產生新的個體，並計算新個體的適應度值，若滿足設定適應度範圍的結束條件，則取最優適應度值對應的ffnn個體，即最優權閾值賦值，否則繼續優化直至滿足結束條件。種群中出現最優個體或達到最大迭代次數即滿足結束條件。
[0028]
在上述的基於ga和ffnn的生活汙水糞大腸菌群在線監測系統中，步驟s2中，通過如下方式計算每個個體的適應度值：
[0029]
s21.將樣本數據的進出水水質輸入至每代ffnn種群的個體；
[0030]
s22.個體ffnn基於輸入的進出水水質計算輸出出水糞大腸菌群濃度預測值；
[0031]
s23.計算出水糞大腸菌群預測值與對應的實際值之間的誤差絕對值之和，將其作為相應個體的適應度值。
[0032]
在上述的基於ga和ffnn的生活汙水糞大腸菌群在線監測系統中，步驟s23中，用於計算適應度值的適應度函數為：
[0033][0034]
式中，f為個體的適應度值；k為係數；n為輸出神經元數量；yi和oi分別為ffnn第i個節點的期望輸出和預測輸出。
[0035]
在上述的基於ga和ffnn的生活汙水糞大腸菌群在線監測系統中，通過ga的選擇、交叉和變異操作實現種群的迭代和個體進化，ga的選擇策略採用基於適應度比例的輪盤賭法，個體i的選擇概率pi為：
[0036]fi
＝k/fi(8)
[0037][0038]
式中，fi為個體i的適應度值；k為係數；n為種群個體數量；
[0039]
ga的交叉操作選擇實數交叉法，第k個個體ak和第l個個體a
l
在j位的交叉為：
[0040][0041]
式中，b為[0,1]區間的隨機數；
[0042]
ga的變異操作選取第i個個體的第j個基因a
ij
實施變異，其操作方法為：
[0043][0044]
f(g)＝r2(1-g/g
max
)2(12)
[0045]
式中，a
max
為基因a
ij
的上界；a
min
為基因a
ij
的下界；r2為隨機數；g為當前迭代次數；g
max
為最大進化次數；r為[0,1]區間的隨機數。
[0046]
在上述的基於ga和ffnn的農村生活汙水糞大腸菌群濃度在線監測系統中，步驟s3中，訓練過程中，採用levenberg-marquardt(trainlm)、gradientdescentwithmomentum(traingdm)、gradientdescentwithadaptivelearningrate(traingda)、conjugategradientbackpropagationwithpowell-bealerestarts(traincgb)、gradientdescent(traingd)或scaledconjugategradient(trainscg)中的任意一種學習算法訓練ffnn個體，該過程涉及的權閾值校正可表示為：
[0047][0048]
式中，δw
ij
(s)表示在第s次學習迭代的權值校正；η表示學習率；e表示訓練集中所有數據的誤差平方和；μ為動量因子。
[0049]
在上述的基於ga和ffnn的生活汙水糞大腸菌群在線監測系統中，進/出水水質包括進/出水ph值、化學需氧量、懸浮物濃度、氨氮濃度、總磷濃度和濁度。
[0050]
以上述基於ga和ffnn的生活汙水糞大腸菌群在線監測系統為基礎，開發的在線監測裝置包含四個主要功能模塊：
[0051]
水質檢測模塊，用於快速採集進/出水nh
3-n、tp、cod、ss、ph和濁度數據；
[0052]
數據傳輸模塊，用於水質監測模塊與計算機之間的通訊；
[0053]
機器學習模塊，位於計算機內，用於數據預處理，編碼和格式轉換，模型訓練、驗證、預測，預測結果分類，數值可視化處理，及歷史監測數據存儲；
[0054]
人機互動模塊，位於計算機內，用於監測數據和可視化圖表的ui顯示，歷史記錄檢索，及濃度超標提示。
[0055]
在上述的基於ga和ffnn的生活汙水糞大腸菌群在線監測裝置中，所述的水質檢測模塊包括分別用於採集進/出水的nh3-n、tp、cod、ss、ph和濁度數據的在線監測設備，在線監測設備獲取所述數據後實時傳輸至機器學習模塊；
[0056]
所述的水質監測模塊包括用於採集進/出水nh
3-n、tp、cod值的光譜儀，用於採集進/出水ph值的ph計，用於採集進/出水濁度值的濁度儀，進/出水ss值由濁度儀實時採集的濁度值換算獲得；
[0057]
