（控制理论与控制工程专业论文）连续搅拌反应釜cstr反应物浓度软测量方法研究.pdf

_ _ _ _ _ _ _ 燃y , 1 8 删4 4 燃0 5 6 at h e s i sf o rt h e d e g r e e o fm a s t e ri nc o n t r o l t h e o r ya n dc o n t r o l e n g i n e e r i n g r e s e a r c ho ns o f t s e n s i n gm e t h o d sf o r e s t i m a t i n g p a r a m e t e r so ft h ec o n c e n t r a t i o ni nc o n t i n u o u ss t i r r e d t a n kr e a c t o r b yw a n gt i n g s u p e r v i s o r ：a s s o c i a t ep r o f e s s o rc h a n gy u q i n g n o r t h e a s t e r nu n i v e r s i t y f e b r u a r y2 0 0 8 ， 、 独创性声明 人声明所呈交的学位论文是在导师的指导下完成的。论文中取得的 研究成果除加以标注和致谢的地方外，不包含其他人已经发表或撰写过的 研究成果，也不包括本人为获得其他学位而使用过的材料。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诚挚 的谢意。 学位论文作者签名： 弓哟 签字e l 期：妒g 、 学位论文版权使用授权书 本学位论文作者和指导教师完全了解东北大学有关保留、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 磁盘，允许论文被查阅和借阅。本人同意东北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、交流。 ( 如作者和导师同意网上交流，请在下方签名：否则视为不同意) 学位论文作者签名：落导师签名： 珲砂i 易 签字e t期 ：妒g 少签字e t 期：一矿z ， 东北大学名之学位论文 摘要 ， 摘要 蠢 卅习炭 是目前广泛采用的一种生产方式，该过程具有复杂工业生产过程的典型特性，如：非线 性、大惯性、时变性等等。反应物浓度是该过程中一个关键的化学参数，但是由于经济 或技术的原因，对于该参数很难实现在线测量，通常只能通过采用人工采样离线化验分 析的方法获得其采样值，这样的测量信息存在较大的测量滞后，这就给生产过程的在线 监测以及质量控制带来了很大的困难。针对上述问题，本文对反应物浓度的软测量方法 展开深入的研究。 软测量技术的核心思想是：通过建立无法在线测量关键过程变量和与其密切相关的 过程可测信息之间的数学模型，实现对不可测变量的预估。本文以连续搅拌反应釜中的 聚合化学反应为背景，从软测量技术的角度，对其反应过程中重要参数( 即反应物浓度) 的软测量问题展开了较为深入研究。 本文主要研究内容包括： 根据多模型理论，提出了一种基于多神经网络的连续搅拌反应釜反应物浓度的软测 量建模方法。将输入信息进行分类得到一系列的子模型，然后再对这些子模型进行融合， 形成最终的多模型结构。多模型建模方法在一定程度上提高了模型的精度与泛化能力。 将机理建模与智能建模相结合，提出了混合建模方法用以实现c s t r 内反应物浓度 的软测量。用串行和并行两种方法分别对c s t r 内反应物浓度进行混合建模，这种混合 建模方法降低了模型对训练数据的依赖程度，并提高了模型的泛化能力。最后针对软测 量模型的在线校正问题做了简单的讨论。 关键词：连续搅拌反应釜；软测量；多神经网络；机理模型；混合模型。 i i j， ， 东北大学硕士学位论丈 a b s t r a c t r e s e a r c ho ns o f t s e n s i n gm e t h o d sf o re s t i m a t i n gp a r a m e t e r so f t h ec o n c e n t r a t i o ni nc o n t i n u o u ss t i r r e dt a n kr e a c t o r a b s t r ac t c o n t i n u o u ss t i r r e dt a n kr e a c t o ri sap r o d u c t i o nm e t h o do fp o l y m e r i cc h e m i c a lr e a c t i o n ， w h i c hi sa d o p t e dw i d e l