（控制理论与控制工程专业论文）多模型融合软测量方法研究与应用.pdf

l l 、 广， r e s e a r c ha n d a p p l i c a t i o no n t h em e t h o do fs o f ts e n s o rb a s e do n m u l t i m o d e lf u s i o n b y z h a n gy i n b e ( h o h a iu n i v e r s i t y ) 2 0 0 8 at h e s i ss u b m i t t e di np a r t i a ls a t i s f a c t i o no ft h e r e q u i r e m e n t sf o rt h ed e g r e eo f m a s t e ro f e n g i n e e r i n g l n c o n t r o lt h e o r y & c o n t r o le n g i n e e r i n g i nt h e g r a d u a t es c h o o l o f l a n z h o uu n i v e r s i t yo ft e c h n o l o g y s u p e r v i s o r p r o f e s s o rl iw 宅i j u n e ，2 0 1 1 一 寸 - 兰州理工大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任 何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡 献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的 法律后果由本人承担。 作者签名： 茵历、 1 日期：2 口f f 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学校有关保留、使用学位论文的规定，即： 学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许 论文被查阅和借阅。本人授权兰州理工大学可以将本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 保存和汇编本学位论文。同时授权中国科学技术信息研究所将本学位论文 收录到中国学位论文全文数据库，并通过网络向社会公众提供信息服务。 作者签名：莒钐、 导师签名：軎玮 日期：夕口，年多月3 日 日期：如，年占月莎日 、 _ 一 ，q 硕七学傅论文 目录 摘要i a b s t r a c t i i 插图索引i v 附表索引v l 第1 章绪论。1 1 1 软测量技术研究的意义1 1 2软测量技术的基本原理。2 1 2 1 辅助变量的选择。2 1 2 2数据采集和处理。3 1 2 3 软测量模型的建立。4 1 2 4软测量模型校正。4 1 3软测量技术建模方法概述4 1 3 1基于工艺机理分析的软测量建模方法4 1 3 2 基于状态估计的软测量建模方法5 1 3 3基于回归分析的软测量建模5 1 3 4基于人工神经网络的软测量建模方法。6 1 3 5基于统计学习理论的软测量建模方法8 1 3 6 基于多模型的软测量建模方法9 1 4 论文的主要研究内容及章节安排。l o 第2 章子模型建模方法简介1 3 2 1r b f 神经网络1 3 2 2 e l m 算法1 5 2 3 o s e l m 算法1 6 2 4 l s s v m 算法1 7 2 5 在线l s s v m 算法1 9 2 6本章小结2 1 第3 章基于动态g a u s s m a r k o v 估计的多模型软测量建模方法2 2 3 1 g a u s s m a r k o v 估计融合算法简介2 2 。 一_ _ 多模犁融合软测量方法研究与应用 3 2 动态g a u s s m a r k o v 估计融合算法思想2 3 3 3基于动态g a u s s m a r k o v 估计的异类多模型融合软测量模型结构2 4 3 4 基于动态g a u s s m a r k o v 估计的异类多模型融合软测量算法步骤2 5 3 5 应用仿真研究2 6 3 5 1 m a c k e y g l a s s 时间序列预测2 6 3 5 2乙烯精馏工艺流程简介2 8 3 5 3乙烯精馏塔塔釜乙烯浓度预测。