★ 河南水利与环境职业学院 王闯，刘紫阳

★ 郑州科技学院 张玉泽

关键词：出水化学需氧量；深度学习；预测系统；动态调控

在污水处理过程中， 关键水质参数的快速精准测量是水环境管理、污染控制与水资源可持续利用的核心基石，也是开展决策工作的重要前提。依据国家《地表水环境质量标准》等法规要求，化学需氧量（COD）、生物需氧量（BOD5 ）、总磷（TP）、总氮（TN）等关键水质参数是水质评级的重要指标点 [1]。传统实验室化学检测法测量精度较高，但存在化学试剂残留、时效性差、操作复杂度高等缺点，难以实现现代水环境精细化管理、污染预警和过程实时优化的需求；而在线水质分析仪虽然解决了时效性问题，但存在故障率相对较高、不耐腐蚀、数据有效性保障难等缺陷。

深度学习算法的应用， 为污水处理动态调控提供了新的技术手段。该算法能够提取历史数据的时序特征，利用滑动窗口技术建立时序数据集，通过门限神经网络模型完成出水化学需氧量的高效率预测。系统可将预测结果可视化、归档保存，并远程传输给相关人员指导完成污水处理动态调控，提升了污水处理的智能化水平。

深度学习作为近年来人工智能领域应用较为广泛的算法之一 ，已成功应用于工业、生活、医疗、航空等领域 [2]。在污水处理关键水质预测方面， 常见的机器学习算法有反馈神经网络（BP） 、线性回归神经网络、支持向量机（SVM）以及随机森林等。这类算法对线性分布和短时间跨度数据的预测效果较好，但难以有效捕捉长时间序列数据的有益特征 [3]。深度学习中的门限神经网络可以通过门机制有效记忆关键信息和遗忘无效信息，并能够有效掌握长时间序列的关键依赖信息，提升了预测效率。该类算法的典型代表包括长短时记忆神经网络（LSTMNN）、门限单元神经网络（GRUNN）、最小门限单元神经网络（MGUNN）。在污水处理过程中，门限神经网络可对传感器测得的COD、 BOD5、TP、TN、小时流量（WD）等多变量数据进行综合分析[4] ，通过流形学习和成分分析方法对原始水质数据进行特征提取和过程可视化，并利用量子加权最小门限单元神经网络挖掘水质数据长时间依赖关系，实现出水化学需氧量的高效率预测[5]。

出水化学需氧量预测平台以Pyqt5算法库为基础，使用Vscode软件设计相关GUI界面。系统设置首页、模型介绍模块、特征提取模块、训练和测试模块、出水化学需氧量预测模块等，具有易于学习、交互、沟通的优点，为污水处理关键水质参数预测提供了技术支撑，帮助平台用户提升了工作效率[6]。

1   系统整体设计

基于深度学习的出水化学需氧量预测平台主要由模型介绍模块、特征提取模块、模型训练模块、模型预测模块组成，能够实时显示操作时间，如图1所示。

首页模块介绍了出水化学需氧量预测平台的设计理念与模型研究意义，便于用户快速了解平台的相关功能、设计思维和具体技术，增加了平台功能丰富度；模型介绍模块展示了出水化学需氧量预测模型的构建流程图与量子加权最小门限单元结构图，便于工作人员深入了解预测技术的研发流程与结构设计过程；特征提取模块采用流形学习和成分分析方法处理原始水质数据集，重构原始数据拓扑结构，提升了预测效率，并使用热力图展示特征提取结果，用户可清晰判断出各成分之间的相关性；训练和测试模块对特征提取后的数据集进行出水化学需氧量模型训练，训练时可对模型参数进行调节，以适应不同水质预测和污水处理过程。训练完成后，其可以通过模型评价函数进行量化计算，并展示部分测试数据的对比结果；出水化学需氧量预测模块主要是导入待测水质数据，调用训练好的模型完成预测，并将预测结果进行存储，位置可随时查询。

图1 出水化学需氧量系统整体框架

2   深度学习模型构建

在深度学习算法中， LSTMNN作为基础模型，可以通过捕捉多变量水质数据的长时间序列依赖特征，有效记忆关键信息，遗忘冗余信息，改善了时间序列预测效果，现已成功应用于水质检测领域。但LSTMNN水质预测模型普遍存在参数难以调节、训练过程缓慢等缺陷。

