★ 河南水利與環境職業學院 王闖，劉紫陽

★ 鄭州科技學院 張玉澤

關鍵詞：出水化學需氧量；深度學習；預測系統；動態調控

在污水處理過程中， 關鍵水質參數的快速精準測量是水環境管理、污染控制與水資源可持續利用的核心基石，也是開展決策工作的重要前提。依據國家《地表水環境質量標準》等法規要求，化學需氧量（COD）、生物需氧量（BOD5 ）、總磷（TP）、總氮（TN）等關鍵水質參數是水質評級的重要指標點 [1]。傳統實驗室化學檢測法測量精度較高，但存在化學試劑殘留、時效性差、操作復雜度高等缺點，難以實現現代水環境精細化管理、污染預警和過程實時優化的需求；而在線水質分析儀雖然解決了時效性問題，但存在故障率相對較高、不耐腐蝕、數據有效性保障難等缺陷。

深度學習算法的應用， 為污水處理動態調控提供了新的技術手段。該算法能夠提取歷史數據的時序特征，利用滑動窗口技術建立時序數據集，通過門限神經網絡模型完成出水化學需氧量的高效率預測。系統可將預測結果可視化、歸檔保存，并遠程傳輸給相關人員指導完成污水處理動態調控，提升了污水處理的智能化水平。

深度學習作為近年來人工智能領域應用較為廣泛的算法之一 ，已成功應用于工業、生活、醫療、航空等領域 [2]。在污水處理關鍵水質預測方面， 常見的機器學習算法有反饋神經網絡（BP） 、線性回歸神經網絡、支持向量機（SVM）以及隨機森林等。這類算法對線性分布和短時間跨度數據的預測效果較好，但難以有效捕捉長時間序列數據的有益特征 [3]。深度學習中的門限神經網絡可以通過門機制有效記憶關鍵信息和遺忘無效信息，并能夠有效掌握長時間序列的關鍵依賴信息，提升了預測效率。該類算法的典型代表包括長短時記憶神經網絡（LSTMNN）、門限單元神經網絡（GRUNN）、最小門限單元神經網絡（MGUNN）。在污水處理過程中，門限神經網絡可對傳感器測得的COD、 BOD5、TP、TN、小時流量（WD）等多變量數據進行綜合分析[4] ，通過流形學習和成分分析方法對原始水質數據進行特征提取和過程可視化，并利用量子加權最小門限單元神經網絡挖掘水質數據長時間依賴關系，實現出水化學需氧量的高效率預測[5]。

出水化學需氧量預測平臺以Pyqt5算法庫為基礎，使用Vscode軟件設計相關GUI界面。系統設置首頁、模型介紹模塊、特征提取模塊、訓練和測試模塊、出水化學需氧量預測模塊等，具有易于學習、交互、溝通的優點，為污水處理關鍵水質參數預測提供了技術支撐，幫助平臺用戶提升了工作效率[6]。

1   系統整體設計

基于深度學習的出水化學需氧量預測平臺主要由模型介紹模塊、特征提取模塊、模型訓練模塊、模型預測模塊組成，能夠實時顯示操作時間，如圖1所示。

首頁模塊介紹了出水化學需氧量預測平臺的設計理念與模型研究意義，便于用戶快速了解平臺的相關功能、設計思維和具體技術，增加了平臺功能豐富度；模型介紹模塊展示了出水化學需氧量預測模型的構建流程圖與量子加權最小門限單元結構圖，便于工作人員深入了解預測技術的研發流程與結構設計過程；特征提取模塊采用流形學習和成分分析方法處理原始水質數據集，重構原始數據拓撲結構，提升了預測效率，并使用熱力圖展示特征提取結果，用戶可清晰判斷出各成分之間的相關性；訓練和測試模塊對特征提取后的數據集進行出水化學需氧量模型訓練，訓練時可對模型參數進行調節，以適應不同水質預測和污水處理過程。訓練完成后，其可以通過模型評價函數進行量化計算，并展示部分測試數據的對比結果；出水化學需氧量預測模塊主要是導入待測水質數據，調用訓練好的模型完成預測，并將預測結果進行存儲，位置可隨時查詢。

圖1 出水化學需氧量系統整體框架

2   深度學習模型構建

在深度學習算法中， LSTMNN作為基礎模型，可以通過捕捉多變量水質數據的長時間序列依賴特征，有效記憶關鍵信息，遺忘冗余信息，改善了時間序列預測效果，現已成功應用于水質檢測領域。但LSTMNN水質預測模型普遍存在參數難以調節、訓練過程緩慢等缺陷。

