（控制理论与控制工程专业论文）模糊多模型软测量及递推pls算法研究.pdf

摘要 尽管过程建模以及系统辨识技术在现代工业中的成功应用，如石油炼制，石油化工， 冶金，造纸及医药等，但仍然存在许多用传感器难以测量的变量。软测量技术既是基于 解决这些问题而提出，它主要通过数学模型计算得到工程上难以检测的变量。随着工艺 过程的同益复杂，工业技术的进步，它有着广阔的应用前景，己成为过程检测技术与仪 表研究的主要方向之一。本文主要研究了软测量建模方法及常规p l s 模型的在线更新技 术，并应用于独山子石化公司某分馏塔航煤干点的估计。主要内容包括： 第一，对软测量技术进行综述。介绍了软测量技术产生的工业背景、应用范围、现 状及前景，阐述了软测量的基本概念，对软测量的各个环节进行了描述，讨论了软测量 技术的工程设计实现，包括辅助变量选择、数据采集及预处理、软测量模型的建立、在 线校正和工程化实施等。 第二，软测量技术的核心是模型的建立问题，本文对建立软测量模型的各种常规方 法进行了较为详细的总结和分析，并对它们各自的特点进行了阐述，然后提出了基于模 糊划分的多模型建模方法，并将以上方法进行仿真实验以及对独山子石化公司的某分馏 塔的航煤干点进行估计。结果表明了基于模糊划分的多模型技术的有效性，预测精度更 高，具有更好的应用前景。 第三，针对p l s 模型长期在线运行后出现模型失配的问题，结合经典的递推p l s 算法， 引出一种自适应的折息块式递推p l s 算法，并且利用函数模型及航煤干点现场数据作对 比实验。结果表明，该方法能解决常规p l s 模型失配问题，同时克服递推p l s 的数据饱和、 数据存储困难的弊端，大大减少了计算量。 第四，以m a t l a b 的g u i 设计为手段，开发一个方便、直观的软测量建模仿真试验平 台，提供了良好的交互性、可扩展性。 最后，在总结全文工作的基础上，给出了理论与应用的相关若干有待深入的问题。 关键词：软测量，部分最小二乘，多模型，在线更新，航煤干点 f u z z ym u l t i - m o d e ls o f ts e n s o ra n dr e c u r s i v ep l sa l g o r i t h m z h a n gx i a n - l i n ( c o n t r o lt h e o r ya n dc o n t r o le n g i n e e r i n g ) d i r e c t e db ya s s o c i a t ep r o f y uz u o j u n a b s t r a c t a l t h o u g ht h et e c h n i q u eo fp r o c e s sm o d e l i n ga n ds y s t e mi d e n t i f i c a t i o nh a sb e e n s u c c e s s f u l l ya p p l i e di nm o d e mi n d u s t r i a ls u c ha so i l r e f i n e r y , p e t r o l c h e m i s t r y , m e t a l l u r g y , p a p e rm a k i n g ，a n dp h a r m a c y , t h e r ea r es t i l lm a n yc a s e st h a tm a n y v a r i a b l e sa r ed i f f i c u l tt ob e m e a s u r e du s i n gt h ep h y s i c a ls e n s o r s i no r d e rt os o l v et h i sp r o b l e m ，t h es o f ts e n s o rt e c h n i q u e i sp r o p o s e dw h i c hm a i n l yf o c u s e so nt h ev a r i a b l ee s t i m a t i o n st h r o u g ht h ec a l c u l a t i o no f m a t h e m a t i c a lm o d e l s w i t ht h ed e v e l o p m e n to fm o d e mi n d u s t r yw h i c hw i l lc o n f r o n tm o r e a n dm o r ec o m p l e xp r o c e s s ，t h et e c h n i q u eo fs o f ts e n s o rh a saw i d e l ya p p l i c a b l ep r o s p e c t sa n d h a sb e e no n eo ft h em o s tf o c u s e si np r o c e s si n s t r u m e n ta n dm e a s u r e m e n tt e c h n i q u e s o f t s e n s o rm