（化学工程专业论文）原油常压分馏塔产品质量软测量系统研究.pdf

原油常压分馏塔产品质量软测量系统研究 摘要 建立石油加工过程的质量模型是石油炼制工程领域的重要课题，本文以前郭 石化常压蒸馏装置为研究对象，从炼油工艺机理出发，系统分析了常压蒸馏的生 产过程，从中选择常顶油干点、常一线闪点、常二线凝固点为预测目标。用机理 模型与回归分析相结合的方法建立了这些油品的质量估计模型。 回归分析是一种最常用的经典建模方法。本文基于对多元线性回归方法 ( m l r ) 、多元逐步回归方法( m s r ) 、主元分析( p c a ) 和主元回归( p c r ) 以及偏最小 二乘法( p l s ) 的基本原理的认识，应用回归分析方法进行了针对性的建模研究， 结果表明，采用单一方法解决常压分馏塔产品质量预测是很困难的，本文在借鉴 前人机理模型的基础上，与回归分析思路相结合，确定了适合常压蒸馏过程的机 理模型结构，确定了相关的回归分析系数，得到了常压蒸馏塔汽油干点、常一线 闪点、常二线凝固点的质量预测模型。 所开发的软测量模型在生产世纪中的应用结果表明，该模型能够较准确地描 述和跟踪常压蒸馏过程，并具有较高的精度，满足工程需要。为实现常压蒸馏过 程直接质量控制奠定了良好的基础。 关键词：原油蒸馏过程，回归分析方法，软测量技术，质量估计模型 摘要 as t u d yo fs o f l 一s e n s o rs y s t e mo np r o d u c t q u a l i t yi na t m o s p h e i u cd i s t i l l a t i o n c o l u m n a b s t r a c t t oe s t a b l i s ht h eq u a l i t y - m o d e lf o rp e t r o l e u mp r o c e s s i n gi sa l li m p o r t a n ts u b j e c ti n t h ep e t r o l e u mr e f i n i n ge n g i n e e r i n gd o m a i n i nt h i sd i s s e r t a t i o n , t h ea t m o s p h e r i c d i s t i l l a t i o nc o l u m no fq i a n g u op e t r o c h e m i ss e l e c t e da sas t u d yp r o b e ，a f t e r s y s t e m a t i c a l l ya n a l y z i n gt h ep r o c e s sf r o mi t sm e c h a n i s ma n dt a k i n gt h ed r yp o i n to f t o p l i n e f l a s hp o i n to fl t i i n ea n df r e e z i n gp o i n to f 2 - l i n e 勰t h ep r e d i c t i v eo b j e c t s ，a q u a l i t y - e v a l u a t i n gm o d e li se s t a b l i s h e df o rt h eo i lp r o d u c t sb yc o m b i n i n gm e c h a n i s m m o d e la n dr e g r e s s i o na n a l y s i sm e t h o d s r e g r e s s i o na n a l y s i si sap o p u l a rc l a s s i cs t r a t e g yf o rm o d e l i n g i nt h i sd i s s e r t a t i o n , t h er e g r e s s i o na n a l y s i sm e t h o d s ，s u c ha sm u l t i p l el i n e a rr e g r e s s i o n ( i v i l r ) ，m u l t i p l e s t e p w i s er e g r e s s i o n ( m s r ) ，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 ) ，p r i n c i p a l c o m p o n e n tr e g r e s s i o n ( p c r ) a n dp a r t i a ll e a s ts q u a r e s ( p l s ) ，a r eu s e dt ot h em o d e l i n g s t u d i e s t h er e s u l t ss h o wt h a ti ti sv e r yh a r dt op r e d i c tt h eq u a l i t i e so f t h eo i lp r o d u c t s f r o ma t m o s p h e