2 8 3 5 4 仿真结果分析3 0 3 6 本章小结3 0 第4 章混合核函数稀疏l s s v m 软测量建模方法。3 2 4 1稀疏解算法：矢量基及其选择判据3 3 4 2 混合核函数算法思想3 4 4 3模趔参数优化3 5 4 4混合核函数稀疏l s s v m 建模步骤3 5 4 5应用仿真研究3 6 4 5 1 m a c k e y g l a s s 时间序列预测3 6 4 5 2乙烯精馏塔塔釜乙烯浓度预测3 8 4 5 3 仿真结果分析4 0 4 6 本章小结4 1 第5 章基于集成修剪的多模型软测量建模方法4 2 5 1 b a g g i n g 算法简介4 2 5 2 a d a b o o s t r t 算法简介4 2 5 3 基于a d a b o o s t r t 修剪的b a g g i n g 集成算法结构与步骤4 3 5 4丁苯橡胶工艺介绍4 5 5 5应用仿真研究。4 6 5 6 仿真结果分析4 9 5 7本章小结4 9 结论与展望5 0 参考文献5l 致j 射5 7 附录a 攻读学位期间所发表的学术论文目录。5 8 附录b 部分精馏塔塔釜乙烯浓度数据。5 9 n 4 一 硕士学位论文 附录c 部分丁苯橡胶聚合转化率数据一一。6 3 附录d 部分程序代码6 6 h i 0 一 硕上学位论文 摘要 一切工业生产的目的是以最小的成本多产高质量的产品，而实现这一目标的 难点在于对产品质量或与产品质量密切相关的重要过程变量实时分析并严格控 制。随着计算机技术的快速发展，流程工业的信息化程度不断提高，软测量技术 应运而生。目前，借助该技术来实时估计影响产品质量的关键参数，为监控生产 过程提供参考，已成为提高生产效益、保证产品质量，而广受业界青睐的重要途 径。 就众多应用案例而言，单一模型的使用仍较为普遍，但同时也暴露出其难以 全面描述复杂系统全局特性，预测精度和鲁棒性不尽如人意的问题。本文以多模 型思想为基础，依据实际工业系统不同的工作属性和需求，提出了三种多模型软 测量建模方法。 其一是提出了一种基于动态g a u s s m a r k o v 估计的多模型软测量建模方法，分 别使用静态模型r b f 网络、动态模型o e l m 和o l s s v m 进行建模，再以动态 g a u s s m a r k o v 估计进行融合。该方法的预测精度不仅高于任何一个子模型，且能 够跟踪时变系统的动态特性。 其二是提出了一种基于混合核函数稀疏最小二乘支持向量机的软测量建模方 法。该方法使用多项式核函数和r b f 核函数线性加权构成混合核函数，在模型内 部形成多模型结构，兼顾最小二乘支持向量机的全局拟合能力与局部拟合能力， 以矢量基学习作为稀疏解算法，改善最小二乘支持向量机的稀疏性。 其三是提出了一种基于集成修剪的软测量建模方法。首先采用b a g g i n g 方法建 立多个l s s v m 弱学习器，然后利用a d a b o o s t r t 方法对弱学习器进行修剪，最 后将修剪出的弱学习器加权输出。该方法有着较高的预测精度，且克服了集成算 法需要存储空间大和预测时间长的问题，还在一定程度上改善了最小二乘支持向 量机的稀疏性和鲁棒性问题。 经对以上三种软测量建模方法进行仿真应用研究，结果表明前两种建模方法 适用于工况较为复杂的系统。方法一在样本不充分的情况下，能够适应新工作点 的出现；方法二在样本充分的情况下，更具模型结构简单、在线计算量较少、易 于工程实现的优势。方法三则更适合工况稳定且预测精度有较高要求的工业系统。 关键词：软测量；多模型；g a u s s m a r k o v 估计；最小二乘支持向量机；矢量基； 混合核；集成修剪 a b s t r a c t w i t ham i n i m u mc o s tt op r o d u c et h em o s th i g hq u a l i t yp r o d u c ti st h ep u r p o s eo f a l li n d u s t r i a lp r o d u c t i o n t h ed i f f i c u l t yo fa c h i e v i n gt h i sg o a li st h a ti tn e e d sr e a l t i m e a n a l y s i sa n ds t r i c t l yc o n t r o lt h eq u a l i t yo fp r o d u c t so rt h ei m p o r t a n tp r o c e s sv a