【技术实现步骤摘要】
本专利技术涉及污水处理设备的效果分析领域，尤其涉及一种基于污水处理设备的使用效果智能分析方法及装置。
技术介绍
1、随着城市化进程的加快和人口的增长，污水处理成为维护环境健康和可持续发展的关键环节。有效地处理污水不仅有助于防止水体污染和生态系统受损，还可以确保清洁的水资源供应，满足人们的生活和工业用水需求。然而，传统的污水处理方法往往效率低下，难以满足日益增长的需求，因此，科技的进步在污水处理领域发挥着越来越重要的作用。
2、现阶段，我国的污水处理设备的效果分析主要包括：物理法、生物法以及模型预测分析法，其中，物理法指的是对利用机器视觉获取污水水下图像，在根据图像进行色素分析完成污水效果检测，本方法容易受到环境的影响，进而导致效果检测的精准度不高；当利用生物法来分析污水处理设备的效果的时候，由于生物法是利用生物指标来评估污水处理使用效果，需要一段时间观察生态系统的响应，成本高，也容易受到环境因素的干扰；因此目前的基于污水处理设备仍然面临着检验精准度低的问题。
技术实现思路
1、本专利技术提供一种基于污水处理设备的使用效果智能分析方法及装置，其主要目的在于解决基于污水处理设备检验精准度低的问题。
2、为实现上述目的，本专利技术提供的一种基于污水处理设备的使用效果智能分析方法，所述方法包括：
3、获取污水处理设备的历史污水数据，根据所述历史污水数据对预设的反向传播神经网络进行模型训练，得到污水神经网络模型；
4、利用改进粒子群算法优化所述
5、对所述污水模型进行时间序列分析，得到污水效果指标模型；
6、获取目标污水设备的污水进口数据以及出口数据，利用所述污水效果指标模型对所述目标污水设备的污水进口数据以及出口数据进行指标对比，得到污水处理的指标效果数据。
7、可选地，所述根据所述历史污水数据对预设的反向传播神经网络进行模型训练，得到污水神经网络模型，包括：
8、对所述历史污水数据进行标准化，得到标准化数据；
9、对所述反向传播神经网络进行初始化，得到初始化网络；
10、利用所述初始化网络对所述标准化数据进行正向传递，得到预测输出；
11、将所述预测输出与预先获取的历史污水数据的期望输出进行差值运算，得到误差信号；
12、利用梯度下降法根据所述误差信号调整所述初始化网络参数，得到污水神经网络模型。
13、可选地，所述利用梯度下降法根据所述误差信号调整所述初始化网络参数，得到污水神经网络模型，包括：
14、根据所述误差信号，计算出所述初始化网络内输出层神经元的偏导数；
15、对所述输出层神经元的偏导数进行加权求和，得到计算结果；
16、将所述计算结果与所述初始化网络内的激活函数进行导数相乘，得到梯度；
17、根据所述梯度结果利用梯度下降公式更新网络参数，得到污水神经网络模型。
18、可选地，所述利用改进粒子群算法优化所述污水神经网络模型的模型参数，得到污水模型，包括：
19、统计所述污水模型的模型参数的总个数；
20、将所述模型参数转化为粒子，得到粒子群、粒子位置以及粒子速度；
21、初始化所述粒子群，得到初始粒子群；
22、利用预先设定好的适应度函数计算所述初始粒子群中粒子的适应度值；
23、记录所述适应度中的个体极值与全局极值；
24、利用更新公式更新粒子的速度和位置，得到更新后粒子；
25、计算所述更新后粒子的适应度值并进行适应度值对比，得到个体最优解和全局最优解；
26、执行预设次数的利用更新公式更新粒子的速度和位置步骤，得到全局最佳参数；
27、根据所述全局最佳参数更新所述模型参数，得到污水模型。
28、可选地，所述将所述模型参数转化为粒子，得到粒子群、粒子位置以及粒子速度，包括：
29、利用二进制编码将所述模型参数转化为二进制数，得到粒子；
30、计算出所有所述粒子的数目，得到粒子群；
31、利用随机算法对每个粒子进行随机运算，得到粒子位置以及粒子速度。
32、可选地，所述计算所述更新后粒子的适应度值并进行适应度对比，得到个体最优解和全局最优解，包括：
33、根据所述更新后粒子位置计算出更新后适应度；
34、逐个选取一个更新后粒子作为目标粒子；
35、将所述更新后适应度与更新前的适应度进行对比；
36、若更新后适应度值高于更新前的适应度值，则将所述适应度值作为个体最优解。
37、可选地，所述对所述污水模型进行时间序列分析，得到污水效果指标模型，包括：
38、对所述历史污水处理数据插入时间序列值，得到数值序列；
39、利用自相关分析法对所述数值序列进行相关分析，得到分析结果；
40、根据所述分析结果建立时间序列初始模型；
41、对所述时间序列初始模型进行参数估计，得到时间序列预测模型；
42、将所述时间序列预测模型集成到所述污水模型中，得到污水时序模型；
43、对所述污水时序模型利用预设的训练数据进行训练，得到污水效果指标模型。