o d e l i n gm e t h o d sa n do n l i n eu p d a t i n gt e c h n i q u eb a s e do nt r a d i t i o n a lp l sm o d e la r e i n v e s t i g a t e di nd e t a i l ，a n d h a v eb e e na p p l i e dt oe s t i m a t et h ed r yp o i n to fa v i a t i o nk e r o s e n eo i l o f t h ed u s h a n z i0 i l f i e l d t h em a i nw o r ki sd e s c r i b e da sf o l l o w s ： f i r s t l y ，as u r v e yo fs o f ts e n s o rt e c h n i q u ei sr e v i e w e d ；t h eb a c k g r o u n d s ，a p p l i c a t i o nf i e l d s a n dp r o s p e c t so fs o f ts e n s o ra r ei n t r o d u c e d t h ec o n c e p to fs o f ts e n s o ri sd e m o n s t r a t e da n d e n g i n e e r i n gd e s i g ns t e p sa r ed e s c r i b e d ，w h i c hi n c l u d e ss e c o n d a r yv a r i a b l e ss e l e c t i o nb a s e do n t h em e c h a n i s ma n a l y s i s ，d a t ac o l l e c t i o na n dp r e t r e a t m e n t ，s o f ts e n s o rm o d e le s t a b l i s h m e n t ， o n - l i n ec o r r e c t i o na n di m p l e m e n t a t i o n s e c o n d l y ，a sp r o c e s sm o d e l i n gi st h ec o r ep r o b l e mo fs o f ts e n s o r ，a l lk i n d so f t r a d i t i o n a lm e t h o d so fs o f ts e n s o rm o d e l i n gm e t h o d sa r ed i s c u s s e da n ds u m m a r i z e di nd e t a i l s i nt h i sp a p e r ，w h i l et h ec h a r a c t e r i s t i co fe a c ha p p r o a c hi sd e s c r i b e dr e s p e c t i v e l y o n e i m p r o v e ds o f ts e n s o ra p p r o a c hb a s e do nt h ef u z z yc l u s t e r i n gm u l t i m o d e li sp r o p o s e d s i m u l a t i o n so nt h ed r yp o i n to fa v i a t i o nk e r o s e n eo i lp r o c e s ss h o wt h ei m p r o v e dm e t h o di s e f f e c t i v e ，m o r ea c c u r a t ea n db e t t e rw i d e l ya p p l i c a b l ep r o s p e c t s t h i r d l y , c o n s i d e r i n gt h em o d e lm i s m a t c hp r o b l e mo f t r a d i t i o n a lp l sm o d e l i n gm e t h o d w i t hl o n g t e r mo p e r a t i o no n l i n e ，ad i s c o u n t e d m e a s u r e m e n tb l o c kr e c u r s i v ep l si sp r o p o s e d t ou p d a t em o d e l w h i c hc o m b i n e sw i t l lc l a s s i c a lr e c u r s i v ep l sa l g o r i t h m t h er e s u l to f s i m u l a t i o na n de s t i m a