CN106052753A - 基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法 - Google Patents

Abstract

本发明公开了基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，该方法依赖硬件平台及测量仪表与计算机系统软件进行智能计算，通过测量仪表获得实时的过程数据进行在线实时估计。首先通过对秸秆发酵燃料乙醇过程工艺机理进行分析，选取合适的辅助变量并根据历史罐批数据建立训练样本数据库，然后将训练样本映射到高维核空间里，计算出核空间里每个样本点对应的模糊隶属度；对模糊化后的训练样本采用模糊支持向量机进行训练建立软测量模型；最后根据待预测罐批的最新输入向量，实现关键状态变量的预测。本发明实现了秸秆发酵燃料乙醇过程关键状态变量的在线实时预测，对秸秆发酵燃料乙醇过程的参数检测与优化控制具有重要意义。

Description

基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量 软测量方法

技术领域

本发明属于生物技术和信息科学交叉领域，主要涉及对秸秆发酵燃料乙醇过程中难以用物理传感器在线实时测量的三个关键状态变量——纤维素酶活、乙醇浓度、总糖浓度进行软测量的方法。

背景技术

随着环境污染的日益严重和能源危机的不断加剧，生物质能源以其资源巨大、使用方便、清洁无污染等特点，被世界各国誉为具有巨大经济潜力的朝阳产业。生物质能源主要有燃料乙醇、生物柴油、生物沼气、生物制氢等形式，其中燃料乙醇作为世界上生产和使用规模最大的生物质能源，是从生物质中提取的唯一能够直接用于车用燃料的液态能源载体，特别是以农作物秸秆、柴草、木材加工废弃物等这些工农业大量存在的木质纤维素为原料发酵生产燃料乙醇，在实现资源高效综合利用的同时，可以避免农作物秸秆焚烧、废弃等带来的环境污染，对实现经济可持续发展与生态环境保护起到重要作用。

秸秆发酵燃料乙醇过程的典型特征是内部机理复杂、可重复性差、生产波动大，具有高度的非线性和时变特性；同时发酵燃料乙醇过程的很多关键状态变量(如纤维素酶活、乙醇浓度和总糖浓度等)反映了过程所处状态，对其进行在线测量，是进行补料、供氧等动态控制的重要依据，同时也是进行优化调度的前提和基础。但是在实际燃料乙醇生产过程中，这些状态变量通常采用离线取样分析获得，取样时间间隔长、数据滞后且易染菌，难以满足实时控制和优化的需要。因此，研究如何及时获得发酵燃料乙醇过程中关键变量的状态信息，对发酵燃料乙醇过程构建最优生长环境，进而实施优化控制，提高产品产量与质量均具重要意义。

支持向量机(Support Vector Machine，简称为SVM)软测量方法采用了结构风险最小化原则和核函数技术，具有比神经网络等传统建模方法更好的性能，在本发明中，考虑到发酵过程不同时期以及不同区域样本数据对软测量模型所起的作用不一样，将模糊隶属度的概念引入到输入样本中，提出了模糊支持向量机(Fuzzy Support Vector Machine，简称为FSVM)软测量建模方法。这种理论的运用提高了支持向量机抵抗噪声的能力，避免了支持向量机对于孤立点或者异常点过分敏感的特性，尤其适合生物发酵过程这种未能完全揭示输入样本特性的情况。

发明内容

为了解决秸秆发酵燃料乙醇过程中非常重要但难以用物理传感器在线实时测量或实时测量代价非常高的状态量(如纤维素酶活、乙醇浓度和总糖浓度)的测量方法之不足，本发明提供一种基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，通过常规在线测量仪表提供的输入变量的测量信号，给出当前关键状态变量的预测值，为秸秆发酵燃料乙醇过程的参数检测和优化运行提供关键工艺指标。

本发明的技术方案如下：

基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，包括如下步骤：

步骤1，选择辅助变量：选取能直接测量且与过程密切相关的外部变量用一致相关度法分析其与关键状态变量的关联度，取关联度r_ij≥0.7的外部变量作为软测量模型的辅助变量；

