污水处理过程是一个典型的复杂流程工业过程,具有流程工业过程普遍存在的非线性、强耦合性、不确定性、大时变等特点;尤其是污水处理的进水流量和进水成分被动接受、生化反应过程复杂多变、过程参数难以获取、对象模型不明确等,使得污水处理过程控制非常困难、出水水质难以达标、污水处理运行过程耗能严重。因此,围绕如何保证污水处理平稳运行、出水水质达标、节能降耗等关键问题展开研究,探索智能控制方法与技术,对实现污水处理过程的有效控制具有重要的意义。模型预测控制已广泛地应用于复杂流程工业过程,但是由于污水处理过程对象的是一个强非线性系统,难以建立其精确的模型,一般的模型预测控制难以适应污水处理控制的需求,无法自适应动态的跟踪对象的变化,导致控制精度无法保证。为了解决污水处理过程模型难以建立的问题,文中提出了一种非线性模型预测控制方法,该非线性模型预测控制方法采用自组织模糊神经网络建立污水处理过程的预测模型,基于预测模型实现了污水处理过程溶解氧的精确控制,具有控制精度高,自适应能力强的特点。同时,为了达到污水处理的平稳运行的同时降低污水处理过程的能耗,设计了一种非线性多目标模型预测控制方法,完成了溶解氧和硝态氮等重要控制变量的控制,保证了污水处理过程的稳定运行,达到了出水水质达标和节能降耗的目的。论文主要研究工作和创新点如下:1.污水处理过程预测模型研究;针对污水处理控制中对象模型难以建立的问题,提出一种基于自组织模糊神经网络的污水处理过程预测模型,其能够建立准确的对象模型,并提供精确的预测值,确保控制器准确的跟踪未来轨迹。提出的自组织模糊神经网络(SOA-SOFNN)预测模型可以并发优化过程参数和优化网络结构。首先,网络利用具有自适应学习率的二阶算法调整网络的参数,该算法保证了网络的收敛性和寻优的精度;然后,通过网络性能指标和基于相对重要性的神经网络活跃性指标对网络结构进行动态调整,并通过网络补偿保证网络的收敛性,以提高网络的泛化能力;以上设计都是为增加模型识别污水处理过程特征的能力。最后对预测模型的收敛性进行了证明。该预测模型为污水处理过程中的数据预测提供了可靠的手段。2.污水处理过程非线性模型预测控制方法研究;针对活性污泥法过程中溶解氧控制的必要性,以及控制手段单一,缺乏自适应能力的问题,提出了基于自组织模糊神经网络的非线性模型预测控制方法(SOA-SOFNN-MPC),该模型具有极好的非线性解决能力和自适应能力。其可以通过网络的结构调整来自适应跟踪污水处理系统,动态的维持预测精度,实时跟踪污水处理的特征。另外,该控制策略的稳定性得到了证明。通过在BSM1模型的实际应用,不仅有效的提高了溶解氧的控制精度,避免了溶解氧过高过低影响活性污泥的正常反应,还提高了出水质量并且降低了能耗。3.污水处理过程非线性多目标模型预测控制方法;针对污水处理系统多变量、多参数、强耦合的特点,综合考虑污水处理过程中的多个控制回路,避免耦合带来的控制问题,以此来进一步提高出水水质,并降低能耗。解决方案为采用基于自组织模糊神经网络的多目标模型预测控制策略。该控制策略也引入了自组织模糊神经网络来识别对象,并通过多个模型有效的对污水处理系统进行解耦,同时采用多目标线性规划方法(mp-moLP)来进行控制器的优化。同样,该方法的稳定性也得到了证明,保证了控制策略的可靠性。同时,经过BSM1上的验证,证明了该方法能有效的对溶解氧和硝态氮实现跟踪,并且进一步改善了污水处理系统的性能。