（检测技术与自动化装置专业论文）明胶浓度的软测量建模及参数优化.pdf

硕+ 学何论文 摘要 提胶是明胶生产的中心环节，提胶工序进度的快慢控制了整个明胶生产的速 度，胶液浓度是提胶中一项重要的质量和控制参数。提胶后得到的淡明胶液的质 量高低又代表着整个工厂生产的品种、产值和利润，因此，快速准确的测量胶液 浓度，在生产中具有很重要的意义。在国内明胶生产企业中，由于检测元件、工 艺和技术等方面的原因，胶液浓度的在线测量测量中存在一些问题和不足，比如 引进国外先进设备价格昂贵，生产成本较高；使用国产浓度检测仪维护量大，不 能满足生产要求；定时采样离线检测的方法精度不高且结果滞后等。 本文以青海明胶公司的提胶工序为背景，针对胶液浓度在线检测存在的问题， 引入软测量方法对胶液浓度进行估测，为明胶浓度的在线检测开辟了新途径，并 对软仪表在控制系统中的应用进行了分析和设计。 软测量作为一种在检测和过程控制领域中实现在线检测的新技术，在提高企 业生产效率，保证产品质量中起着重要的作用。首先，文章从提胶工序的机理分 析入手，选择了易测参数时间和温度作为软测量建模的辅助变量，并对现场采集 的数据进行了预处理。接下来，文章主要围绕基于最小二乘支持向量机( l s s v m ， l e a s ts q u a r e ss u p p o r tv e c t o rm a c h i n e ) 的明胶浓度软测量模型进行研究，通过与 基于径向基函数( r b f ，r a d i a lb a s i sf u n c t i o n ) 的软测量模型进行仿真结果的比较， 得到基于l s s v m 的软测量方法具有更好的预测精度和泛化能力。同时，针对 l s s v m 参数难于选择中存在的问题，采用了k 一均值算法( k m e a n s ) 和粒子群算 法( p s o ，p a r t i c l e ss w a r mo p t i m i z a t i o n ) 相结合的优化算法，对模型参数进行优化。 该算法弥补了p s o 算法容易早熟和容易陷入局部极值的问题，取得了较好的效 果。另外，针对软测量模型的实践性，考虑到在工业过程中原料的多样性和工艺 过程的变化，本文引入了“局部l s s v m ”的概念，对原模型进行了改进。仿真 结果表明，改进的l s s v m 软测量方法适用于小样本情况，有利于短期建模和在 线校j 下，可以作为软测量技术工业应用的实现基础。最后，为了满足软测量仪表 的实时性要求，在青海明胶公司提胶工艺可编程控制器( p l c ，p r o g r a m m a b l el o g i c c o n t r o l l e r ) 控制系统和理论研究基础上，对软测量技术的工程实现中基于过程控 制与对象连接技术( o p c ，o b j e c tl i n g k i n ga n de m b e d d i n gf o rp r o c e s sc o n t r 0 1 ) 的 m a t l a b 与视窗控制中心( w i n c c ，w i n d o w sc o n t r o lc e n t e r ) 的数据通 信问题进行了研究和设计。 关键词：明胶浓度；软测量；最小二乘支持向量机；径向基函数；局部方法；可 编程控制器；过程控制与对象连接技术；视窗控制中心 明睃浓度的软测争建模及参数优化 a bs t r a c t t h ec o n c e n t r a t i o no fg e l a t i ni sav e r yi m p o r t a n tc o n t r o lp a r a m e t e r so fg e l a t i n p r o d u c t i o n ，b u tt h e r ea r es o m ep r o b l e m so fi t a t f i r s t ，t h ei m p o r te q u i p m e n tf o r m o n i t o r i n gc o n c e n t r a t i o no fg e l a t i no n - l i n ei ss oe x p e n s i v e t h e n ，s o m ea r e d i f f