针对污水处理过程存在无效或受污染的数据集，导致污水处理过程难以准确建模的问题，研究团队提出了一种机理-数据混合驱动的智能特征建模方法，并运用于污水处理关键水质参数预测中。研究团队基于进水流量和进水总氮浓度的相似度设计了滚动条件划分策略，自适应划分污水处理过程的运行工况，避免不同工况间波动和干扰的相互影响。针对具有有效数据集的运行工况，利用一种数据驱动模型提取污水处理过程的动态特征。另外，利用机理模型捕捉污水处理过程在预设场景或相似场景下的通用机理特征，补偿无效数据集导致的不可靠的监测结果。因此，机理-数据混合驱动模型根据污水处理过程数据的类型，自适应选择不同建模方法对污水处理过程进行监控，实现总氮去除量的连续、可靠监测。将机理-数据混合驱动模型应用于实际城市污水处理过程，当存在无效和受污染的数据集时，运行结果显示平均拟合度达到81.41%，明显高于数据驱动或机理等单一建模方法。

代表性成果：

[1] Han Honggui, Sun Chenxuan, Wu Xiaolong, Yang Hongyan, Qiao Junfei, Self-Organizing Interval Type-2 Fuzzy Neural Network Using Information Aggregation Method, IEEE Transactions on Neural Networks and Learning Systems, doi: 10.1109/TNNLS.2021.3136678.

[2] Han Honggui, Sun Chenxuan, Wu Xiaolong, Yang Hongyan, Qiao Junfei, Self-Organizing Interval Type-2 Fuzzy Neural Network with Adaptive Discriminative Strategy, IEEE Transactions on Fuzzy Systems, 2022, doi: 10.1109/ TFUZZ.2022.3215470.