基于支持向量机的沼气中CH4浓度预测

　　基于不同工作原理，现有的CH4浓度检测方法主要有：奥式气体检测法、催化燃烧法、红外光谱检测法。目前沼气中CH4浓度预测较多地采用红外多波长法。但该方法也会带来新的问题。例如：当检测沼气中CH4浓度时，沼气中较多的CO2会对CH4通道和参考通道的输出带来影响，从而影响CH4的预测精度，所以本文讨论利用数据处理的方法提高CH1浓度预测精度。

　　目前，常用的CH4浓度预测算法有线性插值法、多元回归法、神经网络法(Neural Network，NN)。其中，线性插值法与多元回归法为传统算法，精度低;神经网络需要大量的样本才能拟合出较好的模型，且容易陷入局部极小值点。本文所探讨的支持向量机(Support Vector Machine，SVM)专门解决小样本问题，以结构风险最小化为原则寻找全局最优解。

　　在预测沼气中CH4浓度时，本文首次尝试把温度作为影响探测器输出的重要因素，引入温箱控制探测器的环境温度，以获取不同温度下的693个样本，把温度和探测器的输出作为SVM的输入，建立CH4预测模型，得到理想的预测精度。

　　1 支持向量机简介

　　SVM是一种机器学习方法，根据结构风险最小化原则，大大提高了学习机的泛化能力，它将优化问题转化为求解一个凸二次规划的问题，二次规划所得的解是惟一的且为全局最优解，这样就不存在一般神经网络的局部极值问题。

　　回归型支持向量机(SVR)是支持向量机在回归学习中的应用，其基本思想是：对于给定的训练样本点{(x1，y1)，(x2，y2)，…，(xn，yn)}通过SVR训练回归出一个函数f(x)，使由该函数求出的每个输入样本的输出值和输入样本对应的目标值相差不超过误差e，同时使回归出的函数尽量平滑，能克服传统的线性插值法、多元回归法预测精度低的缺点，解决高浓度CO2对CH4通道和参考通道的输出带来的影响，且较NN有更好的推广能力。另外，温度对气体探测器的输出有一定的影响，本文研究了将温度作为模型的输入之一，同时将多通道探测器的电压输出作为SVM的输入，实现CH4浓度预测。

　　2 实验数据的获取

　　2.1 系统结构与红外多波长探测简介

　　硬件系统结构如图1所示。钢瓶里的高压标准气CH4经过减压阀减压后，通过气体管道流向配气箱里的流量计1，配气箱经自带的电脑软件进一步控制并计量流量计1内气体的流速，流出配气箱以后，与经过流量计2，3的CO2，N2(稀释作用，非异核分子，对CH4通道影响小)进行定比混合，再进入温箱，温箱里的沼气检测电路板包括多通道探测器(CH4，CO2)，参考端)和相应的信号处理电路，气体经过检测气室以后，排到通风橱。

上述沼气检测基于红外吸收原理，如图2所示。

　　异核分子结构(由不同种类化学原子构成的分子)的气体对中红外波段的红外线具有选择吸收特性，CH4特征吸收峰值波长为3，32μm，CO2为4.24μm。探测器的CH4，CO2通道前端分别装有CH4，CO2特征吸收光的滤光片，探测器接收到红外辐射后有电压输出。探测时气体浓度越大，对其特征波长的红外光吸收越强，对应探测电压越小。参考端滤光片能通过的红外光子几乎不被气体吸收，最能体现光源信息和气室污染情况。实践中探测器的滤光片受工艺的限制，它透射光谱的裙部不可能完全避开两种气体吸收区的交叉敏感区域，所以当气体浓度较高时，就会产生干扰问题，例如图2中CH4的特征吸收峰值波长为3.32μm，但在4.2～4.4μm之间也有吸收。本文就是采用SVM来解决这种交叉干扰问题的。