论文部分内容阅读
目前国内的污水处理工厂智能化程度不高,主要依靠人力进行设备的操控和监测。为了减少人力的支出和提高污水处理工厂智能化程度,本文将以青岛某化工厂作为项目的实践地点。本项目首先对重要设备产生的指标数据进行采集,对采集到的数据进行分析和先验知识的判断,然后再对采集到的数据经过预处理和噪声增强操作,主要是采用均匀分布噪声进行处理,处理结束后,搭配神经网络模型实现智能化污水排放。本文系统的研究了BP神经网络、隐马尔可夫模型和CNN-LSTM混合神经网络对COD趋势预测的过程。具体操作有以下几方面:首先通过先验知识可知,数据波动起伏不大,对数据进行噪声增强操作,主要是均匀分布噪声处理。本章中设置两个实验组来确定噪声增强是否有效。其中一组进行完数据预处理后进行噪声增强操作,另外一组仅对数据进行简单预处理,不加均匀分布噪声,使用BP神经网络分别两组数据进行训练跟测试。通过实验结果综合对比,在相同条件下哪种方式效果更优。由实验结果可知,进行噪声增强的模型优化性更好。故使用噪声增强的数据对BP神经网络进行训练,将训练好的模型进行COD趋势预测,最终实验结果与现实排放标准相差很大,准确率低,BP神经网络模型预测性能不强,达不到工厂污水排放的标准。其次是搭建隐马尔可夫模型,用噪声增强的数据进行模型的训练,将训练好的模型进行COD趋势预测。通过实验得到的结果与BP神经网络预测的结果进行对比,从结果来看,隐马尔科夫模型的预测结果优于BP神经网络模型。通过实验结果得到预测准确率不高,达不到工厂污水排放的标准。最后在两个模型预测COD趋势预测准确率不高并且达不到工厂污水排放的标准的前提下,本文提出采用CNN-LSTM混合神经网络模型进行COD趋势的预测。通过搭建CNN-LSTM混合神经网络模型,使用噪声增强的数据进行模型训练,将训练好的模型进行测试。通过测试结果对比发现,CNN-LSTM混合神经网络模型的准确率高于隐马尔可夫模型并且也符合工厂预测的标准。为了进一步确认CNN-LSTM混合模型优于前两者,本文通过对BP神经网络、隐马尔可夫模型和CNN-LSTM混合神经网络在相同均方误差的前提下进行实验,将得到的实验结果在准确率和训练速率两个方面进行比较。经过综合比较,最终得到的结果是CNN-LSTM神经网络模型最优。