技术领域
[0001] 本实用新型涉及检测仪表相关领域，具体是一种污水处理智能在线监测仪表。
相关背景技术
[0002] 随着工业技术的发展，水质型缺水问题也愈发严峻，因此实现污水处理系统关键指标的实时监测就显得尤为重要，通过对关键指标的检测可反映出污水处理系统的性能和出水质量；COD作为污水处理厂的关键指标，若被过量排入受纳水体，将会导致严重的水污染事故，其造成的损失更是不可估计；污水处理过程中会产生大量的温室气体（CO2、CH4和N2O），近年来，随着“碳达峰，碳中和”双碳战略的提出，污水厂节能减排工作进一步推进，在满足出水水质达标排放的前提下，减少温室气体的排放，是当前污水处理行业的一个重要工作；要实现温室气体的减排，首要的就是对污水处理过程中排放的温室气体进行实时监测；因此，对污水处理厂出水COD和CH4产气量进行在线监测成为污水处理的一个关键工作。
[0003] 现有装置要实现CH4和COD的在线监测，污水厂通常都会采用一些精密仪器来进行测量，常用的精密仪器有COD在线监测仪以及甲烷在线检测仪，尽管这些仪器灵敏度高，能精准测量水样的浓度，但这些检测仪的价格和后期的维护费用较高，而且测量过程非常耗时，远远不能满足实时测量出COD浓度和CH4产气量的需要。实用新型内容
[0004] 因此，为了解决上述不足，本实用新型在此提供一种污水处理智能在线监测仪表。
[0005] 本实用新型是这样实现的，构造一种污水处理智能在线监测仪表，该装置包括操作显示装置和设置在操作显示装置下方的污水管道，所述污水管道左右两侧均焊接有安装侧板，所述安装侧板左右两侧分别管道安装有外接管道，其特征在于：还包括安装在操作显示装置后端底侧的中央处理装置和插接在中央处理装置底部的USB接线以及安装在污水管道顶部的水质参数测量模块，所述水质参数测量模块包括焊接在操作显示装置顶部起到防护作用的防护壳体，所述防护壳体顶部螺栓安装有有机负荷率OLR计算模块和螺栓安装在防护壳体内部的COD检测仪以及螺纹安装在防护壳体内部的水力停留时间HRT检测仪，所述防护壳体内部安装有碱度测定仪和螺栓安装在防护壳体内部的pH测定仪以及螺纹安装在防护壳体内部的CH检测仪，所述防护壳体后端固定安装有USB接线，所述污水管道左端管道安装有起到计量作用的流量计，所述流量计、COD检测仪、水力停留时间HRT检测仪、碱度测定仪、pH测定仪和CH检测仪以及有机负荷率OLR计算模块均与操作显示装置电连接。
[0006] 优选的，所述本仪表由硬件部分和软件部分两部分组合构成，硬件部分包括操作显示装置、中央处理装置、USB接线、水质参数测量模块和污水管道和安装侧板以及外接管道组成，软件部分为基于TPE‑CNN‑BiNLSTM‑Attention‑SVR网络的污水厂出水COD浓度和CH产气量预测模型。
[0007] 优选的，所述CNN‑BiNLSTM‑Attention‑SVR模型包含有输入层、卷积层、池化层、卷积层、池化层、BiNLSTM层、注意力层和SVR层以及输出层。
[0008] 优选的，所述USB接线内部接线光纤分别与流量计、COD检测仪、水力停留时间HRT检测仪、碱度测定仪、pH测定仪和CH检测仪以及有机负荷率OLR计算模块呈单程电缆连接。
[0009] 优选的，所述防护壳体内部的COD检测仪、水力停留时间HRT检测仪、碱度测定仪和pH测定仪以及CH检测仪呈自左向右等距分布。
[0010] 优选的，所述COD检测仪和水力停留时间HRT检测仪之间的间距为5厘米，且防护壳体后侧壁设有起到散热作用的开口槽。
[0011] 优选的，所述COD检测仪、水力停留时间HRT检测仪、碱度测定仪和pH测定仪以及CH检测仪与污水管道顶部通槽连接处均设有起到密封作用的密封垫圈。
[0012] 优选的，所述碱度测定仪和流量计可以集成固定在pH测定仪底侧的pH电极中。
[0013] 优选的，所述USB接线的输出端电极连接中央处理装置的输入端，所述中央处理装置的输出端电极连接操作显示装置的输入端。
[0014] 本实用新型具有如下优点：本实用新型通过改进在此提供一种污水处理智能在线监测仪表，与同类型设备相比，具有如下改进：
