（控制理论与控制工程专业论文）多模型软测量建模方法研究及其在生物发酵过程中的应用.pdf

江苏大学硕士学位论文 摘要 微生物发酵工程是复杂的生化反应过程，具有高度非线性、时变性和相关性。 获得更多的过程状态变量和掌握更多的反应过程信息是研究微生物发酵过程和 提高生产效率的首要前提。然而，在实际的发酵生产过程中，由于工艺和技术的 限制，一些重要的生物参数难以实现在线检测，软测量技术为解决此类问题提供 了一条有效的途径。 近年来，对于具有多变量、非线性、时变性和变量问有多重相关性特点的复 杂系统建模，大多采用神经网络、模糊逻辑等智能方法建立单一模型。如果对辅 助变量和输出变量之间的关系采用单一函数来拟合，而不考虑输入数据之间的联 系和差异，势必会造成建模偏差大，模型精度差等问题，而且对大批量数据样本 仅考虑使用单模型建模，会导致过于庞大的网络结构和冗长的训练时间。 本论文受到国家高新技术发展计划项目“基于模糊神经逆的生物反应过程软 测量技术及其优化控制”资助。以生物发酵过程为研究对象，针对单模型软测量 方法存在的不足，通过对发酵机理和多种软测量建模方法的研究，提出利用多模 型建模方法来解决发酵过程的软测量建模问题。建模前，首先利用主元分析方法 对样本数据进行预处理，达到有效去除模型变量问的冗余信息、减小相关性和降 低模型复杂度的目的；其次，采用数据挖掘技术中的聚类算法对样本数据进行分 类，对聚类后的各子类样本数据分别采用反向传播神经网络建立子模型。针对聚 类问题，提出了两种聚类算法：( 1 ) 为了避免传统聚类算法存在的对初始值敏感， 易陷入局部最优和收敛速度慢等缺陷，利用粒子群优化算法( p s o ) 的全局搜索 能力强、收敛速度快的优点，结合核模糊聚类( k f c m ) 提出了基于p s o 的核 模糊c 均值聚类算法( p s k f c m ) ；( 2 ) 针对传统聚类算法中聚类数目需事先给 定和分类精度依赖数据分布情况等问题，采用了一种新型仿射传播( a p ) 聚类 算法。最后，利用概率加权方法融合各个子模型输出得到多模型软测量模型的输 出结果。并将所提软测量方法应用于红霉素发酵过程生物量浓度的在线预测。与 单模型建模方法比较表明，本文所提多模型软测量模型能够更加有效、快速地逼 近真实值，大大提高了预测精度。 关键词：多模型；软测量；模糊聚类；神经网络；发酵过程 江苏大学硕士学位论文 a bs t r a c t m i c r o o r g a n i s mf e r m e n t a t i o ne n g i n e e r i n gi s ac o m p l e xb i o c h e m i c a lr e a c t i o n p r o c e s sw h i c hh a sh i g hn o n l i n e a r , t i m e v a r y i n ga n dr e l e v a n tc h a r a c t e r s oi fw ew a n t t os t u d ym i c r o b i a lf e r m e n t a t i o np r o c e s sa n di n c r e a s ep r o d u c t i v i t y , t h em o s ti m p o r t a n t p r e r e q u i s i t e i st o g e tm o r es t a t ev a r i a b l e s a n dm a s t e rm o r er e s p o n s i v ep r o c e s s i n f o r m a t i o n h o w e v e r , i nt h ea c t u a lf e r m e n t a t i o np r o c e s s ，d u et ot e c h n i c a la n d t e c h n o l o g i c a lc o n s t r a i n t s ，o n l i n em e a s u r e m e n to fan u m b e ro fi m p o r t a n tb i o l o g i c a l p a r a m e t e r si sd i f f i c u l t ，a n ds o f t - s e n s o rt e c h n i q u ep r o v i d e sa ne f f e c t i v ew a yt os o l v e t h i sp r o b l e m i nr e c e n ty e a r s ，c o n s i d e r i n gt h ec h a r a c t e r ss u c ha sh i g hd i m e n s i o no fi n p u t s ， n o n l i n e a r i t ya n ds t r o n gc o r r e l a t i o nb e t w e e ni n p u t sa n do u t p u t so fc o m p l e xs y s t e m s ， t h ec o m m o nm o d e l i n