因此，本文选取LSTMNN的轻量化变体之一MGUNN作为出水化学需氧量预测模型。在此基础上，结合量子加权神经网络（QWNN）优化MGUNN的前馈网络计算过程，将量子叠加态和量子纠缠态引入MGUNN的权值训练中，重新构建量子加权最小门限单元神经网络（QWMGUNN）作为水质预测的基础模型。

通过水质传感器获取到原始数据集后，首先进行特征提取处理。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）三种方法进行特征提取。对处理后的数据集进行可视化和主成分分析，重构特征提取后的数据集，用于出水化学需氧量预测模型的训练和测试，如图2所示。

图2 特征提取流程

对构建完成的特征提取数据集进行出水化学需氧量预测模型的训练和测试。  QWMGUNN模型的训练参数为时间步数、隐藏层神经元数目及训练批次大小，经过20次重复性实验确定最优参数组合为[3， 5， 96]。后期污水处理厂工作人员在水质条件更换或紧急情况发生时，可以在预测平台上对参数组合进行调整，以寻求最优出水化学需氧量预测模型。在训练时，将数据集划分为80%训练集和20%测试集，综合验证模型预测性能，如图3所示。对QWMGUNN模型进行500次训练和测试后，采用RMSE、MAE、MSE三项模型评价函数进行量化计算， 获取最优出水化学需氧量预测模型， 并将预测值和实际值进行可视化对比。

图3 QWMGUNN模型训练

3   出水化学需氧量预测平台设计

出水化学需氧量预测平台采用Python编程，并基于PyQt5算法库在Vscode软件中设计人机交互界面， 操作流程简单易懂。预测平台具备图形显示、功能按钮设计、文件位置查询、预测文件自动存储、参数调节、评价函数结果显示、预测值显示等多种界面功能， 在帮助污水处理厂工作人员完成日常检测调控的同时， 还能够实现预测过程可视化与预测结果存储，提升了污水处理过程的智能化。图4为特征提取工作界面， 该模块可对原始水质数据进行降维处理， 提取数据中非线性特征。用户可直观分析数据与主成分之间的关系， 也可将生成的主成分相关性图片保存在自定义文件以供后续研究。

图4 特征提取界面

图5为QWMGUNN模型训练和测试工作界面。该模块可对特征提取后的水质数据进行处理生成新的训练数据，并选取合适的主成分完成出水COD预测，最后选择训练数据进行训练和测试。点击训练和输出按钮，系统会将RMSE、MAE、MSE、R2以及训练时间输出在训练结果框内，方便用户更直观地对比实际值与测试值。

图5 训练和测试界面

4   结论

本文将深度学习与流形学习方法结合，提出了一种基于特征提取的QWMGUNN出水化学需氧量预测方法，并通过PyQt5算法和Python编程语言设计了相关的用户交互平台，旨在提升污水处理过程的智能化程度，期望为污水处理动态调控提供关键水质参数。

作者简介：

王  闯（1985-），男，河北保定人，讲师，本科，现就职于河南水利与环境职业学院，研究方向为电子信息工程。

刘紫阳（1997-），女，助教，硕士，现就职于河南水利与环境职业学院，研究方向为电机与电气。

张玉泽（1997-），男，河南郑州人，助教，硕士，现就职于郑州科技学院，研究方向为智能控制。

参考文献：

[1] 韩茜茜, 李凯振, 朱小培, 等. 基于人工智能的图形化少儿编程系统研究[J]. 机械工程与自动化, 2025, 54 (06) : 152 - 153 + 156.

[2] 江海汕. 智能加药控制系统设计及在污水厂的应用成效[J]. 机械工程与自动化, 2025, 54 (06) : 200 - 202.

[3] 李晓雪, 王帆. 人工智能驱动的大数据可视化分析系统设计与实现[J]. 中国新技术新产品, 2025, (17) : 46 - 48.

[4] 潘俊安, 丁要男, 尹慧君, 等. 基于PyQt5与YOLOv8的自动化混凝土裂缝检测系统设计与实现[J]. 信息技术与信息化, 2025, (10) : 45 - 48.

[5] 张中洋. 基于深度学习的移动应用图形用户界面组件识别方法研究[D]. 成都: 四川大学, 2021.

[6] 周坤, 张曦, 肖定坤, 等. 基于深度学习的界面设计美学评价研究[J]. 包装工程, 2020, 41 (12) : 207 - 215.

摘自《自动化博览》2026年7月刊