按照故障診斷Frank教授的觀點，故障診斷方法大致可以分為三類:基于數學模型的方法(解析法)、基于知識的方法和基于數據驅動的方法。 

1. 基于數學模型的方法。基于數學模型的故障檢測，是通過將被檢測對象的可測信息 們由模型表達的系統先驗信息進行比較，從而產生殘差，并對殘差進行分析和處理而實現故障檢測的技術。基于模型的方法發展時間較長，相對比較成熟，它使用根據基本原理構造的 的、定量的數學模型，但主要限于線性系統，性能的好壞很大程度上依賴于過程模型的準確程度。 

20世紀80年代以來，生化反應模型和計算機技術在污水處理過程中的應用日趨廣一泛， 尋求能夠反映污水處理過程復雜特性的數學模型一直是研究熱點。為了促進和規范污水處理 模型的發展，水協會先后推出了活性污泥1號、2號和3號模型·這些模型的推出大大 推動了污水處理過程模型的發展，但從故障診斷的角度來看，由于這些模型大都結構復雜、 參數眾多，模型的可辨識性較差，增加了過程模擬的不確定性，不利于故障診斷的應用。 

對污水處理系統來說，由于生物活動的復雜性、非線性以及處理單元間強藕合性等特 性，基于模型的方法在污水處理的性能監控中難以得到廣泛應用。 

(2)基于知識的方法。基于知識的方法主要是利用人工智能的方法(包括模糊邏輯、因 果分析、專家系統等)，構造某些系統功能以模仿和實現人類(熟練操作人員、技術人員、 專家)在監測控制過程中的某些思維和行為，自動完成整個檢測和診斷過程。基于知識的方 。于不需要對象的數學模型，因此具有很大生命力，其中的專家系統由于具有啟發 性、透明性和靈活性的特點，特別善于解決特定領域內需要大量專門知識才能求解的問題， 因此非常適合解決復雜系統的實時控制和工藝過程的故障診斷等問題。 

(3)基于數據驅動的方法。目前污水處理廠越來越重視過程自動化系統建設，更多的PH儀表用于過程檢測，從而獲得了大量的可用于過程監控的數據。同時隨著工業計算機技術和數 居庫技術的發展.廉價的計算資源和可靠的存儲技術為流程工業數據的分析提供了物質基 礎。如何從生產過程的數據庫中挖掘出隱藏的有用信息，從而對系統進行監控，已成為越來 越迫切的需要。基于數據驅動的方法就是利用工業過程擁有的豐富觀測變量數據，以采集的 土程數據為基礎·通過各種數據處理與分析(如多元統計一方法、聚類分析、小波分析等)挖 掘出數據中隱含的信息，從而指導生產，提高監控系統的監控能力。這種方法比較符合流程 工業的特點，通用性強。 

數據驅動技術的優勢在于它們能夠將高維的數據變換成低維。并從中獲取重要的信息。 通過給過程操作員或與工程師計算出一些有意義的統計數字，可以大大改善大系統的過程監 控系統，而且可以利用這些數據提前預測出系統將要出現的故障，有效地提高產品的質量， 減小企業不必要的損失。 

基于數據驅動的方法不需要了解復雜的過程機理，具有強大的生命力，但其對數據的要 求較高:應用效果依賴于數據的質量和數量·由于資金的限制，我國污水處理廠PH檢測儀的數量和質量有限，無法得到完備的數據信息，因此限制了數據驅動方法的應用。 

(4)知識驅動與數據驅動方法的結合。污水處理過程復雜，伴隨著復雜的物理化學反應 過程、非線性、大時滯和多變量藕合，單純的一種診斷方法往往無法取得滿意的效果。將知 識推理控制方法與數據驅動方法有機地結合起來，取長補短，也是解決污水處理過程診斷的 有效途徑01.和.清華大學的徐麗婕等結合活性污泥數學模型和專家系統開發了城市污水處理廠運 行決策支持系統(WWTP UDSS)，該系統集過程預警、故障診斷、過程模擬和預測等多種功能于一體，為污水處理廠的運行和控制提供必要的支持。