yi ni n d u s t r yn o w t h e r ea r em a n yt y p i c a lc h a r a c t e r i s t i c so ft h i s m e t h o dj u s tl i k ei nt h ec o m p l i c a t e dm a n u f a c t u r i n gp r o c e s s ，s u c ha sn o n l i n e a r i t y , g r e a ti n e n i 如 t i m e v a r i a n ta n ds oo n t h ec o n c e n t r a t i o no ft h er e a c t a n ti sak e yc h e m i c a lp a r a m e t e ri nt h i s p r o c e s s ，b u ti ti sv e r yd i f f i c u l tt ob em e a s u r e do n l i n eb e c a u s eo fp o o re c o n o m yo rt e c h n o l o g y i ng e n e r a l w eu s et h em a n u a ls a m p l i n ga n a l y s e sm e t h o dt oo b m i nt h es a m p l e dv a l u eo ft h i s p a r a m e t e r 1 1 1 i sm e t h o dw o u l dc a u s em u c hd e l a yi nr e s u l ti n f o r m a t i o n ，w h i c hb r i n g sg r e a t d i f f i c u l t yi nt h eo n l i n es u p e r v i s i o na n dq u a l i t yc o n t r o li nt h em a n u f a c t u r i n gp r o c e s s b a s e do n t h ep r o b l e m sd i s c u s s e da b o v e ，t h i sp a p e rf o c u s e so ns o f ts e n s i n gm e t h o do ft h ec o n c e n t r a t i o n o fr e a c t a n t 1 r i l em a i ni d e ao fs o f t s e n s i n gt e c h n o l o g yi sd e s c r i b e da sf o l l o w i n g ：t h r o u g hb u i l d i n g m a t h e m a t i c a lm o d e l i n gb e t w e e ni m m e a s u r a b l ek e yp r o c e s sv a r i a b l e sa n dt h e i rr e l a t e d m e a s u r a b l ep r o c e s si n f o r m a t i o n ，t h ei m m e a s u r a b l ep r o c e s sv a r i a b l e sc o u l db ep r e d i c t e d b a s e do nt h eb a c k g r o u n do ft h ep o l y m e r i cc h e m i c a lr e a c t i o ni nc o n t i n u o u ss t i r r e dt a n k r e a c t o r , t h i sp a p e rf o c u s e so nt h es o f ts e n s i n go ft h ec o n c e n t r a t i o no fr e a c t a n t t m sp a p e rm a i n l yi n c l u d e st h ef o l l o w i n ga s p e c t s f i r s t l y , ac o n c e n t r a t i o ns o f t - s e n s i n gm o d e li sd e v e l o p e db a s e do na m u l t i n e u r a ln e t w o r k a tt h eb e g i n n i n g ，t h i si n p u ti n