[0015] 本实用新型所述一种污水处理智能在线监测仪表，通过设置了中央处理装置和USB接线在操作显示装置后端，通过USB接线的数据传输和中央处理装置的数据高速处理功效而对污水处理进行高效监测效果。
[0016] 本实用新型所述一种污水处理智能在线监测仪表，通过设置了水质参数测量模块在污水管道顶部，通过防护壳体为COD检测仪等部件提供防护效果，并在流量计的限流作用下通过COD检测仪、水力停留时间HRT检测仪、碱度测定仪和pH测定仪以及CH检测仪对污水进行参数采集，并通过有机负荷率OLR计算模块进行数据计算，有利于满足实时且高效准确地对COD浓度和CH产气量进行监测。
具体实施方式
[0025] 下面将结合附图1‑7对本实用新型进行详细说明，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。
[0026] 请参阅图1，本实用新型的一种污水处理智能在线监测仪表，包括操作显示装置1和设置在操作显示装置1下方的污水管道5，污水管道5左右两侧均焊接有安装侧板6，安装侧板6左右两侧分别管道安装有外接管道7。
[0027] 请参阅图2、图3和图4，本实用新型的一种污水处理智能在线监测仪表，还包括安装在操作显示装置1后端底侧的中央处理装置2和插接在中央处理装置2底部的USB接线3以及安装在污水管道5顶部的水质参数测量模块4，水质参数测量模块4包括焊接在操作显示装置1顶部起到防护作用的防护壳体41，防护壳体41顶部螺栓安装有有机负荷率OLR计算模块48和螺栓安装在防护壳体41内部的COD检测仪43以及螺纹安装在防护壳体41内部的水力停留时间HRT检测仪44，防护壳体41内部安装有碱度测定仪45和螺栓安装在防护壳体41内部的pH测定仪46以及螺纹安装在防护壳体41内部的CH4检测仪47，通过防护壳体41为COD检测仪43、水力停留时间HRT检测仪44、碱度测定仪45、pH测定仪46和CH4检测仪47提供防护效果，防护壳体41后端固定安装有USB接线3，污水管道5左端管道安装有起到计量作用的流量计42，流量计42、COD检测仪43、水力停留时间HRT检测仪44、碱度测定仪45、pH测定仪46和CH4检测仪47以及有机负荷率OLR计算模块48均与操作显示装置1电连接，为流量计42、COD检测仪43、水力停留时间HRT检测仪44、碱度测定仪45、pH测定仪46和CH4检测仪47以及有机负荷率OLR计算模块48提供电能，USB接线3内部接线光纤分别与流量计42、COD检测仪43、水力停留时间HRT检测仪44、碱度测定仪45、pH测定仪46和CH4检测仪47以及有机负荷率OLR计算模块48呈单程电缆连接，提高USB接线3的数据传输效果，防护壳体41内部的COD检测仪43、水力停留时间HRT检测仪44、碱度测定仪45和pH测定仪46以及CH4检测仪47呈自左向右等距分布，COD检测仪43和水力停留时间HRT检测仪44之间的间距为5厘米，且防护壳体41后侧壁设有起到散热作用的开口槽，提高COD检测仪43和水力停留时间HRT检测仪44等部件的散热效果，COD检测仪43、水力停留时间HRT检测仪44、碱度测定仪45和pH测定仪46以及CH4检测仪47与污水管道5顶部通槽连接处均设有起到密封作用的密封垫圈，通过密封垫圈提供密封效果，碱度测定仪45和流量计42可以集成固定在pH测定仪46底侧的pH电极中，USB接线3的输出端电极连接中央处理装置2的输入端，中央处理装置2的输出端电极连接操作显示装置1的输入端；
[0028] 本仪表由硬件部分和软件部分两部分组合构成，硬件部分包括操作显示装置1、中央处理装置2、USB接线3、水质参数测量模块4和污水管道5和安装侧板6以及外接管道7组成，软件部分为基于TPE‑CNN‑BiNLSTM‑Attention‑SVR网络的污水厂出水COD浓度和CH4产气量预测模型，CNN‑BiNLSTM‑Attention‑SVR模型包含有输入层、卷积层、池化层、卷积层、池化层、BiNLSTM层、注意力层和SVR层以及输出层，其具体结构如下：
[0029] 第一层为输入层，将训练数据导入并传递给网络的下一层，输入自变量表示为：
[0030] ，
[0031] 其中， 为第n个输入自变量；