gm e t h o di sas i n g l em o d e lb a s e do nn e u r a ln e t w o r ka n df u z z y l o g i c h o w e v e r , t h em o d e lw o u l dc a u s ed e v i a t i o ni fw eu s eas i n g l ef u n c t i o nf i tt h e r e l a t i o n s h i pb e t w e e nt h es e c o n d a r yv a r i a b l ea n dt h eo u t p u t s ，a n dw i t h o u tc o n s i d e r i n g t h el i n k sb e t w e e nt h ed a t as e t s w h e nt h es a m p l e sa r eh u g e ，o n l yu s i n gaf u n c t i o nt o e s t a b l i s ht h em o d e lw i l lc a u s el a r g en e t w o r ka r c h i t e c t u r e ，a n dt h et r a i n i n gw o u l dc o s t al o n g e rt i m e t h i sp r o j e c ti ss p o n s o r e db yn a t i o n a lh i t e c hr e s e a r c hd e v e l o p m e n tp l a n “s o f t s e n s o rt e c h n o l o g yb a s e do nf u z z ya n ni n v e r s ei n b i o l o g i c a lp r o c e s sa n di t s o p t i m a lc o n t r o l ”f o rt h ed e f e c t so fs i n g l em o d e l ，r e s e a r c h e sa b o u tm u l t i m o d e lh a v e b e e nd o n ei ns o f tm e a s u r e m e n ta r e at of i n de f f e c t i v es c h e m e st os o l v ep a r a m e t e r m e a s u r e m e n tp r o b l e m so ff e r m e n t a t i o np r o c e s s a tf i r s t ，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 ) i su s e dt op r e p r o c e s st h es a m p l ed a t a ，w h i c hc a ne f f e c t i v e l yr e m o v er e d u n d a n t i n f o r m a t i o na m o n gv a r i a b l e s ，r e d u c et h er e l e v a n c ea n dc o m p l e x i t yo ft h em o d e l t h e n ， c l u s t e r i n ga l g o r i t h m sa r ep r o p o s e dt o d e a lw i t ht h ep r o - p r o c e s s e dd a t as e t t h e d i v i d e ds u b s e t sa r et r a i n e dt ob u i l das u b - m o d e lu s i n gb a c kp r o p a g a t i o nn e u r a l n e t w o r k ( b p n n ) i nt h ep a r to fc l a s s i f i c a t i o n ，t w od i f f e r e n tm o d i f i e dc l u s t e r i n g a l g o r i t h m sa r ep r o p o s e d o n ei sp a r t i c l es w a r m b a s e dk e r n e lf u z z yc - m e a n sc l u s t e r i n g 江苏大学硕士学位论文 ( p s k f c m ) a l g o r i t h m ，t h eo t h e ri sa f f i n i t yp r o p a g a t i o nc l u s t e r i n g ( a p ) a l g o r i t h m i n o r d e rt oa v o i dt h ed e f e c t so ft r a d i t i o n a lc l u s t e r i