r i cd i s t i l l a t i o nc o l u m nb yu s i n go n l yo n em e t h o d , t ot h i sr e g a r d ，b a s e d o nt h ep r e v i o u sm e c h a n i s mm o d e l sa n dc o m b i n e dw i t ht h er e g r e s s i o na n a l y s i s m e t h o d s ，t h em e c h a n i s mm o d e lt h a ti ss u i t a b l ef o ra t m o s p h e r i c d i s t i l l a t i o np r o c e s si s e s t a b l i s h e d t h ec o r r e s p o n d i n gr e g r e s s i o na n a l y s i sc o e f f i c i e n t sa l eo b t a i n e d ，a n dt h e q u a l i t y - e v a l u a t i n gm o d e li so b t a i n e df o rp r e d i c t i n gt h eg a s o l i n ed r yp o i n t , f l a s hp o i n t o fl # - l i n e ，a n df r e e z i n gp o i n to f 2 # - l i n e t h ea p p l i c a t i o nr e s u l t so ft h e d e v e l o p e ds o f t - s e n s o rm o d e li n t h ep r a c t i c a l p r o d u c t i o n s h o wt h a ti tc a nc o r r e c t l yd e s c r i b ea n dt r a c ka t m o s p h e r i cd i s t i l l a t i o n v 摘要 p r o c e s sw i t hag o o de x a c t n e s s ，a n dc a n m e e tt h ee n g i n e e r i n gr e q u i r e m e n t i tp r o v i d e s t h eb a s ef o rd i r e c t l yc o n t r o l l i n gt h ep r o d u c t i o nq u a l i t yi na t m o s p h e r i cd i s t i l l a t i o n p r o c e s s k e yw o r d sc r u d eo i ld i s t i l l a t i o np r o c e s s ，r e g r e s s i o na n a l y s i sm e t h o d ， s o f t - s e n s o rt e c h n o l o g y ，q u a l i t y - e v a l u a t i n gm o d e l v l 符号说明 f t 0 、t 3 0 , t s o t t o , t g o 符号说明 恩氏蒸馏1 0 、3 0 、5 0 、7 0 、9 0 点温度， 体积平均沸点， 质量平均沸点， 分子平均沸点， 立方平均沸点， 中平均沸点， 常压塔顶温度， 常一线抽出板上温度， 常二线抽出板上温度， 石油馏分分子量 常顶汽油分子量 常一线油分子量 常二线油分子量 石油馏分特性因数 恩氏蒸馏曲线斜率， 恩氏蒸馏温度裂化校正值，k 石油馏分液相焓 石油馏分汽相焓 水蒸汽焓 1 0 1 3 k p a l 5 6 c 油品相对密度 压力 常压塔顶压力 常压塔顶汽油油气分压 常二线抽出板上柴油油气分压 常一线抽出板上压力 常二线抽出板上压力 常压塔顶水蒸汽流量 常顶回流流量 常一线抽出板上内回流流量 x 幻嘶细栅m m协材胁蛳拖k s d风肌凰m尸n如您凡如岛硒肌 符号说明 r 2 3 g o g l g 2 常二线抽出板上内回流流量 汽油外送流量 常一线外送流量 常二线外送流量 北京化工大学位论文原创性声明 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。除文中已经注明引用的内容外，本 论文不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。 作者签名：磁盈1吼 关于论文使用授权的说明 学位论文作者完全了解北京化工大学有关保留和使用学位论文 的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属北 京化工大学。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，允许学位论文被查阅和借阅；学校可以公布学位论文的全 部或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编 学位论文。 