摘要：

针对燃料乙醇发酵过程中关键生物参量（基质浓度、菌体浓度、乙醇浓度等）在线检测困难，离线化验滞后大，难以实现实时控制的问题，提出了一种基于核主元分析（KPCA）与最小二乘支持向量机（LSSVM）相结合的软测量建模方法。以关键生物参量中乙醇浓度的预测为例，首先，利用KPCA提取软测量输入数据空间中的非线性主元，然后利用LSSVM算法建立了乙醇浓度的软测量模型。仿真结果表明，与PCA-LSSVM建模方法相比，KPCA-LSSVM软测量模型的测量精度高、跟踪性能好、泛化能力强，能满足发酵过程中乙醇浓度的在线测量要求，是一种有效的软测量建模方法。

关键词：燃料乙醇；乙醇浓度；核主元分析；最小二乘支持向量机；软测量

１引言

燃料乙醇是一种可再生能源，可作为新的燃料替代品，减少对不可再生能源———石油的消耗［1］。燃料乙醇是未加变性剂，将乙醇进一步脱水达到体积浓度为99.5％以上的无水乙醇［2］，所以，获取燃料乙醇的前提是乙醇的制备，而乙醇是由玉米、小麦、薯类、糖蜜、秸秆等为原料，经液化糖化、发酵、蒸馏而制成。发酵是乙醇生产过程中最重要的环节之一，在发酵过程中，关键生物参量（基质浓度、菌体浓度、乙醇浓度等）是反应发酵进程的重要指标［3-4］。但是，由于发酵过程的高度时变性和不确定性，目前，关键生物参量还难以实时在线测量，离线化验时滞性很大，还无法满足现场实时优化控制的需要，将软测量技术应用到发酵过程中，对关键变量进行在线估计是当前学术界和工程界的研究热点。

软测量技术作为解决此类问题的一种方法，它选择与被估计变量相关的一组可测变量作为输入，以被估变量为输出，构造某种数学模型，并用计算机软件实现重要过程变量的估计［5］。软测量建模是软测量技术的核心。软测量建模方法主要分为机理建模、数据驱动建模和混合建模。由于发酵过程中乙醇浓度是时刻变化的，要想建立其xx的机理模型是非常困难的，因此更适合于采用数据驱动的方法建立其软测量模型。在基于数据驱动软测量建模的众多方法中，最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）以求解一组线性方程代替标准SVM中较为复杂的二次规划问题，降低了计算复杂性，得到了广泛的应用［6］。但考虑到发酵过程中干扰因素较多且相互关联，输入变量之间存在的非线性属性会影响模型的预测精度和泛化能力。因此，采用LSSVM 进行软测量建模之前，有必要先对输入变量进行数据压缩和信息抽取，xx输入变量之间的相关性。为此，本文将核主元分析法（KPCA）［7］和LSSVM相结合，提出了一种基于KPCA-LSSVM的软测量建模方法。

以关键生物参量之一乙醇浓度的预测为例，首先，利用KPCA提取包含初始样本数据信息的主元，然后将所提取的主元作为LSSVM的输入，乙醇浓度作为LSSVM的输出，建立了乙醇浓度软测量模型。

仿真结果表明，该模型具有较高的预测精度和良好的泛化性能，且方法简便易行，在一定程度上为乙醇的高效、高质量生产奠定了基础。

登陆电子应用网，报名参加Linear2015研讨会（杭州站、南京站）啦！

全文戳这里哟

↓↓↓↓↓↓