f o r m a t i o ni sc l a s s i f i e dt og e tas e r i e so fs u b m o d e l s 7 f h e nt h e s e s u b m o d e l sa r ei n n e rc o n n e c t e do nam u l t i p l em o d e ls t r u c t u r e t h i sm u l t i p l em o d e l i n g m e t h o dc o u l di m p r o v et h ep r e c i s i o na n dg e n e r a l i z a t i o np e r f o r m a n c eo ft h em o d e lt os o m e e x t e n t s e c o n d l y , ah y b r i dm o d e l i n gm e t h o di sp r e s e n t e db yc o m b i n i n gm e c h a n i s mm o d e l i n g a n di n t e l l i g e n c em o d e l i n gt oe s t i m a t et h ep a r a m e t e r so ft h ec o n c e n t r a t i o no fr e a c t a n ti n c o n t i n u o u ss t i r r e dt a n kr e a c t o r i tb u i l d st h eh y b r i dm o d e l so ft h ec o n c e n t r a t i o no fr e a c t a n t i nc o n t i n u o u ss t i r r e dt a n kr e a c t o ru s i n gs e r i a la n dp a r a l l e lm e t h o d s t k sh y b r i dm o d e l i n g m e t h o dc a u s e st h er e s u l tt h a tt h i sm o d e lr e d u c e st h ed e p e n d e n c ed e g r e eo ft h et r a i n i n gd a t a a n di m p r o v e st h eg e n e r a l i z a t i o np e r f o r m a n c e f i n a l l y , t h ep r o b l e m so fo n l i n ea d j u s t m e n to f s o f ts e n s i n gm o d e la r ed i s c u s s e d k e y w o r d s ：c o n t i n u o u ss t i r r e dt a n kr e a c t o r ；s o f ts e n s i n g ；m u l t i a n n ；m e c h a n i s mm o d e l ； h y b r i dm o d e l i i i 一 、一 ， y ，| 幢 k 。 东北大学硕士学位论丈 目录 目录 独创性声明i 摘要。i i a b s t r a c t i i i 第一章绪论1 1 1 课题研究背景与意义l 1 2 软测量技术2 1 2 1 软测量模型描述与应用3 1 2 2 辅助变量的选择5 1 2 3 数据的采集及预处理5 1 2 4 软测量模型的建立方法。7 1 2 5 在线校正1 2 1 3 本文的主要内容13 第二章建立软测量模型的预备知识1 5 2 1 生产过程介绍l5 2 2c s t r 非线性动力学模型建立1 7 2 3i m f 神经网络介绍2 0 2 3 1 神经网络简介2 1 2 3 2r b f 网络的网络结构2 2 2 - 3 3r b f 网络的训练方法2 4 2 3 4l m f 网络建模步骤2 5 2 4 本章小结2 6 第三章基于多神经元网络的反应物浓度软测量方法2 7 3 1 引言2 7 3 2 问题的提出：一：2 8 3 3 多神经网络模型结构2 8 3 4 基于多神经网络的反应物浓度软测量建模3 1 3 4 1 模型主导变量和辅助变量的选取3 1 3 4 2 训练数据的预处理3 2 3 4 3 多模型结构的确定3 3 3 4 4 多模型的训练3 4 3 4 5 实验结果与模型输出比较3 5 一i v 东北大学硕士学位论文 目录 3 5 本章小结3 7 第四章基于混合模型的反应物浓度软测量方法3 