本发明涉及一种毒素浓度确定方法，具体涉及一种污水毒素浓度估计方法。
背景技术：
污水处理是利用各种不同的方法，将污水中所含污染物质分离或将其转化为无害物质，使污水得到净化的过程。一般情况下，城市和工业水处理单元结合一级、二级和三级处理工艺，对水中的各种污染物，即无机污染物、有机污染物和生物污染物进行高效处理。一级处理主要是采用物理法，去除悬浮物及部分有机物；二级处理是在一级处理的基础上，采用生物法、化学法或物化法去除污水中的胶体及溶解性物质；三级处理进一步去除难降解的物质及氮、磷及重金属等。由于废水的复杂性，通常很难确定导致污水处理厂性能下降的具体毒物，因此，及时测量毒性对污水处理厂的顺利运行至关重要。
成功的预警系统的基本前提是连续收集描述毒物污染风险的准确数据，但关键质量指标大多需要通过离线样本分析获得，这通常费用昂贵，同时需要频繁且高成本的维护，而缺乏适当的关键变量信息会严重影响对污水处理过程中毒素浓度的监测。因此利用实时测量值和所建立的模型来实现对关键变量的连续在线估计十分重要。
通常细胞对小剂量毒物的反应是有限的(稳定的)，而大剂量毒物的反应是无限的(不稳定的)，这一现象清楚地表明了细胞毒性的非线性。常用的非线性系统的估计方法，例如扩展卡尔曼滤波(ekf)、无迹卡尔曼滤波(ukf)、集合卡尔曼滤波(enkf)、滚动时域估计(mhe)等，对于具有较小不确定性的非线性动态系统是较为适用的，但在存在大的过程噪声、观测噪声或建模不确定性的非线性动态系统中却很难取得良好的效果。
技术实现要素：
本发明要解决的技术问题是提供一种污水毒素浓度估计方法，准确估计出污水中毒素浓度。
为了解决上述技术问题，本发明提供了一种污水毒素浓度估计方法，包括以下步骤，
将具有一定细胞指数ci的培养细胞暴露在污水样本中，连续采集污水样本内培养细胞的细胞数量测量值；
根据细胞对毒素的摄取机理，以及毒素所引起的细胞数量变化创建细胞毒素动态模型；
使用粒子滤波算法对所述细胞毒素动态模型和所述细胞数量测量值进行处理，估计出污水样本中的毒素浓度。
本发明一个较佳实施例中，进一步包括，创建所述细胞毒素动态模型包括，
创建细胞对毒素摄取过程的动力学模型：
创建细胞内毒素浓度凋亡机制：
ci表征细胞内毒素浓度；ce表征细胞外毒素浓度；n表征细胞数量，n≈ci；k1，k2，k3，ki为相关参数；kci表征存在毒素时的相对细胞杀伤率；ks表征无毒素时的相对细胞增殖率。
本发明一个较佳实施例中，进一步包括，创建所述细胞毒素动态模型包括，
将具有一定细胞指数ci的培养细胞暴露在不同浓度的毒素中，连续采集有毒素作用下培养细胞的细胞数量测量值；
将有毒素作用下培养细胞的细胞数量测量值代入所述(式1)和(式2)中，并采用非线性回归方法对所述动力学模型和细胞内毒素浓度凋亡机制中的未知参数进行辨识，计算出所述相关参数k1，k2，k3，ki。
本发明一个较佳实施例中，进一步包括暴露在不同浓度毒素中的培养细胞的细胞指数ci为1.0～1.2。
本发明一个较佳实施例中，进一步包括暴露在污水样本中的培养细胞的细胞指数ci为1.0～1.2。
本发明一个较佳实施例中，进一步包括所述培养细胞的细胞系为nih3t3。
本发明一个较佳实施例中，进一步包括暴露在污水样本中培养细胞、暴露在不同浓度毒素中的培养细胞的初始细胞数均包括每孔10000个细胞。
本发明一个较佳实施例中，进一步包括污水毒素浓度估计方法还包括，对所述细胞毒素动态模型进行离散化，得到离散化后的细胞毒素动态模型
xk＝f(xk-1) wk；
yk＝g(xk) vk；
所述粒子滤波算法结合离散化后的细胞毒素动态模型对污水样本中的细胞数量测量值进行处理。
本发明一个较佳实施例中，进一步包括所述粒子滤波算法处理污水样本中细胞数量测量值包括，定义状态变量x＝[ci，ce，n]，定义测量向量y＝n，基于离散化后的细胞毒素动态模型，并根据含有噪声的细胞数量测量值估计出细胞毒性过程中真实的细胞内毒素浓度ci、细胞外毒素浓度ce和细胞数量n。
本发明一个较佳实施例中，进一步包括所述离散化的方法包括欧拉方法、龙格-库塔方法、线性多步方法中的一种。
本发明的有益效果：