44、可选地，所述利用自相关分析法对所述数值序列进行相关分析，得到分析结果，包括：
45、对所述数值序列进行平稳性检验；
46、若所述数值序列通过了平稳性检验，则将所述数值序列作为自相关分析数据；
47、若所述数值序列没有通过平稳性检验，则对所述数值序列进行差分处理，得到自相关分析数据；
48、利用自相关函数对所述自相关数据进行分析，得到分析结果。
49、可选地，所述利用所述污水效果指标模型对所述目标污水设备的污水进口数据以及出口数据进行指标对比，得到污水处理的指标效果数据，包括：
50、利用所述污水效果指标模型对所述目标污水设备的污水进口数据进行模拟，得到污水模拟数据以及污水预测数据；
51、将所述污水模拟数据与所述污水出口数据进行差值对比，得到污水的当下指标数据；
52、若所述污水的当下指标数据小于或等于预设指标阈值，则将所述污水预测数据与预先获取污水标准数据进行对比，得到污水的预测指标数据；
53、根据所述污水的预测指标数据以及预先获取的污水评判标准，得到污水指标效果数据；
54、若所述污水的当下指标数据大于预设指标阈值，则直接获得污水指标效果数据。
55、为了解决上述问题，本专利技术还提供一种基于污水处理设备的使用效果智能分析装置，所述装置包括：
56、污水神经网络模型构建模块，获取污水处理设备的历史污水数据，根据所述历史污水数据对预设的反向传播神经网络进行模型训练，得到污水神经网络模型；本文档来自技高网...
【技术保护点】
1.一种基于污水处理设备的使用效果智能分析方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述根据所述历史污水数据对预设的反向传播神经网络进行模型训练，得到污水神经网络模型，包括：
3.如权利要求2所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述利用梯度下降法根据所述误差信号调整所述初始化网络参数，得到污水神经网络模型，包括：
4.如权利要求1所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述利用改进粒子群算法优化所述污水神经网络模型的模型参数，得到污水模型，包括：
5.如权利要求1所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述将所述模型参数转化为粒子，得到粒子群、粒子位置以及粒子速度，包括：
6.如权利要求1至5中任一项所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述计算所述更新后粒子的适应度值并进行适应度对比，得到个体最优解和全局最优解，包括：
7.如权利要求6所述的基于污水处理设备的使用效
8.如权利要求6所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述利用自相关分析法对所述数值序列进行相关分析，得到分析结果，包括：
9.如权利要求6所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述利用所述污水效果指标模型对所述目标污水设备的污水进口数据以及出口数据进行指标对比，得到污水处理的指标效果数据，包括：
10.一种基于污水处理设备的使用效果智能分析装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于污水处理设备的使用效果智能分析方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述根据所述历史污水数据对预设的反向传播神经网络进行模型训练，得到污水神经网络模型，包括：
3.如权利要求2所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述利用梯度下降法根据所述误差信号调整所述初始化网络参数，得到污水神经网络模型，包括：
4.如权利要求1所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述利用改进粒子群算法优化所述污水神经网络模型的模型参数，得到污水模型，包括：
5.如权利要求1所述的基于污水处理设备的使用效果智能分析方法，其特征在于，所述将所述模型参数转化为粒子，得到粒子群、粒子位置以及粒子速度，包括：
6.如...
【专利技术属性】
技术研发人员：谭志吾，邓先明，
申请(专利权)人：深圳市中科云驰环境科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。