（化工过程机械专业论文）基于svm的污水处理过程软测量建模研究.pdf

ab s tr a c t ab s t r ac t t o s o l v e t h e p r o b l e m t h a t s o m e p a r a m e t e r s a re d i f fi c u lt t o b e m e a s u r e d o n - l i n e i n t h e p r o c e s s o f w a s t e w a t e r d i s p o s a l , t h i s p a p e r m a k e s re s e a r c h o n t h e s o ft m e a s u re m e n t m o d 比w h i c h c a n m a k e i t p o s s i b l e t o g e t p a r a m e t e r s o n - l i n e a n d m a k e w a s t e w a t e r d i s p o s a l a u t o m a t i c a l l y . t h i s p a p e r i n t r o d u c e s t h e b a s i c o f t h e s o ft m e a s u r e m e n t m o d e l a n d d a t a p r o c e s s i n g , a n d a n a l y z e s v a r i o u s s o ft m e a s u r e m e n t m o d e l s , e s p e c i a l l y s v m ( s u p p o rt v e c t o r m a c h i n e s ) . b a s e d o n s v m , t h i s p a p e r p re s e n t s a s o ft m e a s u re m e n t m o d e l t o m e a s u re t h e p a r a m e t e r s w h i c h a r e m e a s u r a b l e b u t c o s t l i n e s s o r u n m e a s u r e d o n - l i n e , s u c h a s t n , a n d g i v e s a m e t h o d t o p r e p r o c e s s in p u t d a t a o f t h e m o d e l b y p c a ( p r i n c i p a l c o m p o n e n t a n a l y s i s ) , r s ( r o u g h s e t s ) a n d r s - p c a . i t i s m o re e ff e c t i v e c o mp a r e d t o t h e m o d e l b a s e d o n h e b p n n ( b a c k p r o p a g a t i o n n e u r a l n e t ) , a c c o r d i n g t o r e s u l t s o f t h e s i m u l a t i o n 妙m a t l a b . t h e p a p e r m a i n l y c o n t a i n s : 1 . t h e p a p e r i n t r o d u c e s s o ft s e n s o r a n d w a s t e w a t e r t re a me n t ,s t u d i e s s o m e k i n d s o f m e t h o d s o f f o u n d 吨 s o ft m e a s u r e m e n t m o d e l ， t a k i n g t h e i r s c o p e o f a p p l i c a t i o n a n d t h e p e c u l i a r i ty o f t h e w a s t e w a t e r d i s p o s a l p l a n t i n t o a c c o u n t . t h e p a p e r a n a l y z e s a n n a n d s v m and s u m m a r i z e s t h e a d v a n t a g e s a n d d i s a d v a n t a g e s o f b o t h m e t h o d s e m p h a t i c a l l y . 