节能减排、环境保护及消费者对纸张质量要求的提高客观上要求造纸行业必须进一步提高企业的自动化及信息化程度。制浆过程卡伯值、碱回收过程及洗涤过程的黑液浓度的在线测量一直是浆纸企业关注的热点，也是影响浆纸工业信息化及自动化发展的难点。支持向量机（Support VectorMachines，SVM）是一种核函数学习机器，它遵循结构风险最小化原则，具有理论完备、适应性强、推广能力好、全局优化等优点，是当前国际工业自动化领域的一个研究热点。与传统机器学习方法相比，SVM具有良好的发展与应用潜力。本文以SVM在制浆过程一些重要工艺参数在线软测量应用中的若干问题为主线，结合相应过程工艺知识，针对现有软测量模型在实际应用过程中普遍存在诸如速度慢、精度低、缺乏在线校正等问题，提出或改进了若干算法。仿真研究及应用效果表明本文提出的算法是有效的。本文的主要贡献可总结如下：（1）基于SVM算法的卡伯值分类在线自适应软测量建模。针对现有蒸煮过程卡伯值软测量模型存在精度低、在线适应能力弱的缺点，提出基于SVM卡伯值分类在线自适应软测量模型。工业过程一般工作在几个有限工作点附近，蒸煮过程也不例外。根据过程这个特点，本文采用模糊c均值聚类方法将蒸煮过程卡伯值软测量样本点划归成若干类（由于采样数据所限，本文选两类）。划分原则：每类中训练样本间最大程度相似；不同类中训练样本最大程度不同。然后分别建立各类软测量模型。通过这种方式，就把一个大类的卡伯值软测量模型细化成各个小类卡伯值软测量模型，相应地提高了卡伯值模型的静态精度。通过对国内外蒸煮过程卡伯值常用的软测量方法优缺点及国内使用情况分析发现，大多数已有模型提高精度的方法主要集中在静态模型精度上，比如增加过程信息量等，也就是在如何提供模型静态精度上开展工作较多，但对模型使用过程中精度研究相对较少。通过工艺分析及国内蒸煮现状研究，发现国内蒸煮过程工况变化比较频繁。如果卡伯值软测量模型在线自适应能力弱，模型使用过程中，精度必然降低。工况经常变化的蒸煮过程卡伯值软测量不适合采用具有批处理式、离线建模的一般支持向量回归机算法。适合采用适应工况变化的增量自适应SVM算法。也就是在模型使用过程中不断采集新的样本，在原模型基础上再学习。这样的算法既兼顾了原有历史模型，又给模型引入了新工况要素。为了降低所建模型在使用过程中计算机内存占有量，提高模型运行速度，必须选择合适样本替换策略。考虑蒸煮过程典型慢时变特点，从算法和蒸煮特性两方面考虑，选用基于支持向量数据域描述策略和基于滑动时间窗法结合形式的样本替换策略。与普通的卡伯值软测量模型相比本文提出的模型优点：一方面充分地考虑到历史训练的结果，减少再建模型训练时间；另一方面对历史数据无需继续保存，减少算法对计算机存储空间要求。通过仿真及应用证明这种基于数据挖掘增量在线自适应支持向量机模型适合蒸煮过程卡伯值软测量建模。（2）基于在线自适应残差补偿LS-SVM算法的碱回收蒸发工段出效黑液浓度软测量建模。针对碱回收蒸发工段出效黑液浓度难于测量的情况，本文提出了在线自适应残差补偿LS-SVM模型。通过对碱回收过程工艺及多效蒸发器原理的学习、分析，影响碱回收蒸发过程黑液浓度的主要因素有进效稀黑液浓度和流量及多效蒸发器的总有效温差，其它因素为固形物成分组成、冷却水温度、环境温度、传热系数等。黑液蒸发一般由多效蒸发器组成，每效蒸发器又存在蒸汽、黑液和冷凝水等流程。蒸发过程的非线性比较严重。蒸发器内部管道有时出现的各种液柱脉动、出效黑液浓度和流量有时发生的振荡现象。