r i a b l e s c l o s e l yr e l a t e dw i t ht h eq u a l i t yo fp r o d u c t s a l o n g w i t ht h er a p i dd e v e l o p m e n to f c o m p u t e rt e c h n o l o g y , t h ei n f o r m a t i o n i z a t i o no fp r o c e s si n d u s t r yc o n t i n u e st oi m p r o v e ， s o f tm e a s u r e m e n tt e c h n i q u e s e m e r g e d i t i sa b l et or e a l t i m ee s t i m a t et h ek e y p r o d u c t i o np a r a m e t e r sw h i c hi sa f f e c t i n gt h eq u a l i t yo fp r o d u c t s t h e n ，i tc a np r o v i d e r e f e r e n c ef o rm o n i t o r i n gt h ep r o d u c t i o np r o c e s s ，s oa st oi m p r o v et h ep r o d u c t i o n e f f i c i e n c y , e n s u r et h eq u a l i t yo fp r o d u c t s j u s ta sm a n ya p p l i c a t i o nc a s e s ，t h eu s eo fas i n g l em o d e lr e m a i n sw i d e s p r e a d b u t i ta l s oe x p o s e dt w op r o b l e m s t h es i n g l em o d e li sh a r dt of u l l yd e s c r i b ec o m p l e x s y s t e m s g l o b a lp r o p e r t i e s i t sp r e d i c t i o na c c u r a c ya n dr o b u s t n e s sa r eu n s a t i s f a c t o r y a c c o r d i n gt od i f f e r e n tw o r ka t t r i b u t e sa n dd e m a n do fa c t u a li n d u s t r i a ls y s t e m ，t h i s p a p e rp r o v i d e st h r e ek i n d so fm u l t i m o d e l i n gs o f ts e n s o rm e t h o db a s e do nm u l t i p l e m o d e lt h o u g h t f i r s to fa l l ，as o f ts e n s o rm o d e l i n gm e t h o db a s e do nm u l t i m o d e l i n gd y n a m i c g a u s s m a r k o ve s t i m a t i o nf u s i o ni sp r o p o s e d i ts e p a r a t e l yu s e st h es t a t i cm o d e lr b f n e t w o r k ，t h ed y n a m i cm o d e lo e l ma n do l s s v mm o d e l i n g ，a n dt h e n f u s e st h e e s t i m a t e dv a l u e sb yd y n a m i cg a u s s - m a r k o ve s t i m a t i o n t h ea c c u r a c yo ft h i sm e t h o di s h i g h e r t h a n a n ys u b - m o d e l i t i sa b l et ot r a