１引言

燃料乙醇是一種可再生能源，可作為新的燃料替代品，減少對不可再生能源———石油的消耗［1］。燃料乙醇是未加變性劑，將乙醇進一步脫水達到體積濃度為99.5％以上的無水乙醇［2］，所以，獲取燃料乙醇的前提是乙醇的制備，而乙醇是由玉米、小麥、薯類、糖蜜、秸稈等為原料，經液化糖化、發酵、蒸餾而制成。發酵是乙醇生產過程中較重要的環節之一，在發酵過程中，關鍵生物參量（基質濃度、菌體濃度、乙醇濃度等）是反應發酵進程的重要指標［3-4］。但是，由于發酵過程的高度時變性和不確定性，目前，關鍵生物參量還難以實時在線測量，離線化驗時滯性很大，還無法滿足現場實時優化控制的需要，將軟測量技術應用到發酵過程中，對關鍵變量進行在線估計是當前學術界和工程界的研究熱點。

軟測量技術作為解決此類問題的一種方法，它選擇與被估計變量相關的一組可測變量作為輸入，以被估變量為輸出，構造某種數學模型，并用計算機軟件實現重要過程變量的估計［5］。軟測量建模是軟測量技術的核心。軟測量建模方法主要分為機理建模、數據驅動建模和混合建模。由于發酵過程中乙醇濃度是時刻變化的，要想建立其精確的機理模型是非常困難的，因此更適合于采用數據驅動的方法建立其軟測量模型。在基于數據驅動軟測量建模的眾多方法中，較小二乘支持向量機（Least Square Support Vector Machine,LSSVM）以求解一組線性方程代替標準SVM中較為復雜的二次規劃問題，降低了計算復雜性，得到了廣泛的應用［6］。但考慮到發酵過程中干擾因素較多且相互關聯，輸入變量之間存在的非線性屬性會影響模型的預測精度和泛化能力。因此，采用LSSVM 進行軟測量建模之前，有必要先對輸入變量進行數據壓縮和信息抽取，消除輸入變量之間的相關性。為此，本文將核主元分析法（KPCA）［7］和LSSVM相結合，提出了一種基于KPCA-LSSVM的軟測量建模方法。

以關鍵生物參量之一乙醇濃度的預測為例，首先，利用KPCA提取包含初始樣本數據信息的主元，然后將所提取的主元作為LSSVM的輸入，乙醇濃度作為LSSVM的輸出，建立了乙醇濃度軟測量模型。

仿真結果表明，該模型具有較高的預測精度和良好的泛化性能，且方法簡便易行，在一定程度上為乙醇的高效、高質量生產奠定了基礎。