步骤2，建立训练样本数据库：采集相同工艺下若干历史罐批次的辅助变量和关键状态变量数据，构造输入输出向量对的集合，生成静态训练样本数据库；其中输入向量是辅助变量，输出向量即关键状态变量；

步骤3，确定样本模糊隶属度：将从步骤2得到的样本数据映射到高维核空间里，并计算每个样本数据在核空间中的模糊隶属度；

步骤4，建立软测量模型：用步骤3得到的模糊隶属度结果对模糊支持向量机进行训练，建立基于模糊支持向量机的软测量模型；

步骤5，预测关键状态变量：利用步骤4训练好的模糊支持向量机软测量模型，根据当前待预测罐批的最新输入变量，获得关键状态变量的预测值。

进一步地，步骤1包括：

步骤1.1，采集发酵过程的外部变量数据：通过气体流量传感器、转速传感器、CO₂气敏电极、液位探头、热电阻、溶氧电极、pH电极、蠕动泵以及压敏电阻采集空气流量q、电机搅拌转速r、CO₂释放率μ、发酵液体积v、发酵罐温度t、溶解氧DO、发酵液酸碱度pH、葡萄糖流加速率ρ、氨水流加速率η数据，发酵罐压力p；发酵液经离心分离器分离后离线检测得到关键状态变量，包括纤维素酶活X、乙醇浓度P和总糖浓度S；

步骤1.2，一致相关度分析：计算采集的外部变量数据与关键状态变量的关联度，并设定关联度值r_ij≥0.7的外部变量作为软测量模型的辅助变量。

进一步地，步骤3的实现包括：

考虑到映射后的样本数据在构造超平面时所起的作用不同，对它们赋予不同的隶属度，对位于超平面上或位于超平面周围的受到噪声污染很小的样本赋予最大的隶属度；对由于受到噪声污染而位于超平面附近的样本，根据一定规则赋予相应大小的隶属度；对远离超平面的异常样本数据，赋予相对较小的隶属度。

进一步地，所述步骤3的具体实现包括如下步骤：

(a)输入训练样本，并将其映射到高维核空间中：

S＝{s_i|s_i＝(x_i,y_i),x_i∈Rⁿ,y_i∈R,i＝1,2,...,l}

(b)计算核空间中任意两个样本点的距离矩阵：

(c)取定一常数d，计算以任意样本为球心，以d为半径的超球所包含的样本个数即满足的样本数目

(d)求满足的样本数目的最大值：

(e)计算核空间每个样本数据点的模糊隶属度v_i：

其中，

(f)输出带模糊隶属度的训练数据样本：

S＝{s_i|s_i＝(x_i,y_i,v_i),x_i∈Rⁿ,y_i∈R,0≤v_i≤1,i＝1,2,...,l}。

进一步地，d取0.2，μ^max取μ^min取0.9。

进一步地，步骤4的具体实现包括如下步骤：

步骤4.1，设模糊化后的输入样本集为

S＝{s_i|s_i＝(x_i,y_i,v_i),x_i∈R^m,y_i∈R,0≤v_i≤1,i＝1,2,...,l}，m为输入向量个数，l为训练样本 数；

步骤4.2，建立最优化问题的目标函数为：

s.t.y_i＝w^Tφ(x_i)+b+ξ_i i＝1,...,l

其中，c是惩罚系数，v_i代表相应样本数据，x_i在高维核空间里的模糊隶属度，ξ_i是每个样本的误差因子，v_iξ_i ²代表带有不同权重的误差因子，φ(x_i)为映射函数；w,b分别表示最优回归函数的线性系数和偏移量；

步骤4.3，用拉格朗日方法求解步骤4.2的优化问题，定义拉格朗日函数如下：

其中，a_i是拉格朗日乘子，对应于a_i≠0的拉格郞日乘子称为支持向量；

步骤4.4，上述问题归结为二次规划问题，令

消除w,ξ，上式可写成下列线性方程组的形式：

其中Ω_ij＝K(x_i,x_j),i,j＝1,2,...,l，a＝[a₁,a₂,...,a_l]^T，I＝[1,1,...,1]^T，y＝[y₁,y₂,...,y_l]^T，V_r是对角矩阵，V_r＝diag((cv₁)^-1,(cv₂)^-1,...,(cv_l)^-1)；