c kt h ed y n a m i cc h a r a c t e r i s t i c so f t i m e - v a r y i n gs y s t e m s s e c o n d l y , t h i sp a p e rp r o v i d e san e w s o f t s e n s o rm o d e l i n gm e t h o db a s e do nm i x e d k e r n e lf u n c t i o na n ds p a r s el s s v m t h em i x e dk e r n e li sc o n s t i t u t e db yp o l y n o m i a l k e r n e la n dr b fk e r n e l i tf o r m sm u l t i m o d e ls t r u c t u r ei nt h em o d e li n t e r n a l i tc a nb e b o t ht h eg l o b a lf i t t i n ga b i l i t ya n dl o c a lf i t t i n ga b i l i t yo fl e a s ts q u a r e ss u p p o r tv e c t o r m a c h i n e a na l g o r i t h mc a l l e dv e c t o rb a s el e a r n i n gh a sb e e nu s e dt oi m p r o v et h e s p a r s e n e s so ft h el s s v m f i n a l l y , t h i sp a p e rp r o v i d e san e ws o f t s e n s i n gm e t h o db a s e d o ne n s e m b l ep u r n i n g t o p r e d i c t t h ep o l y m e r i z a t i o nc o n v e r s i o no fs t y r e n eb u t a d i e n er u b b e r w ef i r s t c o n s t r u c tm u l t i p l el s s v m sa sw e a kl e a r n e r si nab a g g i n ge n s e m b l e ，a n dt h e nu s e a d a b o o s t r tt op u r eb a g g i n ge n s e m b l e t h ef i n a lo u t p u to ft h ep r u n e de n s e m b l ei s 硕士学位论丈 c o n s t r u c t e da sw e i g h t e dc o m b i n a t i o no ft h eo u t p u t sf r o me a c hs e l e c t e dw e a kl e a r n e r t h i sm e t h o dh a sh i g h e rp r e c i s i o no fp r e d i c t i o na n do v e r c o m e st h ep r o b l e mt h a t o r i g i n a le n s e m b l ea l g o r i t h mr e q u i r e sm u c hm e m o r yf o rs t o r a g ea n dp r e d i c t ss l o w a n d t os o m ee x t e n t ，i ti m p r o v e st h es p a r s e n e s sa n dr o b u s t n e s si s s u eo fl s s v m t h e s et h r e es o f ts e n s o rm o d e l i n gm e t h o d sh a v eb e e ns i m u l a t e d t h ef i r s tt w o k i n d so fm o d e l i n gm e t h o d sa r ea p p l i c a b l et ot h es y s t e mw