水質指標監測儀、雲數據中心及系統、預測方法和水樣識別方法與流程

2023-04-27 03:47:57

本發明涉及環境監測領域，特別涉及實時監測水質指標的方法。

背景技術：

目前，我國對汙水水質cod(化學需氧量)指標進行在線自動監測的儀器設備幾乎都採用傳統的重鉻酸鉀氧化法等實驗室化學分析方法，測量周期達半小時以上，不能滿足對水質實時監測的需求，而且產生毒重金屬鉻、汞，重金屬銀和錳，以及含酸和強氧化性廢液等二次汙染，據統計，全國每年水質cod自動監測儀產生的含毒重金屬和強氧化性試劑的廢液近十萬噸，環境風險不容忽視。

為克服傳統化學分析方法的缺點，上世紀六十年代發明的對水質cod指標實施監測的紫外光譜法日益受到重視，特別是採用多波長乃至整個紫外可見光譜的cod測量技術近年來得到快速發展，該方法具有分析速度快的優點，一般只需要十數秒；且無需任何有毒化學試劑，如重鉻酸鉀、硫酸汞、硫酸銀等，避免了二次汙染的環境風險。這給廣泛使用的cod化學分析方法提供了一種富有前景的替代方法，其經濟和環境效益十分誘人。

紫外可見光譜法cod監測技術是將光束透過待測水樣獲取水樣的紫外可見吸收光譜，利用多個水樣的已知cod指標和紫外可見吸收光譜數據，通過回歸算法獲得水樣cod指標同光譜數據之間的數學關係，即cod測量數學模型；然後通過測量未知水樣的紫外可見光譜數據，由cod測量數學模型計算獲得待測水樣的cod指標。但是，由於目前的監測方法技術和儀器都基於單機的工作模式，且儀器中的cod計算(即預測)模型採用的水樣樣本類型和數量有限，當水樣成分發生較大變化時，往往不能準確給出cod測量值，這導致目前紫外可見光譜法cod測量儀器的應用受到了極大的限制。

為了彌補現有技術的缺陷，人們在紫外可見光譜技術、cod測量數學模型的優化算法以及對樣本水樣分類等方面進行著不懈的努力。但是，目前單機工作模式和有限的樣本水樣類型和數量的實際情況，使得紫外可見光譜法監測cod存在的缺陷始終未能得到很好的解決，紫外可見光譜法cod監測儀不能給出可靠的水質cod監測數據的問題時常發生。

同理，現有水質其他指標，如高錳酸鹽指標、硝酸鹽指數及濁度等，也可基於光譜法監測技術，而光譜法監測技術還有利用水樣的拉曼光譜、螢光光譜、原子發射光譜及紅外光譜等光譜數據的其他光譜監測技術，並非僅為紫外可見光譜法，但其均具有上述的問題。

技術實現要素：

本發明的目的就是克服目前光譜法監測時均基於單機工作模式導致應用受限的缺點，提供一種水質指標監測儀、雲數據中心及系統、預測方法和水樣識別方法。

本發明解決其技術問題，採用的技術方案是，水質指標監測儀，包括水質指標監測儀本體，其特徵在於，還包括無線通訊模塊一，所述無線通訊模塊一與水質指標監測儀本體連接，

所述水質指標監測儀本體用於同時獲取光源的光譜及待測水樣的對應光譜，採用水樣識別模型判定待測水樣的水樣類型，若為已存儲的具有水質指標預測模型的水樣類型，則根據所存儲的對應水樣類型的水質指標預測模型獲取待測水樣的水質指標值並顯示，否則將獲取的待測水樣的對應光譜通過無線通訊模塊一發送出去，並接收且顯示從無線通訊模塊一發送來的水質指標值；

所述無線通訊模塊一用於與水質指標監測雲數據中心連接，進行信息交互。

具體的，所述水質指標監測儀本體包括光譜儀、處理顯示模塊及存儲模塊，所述光譜儀與處理顯示模塊連接，處理顯示模塊與存儲模塊連接，處理顯示模塊與無線通訊模塊一連接，

所述光譜儀用於獲取光源的光譜及待測水樣的對應光譜發送給處理模塊；

所述存儲模塊用於存儲水樣識別模型及各水樣類型對應的水質指標預測模型；

所述處理顯示模塊用於在接收到光源的光譜及待測水樣的對應光譜後，根據存儲模塊中所存儲的水樣識別模型判定待測水樣的水樣類型，並根據所判定的水樣類型選擇存儲模塊中對應的水質指標預測模型進行待測水樣的水質指標值的獲取，若存儲模塊中沒有對應的水質指標預測模型，則將獲取的光源的光譜及待測水樣的對應光譜通過無線通訊模塊一發送出去，並接收且顯示從無線通訊模塊一發送來的水質指標值。

進一步的，所述水質指標監測儀本體還能夠通過無線通訊模塊一發出請求，請求獲取水樣識別模型和/或某水樣類型對應的水質指標預測模型，且接收並存儲無線通訊模塊一轉發來的水樣類型判定方式和/或某水樣類型對應的水質指標預測模型。

再進一步的，所述水質指標預測模型為水質cod預測模型，所述獲取光源的光譜及待測水樣的對應光譜中，光源的光譜為光源的紫外可見光譜，待測水樣的對應光譜為待測水樣的紫外可見吸收光譜。

水質指標監測儀，其特徵在於，由顯示模塊、光譜儀及無線通訊模塊一組成，所述顯示模塊、光譜儀分別與無線通訊模塊一連接，

所述光譜儀用於獲取光源的光譜及待測水樣的對應光譜發送給無線通訊模塊一，由無線通訊模塊一轉發給與其連接的水質指標監測雲數據中心；

所述顯示模塊用於顯示無線通訊模塊一接收到的水質指標值；

所述無線通訊模塊一用於與水質指標監測雲數據中心連接，進行信息交互。

具體的，所述獲取光源的光譜及待測水樣的對應光譜中，光源的光譜為光源的紫外可見光譜，待測水樣的對應光譜為待測水樣的紫外可見吸收光譜。

水質指標監測雲數據中心，其特徵在於，包括水質指標資料庫、水樣識別資料庫、控制中心及無線通訊模塊二，所述水質指標資料庫、水樣識別資料庫及無線通訊模塊二分別與控制中心連接，

