针对污水处理过程的非平稳性和多工况性导致的突破经济性、安全性边界问题，研究团队提出了一种事件驱动的表征模型主动学习方法，设计出污水处理过程水质动态表征模型。结合深度无监督特征学习思想，设计了有效特征驱动的模糊学习模型，解决了来自传感器的水质数据效率低下的问题，保证了水质特征建模的可行性。提出了结合性能势评价策略和序优化算法，提出了一种事件驱动的参数选择性学习算法，以事件驱动的形式主动适应不同运行工况，从而提高模型表征效率。运行结果显示，精确度提升17.82%、计算复杂度提升51.79%，明显优于被动接收数据类方法。基于水质动态表征模型开发出城市污水处理过程水质动态感知技术，有效降低了由于非平稳性和多工况性导致的突破经济性、安全性边界的概率。

代表性成果：

[1] Wang Gongming, Bi Jing, Jia Qing-shan, Qiao Junfei, Wang Lei. Event-driven model predictive control with deep learning for wastewater treatment process , IEEE Transactions on Industrial Informatics, Early Access, 2022, pp. 1-9. (DOI: 10.1109/TII.2022.3177457)

[2] Wang Gongming, Qiao Junfei. An efficient self-organizing deep fuzzy neural network for nonlinear system modeling. IEEE Transactions on Fuzzy Systems, 2022, 30(7): 2170-2182.

[3] Wang Gongming, Jia Qing-shan, Zhou Mengchu, Bi Jing, Qiao Junfei, Abusorrah Abdullah. Artificial neural networks for water quality soft-sensing in wastewater treatment: A review, Artificial Intelligence Review, 2022, 55(1): 565–587.