h o s eo p e r a t i o ni sm o r e c o m p l i c a t e d t h ef i r s tm e t h o dc a na d a p tt ot h ee m e r g e n c eo fn e ws e t p o i n ti n t h e s a m p l ei n a d e q u a t ec i r c u m s t a n c e s u n d e rt h ec o n d i t i o no ft h ee n o u g hs a m p l e s ，t h e s e c o n dm e t h o dh a sm a n ya d v a n t a g e s t h es t r u c t u r eo fm o d e li s s i m p l e i t so n l i n e c o m p u t a t i o ni sl e s s i ti se a s yt oe n g i n e e r i n gr e a l i z a t i o n t h et h i r dm e t h o di sm o r e s u i t a b l ef o rs t a b l ei n d u s t r i a ls y s t e mw h i c hr e q u i r e sh i g h e rp r e d i c t i o na c c u r a c y k e yw o r d s ：s o f ts e n s o r ；m u l t i - m o d e l i n g ；g a u s s m a r k o ve s t i m a t i o n ；l e a s ts q u a r e s u p p o r tv e c t o rm a c h i n e ；v e c t o rb a s e ；m i x e dk e r n e l ；e n s e m b l ep r u n i n g m 多模型融合软测量方法研究与应用 图1 图2 图3 图3 插图索引 软测量基本结构图2 r b f 网络结构示意图1 3 基于动态g a u s s m a r k o v 估计的异类多模型融合软测量模型结构示意图2 4 基于动态g a u s s m a r k o v 估计的异类多模型融合软测量模型算法流程图2 5 图3 3r b f 算法m a c k e y g l a s s 时间序列的预测结果2 7 图3 4 o l s s v m 算法m a c k e y g l a s s 时间序列的预测结果2 7 图3 5o e l m 算法m a c k e y g l a s s 时间序列的预测结果2 7 图3 6 异类多模型静态融合算法m a c k e y g l a s s 时间序列的预测结果2 7 图3 7 异类多模型动态融合算法m a c k e y g l a s s 时间序列的预测结果2 7 图3 8r b f 算法乙烯浓度预测结果2 9 图3 9o l s s v m 算法乙烯浓度预测结果2 9 图3 1 0o e l m 算法乙烯浓度预测结果2 9 图3 i l 基于动态g a u s s m a r k o v 估计的多模氆静态融合算法乙烯浓度预测结果2 9 图3 1 2 基于动态g a u s s m a r k o v 估计的多模型动态融合算法乙烯浓度预测结果3 0 图4 1平面矢量空间确定b v 的示意图3 3 图4 2混合核函数稀疏l s s v m 建模流程图3 6 图4 3l s s v m ( r b f 核) 预测结果3 7 图4 图4 图4 图4 稀疏l s s v m ( 多项式核) 预测结果。3 7 稀疏l s s v m ( r b f 核) 预测结果3 8 混合核函数l s s v m 预测结果3 8 混合核函数稀疏l s s v m 预测结果3 8 图4 8l s s v m ( r b f 核) 预测结果。3 9 图4 9 稀疏l s s v m ( 多项式核) 预测结果3 9 图4 1 0 稀疏l s s v m ( r b f 核) 预测结果3 9 图4 1 l 混合核函数l s s v m 预测结果3 9 图4 1 2 混合核函数稀疏l s s v m ( 全参数优化) 预测结果4 0 图4 1 3 混合核函数稀疏l s s v m ( 2 参数优化) 预测结果4 0 图5 1 b a g g i n g 集成算法示意图4 2 图5 2基于集成修剪的软测量模型建模过程示意图4 4 图5 3聚合原料及生成物示意图4 6 图5 4 丁苯橡胶生产流程图4 6 图5 5l s s v m 算法预测结果4 7 i v l 硕七学伊论文 图5 6 b a g g i n g ( 1 0 0 ) 集成算法预测结果。