随着工业化、城市化进程的加快以及人口数量的持续增加,水污染问题越来越严重,解决污水问题的一个主要途径是对污水进行净化处理。但污水处理过程是一个复杂的生物化学反应过程,涉及大量的自动化仪表、机械和电气设备,还极易受到季节、天气、流量等诸多因素的干扰和影响,因此,污水处理过程故障频发,污水排放时有超标,甚至直接造成饮用水的水体污染。加强过程监控和故障的提前预测是污水处理过程亟待解决的问题。论文从输出质量变量和输入过程变量两个方面对基于数据驱动的污水处理过程故障诊断与多步预测展开了研究。1.提出了融入先验知识的4层径向基神经网络软测量方法。针对软测量混合建模过程有效信息丢失情况,在传统3层径向基神经网络模型的输入和隐含层之间引入先验层,先验层与输入层之间的权值可直接表征通过机理、统计或者人工智能算法分析得到的各个输入变量的重要程度信息,该权值的变化可以改变径向基神经网络聚类的空间形状,使得样本在训练过程中的聚类更为合理。在此基础上,提出了基于递归偏最小二乘的自适应4层径向基神经网络软测量模型,区别于普通4层径向基神经网络软测量模型输入层和先验层之间的权值固定不变,可在线更新输入层和先验层之间的权值。2.提出了多异质模型集成学习的自适应软测量方法。针对具有线性和非线性混合特性的污水处理过程,构建了多个线性和非线性异质基模型描述过程的多样性,基模型预测值经集成学习模型加权合成输出,相应权值采用递归偏最小二乘法在线修正,有效解决基模型预测值之间的多重共线性问题,提高集成模型预测效果,增强模型的自适应能力。3.提出了变分贝叶斯混合因子分析的半自适应故障诊断方法。针对污水处理过程显著的非线性问题,尤其在系统具有线性和非线性混合特征而不可简单归类于线性或非线性的情况下,对全局数据建立多个因子分析模型,通过加权平均构建了变分贝叶斯混合因子模型,该方法不仅能自动确定局部模型的个数,而且还能够避免模型的过拟合问题;在变分贝叶斯混合因子算法的基础上,通过加权平均改进了传统的监控指标T~2(Hotelling’T~2)和SPE(Squared Prediction Error),对应的权值可根据污水处理过程的实时变化而自适应调整,这种自适应机制并非调整局部模型的平均值和方差来实现模型的自适应调整,而是调整局部模型的各权值来实现,这一方面可避免模型在线处理引起的计算量大的问题,另一方面也可以避免离线模型动态特性差的问题;与此同时,在原始数据矩阵中引入时延数据,加强了模型动态特性的描述能力。4.提出了直接-递归策略的高斯过程回归多步故障预测方法。针对多步预测的输入不确定和污水处理的过程不确定性问题,利用高斯过程建立了多步预测模型,通过高斯过程回归产生的标准方差量化描述不确定性,借助多倍标准方差设定故障预警区间。同时,研究了高斯过程复合核函数描述污水处理过程线性-非线性混合特征的能力,并比较研究了高斯过程、径向基神经网络和自回归滑动平均模型分别采用直接、递归、直接-递归三种策略的多步预测性能。5.提出了基于自联想神经网络的传感器故障诊断与多步预测方法。首先分析了多变量监控模型和监控指标,并利用浅层和深层自联想神经网络建立了非线性映射模型,将高维向量投射到低维主元向量,提取非线性特征,并借助监控统计指标,以较小的计算代价实现了多变量的多步故障预测。为了弱化传统监控统计指标对样本分布的假设要求,利用非参数估算方法核密度估计来估计控制限。此外,针对数据缺失的问题,应用最小化策略估计缺失值,并研究了缺失数据的组成和比率对诊断能力的影响。最后,利用基准仿真模型和加州大学数据库的污水处理数据验证了上述模型的多步故障预测能力。最后,总结了本文所作的主要研究工作,并对该领域有待进一步研究的内容进行了分析。