2 . b e c a u s e t h e f o r e c a s t p rec i s i o n o f t h e s o ft me a s u r e m e n t m o d e l w i l l b e a ff e c t e d 妙 t h e e rr o r an d c o r r e l a t i o n o f t h e i n p u t d a t a . t h e p a p e r d e v i s e s t h e m e t h o d t o p r e p r o c e s s t h e i n p u t d a t a u s i n g p c a , r s and r s - p c a . wi t h p c a , i t i s a b l e t o r e d u c e e ff e c t o f e r r o r , e l i m i n a t e l i n e a r c o rr e l a t i o n o f d a t a an d r e d u c e d i m e n s i o n o f t h e i n p u t d a t a wi t h r s , i t i s a b l e t o e l i mi n a t e l i n e a r c o r r e l a t i o n o f v a r i a b l e s and r e d u c e d i m e n s i o n o f t h e i n p u t d a t a . t h e y c an b o t h s i m p l i f y t h e m o d e l s t r u c t u r e an d i m p ro v e t h e f o r e c a s t e ff e c t . f u r t h e r m o re , r s c an re d u c e t h e n u mb e r o f i n p u t v a r i a b l e s , a n d c a n n o t e l i m i n a t e d a t a s l i n e a r c o r r e l a t i o n c o n t r a s t w i t h p c a . u s i n g r s - p c a c a n c o m b i n e t h e a d v ant a g e s o f p c a an d r s 3 . t h e e ff e c t i v e n e s s o f t h e mo d e l i s v e r i fi e d wi t h t h e fi e l d - me a s u r e d d a t a o f a c e rt a i n m u n i c ip a l w a s t e w a t e r d i s p o s a l p l ant . d i ff e r e n t m e t h o d s ( s v m, p c a - s v m , a b s t r a c t r s - s v m, r s - p c a - s v m, b p , p c a - b p , r s - b p , r s - p c a - b p ) a re p r e s e n t e d t o s e t u p c o r r e s p o n d i n g m o d e l s f o r s o m e v a r i a b l e s t h a t a r e d i f f i c u l t ly a n d e x p e n s i v e l y m e as u r e d , s u c h a s t n , t p a n d s v i . i n t h e e n d , t h e b e s t m o d e l i s c h o s e n a s t h e f i n a l mo d e l t h a t h a s t h e b e s t e ff e c t i v e n e s s . 4 . d e s i g n t h e s o ft m e as u r e m e n t s y s t e m o f w as t e w a t e r d i s p o s a l b a s e d o n s u n y p e c 5 0 0 e c o n t r o l le r , u s i n g t h e s o ft m e as u r e m e n t mo d e l o f w as t e w a t e r d i s p o s a l as me n t i o n e d a bo v e . k e y w o r d s : s o ft s e n s o r ; r o u g h s e t ; s u p p o rt v e c t o r m a c h i n e ; w as t e w a t e r t r e a m e n t ; t n 学位论文独创性声明 学位论文独创性声明 本人声明 所呈交的学位论文是本人在导 师指导 下进行的 研究工作及取得的 研究成果。 