i c u l tt o m a i n t a i nt h a ti t i sn o ts u i t a b l ef o ra p p l i c a t i o n a t p r e s e n t ，t h eo f f - l i n es a m p l i n ga n d m o n i t o r i n gm e t h o dw i t hl o wa c c u r a c yi sa p p l i e di ng e n e r a l a i m i n gt op r o v i d e p r a c t i c a l a n da f f o r d a b l ei n d u s t r i a l - s c a l ec o n t r o lt e c h n o l o g yo fe x t r a c t i o n ，w e d e v e l o p e d as o f ts e n s o rt oe s t i m a t ec o n c e n t r a t i o no fg e l a t i no n l i n eb a s e do n t e m p e r a t u r ea n dt i m ei nt h ep r o c e s s t h i st h e s i sf o c u s e so ns o f ts e n s o rm o d e l i n gm e t h o db a s e do nl s s v m ，b y a n a l y s i n gm e c h a n i s mo ft h ee x t r a c t i o np h a s ei ng e l a t i np r o d u c t i o n ，t h es o f ts e n s o r m e t h o dw a sa d v a n c e d f o rt h ep r o b l e mo fo n l i n em e a s u r e m e n to fg e l a t i n c o n c e n t r a t i o n s t e m p e r a t u r ea n dt i m ea r ec h o s e na s t h ea u x i l i a r yv a r i a b l e so f s o f t s e n s o rm o d e l i n g t h ed a t as e ti nt h i sp a p e ra r ec o l l e c t e di nt h ew o r ks i t eo ft h e q i n g h a ig e l a t i nc o m p a n ya n di n p u td a t a sw e r ep r e p r o c e s s e dt or e d u c et h ee f f e c to f n o i s ea n dm e a s u r e m e n td e l a y s b a s e do nr e l a t i v el i t e r a t u r e sa b o u ts o f t - s e n s o r t e c h n o l o g y ，as o f ts e n s o rm o d e lb a s e do nl s s v mw a se s t a b l i s h e d b yc o m p a r i n g w i t h s o f ts e n s o rm o d e lw h i c hb a s e do nr b f t h es o f t s e n s o rm o d e lb a s e do nl s s v mw a s e f f e c t i v et om e a s u r eg e l a t i nc o n c e n t r a t i o n m o d e lp a r a m e t e ri sak e yf a c t o rw h i c h a f f e c t st h em o d e lp e r f o r m a n c e ，s