t i o no ft h ed r yp o i n to fa v i a t i o nk e r o s e n eo i ls h o w st h a tt h i sm e t h o d c a ns o l v em o d e lm i s m a t c hp r o b l e m t h ed r a w b a c k so fc l a s s i c a lr e c u r s i v ep l so nd a t a s a t u r a t i o na n ds t o r a g ec a nb eo v e r c o m e ，a n dt h ec o m p u t a t i o n a lc o m p l e x i t yc a nb er e d u c e d g r e a t l y f o u r t h l y ，ac o n v e n i e n ta n di n t u i t i v es i m u l a t i o np l a t f o r mo fs o f ts e n s o rm o d e l i n g i s d e v e l o p e d ，w h i c hi sb a s e do nt h eg r a p h i cu s e ri n t e r f a c e ( g u i ) o fm a t l a be n v i r o n m e n t t h i s p l a t f o r mp r o v i d e st h ep o s s i b i l i t yo fg o o di n t e r a c t i o na n de x t e n s i b i l i t y f i n a l l y ，b a s e do ns u m m a r i z a t i o no ft h i sp a p e r ，s e v e r a lp r o b l e m sr e l a t i v ew i t ht h e o r ya n d a p p l i c a t i o n sf o rf u r t h e r r e s e a r c ha r ed i s c u s s e d k e yw o r d s ：s o f ts e n s o r ，p l sa l g o r i t h m ，m u l t i - m o d e l ，u p d a t eo n l i n e ，d r yp o i n to f a v i a t i o nk e r o s e n e0 i l 关于学位论文的独创性声明 本人郑重声明：所呈交的论文是本人在指导教师指导下独立进行研究工作所取得的 成果，论文中有关资料和数据是实事求是的。尽我所知，除文中已经加以标注和致谢外， 本论文不包含其他人已经发表或撰写的研究成果，也不包含本人或他人为获得中国石油 大学( 华东) 或其它教育机构的学位或学历证书而使用过的材料。与我一同工作的同志 对研究所做的任何贡献均已在论文中作出了明确的说明。 若有不实之处，本人愿意承担相关法律责任。 学位论文作者签名： 憋 日期：1 年1 月们 学位论文使用授权书 本人完全同意中国石油大学( 华东) 有权使用本学位论文( 包括但不限于其印 刷版和电子版) ，使用方式包括但不限于：保留学位论文，按规定向国家有关部门( 机 构) 送交学位论文，以学术交流为目的赠送和交换学位论文，允许学位论文被查阅、 借阅和复印，将学位论文的全部或部分内容编入有关数据库进行检索，采用影印、 缩印或其他复制手段保存学位论文。 保密学位论文在解密后的使用授权同上。 学位论文作者 指导教师签名 日期：知1 年 聃：1 年 6 月 5 日 1 f 月j 日 中国石油大学( 华东) 硕士学位论文 第1 章前言 随着现代工业的高速发展，人们对控制系统的要求越来越高，总是希望控制指标能 够保持平稳、快速跟踪。可是在许多生产装置的这类重要过程变量中，存在着一大部分 由于技术或是经济上的原因，很难通过传感器进行测量的变量，如精馏塔的产品组分浓 度，生物发酵罐的菌体浓度和化学反应器的反应物浓度及产品分布等。为了解决此类问 题，目前主要有三种方法：( 1 ) 采用间接的质量指标控制，但是难以保证最终质量指标 的控制精度，无法使装置运行于最优工况；( 2 ) 采用在线分析仪表，并用硬件予以实现， 但是开发费用高，硬件投资大，原理复杂，维护费用高：( 3 ) 采用离线的实验室分析结 果，但是存在很大延时，分析结果无法参与在线控制。 高级过程控制理论的出现和成熟，促成了软测量技术的形成和发展。其基本思想是 根据比较容易测量的工业过程辅助变量，即二次变量，来估计无法直接测量的工业过程 主要输出变量。 软测量技术的最基本的理论基础是系统辨识和控制系统建模，就系统辨识、系统建 模及最优控制理论来讲，都是得到广泛研究又不断发展的应用科学。软测量技术基于这 样一些有很好的基础又在不断发展的应用科学理论，研究的目标是解决在实际生产中不 能直接检测但又非常重要的变量和参数的估计问题。因而，软测量技术的应用研究有很 好的理论价值和巨大的应用价值。