篡墼导师签名：二雾亟堡些 适用本授权书。 日期：竺盗z 幽 日期：型立：厶星 第一章前言 第一章前言 在激烈的市场竞争条件下，能源和原料价格的持续上涨，消费者对产品质量 的严格要求，以及环境保护等方面都对炼油化工企业提出了更加严峻的挑战。“用 信息化手段改造传统产业”成为当前炼油技术发展的一个亮点。目前国内各大炼 油厂纷纷应用以先进控制、优化控制等为代表的信息化技术手段，实现装置最优 控制，提高产品质量，增加经济效益。信息技术应用逐步成为炼油技术发展的一 个重要方向。 石油炼制以获得合格产品为最终目标，产品质量控制成为所有控制的核心。 为了有效控制产品质量，就必须及时掌握产品质量信息，并依据质量信息及时作 出操作调整。一般现场产品质量信息的获取主要依赖以下三种方式：一是多数企 业普遍采用的每隔数小时抽样分析一次的办法，然后再对过程进行调整。这样一 来由于分析结果的滞后，很难保证过程控制的质量，这种情况的质量控制往往更 依赖于操作人员的经验判断。定性的判断使得生产过程中产品质量与控制指标问 存在较大的偏差，造成质量“浪费”，影响目的产品收率的提高。二是应用在线分 析仪表，由于投资大，测量滞后大，维护保养复杂等原因难以满足炼油生产的需 要，并且部分分析项目无法直接测量，因而在炼油厂中使用效果不理想，应用不 多。三是应用软测量技术，建立软仪表，通过信息技术实现产品质量的预测。这 种方法具有实时性强，维护简单等优点，成为当前技术发展的主流。 原油蒸馏系统是炼油厂的首要生产环节。常压塔作为整个蒸馏装置的关键设 备，负责完成原油一次加工的主要过程。常压塔直接处理原油，将原油切割成各 种不同馏分的产品。这些馏分产品或作为后续工段的进料，或经调和后作为成品 油出售。常压塔生产水平的高低直接关系到企业对原料的使用效率和经济效益。 在实际生产中，产品质量控制是制约常压塔操作的主要因素。原油产品的质量指 标一般采用馏分油的a s t m 蒸馏特性或其他性质描述，如：汽油干点、柴油的9 0 点或凝点、闪点等。这些质量指标通常也是常压塔操作的控制指标。由于化验分 析结果相对滞后，常压塔的操作主要是根据工人的经验进行的。为了确保塔顶及 侧线产品的质量，这种基于经验的操作往往过于保守，即产品质量过分合格而导 致轻质油拔出率过低，从而造成较大浪费。理想的操作是卡边生产，即在质量恰 好满足要求的前提下，使轻质油收率最高，可大大提高经济效益。为了确保卡边 生产的操作条件，就需要实时准确地掌握产品质量信息。经过几十年的技术发展， 北京化工大学工程硕士学位论文 当前使用软测量技术已经有效地解决了常压塔的产品质量预测问题，使常压塔质 量控制的精确实现成为可能，进而为将来的先进控制、优化控制的实施奠定了基 础。 前郭石化2 5 0 万吨年原油常压蒸馏装置主要以吉林油田原油为原料，主要生 产重整原料、柴油调和组份、催化裂化用常压渣油。主要控制的产品质量指标有 常顶油干点、常一线闪点、常二线凝点、常二线9 5 点。一直以来都依靠四小时 一次的化验分析来取得这些质量数据，严重制约着装置轻收和合格率的提高。以 2 0 0 3 年的生产数据为例，常二线凝固点控制指标为不大于8 ，但台帐的实际操 作值为5 ，存在3 的差距。这样就把轻质油压到常底渣油中，若能消除3 的 差异，根据经验轻收可以提高0 3 左右，年增产直馏柴油3 0 0 0 吨，仅此一项年效 益就在3 0 0 万元，常顶油、常一线也都存在类似的问题，如果实现产品质量的卡 边控制，年效益在5 0 0 万元左右。由此可见，实现产品质量的实时准确的测量是 十分迫切需要解决的问题。特别是装置进行d c s 改造后，运行平稳，操作条件数 据检测精度得到明显提高，系统提供的o p c 接口可以方便地实现数据采集和处 理，为实现产品质量的软测量奠定了良好的软硬件基础。鉴于长期操作经验数据 的积累和装置运行规律的认识以及所具备的软硬件条件，在该装置实施产品质量 软测量已具备条件，软测量的成功实现必将解决长期制约装置的瓶颈问题，有效 地提高装黄运行效益。 2 第二章文献综述 2 1 软测量技术概述 第二章文献综述 随着现代工业过程对控制、计量、节能增效和运行可靠性等要求的不断提高， 各种测量要求日益增多。现代过程检测与以往相比具有了更深的内涵和扩展。一 方面，仅获得温度、压力、流量等常规过程参数已经不能满足工艺操作和控制的 要求，需要获取如组成等与过程操作和控制密切相关的参数。另一方面，仪表测 量的精度要求越来越高，测量从静态或稳态向动态检测发展。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由于技术或 经济的原因还很难通过检测元件在线得到，例如石油化工生产过程中的精馏塔产 品成分、塔板效率、干点、倾点、闪点，反应器中反应物浓度、转化率、催化剂 活性等。若采取定时离线分析的方法，需要较长时间才能得到一组数据，无法直 接实现产品质量闭环控制。 为了解决这类工业过程的测量要求，一般采取两种途径：一是直接测量，采 取在线分析仪表，但这种方法常常会引起较大的测量滞后，且需要较大的人力物 力对其进行维护，难以实现有效的过程控制和监测；二是间接测量，利用易于获 得的测量信息，通过计算来实现难测变量的估计，软测量( s o f t s e n s i n g ) 技术 就是这一思想的集中体现。