由于蒸发器本身设备管道长、多，在蒸发系统的一端的量（流量、温度、浓度等）发生变化后，常常要过很长时间另一端才能做出反应，所以黑液浓度实际系统影响因素更复杂。目前黑液浓度软测量模型都采取以压力、温度为辅助变量，黑液浓度为主导变量建模，忽视了其它因素影响，这样建立模型精度并不高。本文建立的残差自适应补偿系统就考虑了其它影响因素。该模型将工业现场自适应校正模型和自适应残差补偿模型结合，从两个方面提高黑液波美度模型精度：一是选用最小二乘支持向量机在线算法进行模型训练和在线修正，使模型适应当前工况；二是增加残差补偿自适应环节，对模型输出的值进行在线修正，以使软测量模型的测量结果更准确。普通最小二乘支持向量机算法简单，计算量大，速度快，但所建模型会丧失支持向量机内在稀疏性，丧失支持向量机建模时鲁棒性。模型在运行时，样本数目增多，运行时间变长，占用内存加大。如果对算法不进行有效改进，实际中将无法使用。本文采用的在线自适应最小二乘支持向量机算法，用一个新样本代替一个时间最久样本，采用增量形式对模型在线校正，减少运算的复杂性，节约计算机内存。残差补偿自适应模型采用多元线性回归法建立残差与各影响因素间关系模型，采用丢弃最早误差值方法进行残差补偿模型的自适应校正。仿真及应用结果证明本文提出蒸发过程出效黑液浓度软测量模型精度高，能够适应工况变化。（3）基于模糊在线自适应LS-SVM算法的洗涤过程黑液浓度软测量建模。洗涤过程黑液浓度软测量研究相对较少，已有模型泛化能力差、精度低。针对已有模型存在的缺点，本文提出了自适应能力强的基于模糊在线自适应LS-SVM黑液浓度软测量模型。洗涤过程的黑液浓度在线测量也很困难。通过对洗涤过程工艺分析，其黑液浓度受纸浆流量、纸浆厚度、洗浆水、真空度、转鼓速度等影响，传统方法难以实时测量。考虑到工厂实际情况，在不增加仪器，不影响生产等情况下确定建模参数。通过在洗涤工段现场分析，与资深工程师讨论等形式，决定以进浆浓度、进浆流量、清水流量为洗涤过程中黑液浓度软测量模型辅助变量，以黑液浓度（首段）为主导变量，建立洗涤黑液浓度软测量模型。基于现场采集辅助变量、主导变量所建立的黑液浓度软测量模型存在问题：仅能大致反映实际工业对象本质的变化趋势。由此可见，其模型误差必然存在。模型投入使用后，由于洗涤系统的时变性、非线性和不确定性，随着时间推移，洗涤过程的特性及其工作点都可能发生一些变化，现在工况下的参数测量用原来采样数据所建模型测量，误差必然加大。在线自适应最小二乘算法就能适应工况的变化，在线地校正模型。实际洗涤过程采集的样本点都含有不同程度的噪声。为了提高模型精度，不同的样本对应不同的惩罚权系数，这样能够消除部分噪声和孤立点的影响。样本替换策略在增加一个新样本点的同时删除Lagrange乘子绝对值最小样本点。仿真与应用结果证明本文提出的软测量模型适合洗涤过程黑液浓度测量。（4）基于SVM算法的矛盾数据发现方法初步研究。洗涤过程测量仪表的校正不准确、不及时，仪表失灵、过程有较大的干扰、过程基准漂移、操作人员误操作、不定期清洗管道、管道堵塞等因素导致仪表示值的波动、数据失真等产生矛盾数据。这些矛盾数据是突发的，平时很难得到其具体样本。通过对SVM回归理论的研究，提出了主导变量的矛盾数据解决方案，借助例子对方案进行了验证，并将此方案实施在纸浆洗涤过程的主导变量的矛盾数据甄别中。本文以蒸煮过程卡伯值、碱回收及洗涤过程黑液浓度软测量为研究对象，以支持向量机为工具，围绕如何提高模型在线测量精度提出了一系列软测量方案，仿真及应用证明了这些方案的先进性。这些研究成果对其它的工业软测量模型也有一定参考价值。