基于XGBoost化工企业污水排放异常成因分析

摘要

随着化工企业快速发展,环保和化学安全问题变得越来越突出,特别是城市排水管网建设相对滞后所带来的污水排放问题日益严重。当前污水排放治理中存在监测手段复杂,监测实时性低等问题,传统的数据分析处理方式由于数据种类繁多,无统一数据处理方式等原因难以解决。针对以上问题,提出了一种基于XGBoost的化工企业排放异常识别分类模型。将收集到的流量数据预处理再聚类后进行分类建模。该模型采用机器学习技术监测排水管网,减少人为干预,提高检测效率。此外,该监测方法不需要升级改造现有排水管网,而是深度挖掘现有设备提供的数据信息,避免了对一些未系统化整改的老城区排水管网过高的要求。本研究主要内容如下:(1)收集城市化工企业排污在线监测系统提供的数据集,将监测点位地图监测数据分别可视化处理,分析数据间相关性。将数据集进行预处理以符合后续算法规范格式。(2)基于现有城市排水管网未分类且缺乏统一的分类标准的监测数据集,采用无监督聚类算法Mini Batch K-means对数据进行了分类,将其分为“偷排漏排、雨污混接、入流入渗、正常”四类,并相应打上“0、1、2、3”的标签。(3)使用XGBoost对这四类标签的数据进行多分类建模,并通过调节参数提高模型的性能,最终实现了基于XGBoost的城市化工企业排放异常识别分类模型。实验结果表明,该模型的分类准确率高于80%,可以有效地监测化工企业的排放情况,提高城市水环境的保障水平,减少城市化工企业生产所带来的环境和安全隐患。(4)将模型封装成Web API,实现用户使用在线监测系统对化工企业排污情况进行监控和预警,并及时处理异常情况,从而正真有效预防环境污染和生态破坏。综上所述,建立了基于XGBoost算法模型,构建了化工企业排放异常识别模型,该模型在精准识别四种排水情况上表现出较高的分类精度和良好的性能。该模型实现嵌入Web端化工企业排水实时监测系统,可对化工企业排污监控预警,为城市化工企业排水管网监测提供了一种可行且有效的解决方案,具有一定的理论和实践意义。

目录

摘要

Abstract

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于物理监测的排水管网检测手段

1.2.2 基于机器学习的排水管网监测手段

1.3 研究的主要工作内容

1.3.1 研究目的

1.3.2 研究内容

1.3.3 技术路线

1.4 章节安排

第2章 化工企业排放异常识别分类模型技术概述

2.1 数据预处理

2.1.1 数据清洗

2.1.2 特征选择

2.1.3 权重设置

2.2 Mini Batch K-means

2.2.1 聚类分析

2.2.2 无监督学习

2.2.3 K-means 算法原理

2.2.4 Mini Batch K-means 算法原理

2.3 分类算法

2.3.1 传统GBDT算法

2.3.2 XGBoost 分类模型

2.4 本章小结

第3章 基于无监督算法化工排水数据聚类

3.1 城市化工企业排水数据收集

3.2 数据预处理

3.2.1 特征选择结果

3.2.2 数据标准化

3.2.3 数据不均衡调参

3.3 数据分类标定

3.3.1 聚类效果评估

3.3.2 偷排漏排数据标定

3.3.3 入流入渗数据标定

3.3.4 雨污混接数据标定

3.3.5 正常数据和混合异常数据处理

3.4 本章小结

第4章 基于 XGBoost 化工企业排放异常识别分类模型建立

4.1 模型建立流程

4.2 模型训练

4.3 参数优化

4.4 模型结果分析对比

4.5 本章小结

第5章 化工企业污水排放异常识别模型应用

5.1 系统方案设计

5.1.1 系统需求分析

5.1.2 系统构架

5.2 系统设计相关技术

5.2.1 模型保存

5.2.2 封装模型

5.3 Web端显示

第6章 总结和展望

6.1 总结

6.2 展望

参考文献