n ga l g o r i t h m ss u c ha st h ed e p e n d e n c e o nd a t ad i s t r i b u t i o n ，s e n s i t i v i t yt oi n i t i a lv a l u ea n dn o i s ea n db e i n ge a s yt ob et r a p p e d i nl o c a lm i n i m a ，w ep r e s e n tp s k f c ma l g o r i t h mw h i c hc o m b i n e st h ea d v a n t a g e so f k e r n e lf u z z yc - m e a n sc l u s t e r i n g ( k f c m ) a n dp a r t i c l es w a r mo p t i m i z a t i o n ( p s o ) a l g o r i t h m a n da pa l g o r i t h mi sp r e s e n t e dt os o l v et h ec o m m o n l ye x i s t e dp r o b l e m si n o r i g i n a lc l u s t e r i n ga l g o r i t h m s ，s u c ha sc l u s t e r i n gn u m b e rs h o u l db ed e t e r m i n e di n a d v a n c ea n dc l u s t e r i n ga c c u r a c yd e p e n d so nd a t ad i s t r i b u t i o n t h e s et w oc l u s t e r i n g a l g o r i t h m sa r ea p p l i e dt og r o u pt h et r a i n i n gd a t ai n t oo v e r l a p p i n gc l u s t e r s f i n a l l y , p r o b a b i l i t y - w e i g h t e dm e t h o di sa p p l i e dt of u s ee a c hs u b - - m o d e lt oa c h i e v et h eo u t p u t r e s u l to fs o f ts e n o rm o d e l t h ep r o p o s e dm o d e l i n gm e t h o di sa p p l i e dt op r e d i c tt h e b i o m a s sc o n c e n t r a t i o no n l i n ef o ra ne r y t h r o m y c i nf e r m e n t a t i o np r o c e s s c a s es t u d i e s s h o wt h a tt h ea p p r o a c hh a sb e t t e rp e r f o r m a n c ec o m p a r e dt ot h ec o n v e n t i o n a ls i n g l e m o d e lm e t h o d t h ec o m p a r i s o n sb e t w e e nas i n g l em o d e la n dm u l t i m o d e lb a s e do n p r o b a b i l i t yw e i g h t e ds h o wt h a tt h es o f tm e a s u r e m e mp r o p o s e di nt h ep a p e r , c a n a p p r o a c h t h ee x p e c t e dr e s u l t e f f e c t i v e l y , a n dc a na l s oi m p r o v et h ep r e d i c t i o n p r e c i s i o n k e yw o r d s ：m u l t i m o d e l ；s o f ts e n s o r ；f u z z yc l u s t e r i n g ；n e u r a ln e t w o r k ；f e r m e n t a t i o n p r o c e s s i v 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，同意学校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。本人授权江苏大学可以将本学位论 文的全部内容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。 本学位论文属于 保密口，在年解密后适用本授权书。 不保密。 