高浓磨浆作为化学机械制浆生产的关键工序,属于典型的高能耗、低效率过程,其生产运行状况直接决定整个生产流程的纸浆质量和生产能耗。为此,研究高浓磨浆生产过程的建模与控制对于制浆过程的质量控制和节能降耗有着重要的意义。高浓磨浆过程工艺机理复杂,具有多变量、强耦合、大时滞和非线性等特征,难以建立精确的数学模型。游离度作为评价纸浆质量的关键工艺指标之一,与纸浆质量特性和整个生产过程的能耗密切相关。然而,高浓磨浆过程中游离度难以通过现有测量手段直接在线检测,目前只能采用人工离线化验方式,但周期较长,难以满足基于游离度的高浓磨机实时监测和实时控制的要求。因此,必须采用有效手段,根据可测的关键生产过程参数建立高浓磨浆系统游离度软测量模型,实现游离度的在线连续估计,为进一步改进高浓磨浆的工艺和设备、实现整个造纸过程的节能降耗提供技术支持。针对上述问题,本文依托国家自然科学基金重点项目“面向节能降耗和纤维形态分布的制浆过程运行优化控制”,采用数据驱动建模技术,研究基于改进支持向量回归的高浓磨浆系统游离度软测量建模方法。本文的主要工作如下:(1)提出基于改进ε-SVR的高浓磨浆系统游离度软测量建模方法。首先,使用数据压缩、离群点剔除、数据标准化对采集到的数据进行处理,使用主元分析对数据进行特征提取,从而获得建模所需的样本集。利用局部性能优越的Gauss径向基核函数和全局性能优越的多项式核函数构建多核函数,提出MK-ε-SVR方法。其次,由于正规化参数与核参数的选择对于模型的学习能力和泛化能力有着至关重要的影响,提出基于交叉验证选择MK-ε-SVR模型结构参数集的方法(CV-MK-ε-SVR),用于提高模型的学习和泛化能力。针对交叉验证寻优过程的计算耗时巨大,且参数精确度不高,如增加参数精度,寻优耗时将呈指数增加的问题,提出基于自适应变异粒子群算法选择MK-ε-SVR模型结构参数集的方法(AMPSO-MK-ε-SVR)。仿真验证时,首先使用葡萄牙波尔图大学人工智能与决策支持实验室关于美国华盛顿特区自行车租赁的UCI数据集对所提方法的有效性进行验证,结果表明AMPSO-MK-ε-SVR较CV-MK-ε-SVR在寻优效率和模型精度上有一定的提升。然后,将所提方法用于某化学机械制浆厂制浆生产高浓磨浆系统游离度软测量。结果表明AMPSO-MK-ε-SVR方法在寻优效率、模型精确程度等方面具有一定优势。(2)提出基于改进LS-SVR的高浓磨浆系统游离度软测量建模方法。针对ε-SVR的求解过程缓慢、回归精度有待进一步提高等问题,使用LS-SVR来提高模型的求解效率和精度,从而提出LS-SVR-ARMA2K的建模方法。首先构建自回归移动平均模型,以有效刻画研究对象的动态特征;其次,对LS-SVR进行多核改进,以有效提高模型的求解效率、精度和适用范围;然后,使用交叉验证对模型结构参数集进行选择,提出CV-LS-SVR-ARMA2K;最后,使用自适应粒子群算法对软测量模型结构参数集进行选择,提出AMPSO-LS-SVR-ARMA2K。仿真实验时,同样首先使用自行车租赁UCI数据集对所提方法的有效性进行验证,结果表明AMPSO-LS-SVR-ARMA2K在模型精度和求解效率方面均存在着较大优势。然后,将所提方法用于某化学机械制浆厂制浆生产高浓磨浆系统游离度软测量。结果表明:与MK-ε-SVR和BP神经网络对比,LS-SVR-ARMA2K在模型精度、求解速度上具有显著优势,且在小样本情况下LS-SVR-ARMA2K依旧具有较高的模型精度。