所述水質指標資料庫存儲有各種樣本水樣的水樣類型對應的光譜數據及各種樣本水樣的水樣類型對應的水質指標預測模型；

所述水樣識別資料庫存儲有用於判定水樣類型的水樣識別模型；

所述無線通訊模塊二用於與水質指標監測儀連接，進行信息交互；

所述控制中心用於通過無線通訊模塊二接收與其連接的水質指標監測儀發送來的光源的光譜及待測水樣的對應光譜，採用存儲的水樣識別模型判定待測水樣的水樣類型，並根據所判定的水樣類型選擇水質指標資料庫中對應的水質指標預測模型進行待測水樣的水質指標值的獲取，並將獲取到的水質指標值通過無線通訊模塊二反饋給對應的水質指標監測儀。

進一步的，所述控制中心還通過無線通訊模塊二接收與其連接的水質指標監測儀發出的請求，根據請求通過無線通訊模塊二向對應的水質指標監測儀發送所需的水樣識別模型和/或某水樣類型對應的水質指標預測模型。

具體的，所述控制中心在判定待測水樣的水樣類型時，若判定失敗則通過無線通訊模塊二通知對應的水質指標監測儀顯示報警信息，並同時通知工作人員，由工作人員現場獲取該待測水樣的光譜數據並採用其他方式獲得該待測水樣的水質指標值，存入水質指標監測儀，並上傳給控制中心，或直接上傳給控制中心，控制中心根據接收到的該待測水樣的光譜數據及該待測水樣的水質指標值，將其作為樣本水樣更新所存儲的水樣識別模型及水樣指標預測模型，且存儲該水樣的光譜數據。

再進一步的，所述水樣識別模型的建立方式為：首先採集不同水樣類型的樣本水樣的若干個光譜數據，並賦予樣本水樣的水樣類型，採用主成分分析方法(pca)提取樣本水樣的光譜數據特徵主成分，再通過機器學習方法(svm)建立水樣類型與樣本水樣的光譜數據特徵主成分之間的數學模型，作為水樣識別模型；

所述判定待測水樣的水樣類型時，將其代入水樣識別模型中，通過待測水樣的光譜數據特徵主成分向量的空間位置與樣本水樣的光譜數據特徵主成分向量的空間位置進行比較，從而判斷待測水樣的水樣類型。

具體的，所述水質指標預測模型為水質cod預測模型，所述光源的光譜為光源的紫外可見光譜，所述待測水樣的對應光譜為待測水樣的紫外可見吸收光譜。

水質指標監測系統，其特徵在於，包括上述水質指標監測雲數據中心及至少一個上述水質指標監測儀，每一個水質指標監測儀的無線通訊模塊一都分別與水質指標監測雲數據中心的無線通訊模塊二連接。

具體的，所述無線通訊模塊一和/或無線通訊模塊二還能夠與環保局監控中心連接，將各水質指標監測儀獲得的水質指標值發送至環保局監控中心。

水樣識別方法，其特徵在於，包括以下步驟：

步驟1、以不同類型及不同濃度的若干水樣作為樣本水樣並進行測量，獲取各次測量時光源的光譜及各樣本水樣的對應光譜；

步驟2、根據各光源的光譜及各樣本水樣的對應光譜得到各水樣的吸光度譜；

步驟3、根據各水樣的吸光度譜構建水樣識別模型；

步驟4、測試時，獲取光源的光譜及待測水樣的對應光譜；

步驟5、根據光源的光譜與待測水樣的對應光譜構建待測水樣的吸光度譜；

步驟6、將待測水樣的吸光度譜代入到水樣識別模型中得到水樣識別結果。

進一步的，步驟2及步驟5中，所述待測水樣的吸光度譜與水樣的吸光度譜的獲取方法相同，其獲取方法為：

步驟201、將光源的光譜s和水樣的對應光譜s』分別按照一定的波長間隔△λ分割，獲得波長和光強的數組和其中，λi為第i個波長，i為正整數，為光源的光譜s中λi對應的光強，為水樣的對應光譜s』中λi對應的光強，n為吸光度譜中的波長個數，若構建的是待測水樣的對應度譜，則所述水樣的對應光譜s』為待測水樣的對應光譜，若構建的是水樣的對應度譜，則所述水樣的對應光譜s』為樣本水樣的對應光譜；

步驟202、根據比爾朗伯定律，逐個獲得波長λi處的吸光度數據其計算公式為：

步驟203、將所有波長λi對應的吸光度數據集合，獲得水樣的吸光度譜數據組從而得到水樣的吸光度譜，記為sa。

具體的，步驟3包括以下具體步驟：

步驟301、使用水質指標監測儀以不同類型及不同濃度的若干水樣作為樣本水樣並進行測量，獲得若干個樣本水樣的吸光度譜sa和吸光度譜數組a；

步驟302、將若干個吸光度譜數組集合到一起，獲得樣本水樣的吸光度譜數據矩陣a＝[a1,a2,…,ak]t，其中am為樣本水樣m的吸光度譜數據，m＝1,2,…,k，k為樣本水樣總數量；每個吸光度譜包含了n個波長的水樣吸光度數據aλi，i＝1,2,…,n；

步驟303、給每個樣本水樣賦予相應的水樣標籤號lθ，θ＝1,2,…，每一個標籤號對應一種類型的水樣，該標籤號lθ為正整數，構建樣本水樣的標籤號數據矩陣為l＝[l1,l2,…,lk]t；