目前，软测量技术已经是现代流程工业和过程控制领 域非常关键和前沿的技术，成为控制领域的一个研究热点。 近年来，世界上软测量技术已经有了很多应用，它们采用了各种建模方法如机理模 型、线性回归、非线性回归、神经网络、支持向量机等，完成对工业实践提出的要求。 但是这些模型一般都是单个模型建模，那么对于很大部分的工业过程，受操作条件、生 产条件等的影响，导致其对象模型会呈现多重性并随机的变化，那么采用单模型建模会 导致模型学习时间过长、过程特性匹配不佳、精度和外推能力差等缺陷。一些研究者提 出了多模型建模的方法，既在不同的条件下( 区域内) 建立不同的子模型，然后加成子 模型输出作为对待估变量的估计，期望该方法在软测量建模的应用中取得更佳效果。 1 9 6 9 年b a t e s 和g r a n g e r 提出通过将几个模型相加来提高模型的预测精度和鲁棒性 的方法。目前已普遍接受将几个模型的预测结果结合起来是可能获得较好预测效果的一 种简单、有效的方法。对于基于神经网络的建模方法来说，应用此思想的一个直接扩展 就是将几种网络模型的结果通过一定的方法加权使用，以得到更好的预报结果。c h o 提 1 第1 章前言 出了一种将多个基于神经网络的模型通过模糊结合的方式结合起来用于鲁棒分类的方 法。这些方法的基本思想就是分别建立几个独立的神经网络模型，然后通过一定的方法 将各网络的预报输出结合起来。 为了较好地反映实际生产过程特性，在建立软测量模型时通常要收集较多的样本数 据。对于不同区域的样本，其扰动幅度和对象特性均不同，本文对应提出一种基于模糊 划分的多模型建模的方法。在理论上，考虑按照对象特性类似的或相同的原则将样本数 据划分为不同的类，然后用各类的样本数据建立自己的子模型，用于预测时，每当来到 新的数据，先将其归类，然后用类内的现有子模型进行预测，显然这样做，子模型建模 更精确，最后通过权值叠加子模型输出作为最终预测值。在模型实现上，通过减法一模 糊c 均值聚类对样本数据实现模糊划分，然后建立子模型，数据到来后，进行归类，同 时计算隶属度函数，最后用隶属度加权子模型输出最为最终的预测值。 另一方面，随着时间推移，测量对象的特性和工作点都可能发生变化。一般来说， p l s 方法都是批处理式的建模方法，即使用整批离线数据来确定模型参数。而离线得到 的软测量模型不可能保证长期适用，需要利用在线获得的新数据不断修正模型，即软测 量模型在线更新问题。 考虑当新数据到来时，要把旧数据跟新数据结合起来重新建立模型，这样旧数据被 重复利用，运算效率低。随着时间的推移，需要存储的旧数据信息会越来越多，训练模 型时所涉及的数据量也越来越大，会造成运算速度及存贮的困难。而如果只用新数据建 模，就完全舍弃了旧数据包含的信息。 基于上述问题，出现了一系列递推算法来更加有效的更新p l s 模型。m a r t e n s 和瓠 最先提出一种算法：他们首先采用p l s 模型构建一个相对于原来的数据集合小的多的集 合，当利用该集合所有向量建立p l s 模型时，得到的结果跟在原来的数据集合上得到的 p l s 模型相同。然后利用该数据集合跟新数据结合来更新p l s 模型。w o l d 对于p c a 和 p l s 提出一种指数加权算法，在他的算法中每当来一个新样本时，需要利用整个数据集 合 x ，】，) 来建立新模型，而不是仅仅利用新样本来递推的更新旧模型。h e l l a n d 等提出一 种递推p l s ( r e c u r s i v ep l s ，以下简称r p l s ) 算法，首先将旧数据矩阵x 和】，用它们的 负荷矩阵，和q 7 来表示，然后将新数据与负荷矩阵相结合来更新模型。 本篇在r p l s 算法的基础上，得到具备自适应能力的折息块式r p l s 算法：首先在 新数据块上建立一个p l s 子模型，然后将其与旧的p l s 模型( 负荷矩阵p 7 和q 7 ) 而并 2 中国石油大学( 华东) 硕士学位论文 非所有数据结合来更新模型。另外，还提出用滑动窗和遗忘因子法来丢弃或减小特别老 的数据的影响，充分有效的利用新老数据的信息，进而实现实时有效的在线更新，同时 大大减少计算量。 最后，通过学习和分析了m a t l a b 的g u i 设计环境，并且与其他的语言环境作比较， 显示了以其为基础开发软测量建模仿真平台的优越性。然后设计了一个方便、快捷而实 用的软测量建模仿真实验平台。通过该平台，可以进行基于数据的各种软测量建模算法， 包括各种p l s 、神经网络、多模型算法等，同时可以进行误差计算、绘制曲线。此外， 一些复杂算法的初始化参数可以通过用户自己给定，给用户提供较大的空间，充分的发 挥了其灵活性、实用性和交互性。 本文的安排如下： 第1 章前言。本章对软测量技术的概念、应用背景和意义、软测量技术发展概况及 本文所用的建模方法以及模型在线更新算法进行了介绍，最后概括了全文的主要内容和 安排。 第2 章软测量技术综述。本章主要详细介绍了软测量技术，包括辅助变量的选择、 数据预处理、软测量模型的建立及在线校正等。 第3 章常规的软测量建模方法。本章详细介绍了几种常用的软测量建模方法，主要 有p l s 算法、非线性p l s 算法以及径向基函数神经网络的原理、步骤及优缺点，并介绍了 一些混合算法，并通过现场数据比较分析各种算法的优缺点。 