步骤4.4，通过求解上述方程组确定系数b和a，得到软测量模型为：

式中x_i为样本的输入，即选取的辅助变量；y(x)为待预测的关键状态变量；a_i，b为训练后的模型系数，i＝1,2,...,l。

进一步地，处罚系数c取值为1000。

进一步地，步骤5的具体实现包括：软测量模型建立完毕后，嵌入到智能控制器里；当待预测罐批的输入向量x_l+₁经测量仪表读入智能控制器后，智能控制器利用软测量模型计算得到关键状态变量的预测值，

进一步地，所述软测量模型采用嵌入式C语言编程实现；所述智能控制器采用单片机实现；所述计算得到的关键状态变量的预测值经数据通道传送到上位计算机并显示。

本发明的有益效果为：

1、本发明利用计算机系统和常规的检测仪表提供的在线过程数据，仅仅通过少量的人工采样，实现了秸秆发酵燃料乙醇过程关键状态变量的模糊支持向量机软测量，解决了发酵过程中没有变量在线检测仪表从而难以在线检测的难题。

2、与人工取样化验相比，减少了现场操作人员的工作量，降低了发酵过程中人为操作测量的不确定性，提高了测量时效性，减少了离线取样带来的数据滞后的问题。

3、本发明将模糊隶属度引入到支持向量机建模中，与传统的支持向量机软测量方法相比，本发明的软测量方法中克服了传统支持向量机对噪声点和异常点过于敏感，模型容噪性能差的问题。

4、本发明全面考虑了影响秸秆发酵燃料乙醇过程关键状态变量的因素，大量采用现有的常规检测信号来实现关键状态变量的在线预测，应用简单、容易、成本较低，软测量结果也较精确。该方法有助于实施秸秆发酵燃料乙醇过程的优化控制和优化运行。

附图说明

图1秸秆发酵燃料乙醇过程的流程、测量仪表及计算机配置图；

图2基于模糊支持向量机的秸秆发酵燃料乙醇过程关键变量软测量模型建立流程图。

图1中：1发酵罐，2蒸汽发生器，3空气压缩机，4空气过滤器，5气体流量传感器，6转速传感器，7CO2气敏电极，8液位探头，9热电阻，10溶氧电极，11pH电极，12蠕动泵，14离心分离器，15智能控制器，16上位计算机。

图1中，实线箭头表示物流(发酵液，水、空气和蒸汽)方向，虚线表示信号流。

具体实施方式

本发明由硬件平台及测量软件组成，其中硬件平台核心由发酵罐、蒸汽发生器、空气压缩机、空气过滤器、供水系统组成，同时配备了测量仪表、计算机系统以及进行软件计算的智能控制器。硬件的连接是发酵罐的输入端通过管道与蒸汽发生器、空气过滤器和供水系统相接，空气压缩机与空气过滤器、供水系统相接，软测量软件运行在智能控制器上，得到的软测量结果可经数据通道传送到监控计算机上或独立的计算机上。详细结构如图1所示。以发酵罐1、蒸汽发生器2、空气压缩机3、空气过滤器4、供水系统组成的发酵系统，其中的测量仪表包括：

在发酵罐罐体上分别安装一个热电阻9、一个溶氧电极10、一个液位探头8和一个pH电极11，用于在线测量罐内发酵液温度t、氧含量DO、体积v和酸碱度pH；

在发酵罐环形法兰上安装一个压敏电阻，用于在线测量罐内压力p；

在发酵罐搅拌电机上安装一个转速传感器6，用于在线测量电机搅拌速率r；

在空气过滤器和发酵罐相连的供气管道上安装一个气体流量传感器5，用于在线测量进入发酵罐内空气流量q；

在发酵罐尾气排放管上安装一个CO2气敏电极7，用来在线测量排放出的CO2含量；

在补料罐和发酵罐相连的进料管道上安装两个蠕动泵12，根据蠕动泵的开关时间估计葡萄糖流加速率ρ、氨水流加速率h；

该发酵系统同时配置了智能控制器15(微型计算机，例如单片机)和用于远程监测与控制的工业控制计算机(IPC)。

本发明的软测量软件运行在智能控制器15上，该软件通过相关测量仪表获得实时的输入数据，并给出发酵过程关键状态变量的预测结果；所述的软测量软件，是指实现本发明方法的计算机程序。