步驟304、提取水樣吸光度譜數據的特徵成分，採用主成分分析方法提取水樣吸光度譜數據矩陣a的特徵主成分，獲得特徵主成分的係數矩陣p＝[p1,p2,…,pj]t，其中p為j×n的矩陣，pi為水樣吸光度譜第i個特徵主成分的係數，pi為1×n的向量，j為水樣吸光度譜的特徵主成分數量；

步驟305、獲取水樣的特徵主成份向量，將樣本水樣m的吸光度譜數據與特徵主成分係數矩陣p相乘，得到該樣本水樣吸光度譜的特徵主成分向量tm，即其中，tm1,tm2,…,tmj分別為樣本水樣m吸光度譜的第1,2,…,j個特徵主成分，構建樣本水樣的特徵主成份數據矩陣t，即t＝[t1,t2,…,tm]t，t為m×j的矩陣；

步驟306、通過機器學習的方法建立水樣類型識別數學模型，採用機器學習方法中的最小二乘支持向量機的方法，構建水樣吸光度譜特徵主成分向量tm與對應的水樣類型標籤號lm關係模型，將t作為輸入量，l作為輸出量，經最小二乘支持向量機訓練後即可獲得水樣識別模型lm＝fr(tm)。

再進一步的，步驟6包括以下步驟：

步驟601、設標籤號為lθ的樣本水樣特徵主成分向量所在的空間是在以位置xθ＝[xθ1,xθ2,…,xθj]為中心，半徑為rθ的區域內；

步驟602、當獲取待測水樣x的吸光度譜ax後，將其同特徵主成分係數p的轉置相乘便得到水樣吸光度譜的特徵主成分向量tx＝[tx1,tx2,…,txj]，然後求解tx與xθ的空間距離d，當d＞rθ時，就認為該待測水樣不屬於該lθ樣本水樣類型，否則，當d≤rθ時，就認為該水樣同樣本水樣為同一類型。

水質指標預測方法，其特徵在於，包括以下步驟：

a、採集某一水樣類型的不同水質指標濃度的若干水樣作為樣本水樣進行測量，獲取各次測量時光源的光譜及各樣本水樣的對應光譜，同時採用化學方法獲得每一個樣本水樣的所需水質指標；

b、根據各光源的光譜及各樣本水樣的對應光譜得到各水樣的吸光度譜；

c、根據各水樣的吸光度譜及對應樣本水樣的所需水質指標構建水質指標預測模型；

d、預測時，獲取光源的光譜及待測水樣的對應光譜；

f、根據光源的光譜與待測水樣的對應光譜構建待測水樣的吸光度譜；

g、將待測水樣的吸光度譜代入到水質指標預測模型中得到水質指標預測結果。

具體的，步驟a中，所述樣本水樣的所需水質指標為樣本水樣的cod值；

步驟c中，所述水質指標預測模型為某一水樣類型的水樣cod預測模型。

進一步的，步驟b及步驟f中，所述待測水樣的吸光度譜與水樣的吸光度譜的獲取方法相同，其獲取方法為：

步驟b1、將光源的光譜s和水樣的對應光譜s』分別按照一定的波長間隔△λ分割，獲得波長和光強的數組和其中，λi為第i個波長，i為正整數，為光源的光譜s中λi對應的光強，為水樣的對應光譜s』中λi對應的光強，n為吸光度譜中的波長個數，若構建的是待測水樣的對應度譜，則所述水樣的對應光譜s』為待測水樣的對應光譜，若構建的是水樣的對應度譜，則所述水樣的對應光譜s』為樣本水樣的對應光譜；

步驟b2、根據比爾朗伯定律，逐個獲得波長λi處的吸光度數據其計算公式為：

步驟b3、將所有波長λi對應的吸光度數據集合，獲得水樣的吸光度譜數據組從而得到水樣的吸光度譜，記為sa。

具體的，步驟c包括以下步驟：

步驟c1、根據獲得的若干個樣本水樣的吸光度譜sa、吸光度譜數組a及對應的cod值ci組成的數據矩陣c＝[c1,c2,…,ck]t採用主成分分析方法提取水樣吸光度譜數據矩陣a的特徵主成分，獲得特徵主成分的係數矩陣p；

步驟c2、將每一個樣本水樣的吸光度譜數組a同特徵主成分的係數矩陣p相乘獲得其特徵主元數組ty；

步驟c3、採用最小二乘支持向量機的方法，將ty＝[ty1,ty2,…,tyj]作為輸入量，cy作為輸出量，進行多元非線性擬合，獲得水樣類型為lθ的水樣cod預測模型cm＝fθ(tm)。

再進一步的，步驟a中，所述採集某一水樣類型的不同水質指標濃度的若干水樣作為樣本水樣中，所述樣本水樣的數量不低於5個。

本發明的有益效果是，上述水質指標監測儀、雲數據中心及系統、預測方法和水樣識別方法，可將分布在不同地域、不同地理位置和不同汙染企業的水質指標監測儀連結起來，在水質指標監測雲數據中心的遠程支持下實現不同成份待測水樣光譜數據的共享，彌補了單臺水質指標監測儀獨立工作時對水樣類型適應性差，以及水樣成分明顯變化導致的水質指標監測儀不能準確測量水質指標值的缺陷。同現有技術相比較，本發明能使現場工作的單臺水質指標監測儀分享豐富的水樣類型數據，使水質指標監測儀在水質成份明顯變化時對水質指標值實施可靠監測。本發明還實現了水樣識別模型、水質指標預測模型能夠自行升級，使得水質指標監測儀對水質的適應性能明顯改善，基本彌補目前光譜法監測技術存在的缺陷。本發明還可應用於對水質高錳酸鹽指標、硝酸鹽指數、濁度等其他水質指標實施監測。不僅如此，本發明還可以進一步應用於利用水樣的拉曼光譜、螢光光譜、原子發射光譜、紅外光譜等光譜數據，通過基於已知水樣樣本的水質指標數據和其光譜數據獲得水樣水質指標同其光譜數據數學映射關係進而對未知水樣的水質指標實施機器預測的水質指標的在線自動監測。