本发明的污水毒素浓度估计方法，采用粒子滤波算法根据暴露在污水样本中的培养细胞的细胞数量测量值和细胞毒素动态模型对污水中的毒素浓度做连续在线估计，并准确估计出污水中毒素浓度，相较于传统的采用高效液相色谱法和液相色谱质谱法对主要毒物测定，提供了一种更为高效、经济的替代方法。而采用的粒子滤波算法对于存在大的过程噪声、观测噪声或建模不确定的非线性动态系统可以取得良好的估计效果，保证毒素浓度估计的准确性。
附图说明
图1为本发明优选实施例中污水毒素浓度估计方法的流程图；
图2为使用本发明污水毒素浓度估计方法在ce＝0.62时估计的毒素铬(vi)浓度估计值与真实值的对比图；
图3为使用本发明污水毒素浓度估计方法在ce＝0.62时估计的毒素铬(vi)浓度估计值误差图；
图4为使用本发明污水毒素浓度估计方法在ce＝22.35时估计的毒素氯化汞(ii)浓度估计值与真实值的对比图；
图5为使用本发明污水毒素浓度估计方法在ce＝48.3时估计的毒素氯化汞(ii)浓度估计值误差图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例
需要说明的有，(1)ci为细胞指数值，其是对水生环境中毒污染物和生物学后果的间接指示，根据ci值所建立的细胞对毒性反应的动态模型可以用于细胞毒性的在线估计。
(2)nih3t3为由美国国立卫生研究院(简称nih)所建立的小鼠胚胎成纤维细胞系，其特点是每3天传代一次，每次接种3×10^5cells/ml，该细胞系在实验室常用来做转染及基因表达的研究。
本发明实施例公开一种污水毒素浓度估计方法，用于在污水处理过程中在线估计污水中毒素浓度，参照图1所示，其包括以下步骤，
第一步，根据细胞对毒素的摄取机理，以及毒素所引起的细胞数量变化创建细胞毒素动态模型。
(1)，获得具有一定细胞指数ci的培养细胞。
选用细胞系为nih3t3的培养细胞，将培养细胞放置在co2培养箱内培养，直至细胞指数值ci达到1.0～1.2，培养的目的在于确保投入使用的培养细胞的初始细胞数达到每孔10000个细胞。
(2)，将细胞指数ci为1.0～1.2的培养细胞暴露在不同浓度的毒素中，利用rt-ces系统每小时连续自动监测细胞对毒物质的反应，连续24小时每小时记录一次ci值，连续采集不同浓度毒素内培养细胞的细胞数量测量值。
(3)，创建细胞对毒素摄取过程的动力学模型：
以及创建细胞内毒素浓度凋亡机制：
ci表征细胞内毒素浓度；ce表征细胞外毒素浓度；n表征细胞数量，n≈ci；k1，k2，k3，ki为相关参数；kci表征存在毒素时的相对细胞杀伤率；ks表征无毒素时的相对细胞增殖率。
k1ce代表线性扩散分量；
将第(2)步中获得的有毒素作用下培养细胞的细胞数量测量值代入所述(式1)和(式2)中，并采用非线性回归方法对所述动力学模型和细胞内毒素浓度凋亡机制中的未知参数进行辨识，计算出所述相关参数k1，k2，k3，ki，确定出所述细胞毒素动态模型。
第二步，对获得的所述细胞毒素动态模型进行离散化，其中，所述离散化的方法包括欧拉方法、龙格-库塔方法、线性多步方法中的一种；得到离散化后的细胞毒素动态模型，
xk＝f(xk-1) wk；
yk＝g(xk) vk；
第三步，采集污水处理后的水体样本(以下简称“污水样本”)，将与步骤(1)中获得的相同的培养细胞暴露在污水样本中，利用rt-ces系统每小时连续自动监测细胞对毒物质的反应，连续24小时每小时记录一次ci值，连续采集污水样本中培养细胞的细胞数量测量值。
第四步，使用粒子滤波算法对离散化后的所述细胞毒素动态模型和第三步获得细胞数量测量值进行处理，估计出污水样本中的毒素浓度，其具体方法如下：
定义状态变量x＝[ci，ce，n]，定义测量向量y＝n。
s01，初始化：从先验分布p(x0)生成初始粒子
s02，重要性采样：从重要性采样分布
s03，计算权重值：(3)计算每个粒子的权值
根据新获得的测量值对权重进行归一化
s04，重采样：如果
其中nthr为所设定的阈值，δ(·)是狄拉克δ函数；
s05，输出：获得状态估计值
参照图2所示为使用本发明污水毒素浓度估计方法在ce＝0.62时估计的毒素铬(vi)浓度估计值与真实值的对比图。其中，图2的第一幅图为细胞内毒素浓度估计值与真实值对比图；第二幅图为细胞外毒素浓度估计值与真实值对比图；第三幅图为细胞数量估计值与真实值对比图。