下面结合附图和具体实施例对本发明作出详细描述，如图2所示，本发明方法包括如下步骤：

1.选择辅助变量：选取能直接测量且与过程密切相关的外部变量，用一致相关度法分析其与关键状态变量的关联度，取关联度r_ij≥0.7的外部变量作为软测量模型的辅助变量。具体实现如下：

(1)采集发酵过程数据

秸秆发酵燃料乙醇过程以酿酒酵母(Saccharomyces cerevisiae CCTCCm206111)突变筛选和高温驯化得到的耐高温乙醇高产菌株为菌种，采用SF-500L型发酵监控系统进行发酵培养。如图1所示监控系统由发酵罐1、蒸汽发生器2、空气压缩机3、空气过滤器4和供水系统组成。秸秆发酵燃料乙醇过程中通过气体流量传感器5、转速传感器6、CO₂气敏电极7、液位探头8、热电阻9、溶氧电极10、pH电极11、压敏电阻、蠕动泵12采集空气流量q、电机搅拌转速r、CO₂释放率、发酵液体积v、发酵罐温度t、溶解氧DO、发酵液 酸碱度pH、罐内压力p、葡萄糖流加速率ρ和氨水流加速率数据h。发酵液经离心分离器14分离后离线检测得到纤维素酶活X、乙醇浓度P和总糖浓度S。

(2)一致相关度分析

对于得到的外部变量数据(发酵罐温度t、发酵罐压力p、电机搅拌转速r、发酵液体积v、空气流量q、CO₂释放率μ、葡萄糖流加速率ρ、氨水流加速率h、溶解氧DO、发酵液酸碱度pH)用一致相关度法分析其与关键状态变量(纤维素酶活X、乙醇浓度P和总糖浓度S)的关联度，取关联度较大的外部变量作为软测量模型的辅助变量。

以发酵罐温度t，纤维素酶活X为例，具体算法如下：

其中v_ij(k)为变化率相关系数，r_ij为关联度，β为数据变化率对关联度的影响，ξ_ij为变量相关系数，l为取样个数，ΔX_i(k)为k时刻的酶活性变化值，ΔX_i(k-1)为k-1时刻的酶活性变化值，为相对酶活变化值的平均值，Δt_j(k)为k时刻的温度变化值，Δt_j(k-1)为k-1时刻的温度变化值，温度变化值的平均值，ξ_k为符号因子。

。对于发酵罐温度t和纤维素酶活X,设有m₁个趋势相同的点m₂个趋势无关联的点m₃个趋势相反的点代入式(1)可得：

其中P_ij，Z_ij，N_ij分别表示正关联度、零关联度和负关联度。当|P_ij|≥|N_ij|时，发酵罐温度t和纤维素酶活X以正相关为主，它们的变化趋势相似，相关程度由r_ij，P_ij两因素的大小来衡量；当r_ij＝Z_ij＝0时，发酵罐温度t和纤维素酶活无关；当|P_ij|≤|N_ij|时，发酵罐温度t和纤维素酶活以负相关为主，即它们的变化趋势相反，相关程度由由r_ij，P_ij两因素的大小来衡量。

外部变量与纤维素酶活X的关联度计算结果如表1所示：

表1外部变量的关联度计算值

外部变量	关联度
		发酵罐温度t	0.027
发酵罐压力p	0.135
		电机搅拌转速r	0.214
发酵液体积v	0.903
		空气流量q	0.823
CO2释放率μ	0.871
		葡萄糖流加速率ρ	0.425
溶解氧DO	0.946
		发酵液酸碱度pH。	0.707
氨水流加速率η	0.303