第4 章基于模糊划分的多模型建模技术。本章详细介绍了多模型建模技术中用到的 模糊划分的基本概念、模糊聚类的基本原理、以及模糊划分技术中相关参数说明及选择 方法与模糊c 一均值的改进算法等，提出了基于模糊划分的多模型建模技术，并通过仿真 试验以及工业应用验证该算法的优缺点。 第5 章软测量模型的在线更新技术。本章详细介绍了基于p l s 离线模型的在线更新 技术，包括相关的递推p l s 的原理和依据，以及相关参数的设定，最后通过仿真和工业 实例来验证该算法的可行性和有效性。 第6 章基于m a t l a b 的g u i 设计的软测量建模仿真平台开发。本章主要介绍如何利用 g u i 设计一个软测量的实验平台，实现在该平台上进行各种软测量建模实验，同时可以 显示误差、绘制曲线、设定参数、操作状态等等，充分发挥灵活性、实用性和交互性。 最后，结论与展望中对本文的工作进行回顾和总结，对工作中存在的一些问题进行 了探讨，并对本文的进一步工作做了展望。 3 第2 章软测量技术综述 第2 章软测量技术综述 在许多工业控制场合，存在着一类这样的变量：它们与产品质量密切相关，需要加 以严格控制，但是由于经济或技术的原因( 如在线测量仪表价格昂贵，或者在恶劣的工 作环境下无法正常工作) ，难以进行在线测量，只能通过离线实验室分析得到分析值。 但是，离线实验室分析往往存在长时间滞后的问题，无法满足在线实时控制和优化操作 的要求。近年来，为解决这类变量的估计和控制问题，软测量技术取得了重大发展。软 测量技术作为概括性的科学术语被提出是始于8 0 年代中后期，至此迎来了一个发展的 黄金时期，并且在世界范围内掀起了一股软测量技术热潮。 软测量技术的理论根源【l 】是2 0 世纪7 0 年代b r o s i l l o w 提出的推断控制。推断控制的 基本原理是采集过程中比较容易测量的二次变量( s e c o n d a r yv 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 yv a r i a b l e ) 的影响。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而又容易测量的二次变量， 通过构造某种数学关系，用计算软件实现对主导变量的在线估计。现在发展起来的软测 量技术正体现了估计器的特点。 软测量的基本思想【3 】【4 1 是把自动控制理论与生产工艺过程知识有机地集合起来。应 用计算机技术，对于一些难于测量或暂时不能测量的重要变量( 称为主导变量) ，选择另 外一些容易测量的变量( 称为二次变量) 通过构成某种数学关系来推断和估计，以软件 来代替硬件( 传感器) 功能。这类方法具有响应迅速，连续给出主导变量信息，且具有投 资少、维护保养简单等优点。 软测量技术主要包括【8 】辅助变量的选择，数据采集，输入数据的预处理，软测量模 型的建立和在线校正，其中软测量建模方法是软测量技术研究的核心。一般软测量模型 结构可以用下图2 1 来表示：其中：d 一可测扰动；x 一被估计变量集；u 一对象的控制输 入；y 一对象可测输出变量；x ，_ 可能有的离线分析计算值或大采样间隔的测量值( 如分 析仪输出) 。软测量建模就是由可测数据得到x 的最优估计： x = f ( d ，u ，x ，f )( 2 1 ) 图2 1 中不仅反应了被估计量x ( 主导变量) 与输入u 的关系，还包括了x 与可测输 出y ( 辅助变量) 之间的关系，而离线采样值x 常被用于模型的自校正。软测量估计值膏 可作为控制系统的被控变量或反映过程特征的重要参数，为优化控制与决策提供依据。 4 中国石油人学( 华东) 硕士学位论文 2 1 辅助变量的选择 图2 - 1 软测量基本结构图 f i 9 2 - 1 b a s i cs t r u c t u r eo fs o f ts e n s o r 辅助变量的选择是建立软测量模型的第一步，它对于软测量的成功与否相当重要。 一般是从过程机理入手分析，从影响主导变量的参数中挑选主要因素。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 变量逐一判断，工作量非常大，简直不可能实现。全部引入既不可能也不必要。如果缺 乏机理知识，或者根据机理挑选的辅助变量数目仍旧庞大，则可用逐步回归分析、主元 分析等的方法找出影响主导变量的主要因素，但这需要大量的观测数据。 辅助变量选择包括变量类型、变量数目、检测点位置的选择。 变量类型选择一般可以根据以下原则【2 删来选： ( 1 ) 灵敏性：能对过程输出( 或不可测扰动) 快速反应； ( 2 ) 特异性：对过程输出( 或不可测扰动) 之外的干扰不敏感； ( 3 ) 适用性：工程上易于获得并达到一定的测量精度； ( 4 ) 精确性：构成的估计器能够满足要求的精度； ( 5 ) 鲁棒性：构成的估计器不敏感。 辅助变量的最佳数目与过程自由度、测量噪声以及模型不确定性有关。受系统自由 度的限制，辅助变量数目的下限是被估计的主导变量的数量。应先从系统自由度出发， 确定最小数量，再结合具体过程，并考虑动态性质等问题，适当予以增加。辅助测量变 量过多将增加估计器对模型误差的灵敏度，出现过参数化问题。 