With the development of machine learning and artificial intelligence (ML/AI) models, data-driven soft sensors, especially the neural network-based, have widespread utilization for the prediction of key water quality indicators in wastewater treatment plants (WWTPs). However, recent research indicates that the prediction performance and computational efficiency are greatly compromised due to the time-varying, nonlinear and high-dimensional nature of the wastewater treatment process. This paper proposes a neural network-based soft sensor with double-errors parallel optimization to achieve more accurate prediction for effluent variables timely. Firstly, relying on the Activity Based Classification (ABC) principle, an ensemble variable selection method that combines Pearson correlation coefficient (PCC) and mutual information (MI) is introduced to select the optimal process variables as auxiliary variables, thereby reducing the data dimensionality and simplifying the model complexity. Subsequently, a double-errors parallel optimization methodology with minimizing both point prediction error and distribution error simultaneously is proposed, aiming to enhancing the training efficiency and the fitting quality of neural networks. Finally, the effectiveness is quantitatively assessed in two datasets collected from the Benchmark Simulation Model no. 1 (BMS1) and an actual oxidation ditch WWTP. The experimental results illustrate that the proposed soft sensor achieves precise effluent variable prediction, with RMSE, MAE and R

The precise detection of effluent biological oxygen demand (BOD) is crucial for the stable operation of wastewater treatment plants (WWTPs). However, existing detection methods struggle to meet the evolving drainage standards and management requirements. To address this issue, this paper proposed a multivariable probability density-based auto-reconstruction bidirectional long short-term memory (MPDAR-Bi-LSTM) soft sensor for predicting effluent BOD, enhancing the prediction accuracy and efficiency. Firstly, the selection of appropriate auxiliary variables for soft-sensor modeling is determined through the calculation of k-nearest-neighbor mutual information (KNN-MI) values between the global process variables and effluent BOD. Subsequently, considering the existence of strong interactions among different reaction tanks, a Bi-LSTM neural network prediction model is constructed with historical data. Then, a multivariate probability density-based auto-reconstruction (MPDAR) strategy is developed for adaptive updating of the prediction model, thereby enhancing its robustness. Finally, the effectiveness of the proposed soft sensor is demonstrated through experiments using the dataset from Benchmark Simulation Model No.1 (BSM1). The experimental results indicate that the proposed soft sensor not only outperforms some traditional models in terms of prediction performance but also excels in avoiding ineffective model reconstructions in scenarios involving complex dynamic wastewater treatment conditions.