由计算结果可知，通过相关性分析和发酵过程经验，设定关联度值r_ij≥0.7的条件下，可测外部变量——发酵液体积v、空气流量q、CO₂释放率μ、溶解氧DO、发酵液酸碱度pH与秸秆发酵燃料乙醇过程的纤维素酶活X最为相关，选择上述五个变量作为软测量模型的辅助变量。

2.建立训练样本数据库：采集相同工艺下若干历史罐批次的辅助变量和关键状态变量数据，构造输入输出向量对的集合，生成静态训练样本数据库；其中输入向量是辅助变量，输出向量即关键状态变量。具体实现如下：

秸秆发酵燃料乙醇过程按照如下的结构组成样本，并收集相同工艺下若干历史罐批次训练样本数据，本发明实施例中收集10批次的数据，其中90％数据作为样本数据集，10％作为验证数据集。样本表达为{x_k,y_k}，其中x_k为样本的输入，即选取的辅助变量——发酵液体积v、空气流量q、CO₂释放率μ、溶解氧DO、发酵液酸碱度pH。样本的输出y_k为待预测的关键状态变量(主导变量)——纤维素酶活X、乙醇浓度P、总糖浓度S。

训练样本采集记录结构如表2，时间为发酵过程中的采样周期，为减少主导变量离线化验误差，根据同一样本主导变量采用三次化验结果进行样本取舍，最后取平均值：

表2样本数据结构

考虑到样本数据应该具有代表性，并且尽可能覆盖范围较宽，至少应该包括发酵过程正常工作范围，通过手动调控发酵罐压力、发酵罐温度和电机搅拌转速，在生产工艺允许的范围内尽可能改变秸秆发酵燃料乙醇过程的工作点，每次操作条件改变需要等系统平稳后取样化验。

3.确定样本模糊隶属度：将从步骤2得到的样本数据映射到高维核空间里，并计算每个样本数据在核空间中的模糊隶属度。具体实现如下：

考虑到映射后的样本数据在构造超平面时所起的作用不同，本发明对它们赋予不同的隶属度，对位于超平面上或位于超平面周围的受到噪声污染很小的样本(离超平面的方差很小)赋予最大的隶属度；对由于受到噪声污染而位于超平面附近的样本(离超平面的方差较小)根据一定规则赋予相应大小的隶属度；对远离超平面的异常样本数据(离超平面的方差较大)赋予相对较小的隶属度。具体步骤如下：

(a)输入训练样本，并将其映射到高维核空间中：

S＝{s_i|s_i＝(x_i,y_i),x_i∈Rⁿ,y_i∈R,i＝1,2,...,l}

其中，x_i,y_i分别表示输入量和输出量，Rⁿ表示n维空间向量，R表示实数。

(b)计算核空间中任意两个样本点的距离矩阵：

式中，表示任意两个样本点，K()表示核函数。

(c)取定一常数d，计算以任意样本为球心，以d为半径的超球所包含的样本个数即满足的样本数目

(d)求满足的样本数目的最大值：

(e)计算核空间每个样本数据点的模糊隶属度v_i：

其中，

(f)输出带模糊隶属度的训练数据样本。

S＝{s_i|s_i＝(x_i,y_i,v_i),x_i∈Rⁿ,y_i∈R,0≤v_i≤1,i＝1,2,...,l}

本发明中核函数取径向基核函数：

公式(3)可以转换为：

由公式(7)得到：

||s_i-s_j||→∞时，

||s_i-s_j||→0时，

因此在(c)中，超球半径d的范围为由于实际发酵过程中样本数据一般位于有限的几个稳定工作点附近，超球半径d取0.2，最大模糊隶属度μ^max取最小模糊隶属度μ^min取0.9。

4.建立软测量模型：用步骤3得到的模糊隶属度结果对模糊支持向量机进行训练，求出基于模糊支持向量机软测量模型。该软测量模型根据以下过程进行推导：

设模糊化后的输入样本集S＝{s_i|s_i＝(x_i,y_i,v_i),x_i∈R^m,y_i∈R,0≤v_i≤1,i＝1,2,...,l}，m为输入向量个数，l为训练样本数，