据我所知，除了文中特别加以 标注和致谢的地方外，论文中不包含 其 他 人已 经 发 表 或 撰 写 过 的 研 究 成 果， 也 不 包 含 为 获 得 it妇 扎或 其 他 教 育 机构的学位或证书 而使用过的材 料。与我一同工作的同志对 本研究 所做的任何 贡献均已在论文中作了明确的说明并表示谢意。 学 位 论 文 作 者 签 名 (手 “ )蜘火 签 字 日 期 : 夕 年 月 日 学位论文版权使用授权书 本学位论文作者完全了 解南昌大李有 关保留、 使用学位论文的规定， 有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅 和借阅. 本人 授权击昌大学可以 将学位论文的全部 或部分内容 编入有关数据库 进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学 位 论 文 作 签 名 (手 秘气 ” 师 签 “ 手 “ ，:锄 签字 日期 一 “ 月 日 签 字 日 期 : j - 7 1f 月i v i 学位论文作者毕业后去向: 工作单位: 通 讯地址 : 电话: 邮编: 第 1 章绪论 第 1 章绪论 1 . 1 课题的意义 水是人类生 活和生产中不可缺少的重要物 质，又是不可替代的重要自 然资 源. 我国淡水资 源总量为2 .8 万亿立方米， 居世界第6 位， 但时 空分布极不均匀， 人均水资 源十分 贫乏，居 世界第 1 0 9位， 属人均水量最少 之列， 被联合国 列为 1 3 个贫 水国 之一。 在全国6 “ 座城市中， 缺水城市有4 0 0 多 座，日 缺水为 1 6 0 0 万 立 方 米， 因 缺 水 年 工 业 经 济 损 失 就 达2 3 0 0 多 亿 元 d 3 1随 着 经 济 发 展 、 人口 增 长、城市化水平和人们物质文化生活水平的 提高， 一方面， 世界各地对 水的需 求日益增长，供水形势日益严唆:另一方面，工业废水和生活污水排放量急剧 增加，大量的未经处理的工业废水和城市污水直接排入水体，造成水源水特别 是地表水污染，水体污染又加剧了 水资源的 供求矛盾。以 我国 水体污染为 例， 目 前我国 年均排放废水量为6 0 0 亿立 方米， 其中5 0 %来自 工业废水，其处理率 低 于7 0 %， 达标率仅为5 0 %, 5 0 % 来自 城市废 水， 其处 理率仅为1 6 . 5 2 %, 8 0 0 / o 以 上的 城市污水直接 排入受纳水体。 据中国环境状况公 报， 1 9 %年全国7 8 %的 城市河段不适宜做饮 用水源， 5 0 % 的城市地下水受污 染， 2 0 0 0年 我国 七大 流域 地表水断面满足地表水三类水质要求的也只有5 7 .7 %, 1 3 . 8 %的断面属五类水质 4 ,. 水资源短缺和水体 污染严重己 成为制约我国 经济和社会可持续 发展的 主要因 素之一。 解决这一问 题的 重要途径就是修建污水处理设施。目 前世界范围内已 修建 大量污水处理厂及设 备， 为缓解水资源短 缺和水体污染问 题发 挥着巨 大的 作用。 而在我国己 有一 大批城市和工 业企业建设了污水处理厂。目 前全国城市建有近 千座污水处理厂， 还有一大批城市污 水处理厂在建设中。 我国污 水处理厂自 动 控制系统起步较晚， 近年来， 一大批 利用外国 贷款建设的 城市污 水处理厂相继 投入运行，他们为 我国 污水处理厂成 功地应用自 动 化技术 提供了范 例。自 动化 系统在污水处 理过程中 所发 挥的 重要作 用己 逐渐被认识，并受 到普遍重视。 自 动控制的基础是检测。 及时 有效的污 水处理 参数检 测对污 水处理系统有 重大的意义:一方面， 污水的排放必须符合国家 污水排放标准中 相关规定，这 就要 求我们必须检测处理出 水中t n , t p , b o d , c o d , s s 等关键参数，从而 第 章绪论 减少污染，保护 环境。 另一方面，即 其对污水处理过程控制系统的意义，各 污 水处理环 节的正常 运行、 控制依赖于对被 控参数的 实时检 测。 如 5 1活性污泥法系 统 中 ， 实 时 检 测 曝 气 池 溶 解 氧 (d o ) ， 根 据 工艺 要 求 实 现d o浓 度自 动 控 制 : 实 时检测进水流量 及进水有机物浓度，实 现回 流污泥量的控 制，是保证污 水处理 系统正常 进行以 及 达标排放的重 要措施。 由于微生物的 生长特性非常复 杂，一 些过程参数的测量十分困难。 现有的 普通传感器测量 手段欠 缺。 对某些变量， 现有传感器还达不到足够的精 确性和 可靠度，无法 进行准确 和有效的在线测量，致使一些 关键水质参数( 如 b o d ) 不 能在线测量。目 前， 解决污水生物处理 过程参数测量的方法可以 分为两 类:一 是按照传统的检 测技术发展思路，以 硬件的形式研制新型的过程测量仪表。但 由于污水生物处理 过程的 复杂性，这 样做可能面临很大的困难。 另一种是通过 由简到难的思路， 利用其它容易测量并且与目 标变量相关的变量，估计目 标变 量。