自来水生产关乎国民经济发展,是人民生活健康稳定的基础与命脉,同时也是城市重要的基础设施之一。随着我国工业化和城市化的进程不断推进,水资源日益匮乏、供水需求逐年增加,水源分散化、原水多样化、水质复杂化等问题日益严峻,传统的自来水生产方式面临着前所未有的挑战。将先进的计算机、机器学习和数据挖掘技术应用在自来水工业生产中,实现自来水生产信息化,为工业信息化的发展和“互联网+”提供新的思路,具有重要的意义。本研究从系统设计、工业可视化等几个方面探讨了先进的计算机科学、数据挖掘和人工智能在自来水生产工艺中的应用。以北京地区某自来水厂为工程对象,分析自来水处理的工艺流程和生产需求,按照软件开发的基本流程,应用最新的互联网应用系统开发技术设计并构建了一个基于B/S结构的自来水综合工艺调控模拟管理平台。分别实现了工艺流程动态演示、水量控制、设备维修、运行分析等功能,有效提升供水服务的整体品质。平台设计具有移动性高、多平台可用、无需安装客户端、扩展性强等优点。系统已上线通过性能测试,并投入实际生产使用。在平台的水质分析数据的基础上又进一步采用优化的神经网络模型对自来水原水水质预测问题进行了研究。首先通过粒子群优化算法(Particle Swarm Optimization,PSO)改善传统BP神经网络在全局搜索能力方面的缺陷,然后基于PSO-BP算法,引入随迭代次数非线性变化的动态惯性权重,从而有效提升优化算法的收敛速度,增强泛化能力。最后将优化的神经网络模型应用于原水主要污染物指标原水化学需氧量(Chemical Oxygen Demand, COD)的预测过程,并与传统BP神经网络水质预测模型进行比较。仿真结果表明,基于动态惯性权重的粒子群优化BP神经网络能够有效预测原水水质指标,更好地降低预测误差。论文的主要贡献和创新有:填补该厂工艺系统综合调控模拟管理的空白,提供自来水整体工艺线流程和单个构筑物内部工艺展示,工厂管线生产数据预测拟合,生产数据分析整合和图像化、工厂构筑物故障维修模拟以及负荷估算、状态关联显示等功能,为水厂提供水量监控与预警功能提出的基于动态惯性权重的粒子群优化BP神经网络水质预测模型能够较为准确的预测水厂原水水质变化趋势,为水厂水质预测系统的建立提供理论和技术支持。