参照图3所示为使用本发明污水毒素浓度估计方法在ce＝0.62时估计的毒素铬(vi)浓度估计值误差图。其中，图3的第一幅图为细胞内毒素浓度估计误差；第二幅图为细胞外毒素浓度估计误差；第三幅图为细胞数量估计误差。
参照图4所示为使用本发明污水毒素浓度估计方法在ce＝22.35时估计的毒素氯化汞(ii)浓度估计值与真实值的对比图。其中，图4的第一幅图为细胞内毒素浓度估计值与真实值对比图；第二幅图为细胞外毒素浓度估计值与真实值对比图；第三幅图为细胞数量估计值与真实值对比图。
参照图5所示为使用本发明污水毒素浓度估计方法在ce＝48.3时估计的毒素氯化汞(ii)浓度估计值误差图。其中，图5的第一幅图为细胞内毒素浓度估计误差；第二幅图为细胞外毒素浓度估计误差；第三幅图为细胞数量估计误差。
根据图2可以看出本发明的污水毒素浓度估计方法可以跟踪真实值，并结合图3的误差图可知本发明的污水浓度估计方法对细胞内毒素浓度、细胞外毒素浓度和细胞数量的估计误差很小，可以实现对这细胞内毒素浓度、细胞外毒素浓度和细胞数量的准确估计。
同样的，根据图4可以看出本发明的污水毒素浓度估计防范可以跟踪真实值，并结合图5的误差图可知本发明的污水浓度估计方法对细胞内毒素浓度、细胞外毒素浓度和细胞数量的估计误差很小，可以实现对这细胞内毒素浓度、细胞外毒素浓度和细胞数量的准确估计。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
1.一种污水毒素浓度估计方法，其特征在于：包括以下步骤，
将具有一定细胞指数ci的培养细胞暴露在污水样本中，连续采集污水样本内培养细胞的细胞数量测量值；
根据细胞对毒素的摄取机理，以及毒素所引起的细胞数量变化创建细胞毒素动态模型；
使用粒子滤波算法对所述细胞毒素动态模型和所述细胞数量测量值进行处理，估计出污水样本中的毒素浓度。
2.如权利要求1所述的污水毒素浓度估计方法，其特征在于：创建所述细胞毒素动态模型包括，
创建细胞对毒素摄取过程的动力学模型：
创建细胞内毒素浓度凋亡机制：
ci表征细胞内毒素浓度；ce表征细胞外毒素浓度；n表征细胞数量，n≈ci；k1，k2，k3，ki为相关参数；kci表征存在毒素时的相对细胞杀伤率；ks表征无毒素时的相对细胞增殖率。
3.如权利要求2所述的污水毒素浓度估计方法，其特征在于：创建所述细胞毒素动态模型包括，
将具有一定细胞指数ci的培养细胞暴露在不同浓度的毒素中，连续采集有毒素作用下培养细胞的细胞数量测量值；
将有毒素作用下培养细胞的细胞数量测量值代入所述(式1)和(式2)中，并采用非线性回归方法对所述动力学模型和细胞内毒素浓度凋亡机制中的未知参数进行辨识，计算出所述相关参数k1，k2，k3，ki。
4.如权利要求3所述的污水毒素浓度估计方法，其特征在于：暴露在不同浓度毒素中的培养细胞的细胞指数ci为1.0～1.2。
5.如权利要求1所述的污水毒素浓度估计方法，其特征在于：暴露在污水样本中的培养细胞的细胞指数ci为1.0～1.2。
6.如权利要求1所述的污水毒素浓度估计方法，其特征在于：所述培养细胞的细胞系为nih3t3。
7.如权利要求6所述的污水毒素浓度估计方法，其特征在于：暴露在污水样本中培养细胞、暴露在不同浓度毒素中的培养细胞的初始细胞数均包括每孔10000个细胞。
8.如权利要求1～7任一项所述的污水毒素浓度估计方法，其特征在于：污水毒素浓度估计方法还包括，
对所述细胞毒素动态模型进行离散化，得到离散化后的细胞毒素动态模型
xk＝f(xk-1) wk；
yk＝g(xk) vk；
所述粒子滤波算法结合离散化后的细胞毒素动态模型对污水样本中的细胞数量测量值进行处理。
9.如权利要求8所述的污水毒素浓度估计方法，其特征在于：所述粒子滤波算法处理污水样本中细胞数量测量值包括，定义状态变量x＝[ci，ce，n]，定义测量向量y＝n，基于离散化后的细胞毒素动态模型，并根据含有噪声的细胞数量测量值估计出细胞毒性过程中真实的细胞内毒素浓度ci、细胞外毒素浓度ce和细胞数量n。
10.如权利要求8所述的污水毒素浓度估计方法，其特征在于：所述离散化的方法包括欧拉方法、龙格-库塔方法、线性多步方法中的一种。
技术总结