李奇安，郭 强

（辽宁石油化工大学 信息与控制工程学院，辽宁 抚顺113001）

针对裂解炉燃料气离线热值模型泛化能力差的问题，提出一种具有自适应能力的在线支持向量机（Online SVM）建模方法.该方法将增量式支持向量机（ISVM）与近似线性依靠（ALD）条件相结合，通过计算新样本与建模样本间的近似线性依靠值，选择满足ALD 条件的独立新样本更新SVM 模型.分析裂解炉燃料气热值的影响因素，并用Online SVM 算法建立裂解炉燃料气热值在线软测量模型.该模型由离线训练模块和在线模型更新模块组成.离线训练模块基于离线数据训练得到初始热值软测量模型，在线更新模块通过使离线模型学习线性独立新样本来保证热值模型的在线预测精度.利用合成数据、Benchmark数据与裂解炉燃料气热值数据，将该方法与传统的SVM和LS-SVM 方法进行对比仿真研究.结果表明：该方法能够适应新的工况，具备自适应学习新样本的能力，可以用于具有慢时变特征的裂解炉燃料气系统热值软测量建模.

Online SVM；自适应建模；ALD 值；ISVM ；燃料气热值