这种方法就是软测量技术。软测量技术是一种采用相关实验数据 ( 既可以 是离线方式也可 以是 在线方 式) 建立模型揭示某些难测或不能测变量与操作参 数之间关系的方法。 将软测量技术应用于污水处理中，具有投资少，检测及时 迅速的特点。因此，软测量的方法对污水处理系统有着重要意义。 1 .2研究现状 软测量 技术一般主 要包括以 下四 个要素:中间辅 助变量的选择、 数据处理、 软测量模型的建立、在线 校正。 其中 建模是软测量技术的核心。 软测量技术有 机理、 回归分析、神 经网 络、 支持向 量机、 模糊等软测量技术建模方法。 其中 机理法建立在对工艺过 程机理深刻认识的基础上。 对污水处理这类尚 未完全掌 握机理的系统难以建模。回归分析的方法对于复杂的污水处理进程效果也不大， 神经网 络和支持向 量机属于黑 箱建模，比 较适合污水处理系统， 很多 学者运用 前者进行了研究，运用后者的学者不多。 昆 明 理 工 大 学 冯 丽 辉 等 人 5 6 j应 用多 元 线 性 回 归 软 测 量模 型 ( m l r ) 对昆 明 市某污水厂的处 理出水参 数进行预测， 其辅 助变量为 进水b o d , t n , t p , 曝气 池活性污泥混合液悬浮固体( m l s s ) 的浓度及进水流量( q ) ，主导变量为出水 b o d , t n , t p 。 所获软测量 模型结构简单， 但其辅助变 量多为 进水参数，而 进 水参数的测量同 样存在滞 后性，尤其是b o d ， 且由 于实 验中 采样时间过 长且不 第 t 章绪论 均、 辅助变量 太少及过程存在非线性等方面的原因，虽 然取得了较好的 拟合结 果，但预测效果不太理想。 陈健波等 t ; 对 基于 s b r工艺的 活性污泥呼吸速率 ( o u r ) 在线软测量 进行 了 研究，作者首先推导出了 呼吸速率关于饱和溶 解氧， 溶解氧， 氧传 递系数等 变量的机理模型，然后拟合出饱和溶解氧关于温度， 氧传递系数关于 曝气流量 的曲 线，从而得出呼吸速率软测量模型。通过计算机仿真， 得出 呼吸速率的实 时软测量结 果。 但是并 没有验证结果的准确性。 郭劲 松等8 根据 人工神经网 络理论 和方法， 针对活性污泥间 歇曝气系统的特 点 ， 提出了 活性污泥间 歇曝 气系统的b p 人工神 经网 络水质模型。 选择曝气时间、 停曝时间、 进水c o d c r、 进水n h 4 - n 、 进水n 0 3 7 a- n等为输入变量， 输出 的 是出 水c o d c r . n w - n , n 0 3 - n浓度。选择合适的隐 含层和各层单元的 数目， 从而建立了模型。通过对模型预测结果与实测值的比较表明: 其具有精度高， 适应 性强 ， 使用方便的 特点。 冉维丽等19 1 提出 基于p c a - g a b p 神经网 络的 污水水质b o d软测量方法。 该 方法由两部分组成:主元分析 p c a和 g a b p神经网络。利用 p c a技术，按累 计方差贡献率9 0 % 选取主元， 将原 来的1 2 维 输入辅 助变量降到了4 维。 用g a b p 法采用局部改 进遗传算法优化神经网络权值，并采用自 适应学习 速率动量梯度 下降算法 对神 经网 络进行训练，建 立软测量模型. 德国m . h a c k 5 ) 1 0 1 等曾 用 三层前 馈网络对城市污水处理 厂的 参数进行预 测研 究 . 以 进 水n h 4 一浓 度 、 电 导 率 、 浊 度 、 氧 化 还 原 电 位及p h 等 为 辅 助 变量 ， 分别对进 水c o d 、 进水n 场干 一 浓 度、 曝气池n 1 4 4 十 一浓度及n o 3 - - n浓 度进行 了 估计; 尽管实 验时间很短，在 对进水 c o d 、进水及曝 气池 n h 4 - n的 估计 上 仍取得了 较为 满意的结果。 虽然以 这些参数估计n 0 3 - - n浓度时 产生了 较大的 偏 差。由于大量数据的错误，在实验中 没有对出 水参 数进行预测. 但他们的研究 成果对污水处理的程控有积极的意义。 m .s p e r a n d io l i等以 氧 化 还 原 电 位( o r p ) 和 溶 解 氧 溶 度( d o ) 为 输 入， 可 硝 化氮和硝化 速率为 输出的活性污泥 工艺的软测量模型。 实验证明 模型结果是 有效。 m .z .h a d j - s a d o k l 21 等 利 用 溶 解 氧 ( d o ) 的 实 测 值， 估 计 出 进水 底 物 溶 度 ( s in ) 范围，并 进一步 在四 种已知条 件下建 立机理模型， 估计出 出水底物溶度，反应 池出 水生 物量溶度和回 流生 物量溶度范围。结果显示实测值基本都在估计范围 第 1 章绪论 之内。 d a e s u n g l e e + 3 1等 针 对 间 歇曝 气 式 反 应 池的p 0 4 3+ , n h 4 + 及n 0 3 一的 在 线 估 计 进行了 研究。运用分离网 络结构分别用于厌 氧及好氧条 件。 