随着社会的发展,人们对环境和资源可持续发展越来越重视,对污水处理的要求越来越高。污水处理过程是一个多变量耦合、参数时变、强非线性、大不确定性的复杂生化系统,许多重要的过程变量无法使用传统的硬件传感器在线测量。对此,软测量技术通过容易测得的过程变量,构建关于目标变量的实时估计模型,从而实现待测过程变量的测量。然而,直接使用现场采集的原始数据建立软测量模型可能导致预测性能不准,甚至造成污水处理系统整体性能下降。此外,随着时间的推移,模型的性能逐步下降,甚至不再适用于当前的工作点。本文以污水处理过程为背景,对软测量的数据处理、建模、模型维护以及可解释性进行了研究。本论文的主要研究内容如下:1.针对数据的噪声、漂移等问题,将零-均值标准化与时间差分算法两种数据预处理方法加入到建模过程。针对原始样本数据中的多变量耦合、相关性较强、冗余性大等问题,研究了变量投影重要性、遗传算法、移动窗口法以及最小绝对收缩和选择算子四种变量选择方法,并以模型预测污水出水BOD性能为评价指标,对四种变量选择方法进行了校验。结果表明,变量选择能够在降低输入数据维度与模型复杂度的同时显著提高模型的预测精度。2.为了解决污水关键质量指标BOD的在线测量,研究了极限学习机和高斯过程回归模型,探讨了模型的参数选定以及各自的优缺点,并将四种变量选择方法与模型结合,同时与污水处理中常用的偏最小二乘模型进行比较。为了解决模型性能退化问题,提出了TD-JIT自适应框架,将模型以传统的离线训练、在线测量的方式拓展为自适应模型,保证在系统变化的情形下模型的整体性能。3.研究了基于多变量格兰杰因果关系的软测量模型可解释性。面向污水处理的软测量建模中,数据驱动的建模方法简易有效得到了广泛的应用。该方法将污水处理过程看作黑箱模型,使用输入输出变量建模获得对目标变量的预测,模型的可解释性差。将移动窗口法结合多变量格兰杰因果分析可获得模型输入变量与输出变量的动态因果关系序列,从格兰杰因果关系出发研究模型的可解释性。同时利用ARMA模型对变量的格兰杰因果关系进行多步预测,以掌握污水过程变量的发展趋势,及时调整模型。