目前,伴随着工业化、城市化迅猛发展和人口日益增长,污水排放量也不断增加,水污染已经成为人们所关注焦点话题。为了更好地解决水污染问题,当务之急是必须要加强污水净化处理相关研究。然而,污水处理工艺往往有着较为复杂的生化反应过程,其中涉及大量的检测、监测设备,且易受到季节、水流量等诸多因素影响,污水处理厂故障时常会出现。因此,对整个污水处理厂进行准确、有效地故障检测与诊断显得尤为重要。由于存在上述这些因素不利影响,污水处理过程难以建立精确机理模型,但是该过程会产生大量包含过程信息的历史数据,因此,近年来基于数据驱动的污水处理厂故障诊断方法得到了广泛地研究。针对基于数据驱动的故障诊断方法中,多元统计方法和神经网络模型应用最为广泛,它们皆是运用残差统计特性来进行故障诊断。考虑到污水处理过程中存在扰动、噪声等诸多不确定因素影响,残差统计特性较难获得。因此,本文提出了一种新的故障诊断方法,该方法将集员辨识与径向基函数(RBF)神经网络相结合建立区间预测模型,并基于此区间预测模型构造故障诊断策略,置信区间是残差阈值的一种表达形式,此区间的计算不需要任何变量的统计特性,具有很好的实用性。将该方法应用到污水处理厂故障检测与诊断中,并借助仿真模型和实验结果分析,进一步证实了本文所提及方法具有良好可靠性和有效性。本文主要研究内容概述如下:(1)污水处理基准仿真模型搭建:熟悉活性污泥污水处理工艺流程,并对其特性进行详细分析,针对于欧盟科学技术合作组织(COST)和国际水协(IWA)共同研发的基准仿真模型(BSM1),做进一步深入研究,充分地了解BSM1内部结构、生化反应池和二沉池等重要信息;最后,搭建Matlab环境下实验平台,建立仿真模型进行仿真实验分析,得出结论:现有数据在用于验证模型时,充分地证实了模型的可靠性和有效性,为污水处理厂故障检测与诊断策略提供了仿真平台。(2)区间预测模型研究:针对带有未知但有界噪声干扰的系统,利用RBF神经网络对其进行逼近,使用集员辨识算法来估计RBF神经网络输出权值,得到输出权值集合描述,在系统运行过程中,利用所建模型就可以预测得到实际系统的预测区间。以一个非线性系统为例,进行仿真实验分析,并将其与最小二乘法辨识RBF神经网络输出权值区间预测方法进行对比,得出结论:本文所提及方法具有显著地优越性,为污水处理厂故障检测与诊断应用奠定坚实理论基础。(3)区间预测模型在污水处理厂故障检测与诊断中的应用:在BSM1上仿真实际污水处理厂常见的三种故障场景:过程变量传感器故障、出水水质变量传感器故障和污水处理过程异常,结合BSM1所得到数据,建立区间预测模型并构造污水处理厂故障检测与诊断策略,进行仿真实验分析,得出结论:本文所提及方法能有效的完成污水处理厂传感器的故障检测与诊断。