[0032] 第二层为卷积层，此卷积层记为第一卷积层，输入预处理后的水质参数数据，并使用卷积运算生成特征矩阵，经过第一卷积层后的输出表示为：
[0033]
[0034] 其中，conv函数是CNN网络中的卷积操作。 QUOTE 和 QUOTE 是卷积过程中的输入和输出，其中l是水质参数序列的长度，i和j代表卷积过程中的处理位置。 QUOTE 是卷积层的权重， QUOTE 是卷积层的偏置。
[0035]
[0036] 其中， QUOTE 和 QUOTE 分别为激活函数的输入和输出， QUOTE 为非线性激活函数Relu；
[0037] 第三层为池化层，对获得的特征矩阵进行池化操作：
[0038]
[0039] 其中, QUOTE 池化函数代表池化操作， QUOTE 代表池化层后的输出；
[0040] 第四层为第二卷积层，卷积过程与第一卷积层相同，CNN网络卷积运算后的特征向量被送入后续的BiNLSTM网络层，进行时间序列的特征提取；
[0041] 第五层为BiNLSTM网络层，作为LSTM模型的扩展，NestedLSTM通过嵌套而不是堆叠来提高模型的深度。NestedLSTM的内部计算存储单元可以形成内部存储器，其他计算元素可通过外部存储单元直接访问内部存储器，以这种方式实现时间层级。NestedLSTM模型的深度可以不断扩展，内部LSTM可以再次使用嵌套来增加LSTM模型的深度。NestedLSTM模型训练过程中前向传播的具体计算过程如下。
[0042]
[0043]
[0044]
[0045]
[0046]
[0047]
[0048]
[0049]
[0050]
[0051]
[0052]
[0053]
[0054] 上述公式中， QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 分别表示t时刻内部LSTM单元的输出、输入、输入门、遗忘门、单元状态、输出门； QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 分别表示t时刻外部LSTM单元的输出、输入、输入门、遗忘门、单元状态、输出门； QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 表示Sigmoid函数；
QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 为tanh函数； QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、
QUOTE 、 QUOTE 为内部LSTM的权重矩阵； QUOTE 、 QUOTE
、 QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 、
QUOTE 为外部LSTM的权重矩阵； QUOTE 、 QUOTE 、 QUOTE 、 QUOTE
为内部LSTM的偏置项； QUOTE 、 QUOTE 、 QUOTE 、 QUOTE 为外部LSTM的偏置项；⊙是矩阵元素逐点相乘的操作。
[0055] BiNLSTM在Nested模型的基础上增加了反向层，通过拼接前向和后向隐含层向量，充分考虑上下部分信息，提高了时间序列的预测效果。在前向层中，从时刻l到时刻t进行前向计算，得到并保存前向隐含层在每个时间段的输出。在反向层中，从时刻t到时刻l进行反向计算，得到并保存反向隐含层在每个时刻的输出。最后在每个时刻将前向层和反向层中相应时刻的输出结合起来得到最终输出。其数学表达式如下：
[0056]
[0057]
[0058]
[0059] 第六层为注意力层，注意力层根据不同的目标值为不同的信号段生成权重系数，并以加权平均值的形式组合来自不同信号段的信息，使重要的参数具有较大的权重，从而使回归预测模型具有更好的泛化性能，经过注意力层的输出表示为：
[0060]
[0061]
[0062]