2 0 世纪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：推断控制。推断控制的基本思想是采集过程中比较容易测量的辅助变量 ( s e c o n d a r y v a r i a b l e ) ，通过构造推断估计器来估计并克服扰动和测量噪声对过 程主导变量( p r i m a r y v a r i a b l e ) 的影响【”。 软测量技术也称软仪表( s o rs e n s o r ) 技术。所谓的软测量技术就是利用易 于测量的过程变量( 如温度、压力、流量、液位等) ，根据这些易测变量与难以 直接测量的待测重要过程变量( 如产品组成成分、反应物浓度等) 之间的数学关 系软测量模型( s o f t s e n s o r m o d e l ) ，通过计算等方法获得待测变量的测量 技术。随着自动控制技术和信息技术的迅速发展，软测量技术的定义有了新的发 展，当今的软测量技术就是把自动控制理论与生产工艺过程知识有机结合起来， 根据某种最优准则，选择一组与主导变量( p r i m a r yv a r i a b l e ) 有密切联系且容易 测量的辅助变量( s e c o n d a r yv a r i a b l e ) ，通过对辅助变量的实测，构造某种数学 北京化工大学工程硕士学位论文 关系，利用计算机软件实现对主导变量的估计计算和变换，以软件代替硬件，间 接地得到主导变量的估计。主导变量主要是指那些与产品质量密切相关的并需要 加以严格检测的参数，但由于技术或经济的原因难以进行在线的直接测量，或能 测量但却具有较大测量滞后时间，不能进行实时控制，从而导致难以实现工艺参 数的控s q ：辅助变量主要是指那些与主导变量有密切关系而又易于测量的工艺参 数。 2 1 1 软测量的数学描述 u d l d 2 过程 0 图2 - 1 过挥的输入输出关系 f i g 2 1r e l a t i o n s h i pb e t w e e nt h ei n p u ta n do u t p u t 图2 1 表示过程的输入输出关系。 软测量的目的就是利用所有可以获得的信息求取主导变量的最佳估计值，即 构造从可测信息集o n 箩的映射【2 j 。可测信，g 集目包括所有的可测主导变量y ( y 可能部分可测) 、辅助变量0 、控制变量u 和可测扰动d i 。 歹= f ( d ，l d , 口) 式( 2 1 ) ，( ) 为估计函数关系，即软测量模型。在实际生产中，工况处于平稳操作状 态时，式( 2 一1 ) 所示的软测量模型可以简化为式( 2 2 ) 表示的稳态模型。 歹= 足p 式( 2 - 2 ) 在这样的框架结构下，软测量的性能主要取决于过程的描述、噪声和扰动的 特性、辅助变量的选取以及最优准则。显然实现软测量的基本方法是构造一个数 学模型，但软测量模型不同于一般意义下的数学模型，它强调的是通过辅助变量 口获得对主导变量y 的最佳估计，而一般的数学模型主要反映y 与u 或d 之间的动态 或稳态关系。 4 第二章文献综述 2 1 2 软测量的结构 软测量技术的核心是建立工业对象的精确可靠的模型。初始软测量模型是对 过程变量的历史数据进行辨识而来的。在现场测量数据中可能含有随机误差甚至 显著误差，必须经过数据变换和数据校正等预处理，将真实信号从含噪声的混合 信号中分离出来，才能用于软测量建模或作为软测量模型的输入。软测量模型的 输出就是软测量对象的实时估计值。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 离线休正，以得到更适合当前状况的软测量模型，提高模型的适合范围，图1 - 2 所示的软测量结构，能够说明在软测量中各模块之问的关系p 】。 图1 2 软测量结构 f i g 1 - 2t h es t r u c t u r eo f t h es o f ts e n s o r 2 2 软测量技术应用情况及发展前景 软测量已在过程控制与优化中得到了广泛的应用，其中报道最多的是推断控 审l j ( i n f e r e n t i a lc o n t r 0 1 ) 4 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， 如图2 3 所示。 5 北京化工大学工程硕士学位论文 图2 - 3 推断控制结构框架 f i g 2 - 3t h es t r u c t u r e 曲m eo f t h ei n f e r e n t i a lc o n t r o l 推断控制策略包括估计器和控制器的设计，两部分的设计可以独立进行，给 设计带来极大的便利。控制器的设计可采用传统或先进控制方法。估计器的设计 是根据某种最优准则，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，通过构造某种数学关系，实现对主导变量的在线估计。软测量技术正体现了 估计器的特点。在以软测量的估计值作为反馈信号的控制系统中，软测量仪表除 了能“测量”主导变量，还可估计一些反映过程特性的工艺参数，如精馏塔的塔板 效率、反应速率和催化剂的活性等，为实现产品质量的实时检测与控制奠定基础。 