軟測量模型可在線預測出水糞大腸菌群濃度值和動態變化，即使在進水水質持續波動的條件下也能保證出水預測值的同步性。
[0058]
對於具有水質在線監測能力的處理終端，即具有在線監測設備的處理終端，樣本數據採自相應的處理終端，對於不具備在線監測能力的處理終端，即不具有在線監測設備的處理終端，樣本數據採自與之進水水質相近(如兩者之間的各數據差小於20％)、處理工藝相同的具有在線監測能力的水處理終端處；
[0059]
且針對具有在線監測能力的處理終端，處理終端將在線監測的進出水水質數據實
時反饋給完全訓練的ffnn-ga模型；模型基於接收到的在線監測數據，通過在線軟測量的模式輸出出水糞大腸菌群濃度；
[0060]
針對不具備在線監測能力的處理終端，通過可攜式儀器快速測定或實驗室測樣的方式離線獲取待測進/出水水質數據；經由人機互動模塊將獲取的進/出水水質數據手動輸入至完全訓練的ffnn-ga模型；模型基於接收到的離線監測數據，通過離線軟測量的模式輸出出水糞大腸菌群濃度。
[0061]
本發明的優點在於：
[0062]
1、針對要測量的糞大腸菌群指標，不採用直接化驗測定的方式，無需採樣、轉運、培養等操作，而是通過易測得的進/出水水質特徵數據間接獲得，針對已具備水質在線監測能力的場景，能夠直接根據在線監測採集的數據計算糞大腸菌群濃度；針對不具備水質在線監測能力的場景，使用可攜式儀器或化驗測樣的方式得到水質特徵數據，進而計算糞大腸菌群濃度，水質特徵數據的獲取相較於糞大腸菌群的直接測量要更為方便、容易，所以即使終端不具備水質在線監測能力，相較於目前各種國標測定法也更方便快捷；
[0063]
2、本方案實現了樣本採集、水質測算、數據傳輸、仿真預測、結果呈現的糞大腸菌群濃度軟測量全過程的在線化，除模型訓練階段所需的出水糞大腸菌群濃度取自線下的化驗分析外，其餘各項水質指標均由常規的快速檢測設備實時獲取和上傳，動態響應迅速，數據採集成本低，彌補了各國標測定法在糞大腸菌群濃度常態化實時監測上的不適用；
[0064]
3、本方案提供了在線軟測量和離線軟測量兩種糞大腸菌群濃度監測模式，分別對應於配備水質在線監測設備的汙水處理終端和未配備水質在線監測設備的處理終端，適用於絕大多數有水質監測需求的農村生活汙水處理點位；
[0065]
4、利用遺傳算法尋優來修正前饋神經網絡的初始權值和閾值，提升了神經網絡在學習小容量樣本時的穩定性和預測精度，從而減少了獲得可靠的軟測量模型所需的數據集樣本規模，縮短了方案實施前期的機器學習開發周期。
附圖說明
[0066]
圖1為本發明的農村生活汙水糞大腸菌群濃度在線監測系統的數據架構示意圖；
[0067]
圖2為本發明的農村生活汙水糞大腸菌群濃度在線監測裝置工作原理示意圖；
[0068]
圖3為本發明的機器學習模塊遺傳算法優化前饋神經網絡初始權閾的邏輯流程圖。
具體實施方式
[0069]
下面結合附圖和具體實施方式對本發明做進一步詳細的說明。
[0070]
如圖1、圖2、圖3所示，本發明提供了一種基於遺傳算法ga和前饋神經網絡ffnn 的農村生活汙水糞大腸菌群濃度在線監測系統和裝置，其技術方案及實現步驟如下：
[0071]
步驟1：數據集獲取及預處理
[0072]
(1)數據集預處理，隨機分集，模型構建、訓練、驗證、預測等均通過matlab算法平臺實現。本實施例採用某村農村生活汙水處理終端水質在線監測系統記錄的2022年進出水水質的實時和歷史數據為樣本構建數據集，分別取進/出水氨氮、總磷、cod、懸浮物濃度、ph和濁度等十二項指標的儀器實測值為輸入變量，取每個水樣對應的糞大腸菌群濃度(根據紙片快速法hj 755-2015測得，以mpn/l計)作為輸出變量，共選取200組數據，每組樣本數據
包括表徵同一時刻進/出水水質特徵的12個輸入變量和表徵出水糞大腸菌群濃度的1個輸出變量，其中155組數據分集為訓練集，15組數據分集為驗證集，30組數據分集為預測集。
[0073]
(2)比對歷史監測數據和出水達標情況，篩查並剔除不符合終端實際運行狀態的異常數據組，篩查並剔除異常數據組的是數據採集過程中通常需要用到的手段，這裡不再對此過程贅述。然後調用matlab算法平臺中的mapminmax函數對各數據集分集中的輸入/ 輸出參數矩陣進行歸一化處理，歸一化公式為：
[0074][0075]
式中，y為歸一化後的輸入/輸出矩陣；y
max
