基于深度学习的工业污水水质预测与处理模型研究.pdf
目录
摘要I
ABSTRACTIII
第一章绪论1
1.1研究背景与意义1
1.2国内外研究现状2
1.2.1水质预测研究现状2
1.2.2絮凝剂剂量预测研究现状4
1.3论文研究内容与组织结构5
第二章工业污水水质预测与处理相关理论基础9
2.1主要水质因子与絮凝剂9
2.2神经网络模型10
2.2.1卷积神经网络10
2.2.2循环神经网络10
2.2.3长短期记忆网络11
2.3注意力机制12
2.4本章小结13
第三章基于CNN-LSTM工业污水水质预测模型15
3.1引言15
3.2水质数据集构建15
3.2.1缺失值处理15
3.2.2数据归一化16
3.2.3PCA降维17
3.3CNN-LSTM工业污水水质预测模型19
3.3.1总体设计方案19
3.3.2数据切片处理20
3.3.3水质预测算法模型20
3.4实验结果与分析21
3.4.1评价指标21
3.4.2模型参数设置22
3.4.3结果对比分析24
3.5本章小结26
第四章基于双阶段注意力机制的絮凝剂剂量预测模型29
4.1引言29
4.2基于双阶段注意力机制絮凝剂剂量预测方法29
4.2.1总体设计方案30
4.2.2双阶段注意力机制30
4.2.3絮凝剂预测模型架构31
4.3实验结果与分析32
4.3.1评价指标32
4.3.2模型参数设置32
4.3.3结果对比分析34
4.4本章小结40
第五章工业污水水质预测与处理系统设计41
5.1系统需求分析41
5.2系统软件层次架构设计42
5.3系统功能模块设计42
5.4数据库设计43
5.5系统模型实现43
5.6本章小结47
第六章总结与展望49
参考文献51
在学期间取得的科研成果57
摘要
随着工业化进程的加快，工业污水处理成为环境保护的重要任务。然而，传
统机器学习方法难以高效处理复杂的水质数据，导致污水处理絮凝剂添加成本较
高。因此，本文采用基于深度学习的方法进行工业污水水质预测和絮凝剂剂量预
测研究，主要内容如下：
（1）为了更好地捕获工业污水数据的时序性和动态性，设计了一种基于
CNN-LSTM的水质预测模型。首先，利用山西省某化工厂获取的污水数据构建
数据集。然后，通过卷积神经网络(ConvolutionalNeuralNetwork,CNN)进行高维
特征提取，自动捕捉工业污水中水质指标之间的空间关系和复杂特征。其次，通
过长短时记忆网络(LongShort-TermMemory,LSTM)模型对时间序列数据进行建
模，学习工业污水水质的时序特征和演化规律。最后，在构建的工业污水数据集
上进行实验分析，结果表明，相对于CNN和LSTM两个基准模型，CNN-LSTM
模型在化学需氧量(CODCr)、氨氮(NH-N)和总磷(TP)三项指标的预测上表现较好，
3
平均绝对值误差(MAE)和均方误差(MSE)均达到了0.05以下。实验结果表明，设
计的模型能够准确预测工业污水的出水水质。
（2）针对于目前污水处理中絮凝剂种类预测单一以及数据信息捕获能力较
差的问题，提出了一种基于双阶段注意力机制的絮凝剂剂量预测模型。为了在时
间和特征维度上获取水质预测数据中的相关性和显著性，引入双阶段注意力机制
(Dual-StageAttention,DSA)加强模型对重要数据的捕获能力。利用RNN的循环
特性，将前一时间步的输出作为当前时间步的输入，提取水质数据的上下文信息，
最终得到2种絮凝剂PAC和PAM的添加量。与不同模型的实验对比表明，提
出的絮凝剂剂量预测模型具有较好的性能。