一种基于深度学习生成误差的水质异常数据监测方法及其系统与流程

本申请涉及数据处理领域，具体地，涉及一种基于深度学习生成误差的水质异常数据监测方法及其系统。

背景技术：

1、目前环境的发展越来越收到人们的关注，越来越多的人们开始重视水质的保护，在水质的保护中，对水质的异常监测往往具有及时性和准确性，通过对水质的异常监测，能够快速发现水质变化。例如，在河流受到突发污染事件(如工厂非法排污、化学品泄漏等)时，水质异常监测系统可以通过连续的监测数据，在短时间内察觉到水质参数(如化学需氧量、重金属含量等)的异常波动。这使得相关部门能够在污染扩散的初期就采取应对措施，减少污染对水体生态系统以及周边居民用水安全的危害，同时对于饮用水源地的保护至关重要。以城市的饮用水水库为例，实时的水质异常监测可以及时发现水中的微生物超标、有害物质侵入等情况，从而避免受污染的水进入供水系统，保障居民能够喝到安全的饮用水。但是传统进行水质监测的方式往往通过现场采样实验室分析或者现场快速检测的方式进行，但是这种方式可能会存在因为人工取样而导致监测准确率降低的问题。

2、因此，如何提供一种能够提高水质异常监测准确率的方法，成为本领域急需解决的问题。

技术实现思路

1、本申请提出一种基于深度学习生成误差的水质异常数据监测方法，包括以下步骤：获取水质监测数据；根据获取的水质监测数据确定水质监测数据类；对水质监测数据类进行一类校验，判断一类校验能否通过；若一类校验未通过，对水质监测数据类进行二类校验，判断二类校验能否通过；若二类校验通过，则进行深度学习，确定深度学习生成误差，根据生成误差输出水质异常检测结果。

2、如上所述的基于深度学习生成误差的水质异常数据监测方法，若一类校验通过，则进行深度学习，确定深度学习生成误差，根据生成误差输出水质异常检测结果。

3、如上所述的基于深度学习生成误差的水质异常数据监测方法，若二类校验未通过，则输出水质异常检测结果。

4、如上所述的基于深度学习生成误差的水质异常数据监测方法，获取水质监测数据包括，从多个传感器中获取水质监测数据；水质监测数据包括水温、ph值、溶解氧浓度、浊度以及电导率数据；多个传感器包括：温度传感器、ph传感器、溶解氧传感器、浊度传感器以及电导率传感器。

5、如上所述的基于深度学习生成误差的水质异常数据监测方法，根据获取的水质监测数据确定水质监测数据类包括，将从不同传感器获取的一个城市的水质监测数据作为一个水质监测数据类。

6、一种基于深度学习生成误差的水质异常数据监测系统，具体包括：水质监测数据获取单元、水质监测数据类确定单元、一类校验单元、二类校验单元以及深度学习单元；水质监测数据获取单元，用于获取水质监测数据；水质监测数据类确定单元，用于根据获取的水质监测数据确定水质监测数据类；一类校验单元，用于对水质监测数据类进行一类校验，判断一类校验能否通过；若一类校验未通过，对二类校验单元水质监测数据类进行二类校验，判断二类校验能否通过；若二类校验通过，则深度学习单元进行深度学习，确定深度学习生成误差，根据生成误差输出水质异常检测结果。

7、如上所述的基于深度学习生成误差的水质异常数据监测系统，若一类校验通过，则深度学习单元进行深度学习，确定深度学习生成误差，根据生成误差输出水质异常检测结果。

8、如上所述的基于深度学习生成误差的水质异常数据监测系统，若二类校验单元的二类校验未通过，则输出水质异常检测结果。

9、如上所述的基于深度学习生成误差的水质异常数据监测系统，水质监测数据获取单元获取水质监测数据包括，从多个传感器中获取水质监测数据；水质监测数据包括水温、ph值、溶解氧浓度、浊度以及电导率数据；多个传感器包括：温度传感器、ph传感器、溶解氧传感器、浊度传感器以及电导率传感器。

10、如上所述的基于深度学习生成误差的水质异常数据监测系统，水质监测数据类确定单元根据获取的水质监测数据确定水质监测数据类包括，将从不同传感器获取的一个城市的水质监测数据作为一个水质监测数据类。

11、本申请具有以下有益效果：

12、本申请提出了对水质数据进行一类校验、二类校验的方式，首先对水质数据进行了不同程度的监测，而后又通过深度学习的方式进一步对未检测出异常的水质数据进一步监测，通过本申请的水质异常监测方法，极大程度上提高了水质监测的准确性和可靠性。

技术特征：

1.一种基于深度学习生成误差的水质异常数据监测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于深度学习生成误差的水质异常数据监测方法，其特征在于，若一类校验通过，则进行深度学习，确定深度学习生成误差，根据生成误差输出水质异常检测结果。

3.如权利要求1所述的基于深度学习生成误差的水质异常数据监测方法，其特征在于，若二类校验未通过，则输出水质异常检测结果。

4.如权利要求1所述的基于深度学习生成误差的水质异常数据监测方法，其特征在于，获取水质监测数据包括，从多个传感器中获取水质监测数据；

5.如权利要求1所述的基于深度学习生成误差的水质异常数据监测方法，其特征在于，根据获取的水质监测数据确定水质监测数据类包括，将从不同传感器获取的一个城市的水质监测数据作为一个水质监测数据类。

6.一种基于深度学习生成误差的水质异常数据监测系统，其特征在于，具体包括：水质监测数据获取单元、水质监测数据类确定单元、一类校验单元、二类校验单元以及深度学习单元；

7.如权利要求6所述的基于深度学习生成误差的水质异常数据监测系统，其特征在于，若一类校验通过，则深度学习单元进行深度学习，确定深度学习生成误差，根据生成误差输出水质异常检测结果。

8.如权利要求6所述的基于深度学习生成误差的水质异常数据监测系统，其特征在于，若二类校验单元的二类校验未通过，则输出水质异常检测结果。

9.如权利要求6所述的基于深度学习生成误差的水质异常数据监测系统，其特征在于，水质监测数据获取单元获取水质监测数据包括，从多个传感器中获取水质监测数据；

10.如权利要求6所述的基于深度学习生成误差的水质异常数据监测系统，其特征在于，水质监测数据类确定单元根据获取的水质监测数据确定水质监测数据类包括，将从不同传感器获取的一个城市的水质监测数据作为一个水质监测数据类。

技术总结
本申请公开了一种基于深度学习生成误差的水质异常数据监测方法及其系统，其中基于深度学习生成误差的水质异常数据监测方法包括以下步骤：获取水质监测数据；根据获取的水质监测数据确定水质监测数据类；对水质监测数据类进行一类校验，判断一类校验能否通过；若一类校验未通过，对水质监测数据类进行二类校验，判断二类校验能否通过；若二类校验通过，则进行深度学习，确定深度学习生成误差，根据生成误差输出水质异常检测结果。本申请首先对水质数据进行了不同程度的监测，而后又通过深度学习的方式进一步对未检测出异常的水质数据进一步监测，通过本申请的水质异常监测方法，极大程度上提高了水质监测的准确性和可靠性。

技术研发人员：刘允,姚志鹏,陈亚男,陈鑫,张大伟,毛玉如,沈嘉豪,王延军,刘清旺,何宇慧,仲雨晴,张丽,李亚男,胡晶泊
受保护的技术使用者：中国环境监测总站
技术研发日：
技术公布日：2025/2/13