软测量技术作为一门有着广阔发展前景的新兴工业技术，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检测和自动化，提高装置产量和产品 质量。它的应用给过程检测和控制系统带来了巨大的影响，从而受到工业控制界 人士的重视和研究。目前软测量技术已成为自动检测和过程优化的有力工具，并 被m c a v o y 教授列为未来控制领域需要重点研究的几大方向之一。近年来，软测 量在理论研究和工业应用方面都取得了较大的进展，理论研究已经历了从线性到 非线性、从静态到动态、从无校正到有校正功能的过程【5 】。 软测量所针对的测量对象一般是机理复杂、多种因素强藕合地交互影响，具 有很强的非线性关系。国外成型的通用商品化软件有a s p e n t e c h 公司的a s p e n l q 、 h o n e y w e l l 的p r o f i ts o f ts e n s o r 和f i s h e r - r o s e m o u n t 的i n t e l l i g e n ts o f is e n s o r 等等。它 们一般都采用神经网络建模技术和p l s 、p c a 技术。另外还有针对特殊工艺过程 如催化裂化等开发的基于机理的工艺计算软件包。软测量技术虽然已经较广泛地 应用于过程控制和优化。但是大部分只是实现监测的功能，对生产操作提供指导 性意见。从可靠性上还无法达到完全投入闭环优化控制的要求，同时维护比较困 难，需要高水平的过程工程师。这是因为神经网络虽然有较强的学习能力，但如 何保证网络的泛化和推广能力及如何有效地在线校正等还没有得到很好地解决。 6 第二章文献综述 软测量的精确度和可靠性还不够高，有模型本身的原因，也有测量数据的不完整 性及混有大量的噪声和误差有关。对测量数据进行有效分析、处理，剔除误差和 噪声并保证数据的完整性，将工艺机理模型和神经网络建模等智能技术相结合， 确保软测量模型的泛化推广能力，才能找到提高软测量模型精确度和可靠性的有 效途径。过分夸大软测量技术的作用，将推理计算和软测量建模摆在唯一和必然 的途径或忽视软测量技术的重要性都是不正确的。 软测量技术工业应用成功实例不少 6 1 。国外有i n f e r e n t i a lc o n t r o l 公司、s e t p o i n t 公司、d m c 公司、p r o f i m a t i c s 公司、s i m c o n 公司等以商品化软件形式推出各自的 软测量仪表，例如：测量1 0 、5 0 、9 0 和最终的a s t m 沸点、闪点、倾点、 粘度和蒸气压等，这些己广泛应用于常减压塔、f c c u 主分馏塔、焦化主分馏塔、 加氢裂化分馏塔、汽油稳定塔、脱乙烷塔等先进控制和优化控制。它增加了轻质 油收率，降低了能耗并减少了原油切换时间，取得了明显经济效益。国内引进催 化裂化、常减压等装置的先进控制软件亦有软测量技术，但这些引进软件价格昂 贵。对于其具体技术细节，由于技术保密，对其了解十分有限。在国内，软测量 的研究、开发和应用也有2 0 多年的经验，正逐步形成工程化的在线工艺计算和软 测量软件产品和技术。有关高校、科研部门和企业等自行开发了不少软测量技术 工业应用，比如催化裂化装置主分馏塔轻柴油凝固点和粗汽油干点的软测量、加 氢裂化分馏塔柴油倾点和航煤干点的软测量、延迟焦化分馏塔粗汽油干点的软测 量、常减压装置常压塔侧线产品馏程的软测量等，这些应用在工业现场都取得了 良好的效果，达到了预期目的。 从许多软测量技术应用的实例来看，软测量技术具有投资少、见效快、维护 简单、滞后小、响应快、便于在线实时控制等优点，在石化生产过程中正逐步得 到应用，并具有广泛的应用前景。随着软测量技术在理论研究和实际应用中的不 断发展和完善，它将成为工业控制舞台上的一个重要角色，并取得令人满意的经 济和社会效益。 软测量技术是工业过程优化和分析的有力工具。在过程控制理论研究和实践 中已经取得了广泛的成果，客观地讲，其理论体系正逐步形成和完善，在实际应 用中忽视软测量的重要性或夸大其作用都是不正确的。 2 3 软测量技术的主要内容 在具体的工业实践中，软测量技术主要由机理分析与辅助变量的选择、数据 采集与处理、软测量模型的建立、软测量模型的在线校正等部分组成。 7 北京化工大学工程硕士学位论文 2 3 1 机理分析与辅助变量的选择 辅助变量的选择是整个软测量过程的第一步，对于软测量的成功与否相当重 要。 首先明确软测量的任务，确定关键变量。在此基础上深入了解和熟悉软测量 对象及有关装置的工艺流程，通过机理分析可以初步确定影响关键变量的相关辅 助变量。然后对辅助变量进行筛选。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 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。 辅助变量的选择应符合关联性、灵敏性、特异性、过程适用性、精确性和鲁 棒性等原则。辅助变量可选数目的下限是被估计的变量数。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。