因此，本文選取LSTMNN的輕量化變體之一MGUNN作為出水化學需氧量預測模型。在此基礎上，結合量子加權神經網絡（QWNN）優化MGUNN的前饋網絡計算過程，將量子疊加態和量子糾纏態引入MGUNN的權值訓練中，重新構建量子加權最小門限單元神經網絡（QWMGUNN）作為水質預測的基礎模型。

通過水質傳感器獲取到原始數據集后，首先進行特征提取處理。本文采用核主成分分析法（KPCA）、等距特征映射（ISOMAP）和全局特征映射（UMAP）三種方法進行特征提取。對處理后的數據集進行可視化和主成分分析，重構特征提取后的數據集，用于出水化學需氧量預測模型的訓練和測試，如圖2所示。

圖2 特征提取流程

對構建完成的特征提取數據集進行出水化學需氧量預測模型的訓練和測試。  QWMGUNN模型的訓練參數為時間步數、隱藏層神經元數目及訓練批次大小，經過20次重復性實驗確定最優參數組合為[3， 5， 96]。后期污水處理廠工作人員在水質條件更換或緊急情況發生時，可以在預測平臺上對參數組合進行調整，以尋求最優出水化學需氧量預測模型。在訓練時，將數據集劃分為80%訓練集和20%測試集，綜合驗證模型預測性能，如圖3所示。對QWMGUNN模型進行500次訓練和測試后，采用RMSE、MAE、MSE三項模型評價函數進行量化計算， 獲取最優出水化學需氧量預測模型， 并將預測值和實際值進行可視化對比。

圖3 QWMGUNN模型訓練

3   出水化學需氧量預測平臺設計

出水化學需氧量預測平臺采用Python編程，并基于PyQt5算法庫在Vscode軟件中設計人機交互界面， 操作流程簡單易懂。預測平臺具備圖形顯示、功能按鈕設計、文件位置查詢、預測文件自動存儲、參數調節、評價函數結果顯示、預測值顯示等多種界面功能， 在幫助污水處理廠工作人員完成日常檢測調控的同時， 還能夠實現預測過程可視化與預測結果存儲，提升了污水處理過程的智能化。圖4為特征提取工作界面， 該模塊可對原始水質數據進行降維處理， 提取數據中非線性特征。用戶可直觀分析數據與主成分之間的關系， 也可將生成的主成分相關性圖片保存在自定義文件以供后續研究。

圖4 特征提取界面

圖5為QWMGUNN模型訓練和測試工作界面。該模塊可對特征提取后的水質數據進行處理生成新的訓練數據，并選取合適的主成分完成出水COD預測，最后選擇訓練數據進行訓練和測試。點擊訓練和輸出按鈕，系統會將RMSE、MAE、MSE、R2以及訓練時間輸出在訓練結果框內，方便用戶更直觀地對比實際值與測試值。

圖5 訓練和測試界面

4   結論

本文將深度學習與流形學習方法結合，提出了一種基于特征提取的QWMGUNN出水化學需氧量預測方法，并通過PyQt5算法和Python編程語言設計了相關的用戶交互平臺，旨在提升污水處理過程的智能化程度，期望為污水處理動態調控提供關鍵水質參數。

作者簡介：

王  闖（1985-），男，河北保定人，講師，本科，現就職于河南水利與環境職業學院，研究方向為電子信息工程。

劉紫陽（1997-），女，助教，碩士，現就職于河南水利與環境職業學院，研究方向為電機與電氣。

張玉澤（1997-），男，河南鄭州人，助教，碩士，現就職于鄭州科技學院，研究方向為智能控制。

參考文獻：

[1] 韓茜茜, 李凱振, 朱小培, 等. 基于人工智能的圖形化少兒編程系統研究[J]. 機械工程與自動化, 2025, 54 (06) : 152 - 153 + 156.

[2] 江海汕. 智能加藥控制系統設計及在污水廠的應用成效[J]. 機械工程與自動化, 2025, 54 (06) : 200 - 202.

[3] 李曉雪, 王帆. 人工智能驅動的大數據可視化分析系統設計與實現[J]. 中國新技術新產品, 2025, (17) : 46 - 48.

[4] 潘俊安, 丁要男, 尹慧君, 等. 基于PyQt5與YOLOv8的自動化混凝土裂縫檢測系統設計與實現[J]. 信息技術與信息化, 2025, (10) : 45 - 48.

[5] 張中洋. 基于深度學習的移動應用圖形用戶界面組件識別方法研究[D]. 成都: 四川大學, 2021.

[6] 周坤, 張曦, 肖定坤, 等. 基于深度學習的界面設計美學評價研究[J]. 包裝工程, 2020, 41 (12) : 207 - 215.

摘自《自動化博覽》2026年7月刊