[0063] 式中： QUOTE 表示第t个特征向量的状态向量 QUOTE 所需要确定的能量值； QUOTE 表示第t个特征向量的权重系数矩阵； QUOTE 表示第t个特征向量相对应的偏移量。根据第二个公式，可以用来实现由一个输入的初始状态到一个新的注意力状态之间的转化，之后再得到最终输出状态向量 QUOTE 。将经CNN‑BiNLSTM‑Attention模型训练获得的训练集预测结果记为train_X1，测试集预测结果记为test_X1，train_X1和test_X1作为SVR层的训练集和测试集输入数据。
[0064] 第七层为SVR层，支持向量回归SVR是支持向量机在回归领域的应用。其原理是，在已知的样本集：
[0065]
[0066] 得到一个回归模型： QUOTE ,使得 QUOTE 与y尽可能地接近，其中ω和b是模型待确定的参数，ω是超平面的法向量，b是位移项。对于一般的回归问题而言，只有当 QUOTE 与y完全相等时，模型的损失才会为零，但在SVR模型中，给出了一定程度的容忍度偏差ε，使得当且仅当 QUOTE 与y的差值的绝对值大于容忍度偏差ε时，才认为有损失，所以SVR模型的问题就转化为：
[0067]
[0068]
[0069] 式中：C为正则化常数，lε为不敏感损失函数，引入松弛因子 QUOTE 和 QUOTE ，上式改写为：
[0070]
[0071]
[0072]
[0073]
[0074] 利用对偶原理并引入核函数，得到SVR模型的最终表达式为：
[0075]
[0076] 第八层为最终输出层，将test_X1输入到训练好的SVR模型中得到test_error，将test_X1和test_error相加得到最终的预测输出。
[0077] Final_predict=test_X1+test_error
[0078] 本实用新型通过改进提供一种污水处理智能在线监测仪表，其工作原理如下；
[0079] 第一，使用本设备时，首先将本设备放置在工作区域中，然后将装置与外部电源相连接，即可为本设备提供工作所需的电源；
[0080] 第二，通过流量计42先对污水管道5和外接管道7之间的流量进行监测并对污水水流进行限流，然后通过控制COD检测仪43、水力停留时间HRT检测仪44、碱度测定仪45、pH测定仪46和CH4检测仪47以及有机负荷率OLR计算模块48能对COD、HRT、pH、OLR、流量Q、碱度这六个辅助变量的值可以快速获取，此时通过防护壳体41为控制COD检测仪43、水力停留时间HRT检测仪44、碱度测定仪45、pH测定仪46和CH4检测仪47等部件提供防护效果，再通过有机负荷率OLR计算模块48对数据进行计算；
[0081] 第三，然后通过设置中央处理模块是PC机，并根据不同要求进行自主配备，水质参数测量装置和中央处理装置之间通过USB接线3进行数据通讯；
[0082] 第四，水质参数测量模块获取的数据经过处理后作为模型的输入，从而建立基于TPE‑CNN‑BiNLSTM‑Attention‑SVR网络的污水厂COD浓度和CH4产气量预测模型，另外软件部分还有查询历史数据和越限报警的功能；
[0083] S301、获取污水厂出水COD浓度和CH4产气量预测模型的输入、输出变量及150组历史数据，其中输入变量为进水COD(CODinf)、HRT、OLR、pH、流量(Q)、碱度，输出变量为出水COD(CODeff)和CH4产气量；根据所收集数据的时序顺序按120:30的比例划分训练集和测试集。
[0084] S302、采用TPE迭代寻优的方法获得混合神经网络CNN‑BiNLSTM‑Attention中卷积层的最佳卷积核和过滤器数值、BiLSTM的隐含层单元数、学习速率、Dropout、Batch‑size、迭代次数以及SVR模型的核函数系数gamma、正则化系数C和epsilon；
[0085] S303、在BiLSTM网络层前插入CNN的卷积层和池化层，对时间序列数据进行特征提取以便后续BiLSTM对于数据的处理；
[0086] S304、在BiLSTM网络层之后插入注意力(Attention)层来提取稀疏数据的重要性特征。
[0087] S305把输入输出变量、混合神经网络最佳超参数组合与注意力机制结合，构建卷积神经网络‑双向嵌套长短时记忆神经网络‑注意力模型(CNN‑BiNLSTM‑Attention);