一般认为：应从系统的自由度出 发，确定二次变量的最小数目，结合具体过程的特点适当增加，以更好地处理动 态性质等问题。 在实际工业过程中，与关键变量有关的变量可能很多，有必要从这些待选的 辅助变量中寻找尽可能少的辅助变量来反映尽可能多的信息。这部分工作需要工 艺工程师的经验，比如根据过程机理的先验知识，用几个辅助变量计算得到新的 辅助变量。当先验知识缺乏时，应该采用数学方法，如主元分析( p c a ) 、部分 最小二乘法( p l s ) 等。 2 3 2 数据的采集与处理 从理论上讲，过程数据包含了工业对象的大量相关信息。因此数据的采集量 多多益善，不仅可以用来建模，还可以检验模型。实际需要采集的数据是与软测 量关键变量对应时间的辅助变量的过程数据。其次，数据覆盖面在可能的情况下 应尽可能宽，以便软测量模型具有较宽的适用范围。为了保证软测量精度，数据 正确性和可靠性是十分重要的。采集的数据必须进行数据变换和数据误差处理处 理。 输入数据的正确性和可靠性关系到软仪表的输出精度，而它们常因自身特点 或外部污染不能直接作为软仪表的输入，因此输入数据的预处理成为软测量技术 第二章文献综述 中必不可少的一步。 数据变换包括标度、转换和权函数三方面。数据变换影响着过程模型的精度 和非线性映射能力以及数值优化算法的运行结果。因此对工业过程中常出现的数 值上相差几个数量级的测量数据就应利用合适的因子进行标度，可以改善算法的 精度和稳定性，转换包括直接转换和寻找新变量代替原变量两方面。通过转换可 有效地降低原对象的非线性特性。权函数可实现对变量动态特性的补偿。 在基于软仪表的先进控制和优化系统中，融合了大量的现场数据，任一数据 的失效都可能导致系统整体性能下降，甚至失效。因此对输入数据进行误差处理 是不可缺少的。误差分为随机误差和过失误差。前者受随机因素影响，如操作过 程的微小波动或检测信号的噪声等。后者包括仪表的系统偏差、测量设备失灵以 及不完全或不正确的过程模型。对于随机误差除剔除跳变信号外，常采用数字滤 波法，如高通滤波、低通滤波、移动平均值滤波等，通过各种算法软件可以实现。 随着系统精度要求提高，又提出了数据协调技术。数据协调技术的实现方法有主 元分析法、正交分解法等。对于过失误差的处理，虽然过失误差出现的机率很小， 但它的存在会严重恶化数据的品质，可能导致软测量甚至整个过程优化的失效。 因此及时侦破、剔除和校正这类数据是误差处理的首要任务。常用方法有统计假 设检验法、广义似然比法和贝叶斯法等，这些方法在理论和应用之问尚存在相当 的差距。对于特别重要的过程参数还可以采用硬件冗余的方法以提高安全性，如 可用相似的检测元件或采用不同的检测原理对同一数据进行检测。 2 3 3 软测量模型的建立 软测量模型是软测量技术的核心。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缛对主导变量的最佳估计。建立软测量模型属于建模的范 畴，有机理建模、经验建模以及两者结合这三种办法。 ( 1 1 机理建模 从机理出发，也就是从过程内在的物理和化学规律出发，通过物料平衡与能 量平衡和动量平衡建立数学模型。为了获得软测量模型，只要把主导变量和辅助 变量作相应调整就可以了。对于简单过程可以采用解析法，而对于复杂过程，特 别是需要考虑输入变量大范围变化的场合，采用仿真方法。机理模型优点是可以 充分利用已知的过程知识，从事物的本质上认识外部特征；有较大的适用范围， 操作条件变化可以类推。但亦有弱点，对于某些复杂的过程难于建模。 ( 2 1 经验建模 9 北京化工大学工程硕士学位论文 通过实测或依据积累操作数据，用数学回归方法、神经网络方法等得到经验 模型。 进行测试，理论上有很多实验设计方法，如常用的正交设计等，在工程实施 上可能遇到困难。因为工艺上可能不允许操作条件作大幅度变化。如果选择变化 区域过窄，不仅所得模型的适用范围不宽，而且测量误差亦相对上升。模型精度 成问题。有一种办法是吸取调优操作经验，即逐步向更好的操作点移动，这样可 能一举两得，既扩大了测试范围，又改进了工艺操作。测试中另一个问题是稳态 是否真正建立。否则会带来较大误差。还有数据采样与产品质量分析必须同步进 行。 最后是模型检验，检验分自身检验与交叉检验。通常建议和提倡交叉检验。 经验建模的优点和弱点与机理建模正好相反，特别是现场测试，实施中有一 定难处。 ( 3 ) 机理建模与经验建模相结合 机理建模与经验建模结合起来，可兼容两者之长，补各自之短。结合方法有： 主体上按照机理建模，但其中部分参数通过实测得到；通过机理分析，把变量适 当结合，得出数学模型函数形式，这样一来使模型结构有了着落，估计参数就比 较容易，其次可使自变量数目减少：由机理出发，通过计算或仿真，得到大量输 入数据，再用回归方法或神经网络方法得到模型。机理与经验相结合建模是一个 较实用的方法，目前被广泛采用。 2 3 4 软测量模型的在线校正 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，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。对模型结构的修 正往往需要大量的样本数据和较长的计算时间，难以在线进行。为解决模型结构 修正耗时长和在线校正的矛盾，提出了短期学习和长期学习的校正方法。短期学 习由于算法简单、学习速度快便于实时应用。