辅助变量检测点的选择十分重要，但目前尚无通用的方法或原则。辅助变量的位置 和数目常常是同时确定的，用于选择变量数目的准则往往也适用于检测点位置的选择。 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 5 第2 章软测量技术综述 护性等的制约。 2 2 输入变量的时间滞后 化工和石化生产过程中一般存在比较大的从输入到输出的时间滞后，某一时刻的被 测变量取决于它之前的各个相关可测操作变量的数值，而且同一装置不同性质的操作变 量对质量指标作用的滞后时间也不同。例如，精馏塔压力和精馏塔塔釜蒸汽流量的变化 对精馏塔塔顶组分产生影响的滞后时间就不相同。建立软测量仪表模型就应该充分考虑 这个时间滞后，把对输出变量有真正影响的那一刻输入变量的数值送到模型中进行计 算。这个滞后时间可以通过机理分析方法用物料平衡方法计算出来，也可以通过不断地 比较不同滞后时间下的训练模型精度，获取合理的滞后时间。但是获取的滞后时间往往 会随时发生变化。因此，在实际应用过程中，我们通常取采样时间周围一段时间的平均 值作为模型的输入，来减少输入数据的误差。 2 3 输入数据预处理 软测量估计器需要对过程测量数据经过数值计算来预测主导变量，其性能很大程度 上依赖于所获过程测量数据的准确性和有效性，因此对现场采集的数据的处理【6 】是软测 量技术实际应用中一个重要方面。测量数据的处理包括数据校正和数据变换。 1 数据校正 测量数据通过安装在现场的传感器、变送器等仪表获得，受到仪表精度、测量原理 和测量方法、生产环境的影响，测量数据都不可避免的含有误差。误差可分为随机误差 和显著误差。 ( 1 ) 随机误差的处理 随机误差受随机因素的影响，如操作过程的微小波动或检测信号的噪声等，通常假 设为零均值正态分布的噪声，是测量仪表的不重复性造成的。 常用数字滤波方法，即利用信号与噪声随自变量改变的频率不同将真实信号与噪声 分离。常用的滤波方法有高通滤波、低通滤波和数据平滑等。随着系统精度的提高，近 年来又提出了数据协调( d a t ar e c o n c i l i a t i o n ) 技术。其基本思想是：根据物料平衡和能量 平衡建立起来的精确的数学模型，以估计值和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的存在，进而剔除或 补偿误差的影响。数据协调实质上是一个在等式或者不等式约束下的线性或非线性优化 6 中国石油人学( 华东) 硕士学位论文 问题。数据协调和显著误差检测统一的称为数据校正( d a t ar e c t i f i c a t i o n ) 。 ( 2 ) 显著误差的处理 显著误差存在的机率虽然较小，但是它的存在会严重恶化数据的品质，从而影响软 测量模型的可靠性和准确性。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。显著误差检测( g r o s se r r o rd e t e c t i o n ) 的主要方法有：技术判别法、统计判别法和硬 件冗余法。 2 数据换算 数据换算包括标度、转换和权函数三个方面。实际过程所测量数据可能有不同的工 程单位，各变量的大小在数值上也可能相差n 个数量级，直接使用原始测量数据进行计 算可能丢失信息和引起数值计算的不稳定，因此需采用合适的因子对数据进行标度变 换，以改善算法的精度和计算稳定性。转换包含对数据的直接转换和寻找新的变量替换 原变量两个方面，通过对数据转换，可有效地降低非线性特性。而权函数则可实现对变 量动态特性的补偿。 此外，如果辅助变量个数太多，为了实时运行方便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；亦可采用主元分析( p c a ) 、部分最小 二乘法( p l s ) 等统计方法进行数据相关分析，剔除冗余的变量，降低系统的维数。 2 4 软测量模型的建立 软测量建模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 二次变量来获得对主导变量的最佳估计。一个好的软测量估计器必须具备一个完善的实 用的数学模型，常用的建立软测量模型的方法主要有以下几大类。 2 4 1 基于机理分析的方法 基于工艺机理分析的软测量主要是运用化学反应动力学、物料平衡、能量平衡等原 理，通过对过程对象的机理分析，找出不可测主导变量与可测辅助变量之间的关系( 建 立机理模型) ，从而实现某一参数的软测量。 对于工艺机理较为清楚的工艺过程，该方法能构造出性能较好的软仪表。但是对于 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。此时该方 法就需要与其他参数估计方法相结合才能构造软仪表。 7 第2 章软测量技术综述 这种软测量方法是工程中常用的方法，其特点是简单，工程背景清晰，便于实际应 用，但应用效果依赖于对工艺机理的了解程度，因为这种软测量方法是建立在对工艺过 程机理深刻认识的基础上的，建模的难度较大。 2 4 2 基于数据统计的方法 此类方法是将辅助变量和主导变量组成的系统看成“黑箱”。以辅助变量为输入， 主导变量为输出，通过现场采集、流程模拟或实验测试，获得过程输入输出数据，以此 为依据建立软测量模型1 1 】【1 3 】。 