污水处理厂作为水环境保护链中关键的一环,其安全、稳定的运行是保证出水质量达标的前提条件。而要实现这个目标,离不开对一些关键或主要的过程指标的实时监测。这些指标反映了污水处理过程的重要信息,但大部分属于难以直接测量或不易测量,它们的实时可用性通常与昂贵的硬件成本和不菲的维修费用,以及延迟性响应相联系,因此往往不适合实时监测。要解决这类变量的在线实时获取,软测量技术提供了一个可行、有效的方案。本论文以城市污水处理过程为背景,对数据驱动软测量建模展开了研究。主要研究工作如下:1.研究了面向污水处理的常用数据驱动软测量建模方法的在线预测性能。面向污水处理存在多种数据驱动软测量建模技术,这些方法针对各自文献中的工艺对象建模效果良好,但少有文献对常用基础性建模方法的应用效果进行归纳性研究。与其它过程工业相比,污水处理具有其独特性。如果对这些建模方法在实际应用的表现能有个直接、客观上的认知,不仅有助于加深对污水处理过程特性的理解,而且也能给软测量建模的后续研究,提供一个基础性的参考。因此,通过一组实际污水处理过程数据,对比研究了面向污水处理的四种常用数据驱动软测量建模方法的在线预测性能,所得结论用于后续软测量建模研究的参考。2.提出了一种面向污水处理的深层神经网络软测量模型。有监督神经网络方法是面向污水处理中最为受欢迎的数据驱动软测量建模技术之一,但多以浅层结构为主,在遭遇极端复杂干扰时(如恶劣天气),往往表现得无能为力,而潜在的解决方案之一是诉诸于具有多层结构的深层神经网络。早期深度架构神经网络受困于训练效果不佳,泛化能力差等问题,鲜有成功的应用案例;再者,污水处理具有其独特的实际问题,难以采集到足够的数据量。因此,面向污水处理的基于深层神经网络的软测量建模研究鲜有见报道。针对这种情况,在一种深度学习模型:栈式自编码的基础上构建面向污水处理的深层神经网络软测量模型。同时,针对网络隐含层的节点数无法有效确定的问题,提出一种遗传算法搜寻策略,能够在指定区间范围内自动搜寻合适的数值。最后,通过两个案例研究验证了所提模型的有效性。3.提出了一种面向污水处理的基于深层神经网络的多输出自适应软测量模型。在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适的辅助变量不仅有助于建模,且有利于减少在线仪表的实现成本。因此,提出基于深层神经网络建立多输出软测量模型;并在建模中引入时差建模和变量重要性投影(VIP)这两种方法,以应对性能的退化和实现辅助变量的精选。最后,通过一个实例研究验证了所提模型的有效性。4.针对污泥膨胀难以有效监控的问题,将软测量拓展到了多步预测方案中,提出了一种基于多步预测的软测量模型。丝状菌污泥膨胀是活性污泥处理工艺中普遍存在的、棘手的一种处理障碍现象,严重影响污水处理效果,甚至瘫痪整个设施的运行。基于当前时刻估测方式的软测量技术无法对污泥膨胀的发生实现超前预测,因而错失应对的最佳时机。为此,将软测量拓展至多步预测方案中,提出一种能够实现超前预测的多步预测软测量模型。该方法基于一种间接多步预测策略而实现,通过在迭代预测中构造与预测目标同步的辅助变量信息来减少每步预测误差,进而提升预测效果。最后,通过一组在污泥膨胀下采集的过程数据对所提模型的有效性进行验证。结果表明,所提模型可以对反映污泥膨胀程度的指标:污泥体积指数(SVI)做到长达7天稳定的预测,有效地监控污泥膨胀。最后,简要总结了本文的主要研究工作和成果,并对未来研究内容进行了展望。