附圖說明

圖1為本發明實施例中水質指標監測儀的系統框圖；

圖2為本發明實施例中另一種水質指標監測儀的系統框圖；

圖3為本發明實施例中水質指標監測雲數據中心的系統框圖；

圖4為本發明實施例中水質指標監測系統的系統框圖。

具體實施方式

下面結合實施例及附圖，詳細描述本發明的技術方案。

本發明所述的水質指標監測儀，包括水質指標監測儀本體及無線通訊模塊一，無線通訊模塊一與水質指標監測儀本體連接，其中，水質指標監測儀本體用於同時獲取光源的光譜及待測水樣的對應光譜，採用水樣識別模型判定待測水樣的水樣類型，若為已存儲的具有水質指標預測模型的水樣類型，則根據所存儲的對應水樣類型的水質指標預測模型獲取待測水樣的水質指標值並顯示，否則將獲取的待測水樣的對應光譜通過無線通訊模塊一發送出去，並接收且顯示從無線通訊模塊一發送來的水質指標值；無線通訊模塊一用於與水質指標監測雲數據中心連接，進行信息交互。

本發明所述的另一種水質指標監測儀，由顯示模塊、光譜儀及無線通訊模塊一組成，顯示模塊、光譜儀分別與無線通訊模塊一連接，其中，光譜儀用於獲取光源的光譜及待測水樣的對應光譜發送給無線通訊模塊一，由無線通訊模塊一轉發給與其連接的水質指標監測雲數據中心；顯示模塊用於顯示無線通訊模塊一接收到的水質指標值；無線通訊模塊一用於與水質指標監測雲數據中心連接，進行信息交互。

本發明所述的水質指標監測雲數據中心，包括水質指標資料庫、水樣識別資料庫、控制中心及無線通訊模塊二，水質指標資料庫、水樣識別資料庫及無線通訊模塊二分別與控制中心連接，其中，水質指標資料庫存儲有各種樣本水樣的水樣類型對應的光譜數據及各種樣本水樣的水樣類型對應的水質指標預測模型；水樣識別資料庫存儲有用於判定水樣類型的水樣識別模型；無線通訊模塊二用於與水質指標監測儀連接，進行信息交互；控制中心用於通過無線通訊模塊二接收與其連接的水質指標監測儀發送來的光源的光譜及待測水樣的對應光譜，採用存儲的水樣識別模型判定待測水樣的水樣類型，並根據所判定的水樣類型選擇水質指標資料庫中對應的水質指標預測模型進行待測水樣的水質指標值的獲取，並將獲取到的水質指標值通過無線通訊模塊二反饋給對應的水質指標監測儀。

本發明所述的水質指標監測系統，包括上述水質指標監測雲數據中心及至少一個上述水質指標監測儀，每一個水質指標監測儀的無線通訊模塊一都分別與水質指標監測雲數據中心的無線通訊模塊二連接。

本發明所述的水樣識別方法為：首先以不同類型及不同濃度的若干水樣作為樣本水樣並進行測量，獲取各次測量時光源的光譜及各樣本水樣的對應光譜，再根據各光源的光譜及各樣本水樣的對應光譜得到各水樣的吸光度譜，然後根據各水樣的吸光度譜構建水樣識別模型，測試時，獲取光源的光譜及待測水樣的對應光譜，然後根據光源的光譜與待測水樣的對應光譜構建待測水樣的吸光度譜，最後將待測水樣的吸光度譜代入到水樣識別模型中得到水樣識別結果。

本發明所述的水質指標預測方法為：首先採集某一水樣類型的不同水質指標濃度的若干水樣作為樣本水樣進行測量，獲取各次測量時光源的光譜及各樣本水樣的對應光譜，同時採用化學方法獲得每一個樣本水樣的所需水質指標，再根據各光源的光譜及各樣本水樣的對應光譜得到各水樣的吸光度譜，然後根據各水樣的吸光度譜及對應樣本水樣的所需水質指標構建水質指標預測模型，預測時，獲取光源的光譜及待測水樣的對應光譜，然後根據光源的光譜與待測水樣的對應光譜構建待測水樣的吸光度譜，最後將待測水樣的吸光度譜代入到水質指標預測模型中得到水質指標預測結果。

實施例

本例中的水質指標監測儀，其系統框圖參見圖1，包括水質指標監測儀本體及無線通訊模塊一，無線通訊模塊一與水質指標監測儀本體連接。

其中，水質指標監測儀本體用於同時獲取光源的光譜及待測水樣的對應光譜，採用水樣識別模型判定待測水樣的水樣類型，若為已存儲的具有水質指標預測模型的水樣類型，則根據所存儲的對應水樣類型的水質指標預測模型獲取待測水樣的水質指標值並顯示，否則將獲取的待測水樣的對應光譜通過無線通訊模塊一發送出去，並接收且顯示從無線通訊模塊一發送來的水質指標值。

無線通訊模塊一用於與水質指標監測雲數據中心連接，進行信息交互。

參見圖1，本例中的水質指標監測儀本體可以包括光譜儀、處理顯示模塊及存儲模塊，光譜儀與處理顯示模塊連接，處理顯示模塊與存儲模塊連接，處理顯示模塊與無線通訊模塊一連接。

光譜儀用於獲取光源的光譜及待測水樣的對應光譜發送給處理模塊。

存儲模塊用於存儲水樣識別模型及各水樣類型對應的水質指標預測模型。

處理顯示模塊用於在接收到光源的光譜及待測水樣的對應光譜後，根據存儲模塊中所存儲的水樣識別模型判定待測水樣的水樣類型，並根據所判定的水樣類型選擇存儲模塊中對應的水質指標預測模型進行待測水樣的水質指標值的獲取，若存儲模塊中沒有對應的水質指標預測模型，則將獲取的光源的光譜及待測水樣的對應光譜通過無線通訊模塊一發送出去，並接收且顯示從無線通訊模塊一發送來的水質指標值。