9 4 1 引言3 9 4 2 软测量混合建模的一般步骤4 0 4 3 并行混合建模4 1 4 3 1 并行混合模型结构4 l 4 3 2 机理部分分析4 2 4 3 3 并行混合建模4 4 4 3 4 混合模型训练与仿真4 4 4 3 5 并行混合建模方法的总结4 8 4 4 串行混合建模4 8 4 4 1 串行模型结构4 8 4 4 2 机理模型部分4 8 4 4 3 黑箱模型部分4 9 4 4 4 串行混合模型4 9 4 4 5 混合模型训练与仿真4 9 4 5 两种混合模型的比较5 l 4 6 模型修正方法5 3 4 7 本章小结一5 4 第五章结论与工作展望5 5 5 1 本文工作总结5 5 5 2 工作展望5 5 参考文献一5 7 蜀【谢。6 3 一v 一 o 一，l ， 如 东北大学硕士学位论文第一章绪论 第一章绪论帚一早珀t 匕 1 1 课题研究背景与意义 过程系统的控制，仿真与优化往往依赖于高性能的模型。近年来随着市场竞争的日 益加剧和环保要求的不断提高，迫切要求企业从有效的资源中尽可能的提高经济效益， 这就对过程控制和优化提出了新的要求，同时也增加了建模的难度，尤其是那些强非线 性、时变对象如基于连续搅拌反应釜下化工过程中物理和化学参数的建模，发酵过程中 生物参数的建模等等。本文研究的是反应器中反应物质浓度的建模问题，因为不同的反 应器有其不同的特点，故其内反应物浓度的建模方法也相应会有所不同。工业生产中反 应器的种类很多，就结构形式看有釜式( 槽式) 、管式、塔式、固定床、流化床反应器等。 就传热情况来分有绝热式和非绝热式( 加热式和除热式) 。釜式反应器又有二种操作模式： 间歇生产操作模式与连续生产操作模式，后者也即c s t r ，有着运行投资少，热交换能 力强和产品质量稳定【1 】等优点，因而在工业生产中得到最广泛的应用，也就最有研究价 值。 连续搅拌反应釜( c o n t i n u o u ss t i r r e dt a n kr e a c t o r , 简称为c s t r ) 是聚合化学反应中广泛 使用的一种反应器，它不仅在化工生产的核心设备中占有相当重要的地位，而且在染料、 医药试剂、食品及合成材料工业中被普遍使用。然而相反的是在其内的反应过程的自动 控制却发展缓慢，究其原因主要是由于其内的反应过程往往涉及到很多的物理和化学过 程，他们的相互作用和影响使得反应过程呈现出高度的非线性，这就使得对其过程建模 变得非常困难。 连续搅拌反应釜内的反应过程的控制性能受到多方面因素的影响。这主要是对其内 反应过程的机理缺乏足够清晰的认识，以及过程本身存在着严重的敏感性和非线性使 然，这就使得系统的准确建模变得相当困难。同时复杂非线性系统的完善有效控制策略 的缺乏也给基于c s t r 的化工过程系统的实时有效控制造成了更大困难。日前正在兴起 和发展的人工智能和人工神经网络的研究为复杂非线性系统的控制开辟了一条新路，我 们将多种方法用于以上系统的建模，取得了很好的仿真效果。 众所周知，聚合物生产工业早在本世纪上半叶便开始发展，然而基于反应器内的化 学反应参数建模则长期未受到重视，这种状况直到七十年代后才得到一定的改善。 1 9 7 0 年，m n a g a w a ( 中j i i ) 在一个大型p v c 装黄的控制中用到了计算机，标志着聚 合反应过程控制的一个转折点。随后，在聚合反应这个领域的研究开始活跃起来，尤其 是此过程中的模型化研究最为突出。w h r a y ( 1 9 7 2 ) t 2 1 ，i h u a n g ( 1 9 7 4 ) 3 1 ，k h o o g e n d o o m ( 1 9 7 6 ) 4 1 ，h a m r e h n ( 1 9 7 7 ) i 5 1 j f m a c g r e g o r ( 1 9 8 3 ) 1 l 等人相继研究了基于聚合反应爷的过 一1 一 东北大学硕士学位论文 第一章绪论 程参数建模与控制问题；f j s c h o r k 和w h r a y ( 1 9 8 3 ) 6 j j h j o 和s g b a n o f f ( 1 9 7 6 ) | 7 1 及 j c h y u n ( 1 9 7 6 ) 8 j 研究了运用卡尔曼滤波技术对系统不可测状态变量进行估计的问题；而 k h o o g e n d o o m ( 1 9 8 0 ) t 9 1 ，h a m r e h n ( 1 9 7 7 ) t 5 1 ，w h r a y ( 1 9 8 6 ) 【1 0 1 ，j f m a c g r e g o r 等人 ( 1 9 8 3 ) 【i 】则对反应器内重要参数的建模与估计分别作了详细的综述。 目前，c s t r 被广泛地应用到化工工业过程d f i i 1 , 1 2 , 1 3 l ，并且在近几年内取得了飞速的 发展。