oap a r a m e t e rs e l e c t i o nm e t h o db a s e do np s ow a s s t u d i e dt os e l e c tl s - s v mp a r a m e t e r s d u et ot h el o c a lo p t i m a l i t yp r o b l e m ，p a r a m e t e r s e l e c t i o nm e t h o db a s e do np s ow a si m p r o v e db yk m e a n s c o m p a r e d t h e e x p e r i m e n t a lr e s u l t sb e t w e e nt h et w og e n e t i ca l g o r i t h m ，t h ei m p r o v e dp s og a v et h e b e t t e rp e r f o r m a n c e b e c a u s eo fd i f f e r e n c eo fe v e r ym a t e r i a l ，al o c a ll s s v mm o d e l i n g w a sa p p l i e di n s t a n do ft r a d i t i o n a lg l o b a lm o d e l i n gm e t h o d t h es i m u l a t i o nr e s u l t s s h o wt h a tt h em o d e lh a sm o r ee f f e c t i v eg e n e r a l i z a t i o np e r f o r m a n c ea n dh i g h e r p r e c i s i o n t ot h er e q u e s to fr e a l t i m em e a s u r i n g ，t h ec o m m u l l i c a t i o nb e t w e e np l cc o n t r o l s y s t e mi se s t a b l i s h e d i n a n a t t e m p t t or e s o l v et h ec o m m u n i c a t i o nb e t w e e n m a t l a ba n dw i n c c ，i na ne f f o r tt od a t ac o m m u n i c a t i o nb a s e do no p ct e c h n o l o g y k e yw o r d s ：g e l a t ic o n c e n t r a t i o n ；s o f ts e n s o r ；l s s v m ；r b f ；l o c a l l s s v m ； p l c ；w i n c c ；0 p c i i 硕士学位论文 曼曼曼曼曼曼! 曼皇曼皇孽皇曼皇曼蔓曼! 曼! 曼鼍鼍i i i_ i 曼曼曼! 曼! 曼曼曼蔓曼! ! ! 曼曼蔓曼曼! ! 曼! 曼蔓曼曼 附图索引 图2 1 软测量的输入输出关系6 图2 2 过程控制中测量软模型的输入、输出6 图2 3 多模型的模型结构图1 0 图2 4 软测量工业建模的过程框图1 3 图3 1 骨明胶的生产工艺1 8 图3 2 提胶工艺流程图：2 0 图3 3 支持向量机示意图：2 2 图3 4 基于l s s v m 的软测量建模框架图2 7 图3 5 基于l s s v m 的软测量建模流程图2 8 图3 6r b f 网络模型拓扑图2 9 图3 7 基于r b f 的软测量建模流程图3 0 图3 8 基于l s s v m 的软测量模型预测曲线3 1 图3 9 基于l s s v m 的软测量预测误差曲线j 3 1 图3 1 0 基于r b f 的软测量预测曲线图3 2 图3 1 1 基于r b f 的软测量模型误差曲线3 2 图4 1p s o k m e a n s 相结合的优化算法流程图3 7 图4 2 参数优化的l s s v m 