本例中，水質指標監測儀本體還能夠通過無線通訊模塊一發出請求，請求獲取水樣識別模型和/或某水樣類型對應的水質指標預測模型，且接收並存儲無線通訊模塊一轉發來的水樣類型判定方式和/或某水樣類型對應的水質指標預測模型。

這裡，水質指標預測模型可以為水質cod預測模型，獲取光源的光譜及待測水樣的對應光譜中，光源的光譜可以為光源的紫外可見光譜，待測水樣的對應光譜可以為待測水樣的紫外可見吸收光譜。

本例中的另一種水質指標監測儀，其系統框圖如圖2所示，由顯示模塊、光譜儀及無線通訊模塊一組成，顯示模塊、光譜儀分別與無線通訊模塊一連接。

其中，光譜儀用於獲取光源的光譜及待測水樣的對應光譜發送給無線通訊模塊一，由無線通訊模塊一轉發給與其連接的水質指標監測雲數據中心。

顯示模塊用於顯示無線通訊模塊一接收到的水質指標值。

無線通訊模塊一用於與水質指標監測雲數據中心連接，進行信息交互。

同理，獲取光源的光譜及待測水樣的對應光譜中，光源的光譜可以為光源的紫外可見光譜，待測水樣的對應光譜可以為待測水樣的紫外可見吸收光譜。

本例中的水質指標監測雲數據中心，其系統框圖參見圖3，包括水質指標資料庫、水樣識別資料庫、控制中心及無線通訊模塊二，水質指標資料庫、水樣識別資料庫及無線通訊模塊二分別與控制中心連接。

其中，水質指標資料庫存儲有各種樣本水樣的水樣類型對應的光譜數據及各種樣本水樣的水樣類型對應的水質指標預測模型。

水樣識別資料庫存儲有用於判定水樣類型的水樣識別模型。

無線通訊模塊二用於與水質指標監測儀連接，進行信息交互。

控制中心用於通過無線通訊模塊二接收與其連接的水質指標監測儀發送來的光源的光譜及待測水樣的對應光譜，採用存儲的水樣識別模型判定待測水樣的水樣類型，並根據所判定的水樣類型選擇水質指標資料庫中對應的水質指標預測模型進行待測水樣的水質指標值的獲取，並將獲取到的水質指標值通過無線通訊模塊二反饋給對應的水質指標監測儀。

本例中，控制中心還可以通過無線通訊模塊二接收與其連接的水質指標監測儀發出的請求，根據請求通過無線通訊模塊二向對應的水質指標監測儀發送所需的水樣識別模型和/或某水樣類型對應的水質指標預測模型。

控制中心在判定待測水樣的水樣類型時，若判定失敗則可以通過無線通訊模塊二通知對應的水質指標監測儀顯示報警信息，並同時通知工作人員，由工作人員現場獲取該待測水樣的光譜數據並採用其他方式獲得該待測水樣的水質指標值，存入水質指標監測儀，並上傳給控制中心，或直接上傳給控制中心，控制中心根據接收到的該待測水樣的光譜數據及該待測水樣的水質指標值，將其作為樣本水樣更新所存儲的水樣識別模型及水樣指標預測模型，且存儲該水樣的光譜數據。

本例中，水樣識別模型的建立方式為：首先採集不同水樣類型的樣本水樣的若干個光譜數據，並賦予樣本水樣的水樣類型，採用主成分分析方法(pca)提取樣本水樣的光譜數據特徵主成分，再通過機器學習方法(svm)建立水樣類型與樣本水樣的光譜數據特徵主成分之間的數學模型，作為水樣識別模型。水質指標監測儀中的水樣識別模型，也採用上述方式進行建立。

則判定待測水樣的水樣類型時，將其代入水樣識別模型中，通過待測水樣的光譜數據特徵主成分向量的空間位置與樣本水樣的光譜數據特徵主成分向量的空間位置進行比較，從而判斷待測水樣的水樣類型。

同樣的，水質指標預測模型可以為水質cod預測模型，而光源的光譜可以為光源的紫外可見光譜，待測水樣的對應光譜可以為待測水樣的紫外可見吸收光譜。

本例中的水質指標監測系統，其系統框圖參見圖4，包括上述水質指標監測雲數據中心及至少一個上述水質指標監測儀，每一個水質指標監測儀的無線通訊模塊一都分別與水質指標監測雲數據中心的無線通訊模塊二連接。

這裡，無線通訊模塊一和/或無線通訊模塊二還能夠與環保局監控中心連接，將各水質指標監測儀獲得的水質指標值發送至環保局監控中心。

本例的水質指標監測儀、雲數據中心及系統中，所採用的水樣識別方法為：

步驟1、以不同類型及不同濃度的若干水樣作為樣本水樣並進行測量，獲取各次測量時光源的光譜及各樣本水樣的對應光譜。

步驟2、根據各光源的光譜及各樣本水樣的對應光譜得到各水樣的吸光度譜。

步驟3、根據各水樣的吸光度譜構建水樣識別模型。

步驟4、測試時，獲取光源的光譜及待測水樣的對應光譜。

步驟5、根據光源的光譜與待測水樣的對應光譜構建待測水樣的吸光度譜。

步驟6、將待測水樣的吸光度譜代入到水樣識別模型中得到水樣識別結果。

在上述步驟2及步驟5中，待測水樣的吸光度譜與水樣的吸光度譜的獲取方法相同，其獲取方法可以為：

步驟201、將光源的光譜s和水樣的對應光譜s』分別按照一定的波長間隔△λ分割，獲得波長和光強的數組和其中，λi為第i個波長，i為正整數，為光源的光譜s中λi對應的光強，為水樣的對應光譜s』中λi對應的光強，n為吸光度譜中的波長個數，若構建的是待測水樣的對應度譜，則所述水樣的對應光譜s』為待測水樣的對應光譜，若構建的是水樣的對應度譜，則所述水樣的對應光譜s』為樣本水樣的對應光譜；

