论文部分内容阅读
随着我国工业化和城市化进程的加快,城市水环境污染也在逐渐加重。实现对城市污水快速准确地测定有助于相关部门加强对城市水环境的监管。本文从现场设备开始,研究并设计一整套基于B/S架构的水质在线监控平台。该平台分为三部分,包括:现场水质监控装置、远程数据通信模块和远程水质监控客户端。针对城市污水中必测指标之一BOD(生化需氧量)较难以使用传感器在线测量的特点,本文提出了基于遗传算法(GA)优化参数的支持向量机回归(SVR)水质预测模型,通过引入遗传算法,解决了传统SVR模型中关键参数难于选择的问题。经过实际试验后,证明该GA-SVR预测模型具有较高的应用价值。在考虑现场实际的应用环境等因素的情况下,本文设计的现场水质监控设备采用西门子S7-1200PLC作为控制器。现场设备通过4G工业路由器与云服务器间进行数据传输。现场监控设备采用模块化设计,易于运输与装配、调试。本文设计的远程数据通讯模块基于socket通讯原理,通过该模块实现了现场监控设备与服务器间的TCP通讯。本文设计远程水质监控客户端基于Django框架进行开发,通过该系统可实现对分布在不同地理位置的水质监测点的监控设备进行监控与管理,可随时查看监控水域的当前数据及历史数据,在监管大量水质监测站点时该客户端系统表现优异。本文建立了基于GA优化参数的SVR水质预测模型,通过遗传算法对支持向量机回归模型中的关键参数进行自动寻优后,通过训练建立起城市污水中相关参数与BOD的数学模型的方式测得生化需氧量的值。经过试验,该模型的平均误差为0.009443,均方根误差为16.88mg/L,证明了该模型的预测结果具有较高的准确性。在实际使用中,用户可以通过本平台及时、准确的掌握相关检测点的水质信息与设备情况。与此同时,本文设计的GA-SVR水质预测模型也为机器学习方法在城市水环境治理领域的引入提供了可能性。