4 8 图5 7 b a g g i n g ( 2 0 0 ) 集成算法预测结果。4 8 图5 8 a d a b o o s t r t ( 1 0 0 ) 集成算法预测结果。4 8 图5 9a d a b o o s t r t ( 2 0 0 ) 集成算法预测结果4 8 图5 1 0a d a b o o s t r t b a g g i n g 集成修剪算法预测结果4 8 图5 1 1a d a b o o s t r t - b a g g i n g 集成修剪算法预测误差4 8 v 多模型融合软测量方法研究与应用 附表索引 表3 1 不同算法下的模型精度2 6 表3 2 不同算法下的模型精度2 9 表4 1 不同算法下的模型精度3 7 表4 2 混合核函数稀疏l s s v m 参数优化结果3 9 表4 3 不同算法下的模型精度3 9 表5 1 不同算法下的模型精度4 7 v i 一 硕二 = 学位论文 第1 章绪论 1 1 软测量技术研究的意义 产品质量是企业的生存和发展之本，以最小的成本多产高质量的产品是一切 工业生产的目的。为了使生产装置处于最佳运行工况、实现卡边控制、多产高质 量产品，从而提高装置的经济效益，就必须要对产品质量或与产品质量密切相关 的重要过程变量实时分析并严格控制。但是目前在许多实际工业生产中，部分产 品质量或重要过程变量无法测量，例如某些精( 分) 馏塔产品成分，塔板效率， 干点、闪点，反应器中反应物浓度、转化率、催化剂活性，高炉铁水中的含硅量， 生物发酵罐中的生物量参数等【1 1 。而对于可以测量的变量，流程工业生产中通常采 用两种方法来实现：一种方法是采用离线分析法测量，即在生产过程中每隔几小 时对产品采样一次，然后送化验室进行人工分析。离线人工分析通常滞后几小时， 远远难以满足实际生产要求；另一种方法是通过在线分析仪表进行测量，但是目 前的在线分析仪表( 传感器) 不仅价格昂贵、维护保养复杂，还存在滞后大的问 题，这也将导致控制质量的性能下降，难以满足实际生产要求。 软测量技术正是为了解决这类变量的实时测量和控制问题逐渐发展起来的。 软测量技术的理论根源是2 0 世纪7 0 年代b r o s i l o w 提出的推断控制【引，其基本思想是 将自动控制理论与生产过程知识有机的结合起来，应用计算机技术对难以测量或 者暂时难以测量的重要变量，选择另外一些容易测量的变量，通过构成它们之间 的某种数学关系来推断或者估计，以软件来替代硬件的功能，实现生产装置操作 的实时监测和自动化，提高生产产量和产品质量。 相对于硬件检测设备，软测量技术具有下列优点：一是在现有的硬件资源上 开发软测量系统，成本较低、维护容易、而且配置也相对灵活；二是随着计算机 运算速度的提高，软测量系统有着较快的动态响应，能够连续给出示数；三是可 以将各种变量的检测集中于一台工业控制计算机上，便于控制管理。对于某些复 杂过程变量的检测问题，采用软测量技术是更有吸引力的解决方案【3 l 。 由于软测量技术的诸多优点，其已经成为过程控制行业中令人瞩目的研究领 域。著名国际过程控制专家m c a v o y 教授将软测量技术列为未来控制领域需要研究 的几大方向之一，具有广阔的应用前景【钔。目前，国内外越来越多的科研工作者开 始了软测量技术的研究，软测量的研究已经成功应用到了石化、制药、冶金、污 水处理等许多工业领域【5 1 2 l 。 多模犁融合软测量方法研究与应用 1 2 软测量技术的基本原理一 软测量技术的基本结构如图1 1 所示。其中x 为需要估计的主导变量，4 为不 可测扰动，d ，为可测扰动，u 为控制输入，y 为可测的辅助变量。x + 为可能通过离 线分析或大采样间隔采样( 如分析仪表) 获取的主导变量样本，一般用于软测量 模型的离线学习和在线自校正。 图1 1 软测量基本结构图 可获得主导变量与其它可测变量间的数学模型如下： 膏一f ( d 2 , u ，y ，x , t ) ( 1 1 ) 其中函数厂为动态软测量模型，它不仅反映了需要估计的主导变量x 与可测的 辅助变量y 之间的动态联系，还反映了需要估计的主导变量x 与控制输入u 和可测 扰动d ，的动态关系。 软测量技术主要由以下四个部分组成：辅助变量的选择、数据的采集和处理、 软测量模型的建立以及模型的校正【1 3 l 。 