即在厌氧反应阶段 和 好 氧 反 应 阶 段 ， 分 别 以 在 线 测 得 的p h , 氧 化 还 原电 位 ( o r p ) 及d o作 为 辅 助 变 量. 输 至 各自 独 立 的 隐 藏 层 ( 两 层 ) ， 再 联 合 后 输至 输 出 层， 得 到了 p 0 4 3 , n h 4 及n 0 3 一 的 估计 值，并取 得了良 好的 效果。 近年来不少学者 将软测量技术应用于污 水处理 领域， 取得了 大量的 成果， 也有很多不足。通过对已有研究成果的分析可以看出，有以下几个特点: 1 ) 采用的 数据多是 污水处理厂的历史 数据，而污水处 理厂的 历史数 据并 不 一定非常适合建立软测量模型，因为 其中通 常缺少 一些与生物处理过程密切相 关的 参数。 而这些参数很有可能就是软测量 模型的 主要 辅助变量， 在没有这些 辅助变量输入时，即使有再多的历史数据，再好的模型也无法取得好的预测效 果。 2 )建立软测量模型的方法以黑箱建模技术为主，特别是神经网络，采用的 学者比较多，这与污水处理过程复杂，难于基于机理针对某一变量建立适合污 水 处理过程自 动化控制的 模型有关。 从现 有文 献看 来，建 立的 各种模型很多 效 果并不非常理想。在改进现有的建模技术，发展新型的性能优 良的模型方面需 要进一步研究。 3 )由于建模所需要的数据不充分，建模工具性能不能完全达到要求等各种 原因。 污水处理系统软测量技术研究大多还 停留在仿真和实 验室 阶段， 距离实 际的工程应用还有很长一段距离. 1 .3研究内 容 本文 课题来源于江西省科技攻关项目 :污水处理过程神经模 糊控制技术的 开发。本 文在介绍软测量技术、 神经网络和支持向量机、 数据预 处理方 法、 污 水处理 过程的 基础上，以 在线易测 变量 作为辅 助变量，建立出 水难测变量t n , t p及重 要工艺参数 s v i 的软测量模型，以 便实 现对难测变量的在 线检测. 论文主要工作如下: 1 . 介绍软测 量技术和污水处理 过程， 研究了 各种软测量建 模方法。 根据它 们的 适用范围 和污水处理系统的 特点， 重点对两种常用的模型 神经网络和 第 i 章绪论 支持向量 机做了 介绍，分析他 们的 优缺点。 2 .由 于污水处理系统的 数据中 的误差 及线性相 关性可能 会影响软测量模型 预测的精度，以 p c a, r s及 r s - p c a对模型数据输入进行预处理。p c a方法 可以去除 数据的 线性相 关性以 及降低输入数据的维数， 从而降低误差数据影响; r s方法可剔除冗 余变量同 时起到降 维作用， 从 而提高模型的 性能。 二者均可使 模型结构简化并提高模型的预测效果， 但r s方法还减少了需要检测的输入变量 不过r s 方法不能起到p c a方法可以去除 数据之间的线性相关性的作用。而 采 用r s - p c a则结合两者的 长处。 3 .以 某污水厂的 实测数据为例， 检验所提出 的模型的有效性。针 对该 污水 厂的 难以 在线测量( 或 在线仪 表昂 贵) 的变 量 t n , t p及 s v i ， 分别以 不同的 方 法( s v m, p c a - s v m, r s - s v m, r s - p c a - s v m, b p , p c a - b p , r s - b p , r s - p c a - b p ) 建 立了 相应的 软侧量模型，并 对各模型测量效果做了详细比较，选出 一理想模 型作为最终理想模型。 4 .根据 建立的 污水处理软测量 模型， 对基于集成控 制器的 污水处 理软测量 系统进行了方案设计。 第2章软测量技术概述 第2章软测量技术概述 2 . 1概述 软测量技术是一种采用相关实验数据 ( 既可以是离 线方式也 可以是 在线方 式) 建立模型揭示某些 难测或不能测变量与操作参 数之间 关系的 方法。 在过程 控制中，一些需要控制或监视的过程变量如粗汽油 干点、 精馏塔的 塔顶和塔底 产品的某些组分等，由 于经济或技术条件的限制， 难于直接测量 或不易 快速在 线测量，而这些 变量的实时 控制对保 证产品 质量 和生产能力都有重要意义2 p 这就为软测量的出现提出了必然要求。另一方面，计算机软硬件的飞速发展又 为软测量技术的产生和发展创造了条件。 软测 量的 基本思想是通过对 生产过程机理的 深入了 解， 根据某种最优准则， 选择一组既与主导变量有密切联系，又容易测量的辅助变量，利用机理分析和 数据模型，实现对主导变量的在线估计。软测量综合利用了变量选择、数据处 理、推断控制、智能控制、在线校正等多方面技术，是一门有着广阔发展前景 的新兴技术。 2 .2软测量技术的 研究 软测量 技术一 般主要包括以下四 个要素:中间 辅助变量的 选择、 数据处理、 软测量模型的建立、在线校正。 2 .2 . 1 辅助变量的选择及数据处理 辅助变 量的 选择包括变量类型、变 量数量和 检测点的选择。 这 3个方面是 互 相关联、 互相影响的，由 过程特性决定， 此外还受设备价格和可靠性、安装 和 维护的 难易程度等外部因 素制约。 辅助变量本着灵敏性、特异性、过程适用 性、 精 确 性 和 鲁 棒 性的 原 则 进 行 选 择。 