由于市场竞争激烈，各个生产厂家为了获得更大的经济利润，不断研究与开发先 进的工业控制方法，努力实现工业过程控制的综合自动化，提高生产效率。其中对工业 过程的控制是保证产品质量与生产效率的关键因素，然而，对其反应过程的自动控制却发 展缓慢。究其原因主要是在c s t r 内发生的反应过程具有复杂的非线性与时变性，很难得 到精度高的机理模型；另外要想更好的控制反应过程，就必须获得足够的反应过程信息， 其中物理参数和绝大多数化学参数，如温度，压力，液位，体积等都是比较容易获得的， 对他们控制也比较容易，然而对其内的其他一些参数，如反应物浓度，产物浓度等却缺 乏经济的：可靠的传感器对它们进行在线检测，尽管人们努力在开发这类传感器，但他们 的实用性与可靠性仍十分有限无法满足实际需要，而且成本也比较昂贵。对于这些进行 自动控制所必须的参数，现在的检测办法还是进行离线实验室分析的方法，这往往存在较 大的滞后，无法及时反馈控制信息。同时也由于这些参数无法在线检测，导致了许多先进 的控制算法和策略目前只能停留在理论探讨上，难以工业实现应用，许多工业生产系统 也无法依靠故障诊断和状态检测等措施来提高系统运行的安全性和可靠性。这就给保证 生产过程的可靠性及产品质量等带来了很大的困扰。 为解决该问题，工业上一般采用如下两种途径： 第一，最直接的方法就是开发在线检测仪表，以硬件形式实现过程参数的直接在线 检测。但是这种方法常会引起较大的滞后，给调节品质带来恶劣的影响，且需较大的投 资和维护其的人力物力。而且高精度在线分析仪表一般是成本高，开发难度大。 第二，就是采用间接测量的方法，利用过程中易于获取的其它相关测量信息，通过 计算来实现被检测量的估计，近年来在过程控制和检测领域涌现出的一种新技术软 测量技术正是这一思想的集中体现。随着一些智能方法的发展，对软测量的研究产生了 重大的影响，使软测量技术在现代过程控制领域中具有不可替代的地位。 1 2 软测量技术 随着工业界对过程控制系统的要求越来越高，对控制指标能平稳和快速跟踪的要求 也越来越高，而且常常希望控制指标能够以一定的方式显示出来。然而对于许多工业过 程，一些与产品质量密切相关、需要加以严格控制的重要过程参数目前由于技术或经济 的原因还很难( 或根本无法) 通过传感器在线得到，如：精馏塔的产品组份浓度、化学 一2 一 ， 、 “ 东北大学硕士学位论文第一章绪论 反应器的反应物浓度和产品分布、生物发酵罐中的生物量参数等等【1 4 j 分析的方法，需要 4 8 个小时才能得到一组数据，无法直接实现质量闭环控制。根据上文描述的解决工业 过程的问题所采用的方法可知，软测量是可行的。 另外，在大型企业中，将过程控制融合在现代化的生产管理中对提高企业的生产效 率和市场竞争力非常有意义。例如，某钢铁厂冷轧分厂的发货预报系统要求根据生产计 划对产品的成材率进行预报，提前完成成品的运输调度，以减少产品的库存时间，而要 完成成材率的预报，必须根据历史的生产数据建立预报模型。软测量( s o f ts e n s i n g ) 正 是为了解决上述问题而发展起来的。软测量不仅可以解决工程上某些参数难以准确测量 的问题，也可以为用硬件方法检测到的参数提供校正参考。可靠的软仪表可以避免昂贵 的设备费用，对开发适合我国工业现状的控制系统具有特殊的意义。 软测量是过程系统工程的分支学科。过程系统工程是在系统工程、化学工程、过程 控制、计算数学、信息技术、计算机技术等学科的边缘上产生的一门综合性学科。它以 处理物料一能量一信息流的过程系统为研究对象，其核心功能是过程系统的组织、计划、 协调、控制和管理，目的是在总体上达到技术上及经济上的最优化。软测量即分析来自 单元设备乃至复杂过程的一系列测量数据，根据它们的运行特性确定待定的过程参数， 为过程控制提供依据。 7 0 年代，b r o s i l l o w 提出了软测量的基本思想和方法【”】：根据比较容易测量的过程 辅助变量( 又称二次测量变量，s e c o n d a r ym e a s u r e m e n t s ，如温度、压力、流量等) 进 行数学模型运算，得到所需的不易直接测量的过程主要输出变量( 又称主导变量，p r i m a r y m e a s u r e m e n t s ，如产品质量) ，并估计和克服不可测扰动对其的影响。软测量除了能估 计主导变量，还可以估计一些反映过程特性的工艺参数，如精馏塔的塔板效率、反应速 度和催化剂的活性等。可见，软测量即是利用已知的过程参数，通过一定的数学方法， 构造未知过程参数的在线预估模型。 1 2 1 软测量模型描述与应用 软测量模型的基本机构如图1 2 所示。