学位论文作者签名：铃布搴 指导教师签名： 卅。f 1 月易日 叫年l 矿月1 且 | 旧夕铲 f 独创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下， 独立进行研究工作所取得的成果。除文中已注明引用的内容以外， 本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。 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结果由本人承担。 学位论文作者签名： 伶西节 1 日期：v 口c i年i7 月 江苏大学硕士学位论文 1 1 引言 第一章绪论 在化工、食品等工业生产中，为保证产品质量和连续稳定的生产操作环境， 需要对与其品质密切相关的过程变量进行实时监督和控制。然而在实际生产过程 中，由于受传感技术发展水平的限制，一些变量无法或难以用传感器直接检测， 只能通过离线采样人工化验的方法得到，如化学反应器中的反应物浓度和产品分 布、柴油倾点、生物发酵罐中的生物量参数等。这些参数直接或问接反映了生产 过程的状态并直接影响着产品质量。为了实现对工业生产过程实行优化操作与控 制，首先需要解决生化过程相关参数的在线测量问题【i 】。发酵工业生产中通常采 用两种方法实现变量测量：一种是通过在线分析仪表，但是目前在线分析仪存在 着设备投资大、维护困难、分析周期长、测量滞后大、准确性不高等缺陷，难以 提供实时质量信息作为质量控制的反馈信号；另一种方法是采用离线分析测量， 即在生产过程中采用离线分析方法，每隔几小时采样一次送化验室进行人工分 析。离线人工分析通常滞后几小时，难以满足生产要求。 随着计算机技术的发展，为了解决此类关键变量不可直接测量问题，提出了 软测量技术。基于7 0 年代b r o s i l l o w 提出的推断控制思剧2 1 ，软测量技术将工艺 机理和控制理论有机地结合起来，能够连续计算那些不可测或难以检测的参数， 一定程度上可以取代在线分析仪，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。 由于软测量技术的诸多优点，使其不仅在理论研究方面，而且在实际应用中 都得到了快速发展。随着神经网络、模糊理论等智能技术被大量应用于软测量中， 软测量技术的发展前景更加广阔，更加显示出其在过程控制中的巨大潜力，尤其 在石油、化工过程中获得了广泛的应用1 3 矧。 在实际生产过程中，由于需要在工况随时变化的情况下满足产品的不同要 求，研究和应用发现采用单一模型建立的软测量模型存在着模型精度低，外推性 能差等缺陷。为了适应工况变化，提高模型适用性，达到高精度测量过程变量的 目的，多模型软测量技术越来越受到重视。 江苏大学硕士学位论文 1 2 软测量技术基本原理 所谓软测量，就是根据某种最优化准则，选择一组与主导变量有密切关系又 容易测量的变量，即辅助变量，通过构造某种数学关系，用计算机软件实现对主 导变量的估计，即利用辅助变量的在线测量值，估计或预测难以测量的主导变量 值。软测量技术的关键是建立辅助变量和主导变量之间的数学关系，即数学模型， 建模是软测量技术的核心。一般软测量问题可用图1 2 1 来描述。软测量建模就 是设法由可测变量来得到不可在线测量的主导变量的估计值，即： y = f ( d l ，d2 ，材，秒，y ，f ) ( 1 2 1 ) 其中】，是主导变量，是离线分析值，l ，是软测量输出，d l 是不可测扰动， 如是可测扰动，u 是控制输入，臼是辅助变量。式( 1 2 1 ) 反映了主导变量j ，和 一般意义输入的关系，还反映了】，与辅助变量目的关系，且离线采样值，常被 用于软测量模型的校正。 图1 2 1 过程的输入输出关系 f i g 1 2 1r e l a t i o n s h i pb e t w e e ni n p u ta n do u t p u to fp r o c e s s 软测量的目的是利用所有可获得的信息求取主导变量】，的“最佳估计值y ， 建立软仪表的过程就是构造一个数学模型_ ( 宰) 求取主导变量y 的估计值。 在应用过程中，软测量模型的参数和结构并不是一成不变的，随时间迁移工况和 操作点可能发生改变，需要对它进行在线或离线修币，以得到更合适当前状况的 软测量模型，提高模型的适用度。图1 2 2 为软测量的结构图，用以表明在软测 量中各模块之间的关系。 建立软测量仪表的步骤包括：辅助变量的选择、数据采集和预处理、软测量 江苏大学硕士学位论文 模型的建立以及软测量模型的在线校j 下四个环节。下面将对这四个环节逐一介 绍。 图1 2 2 软测量的结构图 f i g 1 2 2a r c h i t e c t u r eo fs o f ts e n s o r ( 1 ) 辅助变量的选择 辅助变量的选择是建立软测量模型的第一步。这一步确定了软测量的输入信 息矩阵，直接决定了软测量模型的结构和输出，决定软测量成功与否的关键。辅 助变量的选择包括变量类型的选择、变量数量的选择和检测点位置的选择。 辅助变量选择范围是工程对象的可测变量集。根据工艺机理分析，在可测变 量集中选择对主导变量影响较大的变量作为初始辅助变量。