在 文 献 1 51 中 徐 敏 等 给出 了 对 变 量 数 量 和 检 测点的 选择方 法。 输入数据处理包括数据变换和误 差处理 两方面. 数据变换包括标度、 转换 和 权函 数三部分。 标度用于克 服测量数据的 数值之间数量级相差太大的问 题， 以改 善算法的精度和稳定 性。 转换用 于降 低对象的非 线性特性( 如 进行对数转换 第 2 章软测量技术概述 时 ) . 权函 数 用 于 实 现 对 变量 动态 特 性的 补 偿. 另 一 方 面 是 对 误 差 的 处 理， 误 差 分为随机误差和过失误差。处理前者时常采用剔除跳变信号， 数据滤波数据协 调等法。对待后者，要及时侦破，剔除，校正。 2 .2 .2软测量 模 型的 建立 软测量建模是软测 量技术的 核心。根据 方法的 不同 ， 一 般分为以下几 类: 1 ) 基于 机理分析的 方法 基于 机理分析方法是 工程中常用的方法， 通过 对过程对象的机理分析， 找 出 不可测主导变量与可 测的中间辅助 变量之间的关系建立机理模型。 通常机理 模型由 代数方程 组或微分方程组组成。 如文献 1 6 1 中作者为实现对电 站锅炉烟气 流量的软 测量，构建了其关于出口 烟温， 入口 烟温等辅助变量的机理模型。 机 理分析建模法是建立在对工艺机理了解程度的基础上，由于大多数过程控制领 域存在非线性性、不确定性和复杂性，难以建立精确的数学模型，并且在线计 算量大难以满足实时要求。 2 ) 基于回归分 析的 方法 回归分析法比较简单且容易实现，通过对大量生产过程中的数据采集样本， 分析因变量与多个 自 变量之间的关系。回归分析法分为线性回归和非线性回归， 同时又可分为:多 元线性回归 ( m l r ) 、 逐步回归 ( m s r ) 、主 元回归分析法 ( p c r ) , 部分最小二乘法 ( p l s ) 等。其中 部分最小二乘 法技 术较为 成熟并且 应用广泛. 文 献 17 1 118 1中 作 者 为 实 现 轧 钢 加 热 炉 中 钢 坯 温 度 的 检 测 建 立 了 钢 坯 温 度 变 量 和 过 程 变量之间的p c r软测量模型 和 p l s 模型， 最后基于工业 拖偶试验数据对两类模 型的参数矩阵进行了求取。 但是回归分析法同 样存在局限 性， 模型的准确性受样 本真实 性的影响，而 应用范围同时受到样本容量的限制。 3 )基于 神经网 络的方法 根据神经网 络的自 学习功能对大量过程检测变量的实时 数据进行学习，并 根 据学习结果建立数学 模型. 这种建模方法具有较强的鲁莽性，并且不需先验知 识， 对于非线性和较大滞后的 系统有较好的应用效果:由 于其自 身 具有的自 学 性和较大滞后的系统有较好的应用效果;由于其自 身具有的自 学习和容错特 点.模型的正确性可以 通过不断地学习进行修正; 需对模型输入变量中 超出正 常 操作条件的数据组进 行手工剔除。文 献1 1 9 1 中 作者 基于多 模型思想，采用模糊 第2 章 软测量技术 概述 聚类的方法 对软 测量数据进行了 分类，对每类数据基于神 经网 络( n n ) 建模， 采 用r b f 神经网络构 造了 每个数据样本的 隶属度，将 各模型输出的 数据进行隶属 度加权求 和得到最终的 软测量输出。 4 )基于模糊技术的方法 根据过程检 测变量的实时 数据及领域专家的 经验。 通过划分输入输出 模糊 空间及建立模糊规则 进行系 统模型辨识。 这种建 模方法能够比较有效地辨识复 杂和病态结构及具有时 延、时 变、多 输入单输出的 非线性系统;能够辨识性能 优越的人类控制器:可 得到实 控对象的定 性与定量 相结合的 模型;但需要定期 校正规则 库及输入 输出 模糊空间的划分。 5 ) 基于 支持向量 机的建模方法 支持向 量机 ( s u p p o rt v e c t o r m a c h i n e s ) 是一种 基于 统计学习 理论的 新型学习 机， 是机器学习的 最新分支。原理是 把原 始样本空间通过核函 数映射到高 维特征 空间， 然后 ， 在 此空间中 基于结构风险最小 化思想求解凸 优化问题 ( 典型二 次规划 问题 ) 。 实践 表明 支持向 量机泛化能力常常 优于神经网 络. 且运 用起来比 较简单， 不需太多 技巧2 0 1 使 用支持向 量 机的 关键是核函数k ( x i , x j ) 的 选择。 所谓 核函 数就是满足 k ( x i , x j ) = k ( x j , x i ) 。 常 用 的 核 函 数 有lin e a r ,p o ly ,r b f,e rb f 等。 我 们 还 可以 自己 构 造核函 数，文 献 2 6 1 有专门的章 节论述如何构 造核函数。 2 . 2 .3在线校正 软测量模型建 立后，并 不是一成不变的.由于 随时间推移测量对象的特性 和工作点都可以发生 变化，因 此必须 考虑模型的 在线校正，才能适应新工况。 软测量模型的在 线校正 可表示为 模型 结构和模型参数的优化 过程，具体方法有 自适应法、增量法和多时标法。根据实际过程的要求，多采用模型参数自校正 方法。 