图中x 为被估计变量集，m 为不可测变量，1 ， r 、 为可测变量，1 d 为对象的控制输入，y 为对象可测输出变量，x 为可能有的离线分析计 算值或者是大采样间隔的采样值( 如分析仪输出) ，一般用于离线辨识模型的参数，也 用于软测量模型的在线自校正。 一3 一 东北大学硕士学位论文 第一章绪论 图1 1 软测量基本框架 f i g 1 1f r a m e w o r k o fs o f ts e n s o r s 由以上结构可得软测量数学动态表述为： 叠= f ( v 2 ，甜，y ，x ，) ( 1 1 ) 其中函数厂为动态软测量模型，它不仅反映被估变量x 与输入“和可测扰动1 ，：的动 态关系，还包括了被估量x 与可测输出y ( 辅助变量) 之间的动态联系，其中x 表示软测 量模型自校正。该动态模型一般具有非线性特性，但若在工作点附近f ( v ：，t l , y ，x ，r ) 具 有线性特性，则称为稳态线性软测量模型，参数的估计也相对较为方便。 在过程控制与优化中软测量已得到了广泛的应用【l6 1 ，其中报道最多的是推断控制 ( i n f e r e n t i a lc o n t r 0 1 ) 。软测量作为控制系统中的反馈环节或估计器，与各类控制器、控 制策略结合使用，为之提供快速准确的系统状态信息，称为推断控制【l7 1 。软测量还可 以用来诊断传感器故障并重构测量值【l 引。若所建立的软仪表是准确可靠的，则当传感器 测量值与软测量估计值偏差超过所规定的限度时，认为传感器发生故障，并以软测量估 计值作为重构的测量值。通过软测量估计出的重要过程参数和状态，利用微机可以实现 在线优化管理【1 9 2 0 ，如报表的产生，各种参数的趋势，操作工艺流程图，报警信息图等， 使工业过程的操作监视直观方便。由于软测量可以解决复杂工业过程中较难甚至无法由 硬件获得的参量以及有较大滞后的参量的测量和估计问题，同时可以保证精度，从而保 证控制质量，且投入小、维护简单，软测量已在化工、食品、冶金等工业中有许多成功 的应用，尤其在化工过程中的精馏塔产品质量控制问题上取得了一系列成果。国内外越 来越多的人开始了软测量各方面的研究，软测量的文章越来越多，研究也逐渐得到拓展 和深入。作为工业过程控制、优化与分析的有力工具，软测量的理论体系已逐渐开始完 善。到今天，实际中应用的软仪表已超过1 0 0 0 台【2 l 】。我国软测量的主要研究单位有浙 江大学、上海交通大学、华东理工大学和清华大学，并已在福建炼化有限公司【1 3 j 和中国 一4 一 ， t 撕 东北大学硕士学位论文第一章绪论 石化总公司石家庄炼油厂【冽投入实际应用，而且已有列入国家八六三高技术攻关计划的 课题。可见，软测量有其可观的实用价值和潜在的应用前景，与已有测量方法相比具有 相当的优势，且有一定的研究基础及广阔的研究领域。 1 2 2 辅助变量的选择 软测量模型性能的好坏受多种因素的影响，主要包括辅助变量的选择，数据的预处 理和建模方法的选择等。 辅助变量的选择在软测量模型建立过程中起着非常重要的作用，一般包括变量类 型、数量和检测点的选择。 1 ) 辅助变量必须是过程中容易测量的变量。 一般来说，辅助变量的选择首先根据工艺机理分析，在可测变量集中初步选择所 有与主导变量有关的原始辅助变量，然后在这些原始变量中根据灵敏性、特异性、过程 适用性、精确性以及鲁棒性的原则选择最终的辅助变量。 2 ) 辅助变量数目贵精不贵多，太多会加重模型的计算复杂度。 辅助变量的个数至少应该大于等于被估计主导变量的个数，否则最后建立起来的 模型性能无法满足要求。而最佳数目则与过程的自由度测量噪声以及模型的不确定性有 关。 3 ) 测量点位置的选择受到过程工艺机理、过程对象的动态特性以及受噪声的影响程 度的制约。 多数情况下，辅助变量的数目和位置常常是同时确定的，用于选择变量数目的准则 往往也被应用于检测点位置的选择。一般来说，在辅助变量的选择中，以上三个方面是 相互关联的。在实际应用中，还受经济性、易维护性等的制约。辅助变量的选择通常采 用机理分析与统计分析相结合的方法，一般以模型复杂度和软测量模型性能之间取得最 佳平衡为标准，常用的方法有主成分分析法，核函数主元分析法等。 1 2 3 数据的采集及预处理 数据的预处理也是十分重要的，从现场采集的测量数据：由于受仪表精确度、可靠 性和测量环境的影响，都不可避免地带有误差，有时甚至有严重的过失误差，而软测量 仪表是根据过程测量数据经过数值计算从而实现软测量的，其性能在很大程度上依赖于 所获过程测量数据的准确性和有效性，因此对测量数据的处理以获取最可靠的输入数据 是软测量建模的首要步骤。 测量数据的处理包括测量误差处理和测量数据变换两部份。 1 ) 测量误差处理。 一5 一 东北大学硕士学位论文 第一章绪论 测量数据的误差可分为随机误差和过失误差( g r o s se r r o r s ) 两大类。