然后根据变量的灵敏 性( 能对过程输出或不可测扰动做出快速响应) 、工程适用性( 工程上易于获得 并能达到一定的测量精度) 、精确性( 构成的软仪表能达到的要求精度) 和鲁棒 性( 构成的软仪表对模型误差不敏感) 的原则选择最终的辅助变量。变量数目必 须满足精简性原则，尽可能用最少变量获得精度足够的模型 7 1 。这种机理分析指 导辅助变量的选择方法，可以使软测量的设计更合理。若软测量对象的工艺激励 过于复杂或缺乏机理知识，则可采用主元分析法( p c a ) ，即利用采集的历史数 据做统计分析计算，通过主元贡献率的排序实现辅助变量的选择。也可采用粗集 理论、遗传算法等实现辅助变量的选择。 ( 2 ) 数据采集和预处理 在选定了影响主导变量的辅助变量基础上，如何采集过程数据也是一个重要 问题。因为输入数据的f 确性和可靠性关系到软测量模型的输入精度。软测量建 江苏大学硕士学位论文 模所用的数据包括辅助变量实时测量数据和主导变量分析数据。数据预处理主要 是针对辅助变量实时测量值而言，对主导变量的分析一般不作处理。 数据采集主要是采集软测量建模所需训练样本数据。在进行数据采集时，要 要使采集的样本空间尽可能覆盖整个操作范围，同时要本着有代表性、均匀性和 精简性的原则进行选择【8 1 。所谓有代表性和均匀性，是指采集的每一个数在样本 空间要有一定的代表性，采集的数据不仅要覆盖整个操作范围，而且每个特征点 选取的样本量要均匀，不能在某一个特征点上大量重复选取，而在其余特征点上 只有零星数据。所谓精简性是指选取的样本数量不要太大，只要保证模型的训练 效果即可，否则这会导致网络结构过于复杂、学习困难、模型泛化性能差。在实 际工业过程中，数据一般都是通过现场测量仪表获得，由于受到仪表精度、现场 测量环境和测量方法以及人为因素的影响，不可避免地带来各种各样的误差，甚 至出现错误数据，从而影响过程建模的效果和控制质量，因此必须对原始数据进 行预处理，剔除错误数据。 测量数据误差一般分为随机误差和过失误差两大类一j 。随机误差受不可避免 的随机因素的影响产生，如操作过程中的微小波动或检测信号的噪声等。随机误 差是不可避免的，任何测量数据都含有随机误差，但它服从一定的统计规律，j 下 是因为它的规律性，可以通过数字滤波，如中位值滤波、均值滤波等方法去除。 近年来利用冗余对测量数据进行随机误差处理来使其满足约束关系的数据协凋 方法，也得到了广泛的应用。其基本思想是根据由物料平衡等方程建立起来的数 学模型，以估计值与测量值的方差最小为优化目标，构造一个估计模型，为测量 数据提供一个最优估计，以便及时准确地检测误差的存在，进而剔除或补偿其影 响。过失误差可能是由三种因素引起的【io 】：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( 如管道泄露、 热损失等) 。过失误差的存在使得测量数据严重失真，也就是在测量数据的测量 值与真实值之间存在着显著的差异。常用处理方法有：理论分析法、硬件冗余法、 统计效验法。理论分析法是对各种可能导致过失误差的因素进行理论分析并作相 应的处理，然而仅从理论上分析，极有可能遗漏一些造成过失误差的潜在因素， 不易于广泛使用。硬件冗余法是借助于各种具有不同测量精度的手段对同一过程 变量进行测量，然后比较和判断，这种方法对于少数重要的测量变量是可行的， 4 江苏大学硕士学位论文 然而对众多变量逐一测量比较会造成大量财力和物力上的负担，因此也不适合推 广使用。统计效验法是利用测量数据的统计特性进行检验，这种方法只针对数据 本身，对现有硬件设备没有过多要求，便于在线运行，具有普遍性，所以得到了 广泛应用j 。 在对采集的数据进行误差处理之后，还需要对数据进行标准化处理。因为工 业过程中的测量数据有着不同的工作单位，变量之间在数值上可能相差几个数量 级，直接使用这些数据进行计算时不能反映数据本身的变化情况，由于计算机字 长有限也有可能会丢失信息，甚至引起算法的数值不稳定的问题。在测量数据用 于软测量建模之前，通常对其进行数据标准化处理，即同时对数据进行中心化处 理和无量纲处理。 ( 3 ) 软测量模型的建立 该部分为软测量的核心。软测量模型是人们在深入理解过程机理基础上，利 用建模、辨识的方法得到的适于估计的模型。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变量的最佳估计。 ( 4 ) 软测量模型的在线校正 由于化工生产过程的复杂性，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，而工业过程软测量技术核心模型一般仅能大致反映实际过程 本质的变化趋势，因此模型误差必然存在。另外，在软测量模型投入运行后，由 于系统的时变性、不确定性和非线性，随着时间的推移，测量对象的特性和工作 点都可能发生变化，从而使模型误差加大。性能良好的在线校j 下技术是解决这些 问题的有效手段和可靠保证。 软测量模型在线校正可以分为模型输出校正和模型参数校正。模型输出校j 下 是以软测量模型的估计值与实际对象主导变量分析值的偏差来修j 下软测量模型 目前的估计值。这种技术比较简单，但只适用于工况变化不大的场合。模型参数 在线校j 下即在线校正软测量模型的参数，通常采用具有自适应的软测量模型，随 着时间的推移，根据更新样本不断修f 模型参数。