最优化问题的目标函数为：

其中，c是惩罚常数，v_i代表相应样本数据，x_i在高维核空间里的模糊隶属度，ξ_i是每个样本的误差因子，v_iξ_i ²代表带有不同权重的误差因子，φ(x_i)为映射函数；w,b分别表示最优回归函数的线性系数和偏移量；

用拉格朗日方法求解上述优化问题，定义拉格朗日函数如下：

其中，a_i是拉格朗日乘子，对应于a_i≠0的拉格朗日乘子称为支持向量。上述问题归结为二次规划问题，令

消除w,ξ，上式可写成下列线性方程组的形式：

其中Ω_ij＝K(x_i,x_j),i、j＝1,2,...,l，a＝[a₁,a₂,...,a_l]^T，I＝[1,1,...,1]^T，y＝[y₁,y₂,...,y_l]^T，V_r是对角矩阵，V_r＝diag((cv₁)^-1,(cv₂)^-1,...,(cv_l)^-1)。

通过求解上述方程组确定系数b和a，得到软测量模型为：

式中x_i为样本的输入，即选取的输入向量发酵液体积v、空气流量q、CO2释放率m、溶解氧DO、发酵液酸碱度pH；x为待测罐批的最新输入变量；y(x)为待预测的主导变量——纤维素酶活X、乙醇浓度P、总糖浓度S；

a_i,b——训练后的模型系数，i＝1,2,...,l；

本发明以采用径向基(RBF)为例建立软测量模型，该核函数形式为：

其中σ为核参数；

本发明中处罚系数c取1000，核参数σ取0.28。

5.预测关键状态变量：利用步骤4训练好的模糊支持向量机软测量模型，根据当前待预测罐批的最新输入变量，获得关键状态变量的预测值。具体实现如下：

软测量模型建立完毕后，采用嵌入式C语言编程实现，并嵌入到智能控制器15里，所述智能控制器采用单片机实现，当待预测罐批的输入向量x_l+1经测量仪表读入智能控制器15后，智能控制器15利用软测量程序计算得到关键状态变量的预测值，并将预测结果经数据通道传送到上位计算机16上显示。

本发明即基于模糊支持向量机的关键状态变量软测量模型在秸秆发酵燃料乙醇过程正常运行期间，能够根据发酵过程的最新输入向量预测关键状态变量。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (9)

1.基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，其特征在于，包括如下步骤：

步骤1，选择辅助变量：选取能直接测量且与过程密切相关的外部变量用一致相关度法分析其与关键状态变量的关联度，取关联度r_ij≥0.7的外部变量作为软测量模型的辅助变量；

步骤2，建立训练样本数据库：采集相同工艺下若干历史罐批次的辅助变量和关键状态变量数据，构造输入输出向量对的集合，生成静态训练样本数据库；其中输入向量是辅助变量，输出向量即关键状态变量；

步骤3，确定样本模糊隶属度：将从步骤2得到的样本数据映射到高维核空间里，并计算每个样本数据在核空间中的模糊隶属度；

步骤4，建立软测量模型：用步骤3得到的模糊隶属度结果对模糊支持向量机进行训练，建立基于模糊支持向量机的软测量模型；

步骤5，预测关键状态变量：利用步骤4训练好的模糊支持向量机软测量模型，根据当前待预测罐批的最新输入变量，获得关键状态变量的预测值。

2.根据权利要求1所述的基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，其特征在于，步骤1包括：

步骤1.1，采集发酵过程的外部变量数据：通过气体流量传感器(5)、转速传感器(6)、CO₂气敏电极(7)、液位探头(8)、热电阻(9)、溶氧电极(10)、pH电极(11)、蠕动泵(12)以及压敏电阻采集空气流量q、电机搅拌转速r、CO₂释放率μ、发酵液体积v、发酵罐温度t、溶解氧DO、发酵液酸碱度pH、葡萄糖流加速率ρ、氨水流加速率η数据，发酵罐压力p；发酵液经离心分离器(14)分离后离线检测得到关键状态变量，包括纤维素酶活X、乙醇浓度P和总糖浓度S；