长期学习是当软测量仪表在线运行 一段时问积累了足够的新样本模式后，重新建立软测量模型。 软测量在线校正必须注意的问题是过程测量数据与质量分析数据在时序上 的匹配。对于配备在线成分分析仪表的装置，系统主导变量的真值可以连续得到， 在校正时只要相应地顺延相同的时间即可。对于主导变量真值依靠人工化验的情 况，从过程数据反映的产品质量状念到取样位置需要一定的流动时间，而从取样 第二章文献综述 后到产品质量数据返回现场又要耗费很长时间，因此利用分析值和过程数据进行 软测量模型校正时，应特别注意保持两者在时间上的对应关系。否则在线校正不 但达不到目的，反而可能引起软测量精度的下降，甚至完全失败。 2 4 影响软测量性能的因素 2 4 1 辅助变量的选择 辅助变量的选择确定了软测量的输入信息矩阵，因而直接决定了软测量模型 的结构和输出。辅助变量的选择包括变量类型、变量数量和检测点位置的选择。 这三方面是互相关联、互相影响的，不但由过程特性决定，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。 ( 1 ) 变量类型的选择 可以根据以下原则选择辅助变量【7 l 。 灵敏性：能对过程输出或不可测扰动做出快速反应； 特异性：对过程输出或不可测扰动之外的干扰不敏感； 过程实用性：工程上易于活得并能达到一定的测量精度； 精确性：构成的软测量估计器满足精度要求； 鲁棒性：构成的软测量估计器对模型误差不敏感。 辅助变量的选择范围是对象的可测变量集。遗憾的是以上选择原则难以用定 量的形式表示，而现代工业某些对象具有数百个检测变量，面对如此庞大的可测 变量集，若采用定性分析的方法对每个变量逐一进行判断，工作量非常大，简直 不可能实现。现在主要根据工业对象的机理、工艺流程以及专家经验来选择辅助 变量。这样确定的辅助变量仍可能不少，并且相关程度差异大，如果将它们全用 来作为软测量的输入变量，模型势必十分复杂，不但不一定能提高软测量的精度， 而且重要信息仍有可能被遗漏。知识发现1 8 9 1 和数据融合技术 1 0 , 1 1 l 是两种十分诱 人的方法，能帮助我们从浩瀚无边的数据海洋中自动挑选出合适的信息。 ( 2 ) 变量数目的选择 显然辅助变量可选数目的下限是被估计的变量数。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。b r o s i l t o w 根据投影误差最小和过程 增量矩阵的条件数最小的原则，认为辅助变量过多会增加估计器对模型误差的灵 北京化工大学工程硕士学位论文 敏度，如果模型结构合理，辅助变量的数量的增加将有助于克服测量噪声的影响。 l e e 等将该方法推广到一般结构模型和动态情形【坦l 。m o r a d 讨论了线性与非线性 软测量极小化估计值对测量噪声和不可测干扰灵敏度的最佳变量数目选择方法 ”，但这类方法对跟车模型和过程不确定性作了不合现实的假设，只能用于简单 情况。罗荣富等认为：应从系统的自由度出发。确定辅助变量的最小数且，结合 具体过程的特点适当增加，以更好地处理动态性等问题【1 4 1 。 ( 3 ) 检测点位置地选择 检测点位置地选择方案十分灵活。b r o s i l l o w 根据投影误差最小原则，用试 差法选择精馏塔特性温度地检测点位置，但对于大型精馏塔就不适用该法了。奇 异值分解方法通过对过程静态增益矩阵进行奇异值分解，根据奇异值与输出旋转 矩阵元素地对应关系来选择检测点。罗荣富认为s v d 原理选择精馏塔检测点位 置地方法具有定量和精确地特点，能适应操作点地变化【闱。m o o r e 等根据s v d 原理提出了一系列确定检测点位置地经验准则【1 6 1 ，但l e e 等认为这些准则受到模 型不确定性、系统动态性、不可测扰动以及控制结构地限制，他将s s v 理论用 于精馏塔和反应器地检测点地确定。此外还有m u l t i p l e g a u s s - j o r d a n 方法以及 y a q o o b 等提出地s e n n e t 算法【7 1 和g s e n n e t 算法f 1 3 】。刘良宏等证明最佳测量 位置主要由过程地动态特性决定，系统噪声和测量噪声对之影响很小【1 9 1 。他以一 个最小化的空间域上积分函数表达最佳测点位置的目标函数，用非线性约束化方 法求解系统具有一个或多个测点的最佳位置。 2 4 2 数据预处理 随着计算机技术的发展，数据的采集量大大增加。准确的测量数据反映了生 产情况，为过程监控。优化。计划调度以及决策分析提供了坚实的基础。测量数 据通过安装在现场的传感器、变送器等仪表获得，受到仪表精确度、测量原理和 方法生产环境的影响，测量数据都不可避免含有误差，甚至有严重的显著的误差。 如果将这些数据直接用于软测量，不但得不到正确的主导变量估计值，还可能误 导操作，引起生产波动，导致系统整体性能下降，甚至整个生产失败。因此对原 始工业数据进行预处理( 数据校正和数据变换) 以得到精确可靠的数据是软测量 成败的关键，具有十分重要的意义。 ( 1 ) 数据校正 随机误差的处理 为了尽可能消除测量中的随机噪声，保留真实信号常采用数据滤波方法，即 第二章文献综述 利用信号与噪音随自变量改变的频率不同将真实信号与噪声分离。常用滤波方法 有高通滤波、低通滤波，数据平滑等，现己形成各种算法软件包。