為歸一化區間的上界，此處取1；y
min
為歸一化區間的下界，此處取-1；x為輸入/輸出矩陣；x
max
為輸入/輸出矩陣各列的最大值；x
min
為輸入/輸出矩陣各列的最小值。輸入參數矩陣和輸出參數矩陣在歸一化處理後的取值範圍為[-1,1]；
[0076]
下表展示了本實施例機器學習模型所用樣本數據集的部分輸入/輸出數據。
[0077]
某村生活汙水處理終端的部分進出水水質數據
[0078][0079]
步驟2：搭建遺傳算法修正權閾的前饋神經網絡預測模型
[0080]
(1)初始化前饋神經網絡拓撲結構
[0081]
採用單隱層拓撲結構的前饋神經網絡(ffnn)，輸入層所有神經元對應的輸入信號
在經過加權計算後由隱含層神經元進行求和函數變換，而輸出神經元產生的信號則是隱含層輸出信號加權求和後的函數轉換值，每層神經元的輸出信號只影響下一層的神經元。根據輸入/輸出變量的數量定義輸入和輸出層節點數分別為12和1，隱層節點數量根據該領域的公知常識，利用試錯法逐一考察不同節點數的訓練效果，也可由2n+1的一般公式來定義，其中n為輸入節點數量。最終模型拓撲結構確定為12-20-1，學習算法選用誤差反向傳播算法(backpropagation)，學習率設定為0.1，最大迭代次數為2000，隱含層傳遞函數為tansig函數，輸出層傳遞函數為purelin函數，各傳遞函數表達式及隱含層神經元的輸入xi和輸出yj之間的數學關係如下：
[0082][0083]
y＝purelin(x)＝x(3)
[0084][0085]
式中，yj對應第j個隱層神經元的輸出信號；f(x)為傳遞函數；n為輸入變量的數量；w
ij
為第i個輸入神經元到第j個隱含層神經元的權值；xi為第i個輸入神經元的輸出信號；b為隱含層閾值。
[0086]
(2)遺傳算法修正ffnn初始權閾
[0087]
通過遺傳算法(ga)對輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值以及輸出層閾值的初始值進行實數編碼，編碼後每個個體均為一個實數串，包含了ffnn的全部權值和閾值。針對個體指代的初始權值和閾值，採用gradientdescentwithmomentum(traingdm)為學習算法訓練ffnn，預測系統輸出，將期望輸出與預測輸出之間的誤差絕對值之和作為每個個體的適應度值，適應度函數為：
[0088][0089]
式中，f為個體的適應度值；k為係數；n為輸出神經元數量；yi和oi分別為ffnn第i個節點的期望輸出和預測輸出。
[0090]
隨後，通過選擇、交叉、變異操作產生新的個體，根據式(5)的適應度函數計算新個體的適應度值，若滿足結束條件，則取最優適應度值對應的個體ffnn，若不滿足結束條件則循環ga優化操作直至滿足結束條件。找到最滿意個體或達到最大代數即滿足結束條件。進行一輪選擇、交叉、變異後，可以再次對新個體進行訓練，然後再進入下一輪選擇、交叉、變異，也可以直接進行下一輪選擇、交叉、變異；還可以前n輪對新個體訓練後進行一輪選擇、交叉、變異，第n+1輪開始直接進行下一輪選擇、交叉、變異。
[0091]
ga的選擇策略採用基於適應度比例的輪盤賭法，個體i的選擇概率pi為：
[0092]fi
＝k/fi(6)
[0093][0094]
式中，fi為個體i的適應度值；k為係數；n為種群個體數量。由於適應度值越小越接近期望，在選擇操作前需對適應度值求倒數。ga的交叉操作選擇實數交叉法，第k個個體ak和第l個個體a
l
在j位的交叉為：
[0095][0096]
式中，b為[0,1]區間的隨機數。變異操作則是選取第i個個體的第j個基因a
ij
實施變異，其操作方法為：
[0097][0098]
f(g)＝r2(1-g/g
max
)2(10)
[0099]
式中，a
max
為基因a
ij
的上界；a
min
為基因a
ij
的下界；r2為隨機數；g為當前迭代次數；g
max
為最大進化次數；r為[0,1]區間的隨機數。
[0100]
(3)ffnn-ga的訓練和驗證
[0101]
模型的訓練和驗證是通過校正權閾值獲得最高精度模型的過程，該過程參照本領域的常規手段進行，權閾值的校正過程表示為：
[0102][0103]
式中，δw
ij
