本發(fā)明涉及污水檢測，具體涉及基于物聯(lián)網(wǎng)的污水檢測分析方法。
背景技術：
1、污水檢測分析是指通過各種物理、化學和生物方法對污水中的成分、污染物以及其濃度進行檢測和分析的過程。其目的是評估污水的質(zhì)量，了解其中是否含有有害物質(zhì)，如有機物、重金屬、細菌等，以及這些污染物對環(huán)境和公共健康可能造成的影響。污水檢測分析不僅能夠幫助政府和企業(yè)制定污染治理措施，還能夠為污水處理技術的改進提供依據(jù)，從而確保污水排放符合環(huán)境保護的標準。
2、現(xiàn)有技術存在以下不足之處：
3、現(xiàn)有技術中，通過運用大數(shù)據(jù)分析技術、機器學習和人工智能算法，對污水檢測數(shù)據(jù)進行深入分析，識別出污水中的主要污染物，并預測污染物的變化趨勢。然而，盡管機器學習算法可以通過歷史數(shù)據(jù)預測污染物濃度，但在面對具有強時空變化的污染物時，模型可能無法有效捕捉這種復雜的時空依賴性。例如，某些污染物在夜間可能由于溫度下降和生物降解作用濃度變化較慢，而白天則因工業(yè)活動增加而迅速升高。傳統(tǒng)的模型可能無法很好地捕捉這種動態(tài)變化，導致污染物濃度的預測偏差較大，進而影響污水處理的實時調(diào)整和優(yōu)化。
技術實現(xiàn)思路
1、本發(fā)明的目的是提供一種基于物聯(lián)網(wǎng)的污水檢測分析方法，以解決背景技術中不足。
2、為了實現(xiàn)上述目的，本發(fā)明提供如下技術方案：基于物聯(lián)網(wǎng)的污水檢測分析方法，包括：
3、在污水處理系統(tǒng)的關鍵位置部署多種傳感器，實時采集污水中污染物濃度及環(huán)境數(shù)據(jù)，并通過無線通信技術將數(shù)據(jù)實時傳輸至云平臺；
4、所述云平臺對采集到的原始數(shù)據(jù)進行預處理和特征工程，包括提取日夜變化的污染物濃度差異特征以及污染物間的相互作用特征；
5、對污染物濃度差異特征和相互作用特征進行綜合分析，評估傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性；
6、根據(jù)評估結果，劃分捕捉準確性等級，包括準確性捕捉、不完全準確性捕捉和不準確性捕捉，并通過異常檢測算法優(yōu)化不完全準確性捕捉傳統(tǒng)機器學習模型的性能；
7、基于優(yōu)化后的傳統(tǒng)機器學習模型，對污水中的污染物濃度進行預測。
8、優(yōu)選的，所述傳感器包括：化學需氧量傳感器、氨氮傳感器、重金屬傳感器、ph值傳感器、溶解氧傳感器以及溫度、濕度傳感器；關鍵位置包括進水口、排放口、不同處理池以及出水口。
9、優(yōu)選的，對提取出的日夜變化的污染物濃度差異特征中的濃度變化率進行分析后生成濃度變化率波動值，生成方法為：
10、計算濃度變化率，表示白天與夜間某污染物平均濃度的相對變化，用公式表達為：；為白天時間段的污染物平均濃度，為夜間時間段的污染物平均濃度；?為極小值常量；
11、將連續(xù)監(jiān)測時間劃分為n個連續(xù)自然日，每日提取一個濃度變化率?，其中，i=1,2,...,n；采用簡化波動模型，定義濃度變化率波動值為n天內(nèi)變化率的歸一化平均偏差，公式為：；為濃度變化率波動值。
12、優(yōu)選的，對提取出的污染物間的相互作用特征中的比值項進行分析后生成污染物間相對比例異常值，生成方法為：
13、設定監(jiān)測?m個比值特征，設有s條歷史數(shù)據(jù)樣本，構成一個s×m?的特征矩陣x，其中每行是第i條數(shù)據(jù)的比值向量；
14、計算比值向量的總體均值與協(xié)方差矩陣，均值向量：；協(xié)方差矩陣σ：；t為矩陣轉置，對于任意一個新的污染物比值樣本向量，其馬氏距離計算公式為：；設置異常判定閾值w，若>w，則樣本為比例異常點，記為污染物間相對比例異常值。
15、優(yōu)選的，將濃度變化率波動值和污染物間相對比例異常值轉換為綜合特征向量，將綜合特征向量作為機器學習模型的輸入，機器學習模型以每組綜合特征向量預測傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值標簽為預測目標，以最小化對所有傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值標簽的預測誤差之和作為訓練目標，對機器學習模型進行訓練，直至預測誤差之和達到收斂時停止模型訓練，根據(jù)模型輸出結果確定傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值，其中，機器學習模型為多項式回歸模型。
16、優(yōu)選的，將獲取到的傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值與梯度準確性閾值進行比較，梯度準確性閾值包括第一準確性閾值和第二準確性閾值，且第一準確性閾值小于第二準確性閾值，將傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值分別與第一準確性閾值和第二準確性閾值進行對比；