2 .3工程实 例2 11 文 献 2 1华 南 理 工 大 学 纸 浆k a p p a 值 研究 小 组 对 纸 浆k a p p a 值的 在 线 性 软 测 量进行了 深入的 研究 ， 从木片蒸煮 脱木素的机理出发， 推导出了 经简化的 机理模 型。该模型的 独特之处 在于 将装锅时的 初始 条件的变化由 在规定的时刻 ( 一般为 h = 2 0 0 ) 药 液 采 样 的 有 效 碱 值 来 反 映 出 全 部 初 始 条 件的 变 化 . 为 了 进 一 步 提 高 其 第2 章软测量技术概述 预 测精度， 课题组的成员还研究了 一系列改 进方法。 如模糊推理法、基于粗糙集 理论的补偿法、自 适应推理法、人工神 经网 络校正法 和基于p l s的建模等。这 些方法均可不同程度地改善预测精度。 文献2 2 1 选择塔进料流量， 塔釜加 流量， 塔中段温 度加热量 等作为辅助变量。 经主元分析后 作为神经网络的输入，乙 烯浓度作为神 经网 络的输出 ，经过 1个 三层 r b f神经网络的学习， 建立了 乙 烯精馏塔顶乙 烯浓度的 神经网 络软 测量模 型。又对塔顶乙 烯浓度软测量模型采用了 二次自 动校正技术， 从而实现直接优 化目标控制。 文 献 2 31确 定 相 对 密 度 为 浓 度仪 的 主 导 变 量 ， 选用 精 馏 塔 的出 口 温 度 (物 料 液 温 ) ，前 道工序粗馏物料的温度等作为 辅助变量。 研究 人员 在天津 化工厂氯产品 车间的服务调研实践中总结出来关系表达式，其中溶进了一些经验建模因素。 结果表明，这 种浓度仪虽然没有成分分析仪精度高， 但成 本较低，实时性好。 不过其并不具有普遍的意义。 图形界面i数据录入模型输出模 型校 正 表 示 “ 数据预 处理 辅助变 量选择 建 模 套 些 延 仃 工艺 计算 业 务层 数据管理 数 据 层 实验数据访问接口 i p c接口 实验时数据平台op c : 服务器 图2 . 1软侧量软件结构原理图 文献 l 9 应用多 模型的思想，采用 模糊聚 类的 方法对实际生产过程操作数据 进行分 类， 对不同 类数据建立了 基于神经网络的 模型。 并基于r b f神经网 络构 造了单个数据样本相对于不同 模型的隶属度， 将不同 模型输出 进行隶属度加权 求和，从而得到最终的软测量输出。 应用这种方法，建立了某催化重整生产装 置催化剂再生器氧含量的软测量模型，得到了满意的结果。 第 2 章软测量技术概述 文献 2 a 】 对发电厂 现场的大管径风量软 测量进行了研究， 作 者结合现 场 e d n a 实时数据库中存储的运 行数 据， 采用回归 分析的 方法建 立了多个 简单实用的的 风量软 测量模型. 然后充分利用多 个传感器 在空间或时间 上可 冗余 或互补信息， 采用数据融合技术对建立的多 个软传 感器 和物理传感器的 测量值进行了 融合处 理， 提高了 数据的可靠 性和准确性. 文献 2 s 根据软测量方 法本身具有的相 似之处 ， 对开 发组件化软 测量软 件包进 行了 研究 ， 其原 理如图 ， 结果 显示， 该软件包 具有通用性， 开放性 ， 可 维护 性的 特性。 2 .4软测量技术应用与展望 软测量技术是工业 过程分析、控 制和优化的 有力工具，是目 前工业传感器 品种与 数量尚 不足时的一种重要补充。当前，国内 外的学者与 工程技术人员 致 力于发展与应用软测量技术，应该说，已 取得了令人 鼓舞的成果. 但是， 必须 看到的是软测量技术还不是非常成熟，尚有许多问题有待进一步深入研究并解 决。例如，数据处理在软测量技术中是一个十分重要的问题，尤其是过失误差 的处理， 在理论 研究方面己 取得了 不少成 果， 但距实际应用 还存在相当的距离， 应进一步深入研究。 此外，现有的软测量技 术的在线校正方法仍十分 有限， 应 大力发展更多、更新的有效方法，以适应复 杂工业过程对软 测量技 术愈 来愈高 的要求。 第 3章数据处理 第3章数据处理 3 . 1 主元分析【2 7 主元分析又叫主成分分析或主元素分析。 它的 主要功 能是利用变量之间的 线性相关关系对多维信息进行统计压 缩， 用少部分互 不相关的主元变量描述多 维空间的 绝大部分( 一 般大于8 5 % ) 的动 态信息。 假 设 a- .,a . 为 测 量 的n 个 数 据 变 量 ， 建 立 数 据 矩阵 a = aa 2 . a . ( - x n ) , m 代表测量采样次数。相应的归一化向量为:x , = ( a r - a ) l v ( i = 1 , 2 ,. ., n ) . 建 立 协 方 差 矩 阵 : c o v (x ) 一 (m 一 1)一么 x , 一 双x , 一 可 主 元 分 析p c a就 是 要 将x 线 性 转 化 成 1不 : t , = x p , ( 0 . 1 ) 君 = p v 几 ， ， 八 】 ( 0 .2 ) t i = k , t, ., t, ( 0 .3 ) 其中:t i 是系统主元， 也 称s c o re向 量， 提取采样数 据间的关联 信息;p i 是主 元特征向 量， 也称 l o a d i n g向量，提取 变量间的 关联信 息。 