步驟202、根據比爾朗伯定律，逐個獲得波長λi處的吸光度數據其計算公式為：

步驟203、將所有波長λi對應的吸光度數據集合，獲得水樣的吸光度譜數據組從而得到水樣的吸光度譜，記為sa。

當獲取到水樣的吸光度譜後，步驟3可以包括以下具體步驟：

步驟301、使用水質指標監測儀以不同類型及不同濃度的若干水樣作為樣本水樣並進行測量，獲得若干個樣本水樣的吸光度譜sa和吸光度譜數組a；

步驟302、將若干個吸光度譜數組集合到一起，獲得樣本水樣的吸光度譜數據矩陣a＝[a1,a2,…,ak]t，其中am為樣本水樣m的吸光度譜數據，m＝1,2,…,k，k為樣本水樣總數量；每個吸光度譜包含了n個波長的水樣吸光度數據i＝1,2,…,n；

步驟303、給每個樣本水樣賦予相應的水樣標籤號lθ，θ＝1,2,…，每一個標籤號對應一種類型的水樣，該標籤號lθ為正整數，構建樣本水樣的標籤號數據矩陣為l＝[l1,l2,…,lk]t；

步驟304、提取水樣吸光度譜數據的特徵成分，採用主成分分析方法提取水樣吸光度譜數據矩陣a的特徵主成分，獲得特徵主成分的係數矩陣p＝[p1,p2,…,pj]t，其中p為j×n的矩陣，pi為水樣吸光度譜第i個特徵主成分的係數，pi為1×n的向量，j為水樣吸光度譜的特徵主成分數量；

步驟305、獲取水樣的特徵主成份向量，將樣本水樣m的吸光度譜數據與特徵主成分係數矩陣p相乘，得到該樣本水樣吸光度譜的特徵主成分向量tm，即其中，tm1,tm2,…,tmj分別為樣本水樣m吸光度譜的第1,2,…,j個特徵主成分，構建樣本水樣的特徵主成份數據矩陣t，即t＝[t1,t2,…,tm]t，t為m×j的矩陣；

步驟306、通過機器學習的方法建立水樣類型識別數學模型，採用機器學習方法中的最小二乘支持向量機的方法，構建水樣吸光度譜特徵主成分向量tm與對應的水樣類型標籤號lm關係模型，將t作為輸入量，l作為輸出量，經最小二乘支持向量機訓練後即可獲得水樣識別模型lm＝fr(tm)。

由此，步驟6可以包括以下步驟：

步驟601、設標籤號為lθ的樣本水樣特徵主成分向量所在的空間是在以位置xθ＝[xθ1,xθ2,…,xθj]為中心，半徑為rθ的區域內；

步驟602、當獲取待測水樣x的吸光度譜ax後，將其同特徵主成分係數p的轉置相乘便得到水樣吸光度譜的特徵主成分向量tx＝[tx1,tx2,…,txj]，然後求解tx與xθ的空間距離d，當d＞rθ時，就認為該待測水樣不屬於該lθ樣本水樣類型，否則，當d≤rθ時，就認為該水樣同樣本水樣為同一類型。

本例的水質指標監測儀、雲數據中心及系統中，所採用的水質指標預測方法為：

a、採集某一水樣類型的不同水質指標濃度的若干水樣作為樣本水樣進行測量，獲取各次測量時光源的光譜及各樣本水樣的對應光譜，同時採用化學方法獲得每一個樣本水樣的所需水質指標；這裡，採集某一水樣類型的不同水質指標濃度的若干水樣作為樣本水樣中，樣本水樣的數量一般不低於5個；

b、根據各光源的光譜及各樣本水樣的對應光譜得到各水樣的吸光度譜；

c、根據各水樣的吸光度譜及對應樣本水樣的所需水質指標構建水質指標預測模型；

d、預測時，獲取光源的光譜及待測水樣的對應光譜；

f、根據光源的光譜與待測水樣的對應光譜構建待測水樣的吸光度譜；

g、將待測水樣的吸光度譜代入到水質指標預測模型中得到水質指標預測結果。

這裡，步驟a中，若樣本水樣的所需水質指標為樣本水樣的cod值，則步驟c中，水質指標預測模型為某一水樣類型的水樣cod預測模型。

由此，在步驟b及步驟f中，待測水樣的吸光度譜與水樣的吸光度譜的獲取方法相同，其獲取方法可以與上述水樣識別方法中相同，以減輕系統負擔，則可同樣為：

步驟b1、將光源的光譜s和水樣的對應光譜s』分別按照一定的波長間隔△λ分割，獲得波長和光強的數組和其中，λi為第i個波長，i為正整數，為光源的光譜s中λi對應的光強，為水樣的對應光譜s』中λi對應的光強，n為吸光度譜中的波長個數，若構建的是待測水樣的對應度譜，則所述水樣的對應光譜s』為待測水樣的對應光譜，若構建的是水樣的對應度譜，則所述水樣的對應光譜s』為樣本水樣的對應光譜；

步驟b2、根據比爾朗伯定律，逐個獲得波長λi處的吸光度數據其計算公式為：

步驟b3、將所有波長λi對應的吸光度數據集合，獲得水樣的吸光度譜數據組從而得到水樣的吸光度譜，記為sa。

而步驟c則可以包括以下步驟：

步驟c1、根據獲得的若干個樣本水樣的吸光度譜sa、吸光度譜數組a及對應的cod值ci組成的數據矩陣c＝[c1,c2,…,ck]t採用主成分分析方法提取水樣吸光度譜數據矩陣a的特徵主成分，獲得特徵主成分的係數矩陣p；