对软测量模型的校j 下有短期学 习和长期学习两种思想【1 2 】。短期学习以离线分析值和模型输出值之差为动力， 在不改变模型结构的情况下，根据新采集的数据对模型中的关系数进行更新；而 长期学习则是在原料、工况等发生较大变化时，利用新采集的数据重新建立模型。 江苏大学硕士学位论文 1 3 国内外研究现状 1 3 1 基于传统测量方法的生物量离线测量 传统的生物量测量方法一般采用手工离线取样测量，如干重法、离心叠集细 胞体积法、直接染色法、光密度法和细胞计数法等【1 3 j 。这些方法操作复杂、滞 后时f b j 长、测量误差大，测量精度受死细胞影响，不能及时反映发酵状态，难以 满足发酵过程实时控制的要求，并且要从发酵罐中抽取样品，这样极易将污染菌 带进发酵罐，影响发酵正常进行。 1 3 2 基于现代传感器技术的生物量离线测量 随着传感器技术和电子技术的发展，基于传感器技术的生物量在线测量方法 逐渐成熟起来，代表性的有光浊度法、荧光法、介电常数法、超声波法等【h 彤1 这些依靠硬件的在线分析仪器在应用上都存在局限性，每种测量方法都有各自的 特点和适用范围，且在线分析仪器价格昂贵，维护费用高的限制，很难适用于所 有发酵过程生物量在线测量。 1 3 3 基于软测量技术的生物量在线估计 由于技术或经济的原因，目前难以或者无法通过传感器检测工业控制过程的 一些关键变量，同时又需要加以严格控制这些与产品质量密切相关的重要过程参 数。为了解决该类变量的检测和控制，二十世纪七十年代以来，不少学者提出了 软测量的基本思想和方法：采集过程中比较容易测量的辅助变量，构造推断估计 器并克服扰动和测量噪声对过程主导变量的影响。推断控制策略包括估计器和控 制器的设计，软测量技术就体现了估计器的特点。软测量仪表除了能“测量”主 导变量，还可以估计一些反映过程特性的工艺参数。 软测量建模方法经历了从线性- i i i - i i 线性、从无校j 下到有校币的历程。目前， 建立软测量模型的方法多种多样，主要有机理建模、回归分析、状态估计和辨识、 人工神经网络建模及混合建模方法等。近年来，这几种软测量技术的研究较为深 入，在微生物发酵过程控制和检测中已有许多成功应用。 6 江苏大学硕士学位论丈 ( 1 ) 基于机理的软测量建模 机理建模方法建立在对过程机理有着深刻认识的基础上，通过工程经验对过 程的机理进行分析，建立过程参数的能量、物料等物化方程式，找出辅助变量与 主导变量之间的关系。d b e l u h a n l l 6 j 等采用机理模型构造观测器的方法对分批发 酵过程的生物量参数进行估计和优化。z h a 0 1 1 7 1 对发酵过程的机理建模方法进行 了分析，并从质能平衡出发建立了机理模型，对发酵过程生物量进行在线估计和 自适应控制。 由于机理建模比较精确的反映了过程变量之间的关系，所以建模精度很高。 但在实际工程中，由于工业过程比较复杂，采用机理建模方法的难度很大，甚至 是不可行的，所以这种方法的应用很有限。但对过程机理进行必要的了解分析， 在软测量建模过程中是十分必要的。实际中常常是采用机理分析与其它建模方法 相结合的方式来对过程进行分析，以此得到较好的建模效果。 ( 2 ) 基于回归分析的软测量建模 回归分析方法是一种经典的建模方法，不需建立复杂的数学模型，只要收集 大量过程参数和质量分析数据，运用统计方法将这些数据中隐含的对象信息进行 浓缩和提取，从而建立主导变量和辅助变量之问的数学模型。根据采用的数学方 法的不同可以将回归分析方法分为线性回归和非线性回归。线性回归中最经典的 方法是最小二乘法，在此基础上又发展的主元回归法( p r i n c i p l ec o m p o n e n t r e g r e s s i o n ，简称p c r ) ，和偏最d - - 乘法( p a r t i a ll e a s ts q u a r e s ，简称p l s ) 特别 适合辅助变量多且变量问相关性强的系统。w a m e s 等【1 8 1 利用p c r 的建模方法对 埃希式杆菌发酵过程中的生物量和重组蛋白浓度进行了在线估计并同其他几种 建模方法进行比较，对比分析可知所提方法较其他算法具有更好的跟踪特性，更 高的预测精度和稳定性。z h a n g 和b a r r y 0 9 1 采用p l s 建模方法对分批发酵过程中 的生物量浓度在线测量，并在预测监控发酵罐中微生物生长状态的同时提供故障 诊断和增强隔离能力的功能。z h a n g 等【2 0 】利用核最小二乘法并结合独立分量算法 分别对青霉素发酵过程和f f l 纳西伊斯曼进程的产物浓度进行预测，有效解决了 p l s 非线性差的问题，并减小了计算量。经分析，对于线性系统，采用p c r 和 p l s 的效果完全一样：对于非线性系统，后者效果稍好。 尽管用机理分析确定模型结构、用历史测量数据估计模型参数的混合方法得 江苏大学硕士学位论文 到了广泛的应用，回归分析方法仍存在几个缺陷难以解决：模型准确性受样本真 实性的影响，适用范围受样本容量的制约。因此只有在长期的生产过程可以提供 大量正确的样本时，该方法才能得到正确可靠的实施。 ( 3 ) 基于状态估计的软测量建模 基于状态估计的软测量要求已知系统对象的状态空间模型： x = a x + b u + e v ( 1 3 1 ) y = c 父( 1 3 2 ) 0 = c o x + w ( 1 3 3 ) 其中x 为过程的状态向量，y 和o 分别表示过程的主导变量和二次变量；v 和w 为白噪声。