1 基于状态估计的软测量 如果己知系统的状态空间模型，而主导变量作为系统状态变量对辅助变量是可观 的，那么构造软仪表的问题可以转化为状态观测或状态估计问题。k a l m a n 滤波器、 l u e n b e r g e r 观测器等是解决上述问题的有效方法。基于状态估计的软仪表可以反映辅助 变量与主导变量之问的动态关系，有利于处理辅助变量与主导变量动态特性不同及系统 存在滞后等情况。然而对复杂工业过程，取得系统的状态空间模型并非易事。 2 基于神经网络的软测量 近年来，神经网络方法特别是前向神经网络发展很快，在工程中获得广泛应用。如 果以辅助变量为输入，待测变量为输出，构造足够多的理想样本，通过学习可以得到软 仪表的神经网络模型。理论上，神经网络不需要过程的先验知识，学习非线性特性的能 力比较强，是解决软测量问题的较为理想的方法。但神经网络不是万能的。在实际应用 中，样本的数量和质量一定意义上决定着网络的泛化性能，网络类型、结构、算法的选 择对软仪表的性能都是至关重要的。 3 基于回归分析的软测量 回归分析方法【8 h 1 0 1 是一种经典的建模方法，不需要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间的数学模型。 根据采用的数学方法不同，可将回归分析方法分为线性回归和非线性回归。线性回 归方法的实质是对象函数关系在操作点附近的一阶泰勒展开式，算法简单，物理意义明 确，但对测量误差比较敏感。当对象的非线性特性比较显著或操作点变化范围较大时， 泰勒展式的高阶项就不能忽略了，此时用线性回归方法建立的模型精度就会明显下降， 应该选用非线性回归方法。线性回归中最为经典的方法是最小二乘法，在此基础上又发 中国石油人学( 华东) 硕上学位论文 展了主元回归分析法( p c r ) 和偏最小二乘法( p l s ) 法，非线性p l s 等。 基于回归分析的软测量，其特点是简单实用，但需要大量的样本数据，对测量误差 较为敏感。 4 基于支持向量机( s v m ) 的软测量 s v m 是一种新的机器学习算法【5 】，它的基础是v a p n i k 创建的统计学习理论。与传 统学习方法相比，该理论采用了结构风险最小化准则，在最小化样本点误差的同时缩小 模型推广误差的上界，提高了模型的推广能力，是统计学习理论研究中的重大成果之一。 s v m 的基本思想是把训练数据集从输入空间非线性映射到一个高维特征空间( 维数可 以无穷大) ，然后在此空间中求解凸优化问题。s v m 具有小样本学习能力强、模型泛化 性能好、高维数据处理能力强等特性。下图2 2 、图2 3 分别为基于支持向量机的软测 量模型及软测量仪表的结构图。 图2 - 2 支持向量机的结构图 f i 9 2 - 2 s t r u c t u r eo fs u p p o r tv e c t o rm a s h i n e 图2 - 3 支持向量机的软测量仪表的基本结构 f i 9 2 - 3b a s i cs t r u c t u r eo fs o f ts e n s o ri n s t r u m e n to ns v m 5 基于模糊技术的多模型软测量技术 模糊技术【3 2 】【3 3 】能够模仿人类的推理思维过程，描述具有不确定性和不精确性的知 识。二十世纪9 0 年代初期，k o s k o 、w a n g 、b u c k l e y 和h a y a s h i 先后独立证明不同类型 的模糊逻辑系统是在紧致集上连续函数的万能逼近器，能够以任意精度逼近任意的连续 实函数。同时模糊系统包含的规则可以采用专家知识构建，从而将定性知识与定量数据 9 第2 章软测量技术综述 以互补的方式组合，相对于其它非线性近似技术，模糊系统提供了一种对非线性系统更 加透明的描述，可以以人们熟悉的方式将过程数据转化到模型中，同时进行分析。从数 据中提取的规则可以被专家验证，并且与先验知识结合，从而得到一个完整的系统模型。 由于复杂工业过程存在大量不可知和不确定的因素，非常适合采用模糊技术表达，因此 模糊系统建模在过程建模中得到了广泛而有效的应用。 利用模糊建模方法时，首先对过程的操作域进行适当的模糊划分，并确定各模糊区 的隶属函数。通常可先确定过程的一个或多个重要变量的模糊区间，再根据某种逻辑将 这些模糊区间组合得到过程的模糊区。一般可利用先验过程知识指导模糊区的划分，然 后对每个模糊区可利用不同的模型结构和建模方法建立域模型。最后再将域模型组合， 形成整个过程的模型。模糊建模不仅能够有效地处理过程中的不确定和不精确信息，同 时模糊化处理有利于抑制噪声，并且可根据模糊区域划分的粗细调整模型的精度，例如 若模型精度不够，可通过增加模糊区域数目或增加域模型阶次来提高模型精度，因而模 糊模型具有一定的适应能力。另一方面，模糊系统的规则集和隶属函数等设计函数只能 靠经验来选择，很难自动设计和调整，缺乏自学习和自适应能力，这是模糊系统的缺点。 神经网络具有并行的计算结构、容错特性及自适应的学习能力，而欠缺对经验知识以及 基于规则的知识表达能力。