步驟c2、將每一個樣本水樣的吸光度譜數組a同特徵主成分的係數矩陣p相乘獲得其特徵主元數組ty；

步驟c3、採用最小二乘支持向量機的方法，將ty＝[ty1,ty2,…,tyj]作為輸入量，cy作為輸出量，進行多元非線性擬合，獲得水樣類型為lθ的水樣cod預測模型cm＝fθ(tm)。

下面以監測水質化學需氧量(cod)指標為例，進行詳細說明：

第一步，構建光譜cod監測儀(水質指標監測儀)，它由硬體系統和軟體系統兩部分組成。硬體系統主要包括紫外可見光譜儀(光譜儀)，以及水樣採集、電路系統、工業平板電腦(處理顯示模塊)與4g信號收發模塊(無線通訊模塊一)等硬體組成，用於獲取測量待測水樣的紫外可見光譜數據；軟體系統是基於vc++平臺開發的mfc應用程式，主要由儀控軟體、光譜數據處理軟體、水樣識別模型軟體、cod機器預測模型軟體等組成。軟體系統與sql資料庫連接，構建儀器光譜庫(存儲模塊)。軟體系統用於對儀器運行的自動控制，用於對硬體獲取的水樣光譜數據進行處理和存儲。光譜cod監測儀測量得到的cod值可通過4g通信網絡與網際網路直接發送到環保局監控中心的web伺服器中，或將cod值及相關數據發送至雲cod數據中心。

第二步，組建雲cod數據中心(水質指標監測雲數據中心)。它包括水質指標資料庫、水樣識別資料庫、控制中心及無線通訊模塊二等，具體為計算機伺服器、網絡設備如網絡光纖、交換機等硬體組成。雲cod數據中心的水質指標資料庫及水樣識別資料庫用於存儲海量的水樣光譜數據、水樣類型標籤數據(對應水樣類型)和水樣cod值等數據。雲cod數據中心的軟體系統是基於unix作業系統的vc++語言編寫，並利用sql資料庫平臺構建水質指標資料庫及水樣識別資料庫。

第三步，組建基於光譜cod監測儀與雲cod數據中心的水質cod在線自動監測物聯網。從組成和結構上分為三個層次，即設備層、數據傳輸層和遠程監控層。其中，設備層由分別安裝在不同監測地點的若干光譜cod監測儀組成，用於獲取水樣的紫外可見光譜數據；數據傳輸層主要負責光譜cod監測儀與遠程監控層的伺服器通信。本實施例中數據傳輸層可採用4g無線網絡與internet，按照tcp/ip協議傳遞監測數據，實現光譜cod監測儀與遠程監控層伺服器數據的交互；遠程監控層的伺服器為雲cod數據中心。

第一步中的光譜cod監測儀，除了直接採集水樣的吸收光譜s』，同時還採集光源光譜s，通過光源光譜s與水樣的吸收光譜s』構建水樣的吸光度譜。水樣吸光度譜的構建方法為：

步驟1：首先，將光源光譜s和水樣的透射光譜s』分別按照一定的波長間隔△λ分割，獲得波長和光強的數組和其中，λi為第i個波長，i為正整數，為光源的光譜s中λi對應的光強，為水樣的對應光譜s』中λi對應的光強，n為吸光度譜中的波長個數；

步驟2：然後，根據比爾朗伯定律，逐個獲得波長λi處的吸光度數據

步驟3：將所有波長λi對應的吸光度數據集合，即可獲得待測水樣的吸光度譜數據組從而得到水樣的吸光度譜sa，這裡，吸光度譜數據組a是一組同波長對應的吸光度數據構成的，而吸光度譜sa一般為一條曲線。

水樣的吸光度與水樣的摩爾吸光係數、光程以及溶液的吸光物質濃度有關，但與入射光的強度無關。由於採用實時監測的光源光譜作為入射光譜，可減小光源的不穩定性所造成的測量誤差。另外，採用吸光度譜構建cod的預測模型(水質指標預測模型)，可消除不同儀器光源光強不一致和光源穩定性差異引起的測量誤差。另外，輔以對光譜儀波長的標定、對測量池光程的精確控制，可實現測量數據的標準化，即任意兩臺光譜儀對同一水樣測量獲得的吸光度譜是一致的。

第一步中的水樣識別模型軟體用於判斷待測水樣的水樣類型，它是這樣建立和工作的：

步驟1：首先，使用光譜cod監測儀以不同類型、不同濃度的若干水樣作為樣本水樣並進行測量。如選用e地f城市生活汙水處理廠不同時段排放的汙水，g地h廠不同時段排放的電鍍廢水為樣本水樣，同一類型水樣的樣本水樣數量一般不少於5個。這樣可以獲得若干個水樣的吸光度譜sa和吸光度譜數組a；

步驟2：將若干個吸光度譜數組集合到一起，獲得樣本水樣的吸光度譜數據矩陣a＝[a1,a2,…,ak]t，其中am為水樣m的吸光度譜數據，m＝1,2,…,k，k為樣本水樣總數量；每個吸光度譜包含了n個波長的水樣吸光度i＝1,2,…,n；

步驟3：給每個樣本水樣賦予相應的水樣標籤號lθ，θ＝1,2,…，每一個標籤號對應一種類型的水樣，該標籤號lθ為1至若干的任意阿拉伯數字，其含義可人為定義。如e地f廠的城市生活汙水賦予標籤號1、g地h廠的電鍍廢水賦予標籤號1280等，這樣就可以構建樣本水樣的標籤號數據矩陣為l＝[l1,l2,…,lk]t；

步驟4：然後，提取水樣吸光度譜數據的特徵成分。

採用主成分分析方法(pca)提取水樣吸光度譜數據矩陣a的特徵主成分，獲得特徵主成分的係數矩陣p＝[p1,p2,…,pj]t，其中p為j×n的矩陣，pi為水樣吸光度譜第i個特徵主成分的係數，pi為1×n的向量。j為水樣吸光度譜的特徵主成分數量；

