【技术实现步骤摘要】
本专利技术涉及环境工程，尤其涉及一种便携式组网水质检测方法及系统。
技术介绍
1、水质检测的意义在于保护人类健康、维护生态平衡、合理管理水资源、预防和治理水体污染，并为制定相关法律法规和政策提供科学依据。它是实现可持续发展和构建健康环境的重要环节之一。传统水质检测分为物理方法、化学方法、生物学方法、光谱学方法和电化学方法，这些方法通过测量水体的温度、ph值、化学成分、生物指标以及使用光学、电化学和分子生物学技术等手段来评估水质。上述方法各有其长，但依然存在着检测周期长、实验成本高、人力需求大和自动化程度低等问题。
2、中国专利授权号为“cn209247482u”，名称为“一种基于stm32控制的水质检测装置”，该专利技术在stm32平台上装备了浊度测量装置，内设滤芯和探头，实现对原水水质的稳定测量。但功能较为单一，并不满足目前水质测量需求。随着物联网技术的发展，智能传感器加云平台的组合方案成为了水质检测新的优选项。如何在保证检测精度的前提上提高设备的便捷性，通过云端智能互联实现快速检测，并借助机器学习方法实现更高可信度的实时水质预测，成为了研究者新的挑战。
技术实现思路
1、本专利技术实施例的主要目的在于提出一种便携式组网水质检测方法及系统，旨在设计一种更高效、便捷和智能化的便携式组网水质检测方法。
2、本专利技术解决上述技术问题的技术方案是，提供一种便携式组网水质检测方法，包括以下步骤：
3、获取水域中的水质数据，水质包括浊度、色度、酸碱度、余
4、对水质数据进行分析；
5、构建水质预测模型；使用训练集进行训练，经过卷积神经网络提取特征，输入到引入注意力机制和长短期记忆网络的预测模型中，对序列中的模式、趋势和相关性进行建模和预测；
6、通过预测模型对测试集进行水质数据的预测，综合水质检测结果得到最终数据；
7、将数据上传至云平台，得到数据日志，扩充数据集。
8、进一步地，所述构建水质预测模型；使用训练集进行训练，经过卷积神经网络提取特征，输入到引入注意力机制和长短期记忆网络的预测模型中，对序列中的模式、趋势和相关性进行建模和预测的步骤包括：
9、利用卷积神经网络提取水质数据特征信息；采用卷积层和池化层得到有效表征，并转换为一维数据送入全连接层；
10、对模型中的水质特征通过神经网络进行分析，输出；
11、将注意力机制加入长短期记忆网络模型中，通过对影响水质预测的因素 数据进行动态加权处理，重新调整权重；
12、将水质预测的历史数据当作是在寻址操作期间的储存内容key和value，key是数据地址，value是注意力值，注意力计算公式为：；的计算公式为：；
13、其中，为注意力机制中第个数据的value，为的权值系数；为第个数据的余弦相似性，计算公式为：；
14、通过加权平均得到最后的注意力；
15、其中，包括注意力机制的注意力层在lstm之后、展平层之前。
16、进一步地，所述获取水域中的水质数据，水质包括浊度、色度、酸碱度、余氯、总氯、化合氯的步骤包括：
17、部署水质检测设备，所述水质检测设备配备多个可插拔式探头，能够测定水中的包括浊度、色度、酸碱度、余氯、总氯、化合氯的指标；
18、其中，水质检测设备配备有无线通信模块。
19、进一步地，所述获取水域中的水质数据，水质包括浊度、色度、酸碱度、余氯、总氯、化合氯的步骤之后还包括：
20、通过进行联网检查，判断水质检测设备的网络状态，确定是否需要切换至离线工作模式；在离线工作模式下，所测数据会被保存到设备的存储器中，等待在联网状态下进行上传。
21、进一步地，所述对水质数据进行分析的步骤包括：
22、通过中值滤波法对水质数据进行信号处理；
23、根据电位分析、电导分析理论，使用电化学传感器对水质数据进行水质分析。
24、为解决上述技术问题，本专利技术还提出一种便携式组网水质检测系统，应用于便携式组网水质检测方法，包括：
25、处理器模块，所述处理器模块采用arm32架构；
26、数据采集模块，用于采集各传感器的数据，经模数转换器送入处理器模块中；
27、显示模块，包括显示触摸屏，用于实时显示水质的各项指标和设备的运行状态；
28、预测模块，用于实现模型的嵌入式平台部署，并可进行水质的预测；
29、存储模块，用于保存重要节点水质数据或未上传保存的数据；
30、监控模块，包括上位机和云平台；
31、数据传输模块，通过数据传输可与上位机及云平台进行信息交互。
32、进一步地，所述数据采集模块在采集水质数据之后，通过中值滤波法进行信号处理。
33、与现有技术相比，本专利技术具有以下增益效果：
34、1、本专利技术的技术方案利用嵌入式平台的优势，提出了一种实时监测水质环境的便携式设备，实现了低功耗设计，可在资源受限的情况下工作，降低了维护成本。嵌入式平台可以进行实时数据处理和分析，通过内置的算法和模型，对采集的水质数据进行处理，提取关键指标或进行异常检测；
35、2、本专利技术可与网络连接，通过无线通信技术将数据传输到云端或服务器，实现远程监测和管理。这使得用户可以随时远程访问水质数据，进行远程控制和监控，实现远程维护和管理水质系统。还可通过usb有线连接上位机，通过其他设备直观获取水质信息；
36、3、本专利技术设计了一种基于卷积神经网络和引入注意力机制的长短期记忆网络的水质预测方案，并提出神经网络的嵌入式部署。在网络离线或在线的情况下都能对水质情况做出预测判断。并能通过与云平台的联系更新神经网络权重，实时更新数据集，提供更为精准的水质情况预测。
本文档来自技高网...【技术保护点】
1.一种便携式组网水质检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的便携式组网水质检测方法，其特征在于，所述构建水质预测模型；使用训练集进行训练，经过卷积神经网络提取特征，输入到引入注意力机制和长短期记忆网络的预测模型中，对序列中的模式、趋势和相关性进行建模和预测的步骤包括：
3.根据权利要求1所述的便携式组网水质检测方法，其特征在于，所述获取水域中的水质数据，水质包括浊度、色度、酸碱度、余氯、总氯、化合氯的步骤包括：
4.根据权利要求1所述的便携式组网水质检测方法，其特征在于，所述获取水域中的水质数据，水质包括浊度、色度、酸碱度、余氯、总氯、化合氯的步骤之后还包括：
5.一种便携式组网水质检测系统，应用于如上述权利要求1至4中任一所述的便携式组网水质检测方法，其特征在于，包括：
6.根据权利要求5所述的一种便携式组网水质检测系统，其特征在于，所述数据采集模块在采集水质数据之后，通过中值滤波法进行信号处理。
【技术特征摘要】
1.一种便携式组网水质检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的便携式组网水质检测方法，其特征在于，所述构建水质预测模型；使用训练集进行训练，经过卷积神经网络提取特征，输入到引入注意力机制和长短期记忆网络的预测模型中，对序列中的模式、趋势和相关性进行建模和预测的步骤包括：
3.根据权利要求1所述的便携式组网水质检测方法，其特征在于，所述获取水域中的水质数据，水质包括浊度、色度、酸碱度、余氯、总氯、化合...
【专利技术属性】
技术研发人员：詹伟达，石明凯，陈宇，唐雁峰，李玉斌，底晓强，韩登，赵立永，朱德鹏，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。