污泥体积指数(Sludge Volume Index,SVI)是目前广泛用于分析污泥沉降特性的重要指标,该指标的人工检测过程存在步骤繁琐、耗时、成本高、且无法实时检测等问题。实时可靠并准确地预报SVI,对于污水处理工艺的过程检测、故障诊断和操作具有实际应用价值。本文分别研究了以污泥微生物的形态学特征SVI预报建模和曝气池氧量、PH值等工艺参数特征的SVI预报建模问题。前者通过图像分割、形态特征提取以建立污泥中絮状物的形态学特征的SVI预报模型,后者对多条污水处理线上水质检测工作站的污水数据进行分布式SVI预报建模。分布式建模可以利用多水线运行状况的多样性,构建适合各条水线的模型,相对使用单条水线数据,分布式建模使得模型的鲁棒性较好。该论文主要研究工作包括以下几点:1.污泥膨胀早期检测有助于保障活性污泥工艺过程的稳定运行。基于微生物形态学特征建立污泥体积指数软测量模型是一种有效方式,其中絮状物和丝状菌的图像分割是提取污泥形态学特征的关键步骤。在污泥微生物的相差显微图像中,存在絮状物和丝状菌间的灰度差异小、光晕和阴影等伪影现象,使得絮状物和丝状菌的分割成为一个具有挑战性的问题。在本工作中,提出了一种使用图像增强和改进损失函数构建Dual U-Net深度学习模型的方法,实现相差显微图像自动分割。该方法采用了加权二元交叉熵函数和Dice系数相结合的损失函数,以提高前景和背景样本不平衡时的模型分割精度和灵敏度。分割算法的性能由准确性,精度,召回率,F量度和“交并比”(Io U)指标评估。实验结果验证了本工作提出的图像分割方法的有效性,并表明具有组合损失函数的U-Net模型相比二元交叉熵U-Net模型,全卷积神经网络FCN-VGG16和传统分割方法,具有一定的性能优势。2.使用改进U-Net分割模型对实验室活性污泥系统采集的相差显微图像中的絮状物进行分割。在分割结果图的基础上,进一步研究了活性污泥中絮状物的形态学特征提取方法。根据提取到的形态学特征数据进行特征选择,以生成数据样本。使用随机配置网络在数据样本上构建基于形态学特征的SVI预报模型。为增强基于随机配置算法构建的SVI预报模型性能,提高模型的抗过拟合能力和加快模型训练速度。针对经典随机配置网络算法中寻找合适节点,添加节点并计算输出权重和模型残差,判断是否满足停止条件三部分,分别给出了算法的改进措施。提出了早停SCN(Val SCN),L2正则化SCN(L2SCN)和改进模型建模速度的Fast SCN,以及改进算法的组合Val-L2SCN、Val-Fast SCN、L2Fast SCN,SVI建模对比实验结果表明上述各种改进模型的有效性。3.针对多水线监控工作站分散存储的污水数据实现分布式SVI建模和预报的问题,提出了一种分布式正则化随机配置网络的构建方法。该分布式训练算法提供L1正则化、L2正则化和弹性网的惩罚项的选择以防止模型过拟合。具体算法流程,在具有不等式约束的监督机制下构建局部SCN模型,并将模型分发到多水线监控工作站的网络节点上,通过交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)以协作方式解决具有正则化惩罚的全局优化问题,即求解各自SCN模型的输出权重,使之得到统一解,以构建统一的SVI预报模型。在五个基准数据集上的对比实验表明所提出的分布式模型在准确性和稳定性方面具有相对优势。实现地域分散多条活性污泥处理水线活性污泥体积指数分布式建模和测量,相对单水线数据建模,增强活性污泥SVI测量模型的泛化能力和鲁棒性,仿真实验结果显示了该算法的有效性。4.设计和开发了活性污泥体积指数预报软件,并实现本文所提出的方法。该软件的主要功能包括污泥微生物相差显微图像分割、形态学特征提取和数据集生成、改进的随机配置网络算法基于形态学特征的SVI建模和预报、以及采用多污水处理线监控工作站的数据构建SVI正则化分布式随机配置网络并进行SVI预报。软件的测试结果表明所开发的SVI预报系统的有效性。