软测量模型预测曲线3 8 图4 3 参数优化的l s s v b t 软测量预测误差曲线3 8 图4 4 局部l s s v m 建模流程图4 0 图4 5 基于局部l s s v m 模型预测曲线4 1 图4 6 基于局部l s s v m 建模误差曲线4 1 图4 7 基于l s s v m 的小样本预测曲线4 2 图4 8 基于l s s v m 的小样本误差曲线4 3 图4 9 基于参数优化后l s s v m 的小样本预测曲线4 3 图4 1 0 基于参数优化l s s v m 的小样本误差曲线4 4 图4 11 基于局部l s s v m 的小样本预测曲线4 4 图4 1 2 基于局部l s s v m 的小样本误差曲线4 5 图5 1 软测量实现原理图4 7 图5 2p l c 控制系统示意图4 9 图5 3 提胶工序系统结构图5 0 图5 4 单锅提胶示意图5 l i i i 明胶浓度的软测母建模及参数优化 图5 5 上位机与现场通讯示意图5 3 图5 6提胶工序监控系统功能图5 4 图5 7提胶工序监控主画面5 4 图5 8o p c 基本结构图5 5 图5 9m a t l a b 和p l c 控制系统相结合的实时过程控制示意图5 6 图5 1 0m a t l a b 与w in c c 的o p c 通讯连接示意图5 6 硕十学位论文 附表索引 表4 1 各算法性能比较4 5 表4 2 多样本下l s s v m 软测量模型性能比较4 5 表4 3 小样本下各算法性能比较4 6 v 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：闺萜花+ 日期溯口年j 一月肜e t 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：闺花花 导师签名： e l 期：o o l o 年r 月形e 1 日期力f l e l 年舌月多日 硕+ 学忙论文 1 1 课题背景和研究意义 第1 章绪论 在生产技术快速发展和产品竞争日益激烈的今天，工业生产中的质量控制具 有越来越重要的地位。为了增强企业竞争力，就要提高生产率和产品质量，因此 须对产品的质量及一些重要过程变量进行严格监控。一些产品的质量指标和一些 与产品质量密切相关的重要过程参数，比如化学反应器中反应物浓度和产品分布、 生物发酵罐中的生物量参数检测等存在一定困难。由于在线监测仪价格昂贵并接 日常维护工作量非常大，只能采取离线检测的方法，定时采样得出检验结果来指 导生产操作，因此，人工分析数据往往存在滞后和精度低等缺点难以满足生产要 求。为了解决工艺过程参数检测中存在的问题，通常有两种途径：一是按照传统 检测技术的思路，通过研发新型的过程检测仪表，以硬件形式实现所需过程参量 的直接在线测量；另一条就是采用间接测量的方法，利用易于获得的相关其他变 量数据，通过数学计算来实现对被检测变量的估计，近年来在过程控制和检测领 域涌现出的软测量技术( s o f ts e n s i n gt e c h n i q u e ) 正体现了这一思想n 2 1 。 软测量是一种利用较易在线测量的辅助变量和离线分析信息去估计不可测或 难测变量的方法，以成熟的硬件传感器为基础，以计算机技术为核心，通过软测 量模型运算处理而完成。我们把以软测量技术为基础，实现软测量功能的实体称 为软仪表，软仪表具有功能强、通用性好、灵活性强、性价比高、使用范围宽等 优点。软测量方法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，软测量己在化工、食品、冶金等工业中有许多成功的应用， 例如在文献 2 中，论证了基于最小二乘法建立的软测量模型估算糖液过饱和度的 方法是可行的；文献 3 】中，多神经网络建立的软测量模型用于初馏塔塔顶石脑油 干点测量，取得了满意的效果；在文献 4 针对木糖醇发酵过程中木糖醇浓度不能 在线测量和影响发酵过程控制的情况，使用软测量技术来估算木糖醇的浓度和底 物浓度，实现了木糖醇发酵过程木糖醇浓度和底物浓度的间接实时测量；文献 5 针对纸浆漂白过程中p h 值质量指标测试存在的不足的问题建立了软测量的模型， 该软测量方案实用、可靠，在精度、实时性方面结果令人满意；文献 6 中针对高 速磁浮列车在运行过程中电磁力难以直接测量的困难建立了电磁力软测量模型， 为高速磁浮列车运行过程中电磁力的计算和控制提供了重要依据。 