1 2 1 辅助变量的选择 辅助变量的选择是进行软测量技术的首要步骤，具有重要的意义，直接影响 着软测量模型的复杂度和预测精度。所谓辅助变量的选择就是在所有与主导变量 相关的可测二次变量组成的集合中找出一个子集，使得这个子集能够对需要估计 的主导变量进行最好的描述；并且要求这个子集在尽可能保持原来完整数据集多 元结构特征的同时，包含较少的可测二次变量。选择合适的辅助变量，不仅可以 简化软测量模型，使得模型更加容易理解，而且能够大大降低信息采集的经济成 本【1 5 1 。 辅助变量的选择包括变量类型、变量数目和检测点位置的选择。这三个方面 互相关联、互相影响，均由过程特性所决定。在实际应用中，辅助变量的选择还 受经济条件、维护的难易程度等外部因素的制约。文献【1 6 】对其做了详细的介绍和 研究。 2 硕七学位论文 1 2 2 数据采集和处理 。 一 一 通过工艺机理分析，在初步选择影响过程主导变量的辅助变量的基础上，如 何采集过程数据也是软测量技术中一个非常重要的问题，数据采集的正确性和有 效性直接影响到软测量模型的性能。首先应当注意数据采集的时刻匹配，采集的 数据是与软测量主导变量对应时间的辅助变量的过程数据。其次在进行数据采集 时，需要在详细研究生产过程中各种操作工况的基础上，确定辅助变量数据的可 能范围，采集的样本空间要尽量覆盖整个操作范围。同时还要注意选择的每一个 样本在样本空间内要有一定的代表性，应在每个特征点的局部小范围内均匀的采 集数据，不能在一个特征点上重复的取大量数据，而在边缘点上只取几个数据， 这样会严重影响软测量模型的泛化性。最后还要保证数据采集的精简性，采集的 样本数量不要太大，只要保证模型的训练效果即可。过多的训练样本数据会导致 网络结构过于复杂、学习困难，泛化性变差。 在实际工业过程中，都是通过安装在现场的各种仪表采集所需的数据，但是 受到仪表精度、测量环境以及人为因素等影响，获得的数据中不可避免的含有各 种各样的误差，如果直接采用这些低精度甚至失效的数据进行软测量建模估计， 势必会导致软测量模型的性能大幅下降甚至失效，因此必须对采集到的数据进行 误差处理。 从实际工业生产过程中采集到的数据中含有的误差一般分为随机误差和过失 误差两类。随机误差受随机因素的影响，如操作过程微小的波动或者测量信号的 噪声等。任何采集到的数据都不可避免的含有随机误差，但其符合一定的统计规 律，可以通过数字滤波法，如中位值滤波、均值滤波等去除。过失误差主要是由 人为因素、测量的系统偏差( 如效正不准、基准漂移、仪表失灵等) 以及不完全 或不正确的过程模型( 如管道泄漏、热损失等) 引起的。在实际生产过程中，过 失误差出现的几率很小，但是一旦出现就会使得数据产生严重失真，从而严重影 响软测量模型的精度和可靠性，必须及时侦测和剔除。目前常用的处理过失误差 方法主要有人工剔除法、技术判别法和统计检验法。人工剔除法根据经验人工剔 除一些偏差较大的数据；技术判别法是通过对偏差较大的数据进行物理或化学性 质的技术分析，来判别是否剔除数据；统计检验法是通过计算测量数据的统计特 性来判别数据是否存在过失误差。 首先，由于工业过程中的测量数据有着不同的量纲，不同量纲的数据之间难 以进行比较和计算；其次，变量之间在数值上可能相差几个数量级，使得不同变 量的变化不具有可比性。所以，直接使用测量数据进行软测量建模可能引起算法 的数值的不稳定。因此在对采集的数据进行误差处理之后，通常还需要进行标准 化处理，再将测量数据用于软测量建模1 1 7 j 。 3 多模犁融合软测量方法研究与应用 1 2 3 软测量模型的建立 软测量技术的核心是软测量模型的建立。软测量模型是研究者在对过程机理 深入理解的基础上，利用建模、辨识的方法得出的能够估计出主导变量的模型。 它不同于一般意义下的数学模型，强调的是通过辅助变量来获得对主导变量的最 佳估计。本文将在1 3 节对目前常用的软测量建模方法进行介绍和分析。 1 2 4 软测量模型校正 在连续的工业生产过程中，由于软测量对象的时变性、非线性以及模型的不 完整性等因素，一般难以甚至无法建立严格精确的数学模型来描述实际工业过程， 模跫误差必然存在。随着时间的推移，系统的工作点也可能发生变化，使得软测 量模型的误差加大。另外，由于工业现场采集数据可靠性的不确定性，如反应釜 的虚假液位、在线分析仪表不定期清洗胶浆附着导致的测量精度漂移等原因，都 会导致软测量模型性能变差甚至失效；同时现场采集的数据或多或少还存在滞后 的现象，也会影响软测量模型的预测效果。