[0088] S306利用动量随机梯度下降法(Adam)对CNN‑BiNLSTM‑Attention模型进行训练，得到训练后的CNN‑BiNLSTM‑Attention模型；
[0089] S307使用训练后CNN‑BiNLSTM‑Attention模型分别对训练集和测试集的出水COD浓度和CH4产气量进行在线软测量，将获得的训练集预测结果记为train_X1，测试集预测结果记为test_X1，train_X1和test_X1作为SVR模型的训练集和测试集输入数据。
[0090] S308将train_X1对应真实值与train_X1相减得到train_error，train_X1和train_error作为模型的输入变量和输出变量输入到SVR模型中进行训练，得到训练后的SVR误差修正模型。
[0091] S309将test_X1输入到训练后的SVR误差修正模型中得到test_error，并把test_X1和test_error进行相加得到最终的预测结果；
[0092] 第四，TPE迭代寻优获得混合神经网络最佳超参数组合如下：
[0093] 第一步、根据经验选取CNN‑BiNLSTM‑Attention混合模型的主要超参数：隐含层节点数、学习速率、Batch‑size、迭代次数、Dropout、卷积核数、过滤器数，SVR模型的主要参数：核函数系数gamma、正则化系数C、epsilon。定义超参数的搜索空间，过滤器1={32,48,64}、过滤器2={32,48,64}、卷积核={1,3,5}、隐含层节点数=[10,80]、学习速率=[0.001,
0.01]、Dropout=[0.005,0.5]、Batch‑size=[5,20]、迭代次数=[700,1500]、核函数系数gamma=[0.1,20]、正则化系数C=[10,100]、epsilon=[0.01,0.1]；
[0094] 第二步、设置TPE优化CNN‑BiNLSTM‑Attention‑SVR训练的目标误差函数为均方根误差(RMSE)，搜索步数(max‑evals)为200，在进行第一步搜索时，会把得到的RMSE视为RMSE_MIN；
[0095] 第三步、迭代寻优开始之前，先在Python命令行中输入”algo=tpe.suggest”指令，确保CNN‑BiNLSTM‑Attention‑SVR每次迭代时采用的搜索方法是TPE算法；
[0096] 第四步、当RMSE(i)>RMSE(i+1)时，则RMSE_MIN的值替换为RMSE(i+1)，并将当前的超参数组合记为best_space；
[0097] 第五步、当搜索步数完成时，当前的RMSE_MIN对应RMSE(i)最小值，best_space对应最佳超参数组合。
[0098] 本实用新型通过改进提供一种污水处理智能在线监测仪表，通过USB接线3的数据传输和中央处理装置2的数据高速处理功效而对污水处理进行高效监测效果，通过防护壳体41为COD检测仪43等部件提供防护效果，并在流量计42的限流作用下通过COD检测仪43、水力停留时间HRT检测仪44、碱度测定仪45和pH测定仪46以及CH4检测仪47对污水进行参数采集，并通过有机负荷率OLR计算模块48进行数据计算，有利于满足实时且高效准确地对COD浓度和CH4产气量进行监测。
[0099] 以上显示和描述了本实用新型的基本原理和主要特征和本实用新型的优点,并且本实用新型使用到的标准零件均可以从市场上购买,异形件根据说明书的和附图的记载均可以进行订制,各个零件的具体连接方式均采用现有技术中成熟的螺栓铆钉、焊接等常规手段，机械、零件和设备均采用现有技术中,常规的型号,加上电路连接采用现有技术中常规的连接方式,在此不再详述。
[0100] 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实用新型。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实用新型的精神或范围的情况下，在其它实施例中实现。因此，本实用新型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。