(s)表示在第s次學習迭代的權值校正；η表示學習率；e表示訓練集中所有數據的誤差平方和；μ為動量因子。訓練算法通過該校正過程持續更新所有神經元的權值和閾值，直到模型誤差滿足期望或訓練達到設定的最大迭代次數。
[0104]
步驟3：ffnn-ga對t時刻出水糞大腸菌群濃度的仿真預測
[0105]
以t時刻農村生活汙水處理終端在線檢測設備所採集的進水nh
3-n-in(t)、tp-in(t)、cod-in(t)、ss-in(t)、ph-in(t)、濁度-in(t)和出水nh
3-n-out(t)、tp-out(t)、cod-out(t)、ss-out(t)、ph-out(t)、濁度-out(t)為模型輸入，利用優化權閾且完全訓練的ffnn-ga快速計算出水糞大腸菌群濃度，並對模型預測值進行如下反歸一化處理：
[0106][0107]
式中，x為反歸一化後的輸入/輸出矩陣；x
max
為歸一化區間上界；x
min
為歸一化區間下界；y為輸入/輸出矩陣；y
max
為輸入/輸出矩陣各列的最大值；y
min
為輸入/輸出矩陣各列的最小值。此步驟根據在線和離線兩種不同的監測模式採取不同的實現策略。
[0108]
在線模式適用於配備水質在線監測設備的汙水處理終端，其實現策略如下：
[0109]
下位機讀取水質檢測模塊實時採集的12項進/出水水質數據並反饋給上位機，上位機通過matlab通用文件i/o數據接口將水質在線監測數據傳輸到軟體工作區，該數據讀取方式通過load函數實現，適用於以ascii形式存儲且每一行數據為固定長度的文件。輸入變量值導入後m文件程序將自動對其進行分類，當輸入值定義為非異常值時，已完全訓練的ffnn-ga模型將直接計算對應的糞大腸菌群濃度。此處糞大腸菌群濃度的計算程序可通過神經網絡m文件指令或由導出的數學模型來實現，對於具備權閾值在線修正模塊的模型，該計算程序只通過神經網絡m文件指令實現。計算所得糞大腸菌群預測值以mat格式存儲，在反歸一化處理後可通過通用文件i/o數據接口傳輸到下位機，實現糞大腸菌群在線監測結
果的實時顯示。
[0110]
在線軟測量算法可通過安裝matlab編譯器(matlab complier，mcc)將m語言編寫的函數文件轉換為c、c++、fortran原始碼，並經過編譯連結生成mex文件、函數庫、com組件等，用於擴展matlab在線軟測量算法功能。文件在轉換為二進位格式後可隱藏算法源碼，保護用戶開發版權。本實施例設定採樣間隔為8h，出水糞大腸菌群在線監測結果與各國標法檢測結果對比參見下表，根據表中數據可知，本方案的在線監測結果與紙片快速法、多管發酵法和酶底物法的檢測結果非常接近，且30個測試樣本糞大腸菌群濃度的在線監測值均在各標準方法的95％置信區間內，可見本方案能夠通過更簡單實時的方式在線實現同樣的檢測效果。
[0111]
出水糞大腸菌群濃度在線監測結果與各國標法檢測結果對比
[0112]
[0113]
離線模式適用於不具備在線監測能力的處理終端，一般情況下模型的開發同樣基於具備水質在線監測設備的終端所採集的實時、歷史數據，以及糞大腸菌群的實驗室分析數據，其實現策略如下：
[0114]
選擇進水水質相近，處理工藝相同的在線監測終端水質數據集進行ffnn-ga模型構建，以規避模型開發階段水樣的實驗室檢測成本。針對特定時間點的監測需求，通過可攜式儀器快速檢測或實驗室測樣的方式獲取進出水12項指標的檢測值作為模型的輸入值，預測出水糞大腸菌群值。該計算過程通過現場或遠程pc端matlab算法平臺實現，也可藉助web端數位化平臺和導出的數學模型實現。上述軟測量過程均在離線狀態下進行。本實施例選擇不具備在線監測能力的處理終端，以8h為採樣間隔，出水糞大腸菌群濃度離線監測結果與各國標法檢測結果對比參見下表。同樣地，根據表中數據可知，本方案的離線監測結果與各國標法的檢測結果非常接近，且30個測試樣本糞大腸菌群濃度的離線監測值均在各標準方法的95％置信區間內，可見，本方案能夠同時適用於離線監測和在線監測，且都具有可靠的測量效果。
[0115]
出水糞大腸菌群濃度離線監測結果與各國標法檢測結果對比
[0116][0117]
本文中所描述的具體實施例僅僅是對本發明精神作舉例說明。本發明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或採用類似的方式替代，但並不會偏離本發明的精神或者超越所附權利要求書所定義的範圍。