明胶广泛的应用于食品保健、化妆品、医药、感光材料、化工等领域，在国 内外市场上有供不应求的趋势。在骨明胶的生产工艺中，明胶浓度是提胶工序中 一项重要的质量和控制指标，及时和准确的检测到提胶生产中的胶液浓度值，在 明胶浓度的软测量建模及参数优化 保证产品质量和提高生产效率上具有很重要的作用。但是由于技术和工艺条件限 制，胶液浓度的检测是采用采样离线检测的手段，这种方法存在精度低，检测结 果滞后的不足。为了解决明胶生产提胶工艺的胶液浓度检测中存在的问题，本文 采用软测量的方法对胶液浓度进行在线检测，围绕基于l s s v m 的软测量方法的 胶液浓度在线估测进行了研究，针对模型中的参数优化问题进行了深入探讨。同 时，为了满足软仪表的可实用性要求，实现短期建模和在线校正，引入了“局部 概念 ，并对工程实现中m a t l a b 与w i n c c 的数据通信问题进行了研究和设计。 在线测量胶液浓度将为生产企业提高生产效率，实现“卡边”操作，取得更好的经 济效益具有切实意义。并且在文献中尚未有软测量方法应用于明胶浓度的测量， 因此探索软测量应用的新领域具有重要的意义。 1 2 国内外研究现状 提胶工序是骨明胶生产中最主要的工序，是一个复杂的物理和化学变化相结 合的过程，通过提胶，骨素在温和条件下水解成为水溶性的明胶。在现代化的明 胶厂中，提胶工序进度的快慢控制了整个明胶生产的速度，而所产淡明胶液的质 量高低又可代表整个工厂生产的品种、产值和利润，快速准确的测量胶液浓度， 在生产中具有很重要的意义。因为明胶工业近些年才逐步发展起来，国内外对于 明胶溶液浓度的检测研究较少。以我国明胶生产的龙头企业青海明胶股份有限公 司明胶生产为例，其生产自动化水平也处于领先地位，但是明胶浓度的实时检测 技术得不到相应发展和提高。 在提胶工序中采取的明胶浓度的检测手段主要有： ( 1 ) 使用k l b c m f ( 科氏流量计) 检测明胶浓度。该流量计的测量原理是通 过测量作用于双弯管上的克里奥利力( 简称科氏力) 来检测管道中的质量流量。 在应用过程中，由于流量计不可安装在距离提胶锅较近的高温处，因此采样管线 较长，流动胶液的温度不能保证。因为胶液物理和化学性质受温度影响很大，造 成了采样管堵塞无法进行测量。经过技术人员的努力，比如在采样管线上加保温 层等，仍不能达到仪表使用要求，故障频率高并且检测精度不能满足要求。 ( 2 ) 根据胶液浓度与其比重、温度的关系进行估算阳1 。采用该方法进行胶液 浓度检测需定时采样记录特定温度下的比重值，经公式计算后得到。要指出的是， 在3 0 。c 情况下，由于明胶的分子复合，误差较大。通过大量的实验数据，总结出 胶液浓度与比重、温度呈线性关系： x = 3 6 0 ( y - 1 0 1 5 ) + 0 2 丁 ( 1 1 ) 其中：x 胶液重量百分比浓度 y 浓度为t 时的胶液比重值 为了减小估计误差，将计算得到的胶液浓度通过下式进行校正： x = x - 0 0 8 5 ( x - 2 0 )( 1 2 ) ( 3 ) 使用手持式折射仪( 糖度仪) 定时采样，离线检测胶液糖度，再根据特 2 硕+ 学位论文 鼍i i i i 一一= = i = e e ：l i= _ ； 一 ； 一i 皇曼曼曼鼍曼皇曼曼! 曼曼! ! ! 鼍 定的糖度和浓度的计算公式，计算出对应的胶液浓度。该方法的缺点是检测时间 滞后，不能可以看出，明及时指导生产操作，不利于明胶生产的高效节能。 胶浓度的在线检测方法中存在不同的缺陷：引进进口设备价格昂贵，生产成 本过高，与企业发展和效益指标不能同步；国产浓度检测仪应用于生产实际中由 于采样系统和外围环境限制，不仅维护量大精度低，甚至难于应用；手工采样化 验的方法，所得到的数据滞后并且精确度低，不利于提高生产效率和进行明胶的 质量控制。 1 3 本文的主要研究内容 本文以青海明胶公司的明胶生产提胶工序为背景，针对胶液浓度在线检测存 在的问题，提出了利用软测量方法检测明胶浓度。并针对生产要求，对基于l s s v m 的软测量模型进行改进，仿真结果表明，基于p s o 优化的局部l s s v m 方法进行 软测量建模，模型的检测精度和鲁棒性均能得到显著提高。