将二者相结合形成的模糊神经网络，取长补短利用神经网络 的学习能力，根据输入输出样本来自动设计和调整模型的设计参数，实现模糊系统的自 学习和自适应功能，具有比单独的神经网络和模糊系统更好的性能，被广泛应用于非线 性系统建模中。基于模糊划分的多模型软测量技术的基本结构如下图2 4 所示： 2 5 在线校正 图2 - 4 基于模糊划分的多模型软测量 f i 9 2 - 4 m u l t i - m o d e ls o f ts e n s o rb a s eo nf u z z yc l u s t e r i n g 实际生产过程中，化工过程的操作点会经常随着原料性质、装置负荷及产品质量指 l o 中国石油大学( 华东) 硕七学位论文 标等因素的改变而发生偏移，因此建好的软测量模型不可能“一次成型”，在投入实际 运行时必须考虑模型的校正问题。经过实际应用，目前已普遍接受了将校正过程分为长 期学习和短期学习的观点，用以克服模型结构修正算法复杂与实时性要求之间的矛盾。 典型的软测量在线校正器结构如图2 5 ，图中的z 一代表了过程测量数据与质量分析 数据在时序上的匹配项。 图2 5 软测量在线校正器结构 f i 9 2 - 5 s t r u c t u r eo fs o f t - s e n s i n gm o d e lc o r r e c t i o n 长期学习一般是指模型运行了一段时，工况发生了巨大的调整，在线校正算法已不 足以补偿，这时用累积的过程数据来重新组织训练样本，根据前面的算法建立一个更能 适用于过程的软测量模型，这部分工作一般是离线进行的。短期学习是指模型的在线校 正，由于算法的实时性要求一般只修正模型的参数或常数项。 2 6 软测量的设计步骤 著名过程控制专家m c a v o y 指出软测量有着广阔的应用前景，但尚缺乏系统的开发 思路。因此在其他工程师提出的设计方法的基础上，针对一个具体的工业对象设计一个 成功的软测量模型大致可分为以下几个步骤： ( 1 ) 针对软测量对象，进行机理分析，选择辅助变量； ( 2 ) 数据采集和预处理； ( 3 ) 建立软测量模型； ( 4 ) 设计模型校正模块； ( 5 ) 在实际工业装置上实现软测量； ( 6 ) 软测量的评价。 第2 章软测量技术综述 2 7 软测量技术的应用 软测量的具体应用可以体现在以下五个方面： ( 1 ) 实时估计当工业过程中某些过程变量没有在线实时测量手段时，需要利用软测 量手段进行在线估计以进行操作指导和实时控制，软测量的依据是实验室分析的数据， 一般具有比较长周期，软测量技术的这类应用称为虚拟在线软仪表。 ( 2 ) 质量预估有些生产过程或检测仪表有比较大的滞后，尤其是对于过程产品的质 量等参数，利用带有较大滞后的检测结果进行控制往往不会取得较好的效果，利用软测 量技术可以进行预估，有效消除滞后，获得比较及时的过程变量估计值。 ( 3 ) 智能校正某些过程变量仅依靠单一的传感器无法进行准确的检测，如锅炉的液 位等，需要在仪表检测的基础上利用其他的一些参数进行校正，这类问题类似于数据融 合中多传感器检测的问题。 ( 4 ) 多路复用当一个装置需要很多同种类型的仪表时，可以配备少量几块仪表，用 这些仪表在不同场合轮换使用，轮到仪表检测的变量在检测的同时建立软测量模型，没 有轮到仪表检测的变量用软仪表进行估计，而且在个别仪表出现故障的时候也可以起到 作用。 2 8 发展软测量技术的意义 软测量技术的广泛应用，对过程检测和控制系统产生了巨大影响。主要体现在以下 几个方面： ( 1 ) 打破传统单输入单输出仪表格局软测量仪表是多输入多输出智能型仪表，它可以 是专用仪表，也可以是由用户进行编程的通用仪表，一些价格较贵难维护的仪表将为软 测量仪表所代替。 ( 2 ) 实现在同一仪表中结合软测量技术与控制技术采用智能总线化仪表后，在一台仪 表中实现多个回路的控制将成为可能。 ( 3 ) 修改方便，软测量的本质是面向对象的，通过编程或组态来实现软测量数学模型， 可以通过编程器或组态操作方便地对模型参数进行修改，甚至可以对推理控制模型进行 修正。 ( 4 ) 在分散控制系统中实现方便，一些较简单的数学模型还可在单回路控制器中实 现。对过程控制系统来说，原来因缺少检测手段而采用的一些间接控制方案将被采用软 1 2 中国石油大学( 华东) 硕士学位论文 测量技术以直接控制目标为目的的控制方案所代替，以提高控制性能指标。 2 9 本章小结 本章从辅助变量选择、过程数据预处理、软测量模型的建立和在线校正等方面系统 地介绍了软测量技术的基本知识。软测量以数学理论、信号处理理论、现代控制理论为 基础，以计算机软件为核心实现手段，成功的解决了有些变量不能直接在线测量的问题， 其中，建模问题是核心问题。软测量技术是解决现代科学研究、工业控制、自动化生产 中参数变量测量问题的有力武器。它必将随着各种理论、方法和技术的发展，在科学研 究和工业生产中获得越来越广泛的应用。 1 3 第3 章常规的软测量建模方法 第3 章常规的软测量建模方法 软测量技术的核心就是建立工业对象的精确可靠的模型，而建立软测量模型的方法 有很多。目前最常用的方法有统计回归，如线性p l s 、非线性p l s 等；神经网络，如径 向基神经网络、b p 神经网络等；支持向量机以及模糊技术等，还有一些混合算法，如 神经网络与主元分析相结合、神经网络与p l s 相结合等多种方法。本章