基于不同工作原理，現有的CH4濃度檢測方法主要有：奧式氣體檢測法、催化燃燒法、紅外光譜檢測法。目前沼氣中CH4濃度預測較多地采用紅外多波長法。但該方法也會帶來新的問題。例如：當檢測沼氣中CH4濃度時，沼氣中較多的CO2會對CH4通道和參考通道的輸出帶來影響，從而影響CH4的預測精度，所以本文討論利用數據處理的方法提高CH1濃度預測精度。

　　目前，常用的CH4濃度預測算法有線性插值法、多元回歸法、神經網絡法(Neural Network，NN)。其中，線性插值法與多元回歸法為傳統算法，精度低;神經網絡需要大量的樣本才能擬合出較好的模型，且容易陷入局部極小值點。本文所探討的支持向量機(Support Vector Machine，SVM)專門解決小樣本問題，以結構風險最小化為原則尋找全局最優解。

　　在預測沼氣中CH4濃度時，本文首次嘗試把溫度作為影響探測器輸出的重要因素，引入溫箱控制探測器的環境溫度，以獲取不同溫度下的693個樣本，把溫度和探測器的輸出作為SVM的輸入，建立CH4預測模型，得到理想的預測精度。

　　1 支持向量機簡介

　　SVM是一種機器學習方法，根據結構風險最小化原則，大大提高了學習機的泛化能力，它將優化問題轉化為求解一個凸二次規劃的問題，二次規劃所得的解是惟一的且為全局最優解，這樣就不存在一般神經網絡的局部極值問題。

　　回歸型支持向量機(SVR)是支持向量機在回歸學習中的應用，其基本思想是：對于給定的訓練樣本點{(x1，y1)，(x2，y2)，…，(xn，yn)}通過SVR訓練回歸出一個函數f(x)，使由該函數求出的每個輸入樣本的輸出值和輸入樣本對應的目標值相差不超過誤差e，同時使回歸出的函數盡量平滑，能克服傳統的線性插值法、多元回歸法預測精度低的缺點，解決高濃度CO2對CH4通道和參考通道的輸出帶來的影響，且較NN有更好的推廣能力。另外，溫度對氣體探測器的輸出有一定的影響，本文研究了將溫度作為模型的輸入之一，同時將多通道探測器的電壓輸出作為SVM的輸入，實現CH4濃度預測。

　　2 實驗數據的獲取

　　2.1 系統結構與紅外多波長探測簡介

　　硬件系統結構如圖1所示。鋼瓶里的高壓標準氣CH4經過減壓閥減壓后，通過氣體管道流向配氣箱里的流量計1，配氣箱經自帶的電腦軟件進一步控制并計量流量計1內氣體的流速，流出配氣箱以后，與經過流量計2，3的CO2，N2(稀釋作用，非異核分子，對CH4通道影響小)進行定比混合，再進入溫箱，溫箱里的沼氣檢測電路板包括多通道探測器(CH4，CO2)，參考端)和相應的信號處理電路，氣體經過檢測氣室以后，排到通風櫥。

上述沼氣檢測基于紅外吸收原理，如圖2所示。

　　異核分子結構(由不同種類化學原子構成的分子)的氣體對中紅外波段的紅外線具有選擇吸收特性，CH4特征吸收峰值波長為3，32μm，CO2為4.24μm。探測器的CH4，CO2通道前端分別裝有CH4，CO2特征吸收光的濾光片，探測器接收到紅外輻射后有電壓輸出。探測時氣體濃度越大，對其特征波長的紅外光吸收越強，對應探測電壓越小。參考端濾光片能通過的紅外光子幾乎不被氣體吸收，最能體現光源信息和氣室污染情況。實踐中探測器的濾光片受工藝的限制，它透射光譜的裙部不可能完全避開兩種氣體吸收區的交叉敏感區域，所以當氣體濃度較高時，就會產生干擾問題，例如圖2中CH4的特征吸收峰值波長為3.32μm，但在4.2～4.4μm之間也有吸收。本文就是采用SVM來解決這種交叉干擾問題的。