随机误差一般可 用数字滤波或者数据协调( d a t ar e c o n c i l i a t i o n ) 方法来消除；过失误差包括常规测量仪表 的偏差和故障，以及不完全或不正确的过程模型，虽然出现的概率很小，但造成的影响 非常严重，常用的消除方法1 2 3 】有人工剔除法，技术辨别法，多种测量法和统计假设检验 法。人工剔除法是根据经验对一些偏离较大的数据以手工进行剔除，技术辨别是根据物 理或化学的性质，进行技术分析，以辨别偏差较大的数据是否异常；多种测量法是借助 多种测量手段对同一变量进行测量，然后进行比较；统计检验法是根据测量数据的统计 特性进行检验，如广义似然比法、贝叶斯法，主元分析法等。 2 ) 测量数据的变换包括标度、转换、权函数三个方面。 工业过程中的测量数据有着不同的工程单位，直接使用这些数据进行计算可能会造 成舍入误差，而利用合适的单位对数据进行标度则可提高数值算法的稳定性。转换包含 对数据的直接转换以及寻找新的变量替换原变量两个含义。通过对数据的转换，可有效 地降低系统非线性【2 4 1 。权函数可对变量动态特性进行补偿。合理使用权函数使我们可能 用稳态模型实现对过程的动态估计。在实际过程中，如果辅助变量和主导变量间具有相 同或相似的动态特性，则静态软仪表便能满足要求。 必需提到的是在所有软测量过程中存在着一个不可忽视的问题，即主导变量与辅助 变量之间的时序匹配问题。 主导变量与辅助变量之间的时序匹配实质上指的是确定主导变量对应于各个辅助 变量的滞后时间。由于各种干扰因素的存在，实际工业过程很难达到理想稳态，因此，为了 使软测量模型在各种干扰因素存在的情况下仍然能够较精确地估计主导变量的变化趋 势，在建模时必须指定各个辅助变量的滞后时间。滞后时间是指从辅助变量发生变化到主 导变量发生变化所经历的时间，一般由传输滞后和容量滞后组成。在建模过程中，必须要 对辅助变量和主导变量进行时序匹配，以保持两者在时间上的对应关系。由于在软测量建 模过程中主导变量的真值通常来源于离线人工分析，而从采样到获得人工分析值需经历 一段时间，这段时间称为分析滞后。在需要主导变量的真值对软测量模型进行校正时，还 必须要考虑分析滞后的影响。由于分析滞后的时间通常是固定的，而离线人工分析通常为 定时采样，因此分析滞后比较容易确定。文献【1 4 l 指出了时序匹配对软测量模型在线校正 的重要性。而目前，软测量领域几乎没有文献对滞后时间作系统的研究，在工程上，确定 滞后时间的方法通常是在对工艺机理进行深入分析的情况下，依据工业流程的停留时间、 管道长度等先验知识来确定的【2 5 1 。另外常用方法还有阶跃响应曲线法【2 们，以及文献【2 7 l 提 出的最大相关系数法和模糊曲线法确定滞后时间。 一6 一 东北大学硕士学位论文第一章绪论 1 2 4 软测量模型的建立方法 在进行辅助变量的选择和数据采集及其预处理之后，就要考虑模型的建模方法了， 下面分别介绍各种软测量的建模方法【2 引，其每种方法都有特定的适用范围，因此在选择 建模方法的时候，应该根据实际过程对象而定。比较科学的做法就是在建模初级阶段选 用多种方法来建立软测量模型，然后综合考虑模型的精度、复杂程度、建模所用时间和 可靠性等因素进行考虑，选择一个最合适的模型。求取系统的过程模型的方法一般可分 为两大类：即通过理论分析建立模型或通过测试输入输出数据建立模型。a s t r o m 2 9 l 将理 论建模问题称作“白箱”问题，又将由输入输出数据建模的问题称作“黑箱 问题。同 时，a s t r o m 还提出一种“灰箱”理论，即将理论建模与测试数据建模两种方法结合起来 使用。 1 2 4 1 机理建模 机理建模属于白箱建模，其是基于对生产过程物理、化学过程的深刻认识，通过生 产过程的质量、能量和动量积累变化，列写出数学表达式一一过程运动方程。通常，该 运动方程也刻画了待估计变量x 与可测变量之间的定量关系，通过运动方程求解和变换， 获取x 的显式计算模型。 机理模型反映过程内在联系，因为机理关系可以很清楚地展示化工过程的内在结构 和联系，所以由机理建立模型，就好像面对着一个透明的箱子，可以将过程内部看得明 明白白。故机理模型有验前性、预估性，能处理动态、静态、非线性等各种对象。但是， 工业生产过程的复杂性使得机理模型的代价较高，有时只能建立近似的简化模型，模型 精度无法满足软测量的要求。 目前，机理建模方法在工程上已经成功应用于生产工艺机理简明、过程本身的机理 模型研究较深入的生产过程。比如国外的先进控制软件公司，利用典型石化生产过程的 工艺专利模型，对生产装置设计、中试、安装、调试、标定和维护的全程进行模型的跟 踪和校验，从而获得实用性较强的工艺计算和软测量模型。显然，对于生产过程复杂， 影响因素众多，系统具有强非线性和关联性的发酵生产过程，使用白箱建模，其精度显 然远远不能满足要求，但即便如此，白箱建模方法描述了系统内在的机理，可以对模型 参数化，以获得系统的动态模型，为系统进行灰箱建模提供强有力的依据。 