步驟5：獲取水樣的特徵主成份向量。

將樣本水樣m的吸光度譜數據與特徵主成分係數矩陣p相乘，則可得到該樣本水樣吸光度譜的特徵主成分向量tm，即其中，tm1,tm2,…,tmj分別為樣本水樣m吸光度譜的第1,2,…,j個特徵主成分。依此，可構建樣本水樣的特徵主成份數據矩陣t，即t＝[t1,t2,…,tm]t，t為m×j的矩陣；

步驟6：通過機器學習的方法建立水樣類型識別數學模型。

採用機器學習方法(svm)中的最小二乘支持向量機(ls-svm)的方法，構建水樣吸光度譜特徵主成分向量tm與對應的水樣類型標籤號lm關係模型。將t作為輸入量，l作為輸出量，經ls-svm訓練後即可獲得水樣識別模型lm＝fr(tm)；

步驟7：水樣類型識別

本實施例中，標籤號為lθ的樣本水樣特徵主成分向量所在的空間是在以位置xθ＝[xθ1,xθ2,…,xθj]為中心，半徑為rθ的區域內。當光譜cod監測儀獲取待測未知水樣x的吸光度譜ax後，將其同特徵主成分係數p的轉置相乘便得到水樣吸光度譜的特徵主成分向量tx＝[tx1,tx2,…,txj]，然後求解tx與xθ的空間距離d，當d＞rθ時，就認為該待測水樣不屬於該lθ樣本水樣類型，否則，當d≤rθ時，就認為該水樣同樣本水樣為同一類型。當然，rθ的值往往需要根據實際水樣類型的判別結果進行調整，以獲得最佳的水樣類型判別效果。

水樣類型的識別由水樣識別模型軟體承擔。

第一步中的cod機器預測模型用於預測待測水樣的cod值，它是這樣建立的：

步驟1：首先，使用光譜cod監測儀獲取e地f城市生活汙水處理廠lθ類型汙水(即某一水樣類型)的不同濃度的若干水樣作為樣本水樣並進行測量，樣本水樣數量不低於5個；然後，通過重鉻酸鉀氧化法獲得每一個水樣的cod值。這樣可以獲得若干個樣本水樣的吸光度譜sa、吸光度譜數組a，以及對應的cod值ci組成的數據矩陣c＝[c1,c2,…,ck]t；

步驟2：然後採用主成分分析方法(pca)提取水樣吸光度譜數據矩陣a的特徵主成分，獲得特徵主成分的係數矩陣p。

步驟3：將每一個樣本水樣的吸光度譜數組a同特徵主成分的係數矩陣p相乘獲得其特徵主元數組ty；

步驟4：採用ls-svm的方法，將ty＝[ty1,ty2,…,tyj]作為輸入量，cy作為輸出量，進行多元非線性擬合，獲得水樣類型為lθ的水樣cod預測模型cy＝fθ(ty)，即是光譜cod監測儀在e地f城市生活汙水處理廠cod機器預測模型(水質指標預測模型)。

依據水樣的吸光度譜數據預測水樣cod測量值，以及水樣cod測量值機器預測模型的自動建立由cod機器預測模型軟體承擔。

第一步中的光譜cod監測儀，它採用如下步驟實施對水樣cod指標的在線自動監測：

步驟1：首先測量待測水樣，同時獲取其光源光譜s和水樣的透射光譜s』；

步驟2：然後，由光譜數據處理軟體處理光源光譜s和水樣的吸收光譜s』獲得該待測水樣的吸光度譜sa；

步驟4：再將待測水樣的吸光度譜sa輸入水樣識別模型lm＝fr(tm)識別待測水樣類型；

步驟5：當待測水樣類型是光譜cod監測儀已知水樣類型時，則由光譜cod監測儀中的cod預測模型cy＝fθ(ty)預測待測水樣的cod值；

步驟6：當待測水樣類型不是光譜cod監測儀已知水樣類型時，則將待測水樣的吸光度譜傳送至雲cod數據中心，交由雲cod數據中心處理。

第二步中的雲cod數據中心在接收到監測現場光譜cod監測儀傳送來的待測水樣的吸光度譜數據後，按下列步驟實施cod監測：

步驟1：先由水樣識別模型軟體中的lm＝fr(tm)確定待測水樣類型lθ；

步驟2：依據獲得的水樣類型lθ，在水質指標資料庫搜索獲得相應的cod機器預測模型cy＝fθ(ty)，然後由該cy＝fθ(ty)預測待測水樣的cod測量值；

步驟3：將待測水樣的cod測量值數據傳送至監測現場的光譜cod監測儀；

步驟4：當水樣識別模型識別該待測水樣為陌生類型(即識別失敗)時，雲cod數據中心立即通知現場光譜cod監測儀報警，並通知工作人員趕赴監測現場；

步驟6：工作人員在監測現場獲取類似水樣的吸光度譜數據和採用重鉻酸鉀氧化法測量獲得該水樣的cod值，並存入監測現場的光譜cod監測儀和傳送至遠端的雲cod數據中心；

步驟7：然後，光譜cod監測儀和雲cod數據中心自動優化其水樣識別模型和cod機器預測模型，繼續開展cod在線自動監測。

除了所述的現場光譜cod監測儀、工作人員在監測現場給雲cod數據中心補充水樣光譜數據外，也可以依需要，採取其他方式主動給雲cod數據中心補充水樣光譜和cod數據，以豐富雲cod數據中心的水樣光譜數據，更好地滿足光譜cod監測儀現場監測的需要。

儘管本發明的內容已經通過上述優選的實施方案作了詳細介紹，但應當認識到上述介紹不應被認為是對本發明的限制。當具有專業知識和技能的人員在閱讀了上述內容後，對本發明的多種修改、代替和規避都將是顯而易見的。因此，本發明的保護範圍應由所附的權利要求來限定。