该方法将不可测主导变量y 看作状态变量，把可测的辅助变量 0 看作输出变量，这样对主导变量的软测量就转化为状态观测估计问题，可用 k a l m a n 滤波器( k f ) 和扩展k a l m a n 滤波器( e k f ) 得到状态的估计值。b a s t i n 和d o c h a i n 2 提出了种自适应非线性观测器，并利用该观测器对发酵过程的比 生长率和细胞浓度进行了估计。j a h a n m i r i 和r a s o o l i l 2 2 l 根据尾气中c 0 2 的测量值 利用e k f 预测丙酮、丁醇和乙醇的发酵过程产物的合成过程和生长速率，取得 了良好的实验效果。a l b i n 和h e r b e r t l 2 3 1 采用包含生物量和底物变量的物料守恒 方程与事先测量的得到的计量数据建立卡尔曼滤波器，利用该e k f 监控大肠杆 菌发酵过程中甘油的生长情况，实验证明所提e k f 具有较好的预测精度。 k f 主要运用在线性系统的最优状态估计上，对于非线性的微生物发酵过程 并不适用。e k f 虽然可以反映主导变量和辅助变量之问的动态关系，但对于复 杂的工业过程，难以建立系统的状态空间模型，这在一定程度上限制了该方法的 应用。 ( 4 ) 基于人工神经网络的软测量建模 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，简称肿州) 是利用计算机模拟人 脑的结构和功能的- f l 新学科，是目前软测量研究中最活跃的领域。它具有并行 计算、学习记忆能力及自组织、自适应和容错能力等优良性能，并无需具备对象 的先验知识，而是根据对象的输入输出数据直接建模，即将辅助变量作为a n n 的输入，将主导变量作为输出，通过网络的学习来解决不可测变量的软测量问题。 江苏大学硕士学位论文 因此，在解决高度非线性和严重不确定性系统控制方面具有巨大的潜力。 2 0 世纪9 0 年代以来，a n n 作为一种处理多变量非线性问题的良好方法被 广泛运用于微生物发酵过程。对于生化工业过程来说，这也是一个很有前途的发 展方向，国内外许多专家学者都在致力于这方面的研究。g r e g 2 4 】详细讨论了软 测量应用于化工过程控制的情况，认为软仪表具有易安装、维护费用低、可靠性 和预测精度高的优点，并提出了基于a n n 的软测量方案。e l m e r 等1 2 5 j 采用人工 神经网络建立软测量模型并将其应用于连续发酵过程中乙醇浓度预测。k a r a k u z u 等【2 6 】采用人工神经网络建立了生物量浓度的在线估计模型及生长率的在线估计 软测量模型，并与模糊控制器相结合用于酵母发酵过程中，取得了较好的控制效 果。c r a n i n x 等【2 7 j 采用前馈神经网络建立软测量模型根据牛奶脂肪酸对制乳罐中 的瘤胃发酵模式进行预测，并将该算法与统计学中多线性回归方法进行比较，仿 真结果证明基于a n n 的软测量模型具有较好的预测性能。 然而，采用标准b p 算法对网络进行训练，学习过程收敛速度很慢，容易陷 入局部极小，需要较多的实验数据j 能达到要求的精度，对于一些无法提供大量 数据的发酵过程，标准b p 算法不适用。随着研究的深入，人们又提出了神经网 络的改进算法，并将其他方法与神经网络结合使用，取得了一定的进展。c i m a n d e r 等【2 9 j 使用改进的q u a s i n e w t o n 训练算法对酸奶发酵过程进行神经网络建模，在 线估计发酵过程的乳糖、半乳糖和乳酸盐，该方法大大加快了神经网络学习的收 敛速度。f o r t u n a 等1 3 0 j 分别采用多层感知器( m u l t i 1 a y e rp e r c e p t r o n s ) 、径向基函数 神经网络以及非线性最d x - - 乘算法建立软测量模型，并对其性能进行比较，将性 能最好的软仪表用于硫磺精馏单元的在线分布控制系统。r o n e n 和s h a b t a i t 3 | 】在 酵母发酵生物量和普鲁兰多糖的在线估计中，将模糊集理论和a n n 相结合，提 出了模糊神经网络建模方法，有效减少了输入变量的维数，估计效果较好。 虽然基于a n n 的“黑箱”软测量模型无需具备发酵过程机理，并且己被证 明了可以任意精度逼近非线性连续函数，但是网络的性能要受训练样本的空问分 布、样本的质量和训练算法的影响。此外，在实际建模时，受数据采集、系统噪 声和不确定性等复杂因素的影响，网络结构的确定、网络训练算法的选择等问题 是面临的难题，目前尚没有理论方法进行指导，而不同的网络结构、训练方法和 收敛准则会导致网络具有不同的泛化能力。因此，基于神经网络的软测量模型在 9 江苏大学硕士学位论文 鲁棒性和精确性方面还需进一步改善。 ( 5 ) 基于混合方法的软测量建模 软测量的各种建模方法发展到今天，已经较为成熟。今后的研究方向在于各 种现有方法的综合，所谓综合就是创新，对于非线性对象采用基于神经网络的软 测量模型建模方法，要解决的主要是神经网络的鲁棒性和模型预测精度问题。 