污泥膨胀一直是干扰活性污泥法污水处理工艺安全运行的难题之一,其不仅发生率高,而且普遍存在。由于污泥膨胀机理复杂,影响因素众多,很难建立精确的数学模型;同时,由于污泥膨胀的关键指标污泥容积指数(Sludge Volume Index,SVI)很难在线检测,现存污泥膨胀的识别方法存在精度低、滞后时间长、稳定性差和维护成本高等缺点。因此,针对污泥膨胀的实时识别问题,文中建立了基于递归自组织RBF(Recurrent Self-Organizing RBF,RS-RBF)神经网络的SVI软测量模型,完成了污泥膨胀智能检测系统的设计,实现了污泥膨胀的有效识别。该论文主要的研究工作包括以下几点:1.SVI软测量模型辅助变量选择;分析污水处理过程中影响污泥沉降的主要因素,根据污泥沉降性能要求,污水处理过程生化反应机理和污泥膨胀指数相关性分析,提取出与SVI相关的参量。分析相关性参量的重要性并挖掘出重要参量的信息,将相关参量表示为SVI软测量模型的辅助变量,并利用偏最小二乘方法(Partial Least Squares,PLS)确定SVI软测量模型的主要辅助变量(MLSS、COD、DO、pH、TN)。2.RS-RBF神经网络设计;为了提高SVI软测量模型的精度,文中通过对递归RBF神经网络结构及承担任务变化需求分析,提出一种递归RBF神经网络结构自组织设计方法。该结构增长—修剪机制是基于神经网络信息处理能力及竞争性分析,判断增加或删除递归RBF神经网络隐含层中的神经元,实现了递归RBF神经网络结构在线调整,提高了递归RBF神经网络的性能。非线性系统建模的实验结果表明:提出的RS-RBF神经网络与其他自组织神经网络相比,具有更精简的神经网络结构和更高的预测精度。3.基于RS-RBF神经网络的SVI软测量模型研究;针对SVI的在线测量问题,将提出的RS-RBF神经网络应用于SVI软测量模型设计,并提出了一种适合于RS-RBF神经网络的自适应二阶算法(Adaptive Second-Order Algorithm,ASOA),实现了SVI的在线测量。将设计的SVI软测量方法应用于实际污水处理过程中试平台,实验结果表明:与传统的测量方法相比,基于RS-RBF神经网络的SVI软测量模型需要的先验知识较少,而且避免了复杂的模型结构辨识问题,可以有效地对SVI进行测量。4.污泥膨胀智能检测系统设计;针对目前污泥膨胀尚无实用的检测系统问题,文中设计并开发了一种SVI智能预测系统。该系统主要包括用户管理模块、用户登陆模块、样本数据管理模块、模型训练模块、模型预测模块以及模型预警模块。在软件设计方面,首先,利用Visual Studio 2010软件完成系统界面的设计,提供模型训练、模型预测以及模型预警等功能。其次,运用MATLAB软件以及数据库技术,并嵌入基于RS-RBF神经网络的SVI智能预测模型,实现了智能预测模型的计算。最后,通过各个模块之间的信息传输,实现SVI预测值的输出并显示,达到污泥膨胀预测可视化的目的。