步骤1.2，一致相关度分析：计算采集的外部变量数据与关键状态变量的关联度，并设定关联度值r_ij≥0.7的外部变量作为软测量模型的辅助变量。

3.根据权利要求1所述的基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，其特征在于，步骤3的实现包括：

考虑到映射后的样本数据在构造超平面时所起的作用不同，对它们赋予不同的隶属度，对位于超平面上或位于超平面周围的受到噪声污染很小的样本赋予最大的隶属度；对由于 受到噪声污染而位于超平面附近的样本，根据一定规则赋予相应大小的隶属度；对远离超平面的异常样本数据，赋予相对较小的隶属度。

4.根据权利要求3所述的基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，其特征在于，所述步骤3的具体实现包括如下步骤：

(a)输入训练样本，并将其映射到高维核空间中：

S＝{s_i|s_i＝(x_i,y_i),x_i∈Rⁿ,y_i∈R,i＝1,2,...,l}

(b)计算核空间中任意两个样本点的距离矩阵：

(c)取定一常数d，计算以任意样本为球心，以d为半径的超球所包含的样本个数即满足的样本数目

(d)求满足的样本数目的最大值：

(e)计算核空间每个样本数据点的模糊隶属度v_i：

其中，

(f)输出带模糊隶属度的训练数据样本：

S＝{s_i|s_i＝(x_i,y_i,v_i),x_i∈Rⁿ,y_i∈R,0≤v_i≤1,i＝1,2,...,l}。

5.根据权利要求4所述的基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，其特征在于，d取0.2，μ^max取μ^min取0.9。

6.根据权利要求1所述的基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，其特征在于，步骤4的具体实现包括如下步骤：

步骤4.1，设模糊化后的输入样本集为

S＝{s_i|s_i＝(x_i,y_i,v_i),x_i∈R^m,y_i∈R,0≤v_i≤1,i＝1,2,...,l}，m为输入向量个数，l为训练样本 数；

步骤4.2，建立最优化问题的目标函数为：

s.t.y_i＝w^Tφ(x_i)+b+ξ_i i＝1,...,l

其中，c是惩罚系数，v_i代表相应样本数据，x_i在高维核空间里的模糊隶属度，ξ_i是每个样本的误差因子，v_iξ_i ²代表带有不同权重的误差因子，φ(x_i)为映射函数；w,b分别表示最优回归函数的线性系数和偏移量；

步骤4.3，用拉格朗日方法求解步骤4.2的优化问题，定义拉格朗日函数如下：

其中，a_i是拉格朗日乘子，对应于a_i≠0的拉格郞日乘子称为支持向量；

步骤4.4，上述问题归结为二次规划问题，令

消除w,ξ，上式可写成下列线性方程组的形式：

其中Ω_ij＝K(x_i,x_j),i,j＝1,2,...,l，a＝[a₁,a₂,...,a_l]^T，I＝[1,1,...,1]^T，y＝[y₁,y₂,...,y_l]^T，V_r是对角矩阵，V_r＝diag((cv₁)^-1,(cv₂)^-1,...,(cv_l)^-1)；

步骤4.4，通过求解上述方程组确定系数b和a，得到软测量模型为：

式中x_i为样本的输入，即选取的辅助变量；y(x)为待预测的关键状态变量；a_i，b为训练后的模型系数，i＝1,2,...,l。

7.根据权利要求6所述的基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，其特征在于，处罚系数c取值为1000。

8.根据权利要求1所述的基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，其特征在于，步骤5的具体实现包括：

软测量模型建立完毕后，嵌入到智能控制器(15)里；当待预测罐批的输入向量x_l+1经测量仪表读入智能控制器(15)后，智能控制器(15)利用软测量模型计算得到关键状态变量的预测值。

9.根据权利要求8所述的基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法，其特征在于，所述软测量模型采用嵌入式C语言编程实现；所述智能控制器采用单片机实现；所述计算得到的关键状态变量的预测值经数据通道传送到上位计算机(16)并显示。