c o v ( x ) 是 x的 协方差矩阵，a i 是按降序排列的 特征值， p i 是与之 对应的 协方 差矩阵的 特征向 量构 成的矩阵。即 有: c o mm ) p , = a p , ( 0 . 4 ) 主元空间的 信息抽取实质上是 选择几个有代表性的主元 ， 解释数据中 大部分 变化。数学表达式如下: x = t1p 1 十 t2 p 2 + 一 + tk p k + e k _ m in ( m , n ) t ,tj = o ,i # j 铸= 1, i = j p , p , = l , i * j p p , = o , i = j ( 0 . 5 ) 残差矩阵e提取随 机噪声和模型误差信息. 第3 章数据处理 当 变量 之间 存在一 定的 线性相关程 度时 ， 利用前a ( a n ) 个主元即 可描述x 的 大部分动态 信息。第i 个主 元对信息的贡 献率定 义为 厂 = 凡 艺凡 ( 0 .6 ) 前a 个主元的贡献率为 f , = yr , / y.1, ( 0 .7 ) 3 .2 粗糙 集 理 论 33 1 应用 p c a的方法进 行数据预处理时，由 于是对原始数 据的 一种线 性变换， 并不能真正减少需检测的辅助变量个数。而用粗糙集理论的方法对数据信息进 行约简， 不但可以 去除冗余信息，简 化网 络结构，更重 要的是可以 剔除 数据中 不重要甚至多余了变量，真正减少辅助变量的个数。 3 .2 . 1知识的含义 粗糙集理论建立在分类机制的基础上，并将等价关系对空间的划分与知识 等同。粗糙集理论的主要思想是利用己知的知识库，将不精确或不确定的知识 用己知的 知识库中的知 识来 近似) 刻画。 在粗糙集理论中， “ 知识” 被认为 是一 种分类能力，也就是 将知识理 解为 对数据的划分 2 8 1 。用 集合的 概念表示就是 使 用等价关系集r对离 散表示的空间u进行 划分， 知识就是r 对u划 分的结果。 由 此， 在u和r的 意义 下， 知识库 可以定 义为: 属于r中 的所有可能的 关系 对u 的 划 分， 记 为k = ( u ,劝。 这样给定一组 数据u与 等价关系集r ，在r下 对u的划分， 称为 知识，记 为u / r 。 如果一 个等价关 系集对数据的 划分 存在矛盾， 则将导 致不确定划 分， 可用粗糙度来度量。 3 .2 .2粗 糙集的 定 义与 集合 的上 近 似和下近 似 2 9 ,3 0,3 11 定 义3 . 1设xc u，并 且r 是u上的一 个等价关系，称x是r - 可定 义的， 如果x是一些r的 等价类的并集: 否则， x是r - 不可定 义的。 r - 可定 义的 集合 也称r - 确集， r 一 不可 定义的 集合也 可称作是r - 非确 切的 或r - 粗糙集. 定义 3 . 2集合xc u称为 在知识库 k中确切的， 如果存在一个等价关系 r e i n d ( k ) ，使得x是r - 确切的， 并且称x在k中是 粗糙的，如果x对于任 第 3 章数据处理 意r e i n d ( k ) 是r - 粗糙的。 粗糙集理论的 不确定性是建 立在上、 下近似的 概念之上的。 给定知识 库k = ( u , r ) ， 令xcu是 一个集合，r 是一个定义在u上的 等价关系，则: r - ( x ) = v 麦 y , e u / r i y e x ( 0 .8 ) r _ ( x ) = q y , e u i r i y r) x * (d ( 0 9 ) 分别称为 x 的下近似集( l o w e r a p p ro x im a tio n ) 和上近似集(u p p e r a p p r o x i m a t i o n ). 集 合 x 的 边 界 区 ( b o u n d a ry re g i o n )定 义 为 : b n r ( x ) 二 r - ( x ) 一 r - ( x ) e b n r ( x )为 集 合x 的 上 近 似 与 下 近 似 集 之 差 。 如 果im r m 是空 集， 则称x关 于r是清 晰的， 反之则称集合x为关于r的 粗糙集。 在粗 糙 集 理 论 中 ， 也 把p o , r ( x ) = r _ ( x ) 称 为x的r 正 域 ， 把 n e g r ( x ) = u 一 r - ( x ) 称 为 x的r 负域。 为定 义粗糙度为: d g r ( x ) 一 r - ( x ) i / i r - ( x ) (0 .1 0 ) 上式中， i# i表示集合 # 的基或 势， 对有限集合表示 集合中所包含 元素的 个数。 即 可将x对等价关系集r的 粗糙程度用r下近似集 合成员个数与r 上近似集合 成员 个 数 的比 值 来 量 度。 显 然0 _ d g r ( x ) _ 1 , 如 果d g r ( x ) = 1 ， 则 称 集 合x 相 对 于r 是 清晰 的 ， 如 果 d g r ( x ) 1 . 则 称 集合x于r 是 粗 糙 的 定义3 . 3决策 系统( d s ) 称 s = ( u , a l v a l a ) 为 知 识 表 示