同时，鉴于软测量仪 表的研究的最终目的及其实用性，为了实时监测明胶浓度和指导生产操作，在提 胶工艺的p l c 控制系统基础上，本文对基于o p c 的m a t l a b 和w i n c c 数据通 讯，为软测量仪表的实现做了研究和设计。论文的主要内容安排如下： ( 1 ) 了解明胶生产工艺流程，深入分析提胶工序的机理，确定胶液浓度软测 量建模的辅助变量。并现场数据采集，对样本数据进行预处理。 ( 2 ) 明胶浓度的软测量建模研究。分别采用l s s v m 方法、r b f 方法进行软 测量建模研究，考虑到l s s v m 的参数选择的重要性，采用p s o 算法对模型参数 进行优化，针对p s o 优化算法容易选入局部最优的问题，将p s o 与k m e a n s 算 法相结合的优化方法进行研究。通过仿真结果对模型的有效性和可行性进行比较 分析。 ( 3 ) 局部的l s s v m 软测量模型的研究。由于在工业实际中，样品批次和生 产环境对模型的影响较大，因此对小样本下的模型预测能力进行了研究，并引入 “局部概念 ，以期软测量模型在实际生产应用中能获得更好的预测效果。 ( 4 ) 实现胶液浓度的实时检测是软测量技术研究的最终目的，通过对明胶浓 度的p l c 控制系统以及组态软件学习，基于现有的控制系统和工艺要求，以及前 内容对软测量的理论研究，对软测量仪表的实现进行了研究和设计。 1 4 本文组织结构 如1 3 节所述，本文主要对明胶生产提胶工序中胶液浓度的软测量建模、参 数优化和实现进行了研究，其内容安排如下： 第一章：介绍本课题的背景、研究意义以及文章的主要内容安排。 第二章：首先介绍了软测量方法研究及发展，并阐述了软测量技术的理论基 础。然后对软测量技术的工业应用现状以及设计步骤做了详细介绍，并对其存在 的优势和问题进行了分析。 明皎浓度的软测量建模及参数优化 第三章：以青海明胶公司为例，介绍了骨明胶的生产工艺，重点介绍了提胶 工艺的工序，提出了利用软测量方法对明胶浓度进行估算。通过机理分析，详述 了变量选择及数据采集和处理的具体工作。基于l s s v m 的方法建立明胶浓度检 测的软测量模型，与r b f 神经网络建模比较，该方法具有更高的检测精度。 第四章：针对生产要求，本章提出了局部l s s v m 模型对胶液浓度进行估测， 并用p s o 和k m e a n s 算法相结合对优化模型参数，为软测量模型能够更好的投入 实现打下了基础。 第五章：对提胶工艺生产的p l c 控制系统以及w i n c c 组态软件进行了介绍， 提出基于o p c 的m a t l a b 与w i n c c 数据交换来实现明胶浓度软测量方法的控制 系统设计。 最后，对本文的研究工作和成果进行了总结，并在此基础上提出了有待进一 步完善和研究的问题，指出了以后将来的研究方向，并对软测量技术的发展进行 了展望。 4 硕十学位论文 第2 章软测量技术概述 2 1 软测量理论概述 软测量技术又被称为软仪表技术，其中心思想是利用易测过程变量来估计难 测变量。易测变量常被称为辅助变量或二次变量( s e c o n d a r yv a r i a b l e ) n3 l ，例如 在工业生产过程中易获得的流量、压力、温度等参数，难以测量的过程变量被称 为常称为主导变量( p r i m a r yv a r i a b l e ) ，通常在条件限制下不能在线监测或者检测 成本较高。利用软测量技术，就是依据主导变量和辅助变量之间的数学模型( 软 测量模型) ，通过各种数学计算和估计方法，用计算机软件来实现待测量过程变量 的测量。 2 1 1 软测量技术的研究及发展 软测量技术的基本思想很早就被潜移默化地应用到工程实践中，2 0 世纪7 0 年代b r o s i l l o w 提出的推断控制策略至今仍可视为软测量技术在过程控制中应用 的一个范例。该技术是将工艺机理与控制理论有机地结合，可以连续计算不可测 或难以检测的参数，在一定程度上可以代替在线分析仪，实现生产装置操作的实 时检测和自动化，以提高装置产量和产品质量。二十世纪8 0 年代中后期，软测量 技术的发展进入了黄金时代，掀起了世界范围内的研究热潮。