1.一种基于自适应神经网络模型的曝气系统溶解氧控制方法，其特征在于，所述曝气系统溶解氧控制方法包括：步骤1、实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，并对所述相关水质监测数据进行数据预处理；

步骤2、利用主成分分析的方法针对预处理后的所述相关水质监测数据与所述曝气系统的溶解氧浓度值进行主成分分析，确定所述相关水质监测数据中对于主成分贡献率最高的水质参数；

步骤3、将主成分分析方法确定的对于主成分贡献率最高的水质参数作为所述自适应神经网络模型的输入，通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值；

步骤4、将自适应神经网络模型得到的溶解氧预测值通过模糊算法进行优化，得到最优调控值，利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控；

其中，步骤1中所述的实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，包括：设置预设分组时间段，所述预设分组时间段的时间范围为30s‑60s；

在所述预设分组时间段内采集水质数据，并在预设分组时间段结束时，确定预设分组时间段内所采集的当前组水质数据中，每种水质参数的采集数据的个数；其中，所述水质数据中所包含的水质参数种类包括：进水化学需氧量、进水流量、曝气反应池内温度、pH值、污泥指数、30min沉降比、污泥浓度、固体悬浮物和溶解氧监测数据；

根据每种水质参数的采集数据的个数对所述预设分组时间段的时间长短进行调整，直至调整至规定数据个数标准，并将满足规定数据个数标准情况下对应的调整后的预设分组时间段确定为标准分组时间段；其中，所述规定数据个数标准为当前组水质数据中，至少有一种水质参数的采集数据的个数为一个数据，并且，其他种类的水质参数在当前组水质数据中的采集数据的个数最多不超过三个；其中，对所述预设分组时间段的时间长短进行调整时，单次的时间调整幅度通过如下公式获取：其中，ΔTz表示需要延长所述预设分组时间段的情况下，单次的时间调整幅度；ΔTj表示需要缩短所述预设分组时间段的情况下，单次的时间调整幅度；INT（）表示向下取整函数；T0表示预设分组时间段；k表示当前所述预设分组时间段内所采集的水质数据中，采集数据个数超过3个的水质参数的种类个数；Ti表示当前所述预设分组时间段内所采集的水质数据中，第i个采集数据个数超过3个的水质参数的数据采集时间间隔；T1表示k个采集数据个数超过3个的水质参数中，采集数据个数最多的水质参数对应的数据采集时间间隔；

在每个所述标准分组时间段内实时采集水质数据，每个标准分组时间段作为一个数据采集周期，其对应一组水质数据；每采集到一组水质数据后，针对每组水质数据中每种包含多个采集数据个数的水质参数进行平均数处理，获取所述包含多个采集数据个数的水质参数对应的唯一水质参数，保证每组水质数据中，每种水质参数只包含一个参数数据；

将处理后的每种水质参数只包含一个参数数据的一组水质数据作为当前一个数据采集周期所获取的相关水质监测数据。

2.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，步骤1中的所述数据预处理包括数据降噪、剔除异常数据值和数据填补。

3.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，利用如下公式对预处理后的所述相关水质监测数据进行主成分分析：其中，Xmⅹn为模型的样本矩阵，m为样本个数，n为变量个数；rij表示Xi和Xj的相关度系数；Xi和Xj分别表示样本矩阵中的二维向量；var表示方差；cov表示协方差；y1表示  , ，, 满足式子的所有线性组合中方差最大的指标因子；yt表示第t主成分；C11、C12、……C1t分别表示y1各指标xt的相关系数；Ct1、Ct2、……Ctt分别表示yt各指标xt的相关系数；x1、x2、……xt表示样本中的各成分。

4.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，步骤2中的所述相关水质监测数据中对于主成分贡献率最高的水质参数的确定标准如下：选择累计贡献率大于或等于85%的主成分，作为对于主成分贡献率最高的水质参数，并且作为所述自适应神经网络模型的输入进行溶解氧浓度预测。

5.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，步骤3中的通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值，包括：步骤301、对输入特征进行模糊化处理，确定所述自适应神经网络模型中的每个神经元节点的隶属度函数值；

步骤302、计算所述自适应神经网络模型的每个节点的输出值；

步骤303、对每条规则的权重进行归一化处理；

步骤304、计算每条规则相对应的规则输出；

步骤305、去模糊化得到确切的额输出。

6.根据权利要求5所述曝气系统溶解氧控制方法，其特征在于，步骤3中的通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值的详细过程如下：步骤301、将输入的x、y变量进行模糊化处理，利用隶属度函数对每个神经元i进行模糊化操作，得到一个[0,1]的隶属度，所述隶属度如下：其中：x和y为神经元节点的输入，O1,i是模糊集A的隶属度， ，从而A的隶属度函数为μA(x)；

步骤302、将步骤301获得的隶属度进行模糊集的运算，将所述自适应神经网络模型的节点的输出为每个神经元的隶属度相乘所得到的值：其中，每个节点的输出O2,i均对应规则所表现出的激励强度；

步骤303、将步骤302获得每条规则的权重进行归一化处理：

其中，O3,i表示归一化处理后的数据；ωi为第二层所得到的激励强度也成为规则权重；

步骤304、针对每条规则计算规则的结果，该所述自适应神经网络模型的层中，每个神经元节点都自带节点隶属度函数从而计算出每条规则相对应的规则输出：其中，O4,i表示规则输出； 为从第三层传来的相对应规则权重所占总权重的比例；

为本层节点的参数集，本层的参数也被称为结论参数；

步骤305、针对步骤304获得的规则输出进行去模糊化得到确切的输出值，通过计算所有规则传来的信号总和作为节点输出也是整个系统的总输出：其中，O5,i表示为整个系统的总输出值，也即为所述自适应神经网络模型的预测值。

7.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，步骤4中的利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控，包括：利用模糊PID控制器对所述自适应神经网络模型的模糊控制系统进行在线调控；所述模糊PID控制器包括PID控制器和模糊化模块；所述模糊化模块通过在运行中不断监测所述自适应神经网络模型的分析误差e和误差变化率ec与PID三个参数之间的模糊关系，依据模糊控制规则对所述PID控制器的三个参数进行在线调整。

8.根据权利要求1所述曝气系统溶解氧控制方法，其特征在于，所述曝气系统溶解氧控制方法对应的控制系统包括：数据处理模块，用于实时对污水处理厂的水质数据进行监测和采集，获得相关水质监测数据，并对所述相关水质监测数据进行数据预处理；

数据分析模块，用于利用主成分分析的方法针对预处理后的所述相关水质监测数据与所述曝气系统的溶解氧浓度值进行主成分分析，确定所述相关水质监测数据中对于主成分贡献率最高的水质参数；

神经网络模型预测模块，用于将主成分分析方法确定的对于主成分贡献率最高的水质参数作为所述自适应神经网络模型的输入，通过自适应神经网络模型通过自适应神经网络模型预测所述曝气系统的各时刻的溶解氧浓度值；

智能调控模块，用于将自适应神经网络模型得到的溶解氧预测值通过模糊算法进行优化，得到最优调控值，利用所述最优调控值对所述自适应神经网络模型的模糊控制系统进行在线调控。