随系统精度要 求提高，近年又提出了数据协调技术 2 0 - 2 2 1 。其基本思想是：根据由物料平衡和 能量平衡等方程建立起来的精确的数学模型，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，以及时准确地检测 误差地存在，进而剔除或补偿其影响。数据协调实质上时一个在等式或不等式约 束下地线性或非线性优化问题 2 3 , 2 4 1 。 显著误差地处理 显著误差出现地几率虽很小，但它的存在会严重恶化数据的品质，从而影响 软测量模型的正确性和可靠性。因此及时侦破、剔除和校正这类数据是误差处理 的首要任务。检测显著误差的主要方法有： a 、从理论上分析所有可能导致显著误差的因素并进行相应处理： b 、借助各种测量手段对同一过程变量进行测量，然后通过结果比较来识别 显著误差，即营建冗余法； c 、根据测量数据的统计特性进行检验。 目前常用方法是基于统计假设检验法 2 5 - - 3 n ，如残差分析法、校正量分析法 等，广义似然比法、贝叶斯法和主元分析法等。李华生分析了统计假设检验法的 不足，认为广义似然法能够检验各种可用数学模型表示的显著误差；贝叶斯法可 利用历史错误数据改进显著误差。虽然这两种方法在理论上可行，但离应用还有 较大差距。 人工神经网络技术是数据校正的一种新方法 3 2 - 3 q 。t h o m a s 等比较了r n n 、 e k f 和n l p 三种方法在动态数据校正中的应用，认为后两种方法在实现需要精 确的过程模型，而r n n 法可用来校正包括g a u s s i a n 噪声在内的过程测量数据。 对于特别重要的过程参数还可采用硬件冗余的方法以提高安全性，如可用相似的 检测元件或采用不同的检测原理对同一数据进行检测。 ( 2 ) 数据变换 数据变换包括标度、转换和权函数三方面。数据变换影响着过程模型的精度 和非线性映射能力以及数值优化算法的运行结果。对工业过程中出现的工程单位 不同或数值相差几个数量级的测量数据，利用合适的因子进行标度，不致因为机 器字长而丢失有用的信息或弓f 起算法的不稳定性。转换包括直接转换和寻找新交 量代替原变量两方面。通过转换可有效地降低原对象地非线性特性( 如进行对数 转换) 。权函数可实现对变量动态特性地补偿，使稳态模型实现对过程地动态估 计成为可能。 北京化工大学工程硕士学位论文 2 5 软测量技术的工程实施 软测量是实用性很强的应用技术，它以软测量模型在线运算并给出准确的估 计值为目标。因此，软测量的设计必须满足工程应用的简易性、有效性、可靠性 要求。总结前人的软测量工程实践经验，软测量的工程化实施一般分以下几个步 骤。 ( 1 ) 针对软测量对象进行机理分析，选择辅助变量 在此阶段首先了解和熟悉软测量对象以及整个装置的工艺流程，明确软测量 的任务。大多数软测量对象属于灰箱系统，通过机理分析可以确定软测量目标的 相关变量，并通过分析各变量的可观、可控性初步选择辅助变量。这种采用机理 分析指导辅助变量选择的方法，可以使软测量的设计更合理。 ( 2 ) 数据采集与预处理 从理论上讲，过程数据包含了工业对象的大量信息，因此数据采集多多益善， 不仅可以用来建模，还可以校验模型。实际需要采集的数据是与软测量对象实测 值对应时问的辅助变量的过程数据。数据的预处理包括数据变换和数据校正。最 简单也是最常用的数据预处理是用统计假设检验剔除含有显著误差的数据后，再 采用平均滤波的方法去除随机误差。如果辅助变量个数太多，需要对系统进行降 维，降低测量噪声的干扰和软测量模型的复杂性。降维的方法可以根据机理模型， 用几个辅助变量计算得到不可测的辅助变量，如分压、内回流比等；也可以采用 p c a 、p l s 等统计方法进行数据相关性分析，剔除冗余的变量。 ( 3 ) 建立软测量模型 将经过第二步预处理后的比较可靠的过程数据分为建模数据和校验数据两 部分，对于建模数据可以采用回归分析和人工神经网络分别进行拟合，再用校验 数据检验模型。根据交叉检验结果以及装置的计算能力确定模型结构和模型参 数；当然也可以根据机理分析直接确定建模方法。 ( 4 ) 设计模型校正模块 实践证明，如果不具有模型校正模块，软测量的适用范围可能很窄。校正又 分为短期校正和长期校正，以适应不同的需求。为了避免突变数据对模型校正的 不利影响，短期校正时还将附加一些限制条件。 ( 5 ) 在实际工业装置上实现软测量 将离线得到的软测量模型和数据采集及预处理模块、模型校正模块以软件的 形式嵌入到装置的d c s 上。设计安全报警模块，当软测量输出值与分析仪测量值 的偏差超过限幅值时报警，指示操作员密切注意生产过程。此外还需设计工艺员 1 4 第二章文献综述 修改参数界面，使工艺员可以根据生产需要很方便地修改诸如理想干点等参数； 设计操作员界面，将软测量输出值等直观地展现在操作员面前，并能及时输入软 测量目标的化验值。 ( 6 ) 软测量的评价 在软测量运行期间，采集软测量对象的实测值和模型估计值，根据比较结果 评价该软测量模型是否满足工艺要求。如果不满足，要利用过程数据分析原因， 判断是模型选择不当、参数选择不当，还是该时间段内的工况远离模型的预测范 围，找到失败原因后再重复以上步骤，重新设计软测量。 2 6 软测量模型 软测量技术是依据某种最优化准则，利