17、若傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值大于第二準確性閾值，將其標記為準確性捕捉，可直接用于預測；
18、若傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值大于等于第一準確性閾值且小于等于第二準確性閾值，將其標記為不完全準確性捕捉，對傳統(tǒng)機器學習模型進行優(yōu)化；
19、若傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值小于第一準確性閾值，將其標記為不準確性捕捉，不使用預測結果。
20、優(yōu)選的，提取傳統(tǒng)機器學習模型準確性介于第一準確性閾值與第二準確性閾值之間的樣本，形成待優(yōu)化樣本集，其中包含濃度變化率波動值和污染物間相對比例異常值兩個特征維度；
21、使用訓練ocsvm模型：
22、采用?rbf核，指定異常樣本比例ν=0.05，即最多允許5%的樣本為異常；輸入維度為：；
23、使用訓練好的ocsvm模型對中的樣本進行分類，輸出標簽：；
24、構造優(yōu)化后的樣本集：；
25、在剔除異常點后的上重新評估傳統(tǒng)機器學習模型對污染物濃度的動態(tài)捕捉性能：
26、計算誤差評分，如果誤差降低，說明ocsvm?有效剔除噪聲樣本；
27、若優(yōu)化后樣本的捕捉準確性值大于第二準確性閾值，則將傳統(tǒng)模型由不完全準確上調(diào)為準確；
28、若僅稍有提升但仍處于第一準確性閾值與第二準確性閾值之間，則保留為待輔助優(yōu)化狀態(tài)。
29、在上述技術方案中，本發(fā)明提供的技術效果和優(yōu)點：
30、1、本發(fā)明通過在污水處理系統(tǒng)的關鍵位置部署多種類型的傳感器，結合無線通信與云平臺數(shù)據(jù)處理，實現(xiàn)對污染物濃度和環(huán)境參數(shù)的實時采集與高效分析。借助特征工程技術，系統(tǒng)提取了污染物在日夜周期中的濃度變化差異及污染物間的相互作用特征，進而構建濃度變化率波動值與相對比例異常值，并融合為綜合特征向量，用于評估傳統(tǒng)機器學習模型在處理污染物濃度時空動態(tài)變化中的準確性表現(xiàn)。
31、2、本發(fā)明通過引入基于多項式回歸的模型評估機制與?ocsvm?異常檢測優(yōu)化策略，本發(fā)明能夠對傳統(tǒng)模型的準確性進行分級判斷與自適應優(yōu)化，從而提升模型對復雜污染行為的識別與預測能力。該方法不僅提高了模型在動態(tài)環(huán)境下的穩(wěn)定性和預測精度，還增強了污水處理系統(tǒng)的智能化調(diào)控能力，為實現(xiàn)精準、高效、可解釋的污水質(zhì)量預測與管理提供了新型技術路徑。
1.基于物聯(lián)網(wǎng)的污水檢測分析方法，其特征在于：包括：
2.根據(jù)權利要求1所述的基于物聯(lián)網(wǎng)的污水檢測分析方法，其特征在于：所述傳感器包括：化學需氧量傳感器、氨氮傳感器、重金屬傳感器、ph值傳感器、溶解氧傳感器以及溫度、濕度傳感器；關鍵位置包括進水口、排放口、不同處理池以及出水口。
3.根據(jù)權利要求1所述的基于物聯(lián)網(wǎng)的污水檢測分析方法，其特征在于：對提取出的日夜變化的污染物濃度差異特征中的濃度變化率進行分析后生成濃度變化率波動值，生成方法為：
4.根據(jù)權利要求3所述的基于物聯(lián)網(wǎng)的污水檢測分析方法，其特征在于：將濃度變化率波動值和污染物間相對比例異常值轉換為綜合特征向量，將綜合特征向量作為機器學習模型的輸入，機器學習模型以每組綜合特征向量預測傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值標簽為預測目標，以最小化對所有傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值標簽的預測誤差之和作為訓練目標，對機器學習模型進行訓練，直至預測誤差之和達到收斂時停止模型訓練，根據(jù)模型輸出結果確定傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值，其中，機器學習模型為多項式回歸模型。
5.根據(jù)權利要求4所述的基于物聯(lián)網(wǎng)的污水檢測分析方法，其特征在于：將獲取到的傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值與梯度準確性閾值進行比較，梯度準確性閾值包括第一準確性閾值和第二準確性閾值，且第一準確性閾值小于第二準確性閾值，將傳統(tǒng)機器學習模型對污染物濃度在時空維度上動態(tài)變化的捕捉準確性值分別與第一準確性閾值和第二準確性閾值進行對比；
6.根據(jù)權利要求5所述的基于物聯(lián)網(wǎng)的污水檢測分析方法，其特征在于：提取傳統(tǒng)機器學習模型準確性介于第一準確性閾值與第二準確性閾值之間的樣本，形成待優(yōu)化樣本集，其中包含濃度變化率波動值和污染物間相對比例異常值兩個特征維度；