借助于性能良好的校正技术是解决这 些问题的有效手段和可靠保证。 软测量模型的校正可分为模型参数校正和模型结构校正。模型参数校正根据 短期学习的思想，以主导变量离线分析值和主导变量模型估计值之差为动力，在 不改变模型结构的情况下，根据新采集的样本数据对模型中的相关参数进行更新。 而模型结构校正是基于长期学习的思想，在原料、工况等发生较大变化时，利用 新采集的较多数据重新建立模型。模型结构的校正通常是在离线情况下进行的。 1 3 软测量技术建模方法概述 建立软测量模型的方法多种多样，且各种方法相互交叉、相互融合。目前软 测量常用的建模方法一般有以下几种：机理建模、回归分析建模、状态估计建模、 人工神经网络建模、基于统计理论的建模方法以及多模型建模方法等。这些方法 都不同程度地应用于实际工业系统的软测量建模中，均具有各自的优缺点及适用 范围。 1 3 1 基于工艺机理分析的软测量建模方法 机理建模方法是建立在对工艺机理深刻认识的基础上，通过质量平衡方程、 量平衡方程、动量平衡方程、相平衡方程以及反应动力学方程等来确定难测的主 导变量和易测的辅助变量之间的数学关系。文献【1 8 】对乙苯催化脱氢制苯乙烯生产 过程进行了机理建模并使用多变量复合形约束算法实现在线优化。文献【1 9 l 以脱丙 塔为例，建立了气体分馏装置精馏过程的严格动态机理模型，并基于动态机理模 型进行了系统的动态模拟和分析。文献 2 0 l 给出了催化重整过程组分估计的机理模 4 硕七学何论文 型。文献【2 1 1 通过机理分析建立锅炉尾部烟气含氧量的软测量模型，并对漏风量进 行修正，对热量信号中的汽包压力进行滤波，来改善软测量模型的动态性能。 机理建模方法是工程中常用的方法，其特点是可以充分利用已知的过程知识， 从事物的本质上认识外部特征，便于实际应用。但是应用效果非常依赖于对工艺 机理的了解程度，对于工艺机理较为清楚的工业过程，该方法能建立出性能良好 的软测量模型；对于机理研究不充分、尚不完全清楚的复杂工业过程，难以建立 合适的机理模型。同时由于大多数工业过程的机理模型较为复杂，机理建模方法 还存在着在线预测计算量大，收敛慢的问题。 1 3 2 基于状态估计的软测量建模方法 这种软测量建模方法是基于控制理论中状态估计的思想。如果系统主导变量 作为系统的输出变量是完全可观的，那么，在建立软测量模型时，可以将不可测 的主导变量看作状态变量或者未知参数，将可测的辅助变量看作输入输出变量， 则对主导变量的估计问题就转化为状态估计或参数估计问题，就可以采用 l u e n b e r g e r 观测器、高增益观测器、自适应观测器、k a l m a n 滤波器或自适应k a l m a n 滤波器等方法对主导变量进行估计。文献 2 2 1 提出了一种基于状态预测的自适应一 致滤波器，该算法在加快节点估计的一致收敛速度的同时还能减小收敛过程中节 点的估计误差。 基于状态估计的软测量建模方法可以反映主导变量和辅助变量之间的动态关 系，因此有利于处理各变量间动态特性的差异和系统滞后等情况。但是在面对复 杂的工业过程时，常常难以建立系统精确的状态空间模型，这在一定程度上限制 了该方法的应用。同时在许多工业生产过程中，常常会出现持续缓慢变化的不可 测的扰动，导致原先建立的状态空间模型的准确性降低，使得该种软测量模型可 能会出现显著的误差。 1 3 3 基于回归分析的软测量建模 回归分析方法是数理统计方法中应用最为广泛的分支，它是建立在对客观事 件进行大量试验和观察基础上的、研究输入和输出之间关系的一种统计方法【2 3 1 。 随着计算机技术的发展，过程工业中数据采集的检测点越来越多，采集的频率也 越来越快，获得的样本数据越来越多，而这些样本数据大多互相关联，且存在冗 余。而回归分析正是运用统计方法将这些数据中隐含的对象信息浓缩和提取，从 而建立主导变量和辅助变量之间的数学模型。 回归分析基本主要方法有：主元分析法( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) 、 部分最小二乘法( p a r t i a ll e a s ts q u a r e s ，p l s ) 、数据处理分组法( g r o u pm e t h o do f d a t ah a n d l i n g ，g m d h ) 等，以及在这些算法的基础上改进和开发的算法。 主元分析法是将对象的多个相关变量化为少数几个不相关的变量的一种多元 5 多模型融合软测量方法研究与戍用 统计方法【2 引，是进行数据压缩和信息抽取的有力工具。在主元分析的基础上，建 立主元和因变量之间的线性回归关系，称