近年来，出现了g a b p 、g a r b f 等优化算法与神经网络相结合方法。这 些混合建模方法不论在理论还是在实践上都取得了很大的发展。然而，混合建模 算法大多只是适于离线建模。 随后又提出将p c a p l s 和a n n 结合的方法，包括串级和用a n n 实现 p c a p l s 两种结合形式。d a m 等【3 2 】将遗传算法与神经网络相结合并用于建立原 油分馏塔产品的软测量模型。w a n g 等【3 3 】将小波分析与a n n 相结合建立基于小 波神经网络的软测量模型并将其应用于发酵过程的预测控制中。l u o 等 3 4 】将粗糙 集理论与神经网络相结合建立软测量模型并以此来估计催化裂化装置中轻柴油 凝点。l i a n g 等【3 5 】提出了一种混沌神经网络，将混沌优化技术与r b f 神经网络相 结合，用混沌变量对r b f 神经网络进行权值的寻优计算。 除了上面介绍的各种建模方法以外，目前多模型建模方法也得到了较多关 注。在多模型建模方法的启发下，还有人提出建立一组神经网络模型，并按一定 的方式将其连接起来以改善模型的预测精度。有学者提出了多网络结构，如 m u l t i p l en e u t r a ln e t w o r k s ( m n n ) ，s t a c k e dn n 和d i s t r i b u t e dn n ( d n n ) ，其中 m n n 模型结构就是这种方法的基本形式。多模型建模通常的建模思路主要是采 用模糊聚类算法对训练样本进行聚类，对每一类分别建立子模型，然后用聚类后 的隶属度将各个子模型的输出进行加权求和得到最终的软测量模型输出。常玉清 等【3 6 】采用k m e a n s 聚类算法进行数据分类，然后采用r b f 网络建立子模型，最 后根据模糊隶属度将各个子模型的输出加权求和得到整个软测量模型的输出。 e r d a l 等【3 7 】贝0 采用小波网络建立子模型，然后采用p l s 算法对子模型输出进行综 合。桂卫华等【38 1 则是首先对样本聚类，然后用支持向量机建立子模型，最后根 据模糊隶属度进行加权求和得到最终软测量模型的输出。这种多网络结构模型具 有输出误差小、泛化能力强等特点，越来越受到重视。 l o 江苏大学硕士学位论文 1 3 4 软测量技术工业过程应用 近年来，软测量技术被应用于工业过程的各个领域，如化工工业、造纸业和 石油冶炼业等。它的应用贯穿于工业过程的整个流程中，其中三种最典型的应用 方面为在线估计、过程监控和故障诊断、传感器故障诊断和重组。 ( 1 ) 在线估计 软测量技术的最主要的用途是在线估计，即利用在线可测变量估计那些在线 不可测量或者难以测量的变量。在线估计的广泛应用性主要是由技术( 没有可用 的硬件传感器来测量未知变量) 和经济( 用于测量未知变量的硬件传感器过于昂 贵) 两方面因素所造成的。这些在线不可测的未知变量对最终产品质量和产量起 着十分关键的作用，可以有效反映生产过程的状态。因此利用软测量技术进行在 线估计可以有效提高工业生产质量和产量。这也是软测量技术应用最广泛方面。 许多学者对在线估计的软测量技术进行了深入研究。k a d l e c 和g a b r y s l 3 9 j 提 出了局部学习的软测量技术，该方法是基于1 0 个多元线性回归模型的组合，并 利用该方法对热氧化过程进行建模，其性能较传统m l p 软测量方法优越。p a r k 和h a n 提出了局部加权回归的方法，即利用多个次复杂的线性子模型来处理一 个非线性问题，并结合两种工业数据进行对比仿真实验，其效果优于其他的软测 量方法。 ( 2 ) 过程监控和故障诊断 软测量技术的另一个应用领域是过程监控。训练的系统一般用于描述或分析 普通的工作状念或识别可能发生的过程故障。通常，过程监控技术主要是基于多 变量统计技术如p c a 、h o t e l l i n g 的t 21 4 1 l 、q 统计学【铡和自适应窗技术。 l i 等【4 3 】研究了p c a 及其相关方法在工业过程的应用，主要对自适应过程监 控的递归p c a 方法深入分析，选择一种有效的相关矩阵更新方法，通过对主元 变量选择方法的分析，提出了一种新的递归选择方法，并将这种新方法用于快速 降温的过程监控中去。m a r j a n o v i c 等【删提出多路偏最小二乘技术来识别批处理过 程的端点以提高过程效率，并通过仿真实验证明所提方法的有效性，该方法可以 在实时批处理过程监控中实现。 ( 3 ) 传感器故障诊断和重组 大多数工业过程的软测量建模技术不能够辨识故障传感器的错误数据而将 江苏大学硕士学位论文 这些错误数据作为正常工作状态时所检测出的f 确数据进行建模，所以要保证工 业生产的稳定和高效性，需要在实际模型建立和应用之前辨识并替换那些故障传 感器。因此应用于传感器故障诊断和重组的软测量技术得到了深入的研究。 l e e 掣4 5 】利用t l p c a 取代传统的p c a 方法处理扩展动态过程。该方法可以 去除数据集中的低自相关变量和互相关变量，并通过一组仿真数据和一组工业数 据证明了该方法可以适合高动态过程。w a n g 和c u i l 4 6 1 针对离心式制冷系统提出 了一种基于p c a 的故障诊断和分析的软测量方法，该方法利用q 统计学检测故 障并找出出现故障