在化工过程研究领域，机理建模方法就是化工动态学的方法。第一本关于化工动态 数学模型的著作可以认为是d p c a m p b e l l 于1 9 5 8 年出版的专著“p r o c e s sd y n a m i c s ”【3 0 】。 在此之后，文献中出现了大量有关的研究工作报道。用化工动态学方法建模的基础是 基本的物理和化学定律。通常所用的是守恒定律，这些守恒关系一般称为过程建模的基 本方程，其中质量、能量和动量称为基本量。一般这些基本量无法直接测量，需要用密 度、浓度、温度、流量和压力等其它变量的适当组合来表示【3 l 】。除了上述的基本方程外， 一7 一 东北大学硕士学位论文 第一章绪论 在建立化工过程的机理模型时还需要用到热量、质量和动量的传递速率方程以及化学平 衡、相平衡、化学反应速率、物质状态等辅助方程。为了找出输入与输出间的关系，一 般需要利用很多有关定理或经验公式，才能将关系式中的其它项都化为输入、输出的函 数。最终获得的可能是线性方程，也可能是非线性方程，但一般来说，不具有时变性。 早在上世纪的4 0 5 0 年代初，控制理论和技术就已得到很大发展。对于化工过程而 言，这些理论和技术当然可以借鉴。在很多情况下，只要建立起合理可靠的化工过程数 学模型，控制问题就可以比较容易地得到解决。从这个意义上讲，化工动态学的发展和 进步是提高化工过程控制水平的关键之一。除了用于控制以外，通过化工动态学所建立 的机理模型在些其它领域也有广泛的应用。应该说，机理建模是建立数学模型的最高 境界。必须肯定的是，客观世界是可知的，人类总会揭开所有的未知秘密，包括化工过 程的所有内在机理。所以，尽可能地采用机理方法来建模，尤其是对于像化学工程这样 发展得非常成熟，多少代人积累下丰富先验知识的学科来说，尽量利用机理关系建立数 学模型，无疑非常重要。 使用这种方法，需要对于对象过程具有充分和可靠的先验知识。掌握丰富先验知识 很不容易，必须对化工动态学具有较为深厚的基础，而且也要有大量的实际经验。先验 知识的正确性是非常重要的，如果前提有错误，结果当然不可靠。机理建模得到了相当 广泛的应用，但多年来在方法和技术上没有太大的发展。这是因为化工过程的种类繁多， 有些过程( 如物化反应，生化反应等) 非常复杂，要想根据机理来建立准确可靠的数学 模型是非常困难的【3 2 】。用机理方法得到数学模型后，还有一些问题需要很好解决。首先， 因为模型的形式一般比较复杂，往往具有非线性，或者阶数很高。如果要将其用于控制， 还得加以简化或降阶，这样一来模型的精度就很难保证。诸如上述的种种原因使得“黑 箱子 和“灰箱子”建模方法显示出其特殊的优越性。“黑箱子 方法建模只需要依靠 过程可以测量的输入输出数据。通过对测试数据的处理，就可获得描述这些输入输出数 据间影射关系的经验公式。所以，这种方法有时也称之为经验法，由其建立的模型称之 为经验模型。 1 2 4 2 数据驱动建模 关于数据驱动建模的研究，至目前为止，较常用的方法有回归分析，系统辨识和人 工智能建模等。它们的建模过程本身不依赖于任何先验信息或事先的机理，完全是一种 基于数据的建模方法。 回归分析是一种数理统计方法。回归的含义是回复或还原p 3 。回归分析也就是将受 到随机干扰的一组测试数据“回归”为其原有的变化规律。这种变化规律用数学上某种 形式的确定性函数来描述。即由一组在随机干扰下的数据，经过适当的统计学处理，排 除其随机干扰的影响，求得能够反映这些数据变化的因变量与函数关系，常称为回归函 一8 一 东北大学硕士学位论文第一章绪论 数或回归方程。实质上是求一个随机变量对与之相关的另一些随机变量，在给定取值( 即 测试数据) 条件下的条件期望( 均值) 函数。 己经发展起来的回归分析方法有数十种之多。从不同的角度，可以对回归分析方法 加以不同的分类。如线性回归和非线性回归。根据拟合方法的特点又可划分为：经典线 性回归方法和逐步回归方法等。在最d , - 乘法的基础上，近年来又提出了一些改进的回 归方法，已经得到非常广泛的应用j ，例如主元分析( p c a ，p r i n c i p a lc o m p o n e n t a n a l y s i s ) 、主元回归( p c r , p r i n c i p a lc o m p o n e n tr e g r e s s i o n ) 和部分最小二乘法( p l s ， p a r t i a ll e a s t s q u a r e ) 。上述新型的回归方法能够从不同的角度解决“共线性问题”。回归 分析建模方法在化工领域中应用得相当广泛。例如：对实验数据进行回归，用以预测各 种传质系数【3 5 3 6 3 7 1 对乙烯裂解气压缩机的故障诊断1 3 8 l 、用部分