国际过程控制专家 t j m a c v o y 在a u t o m a t i o n 在l9 9 2 年发表的报告“c o n t e m p l a t i v es t a n c ef o rc h e m i c a l p r o c e s sc o n t r o l ”中明确指出：软测量技术将是今后过程控制的主要发展方向之一， 这对该技术的发展起到了重要的推动作用。经过二十几年的发展，软测量技术己 日趋成熟，并且其应用范围在不断的拓展。软测量的建模方法有很多种，在应用 中可以根据不同的需要选择不同的软测量模型进行预测。软测量技术在工业装置 上的实现技术也得到了很大的发展，从早期的主要用于被控变量或扰动不可测的 场合，到现在的可实现工业生产过程的复杂控制，软测量技术已经在需要实现难 测参数的在线测量的各个领域得到广泛应用。 2 1 2 软测量的理论基础 传统过程检测仪表的研制和应用过程主要是依据传感机理研究的，如果没有 合适的传感原理作为测量仪表的理论基础，是不可能研制出合格的仪表的。由于 工业技术的不断发展，目前在工业过程中存在众多没有合适传感机理的重要过程 参数，这些参数在目前的技术水平下是不能开发直接检测仪表进行测量的，软测 明胶浓度的软测量建模及参数优化 量方法在这些参数的检测中发挥了非常重要的作用。一般来说，软测量的核心是 构建辅助变量和主导变量之间的数学关系即软测量模型。软测量技术正是依据某 种最优化准则，利用辅助变量的可测信息，通过软件的计算来实现对主导变量的 估测，输入输出关系如图2 1 所示。 软测量的目的是利用可获得的变量信息来求得难以测得的变量的“最优 估 计值多，即构造从可测信息集臼到夕的映射： 夕( s ) = k ( s ) 目( s )( 2 1 ) 可测扰动d l 不可测扰动d 2 控制变量l i 一丰 一 过程 一口 量0 图2 1 软测量的输入输出关系 通常，可测信息集目包括所有的可测主导变量y ( 或主导变量y 中部分可测的 量) 、辅助变量口、控制变量u 和可测干扰d ，夕的性能依赖于对过程的描述噪声 和扰动的特性，所选取的辅助变量以及“最优 的含义，即给定的某种准则。 y 图2 2 过程控制中测量软模型的输入、输出 图2 2 表示在过程控制系统中所采用的软测量模型输入、输出与对象的输入、 输出之间的关系，带下标r 的变量y ，代表被控变量( 即主导变量) 的设定值，开关 k 代表输出y 的采样，用于在线校正，夕代表由软测量模型获得的主导变量y 的估 计值。可见，软测量模型与一般意义下的数学模型有所不同，我们通常所指的数 学模型主要反映了对象输出y 与对象输入u 或d 之间的动态( 或稳态) 关系，而软 测量则包含了通过对象输出臼求得对象输出y 的估计值。因此软测量的本质就是 如何建立软测量模型，也就是一个数学建模问题。软测量所针对的测量对象大多 数机理复杂且为多因素组合的情形，如：复杂性、非线性、时滞性、时变性和不 确定性的系统等。 由于软仪表( s o f t s e n s o r ) 是以目前可有效获取的测量信息为基础，再利用 6 硕十学位论文 ! 曼曼! 寞曼曼! 曼曼! 曼曼曼曼曼! 曼曼曼曼曼曼曼! 曼! 蔓! ! 曼鼍曼! 鼍i i i i 。= m m。= 。= m = m = ：i | 1 = i 鼍曼曼曼曼曼曼! ! ! 曼! 曼! 曼! 曼! ! 曼曼量曼曼 计算机语言编制的各种软件进行估测，具有智能性，因此可方便地根据被测对象 特性的变化进行修正和改进。软仪表具有可实现性、通用性、灵活性和成本低等 突出的优点，因此其工业应用价值不言而喻。 2 1 3 软测量的建模方法 建立软测量模型是软测量技术的核心部分，建模方法可分为：机理建模、回 归分析、状态估计、模式识别、人工神经网络、模糊数学、过程层析成像、相关 分析和现代非线性信息处理技术等。目前对前六种软测量技术的研究较为深入， 在过程控制和检测中己有许多成功的应用，后三种软测量技术限于技术发展水平， 在过程控制中目前还应用较少。现就各建模方法做简单介绍： l 、基于机理的软测量建模方法 基于机理的建模，就是从过程对象的内在物理或化学的研究出发，通过物料 平衡和动量平衡等原理，找出主导变量和辅助变量之间的关系，建立机理模型来 实现对主导变量的软测量。通过机理分析建立的软测量模型，只要把主导和辅助 变量作相应的调整就可以活得新的模型。对于较简单的工业过程，可以采用解析 法建模；而对于复杂过程，特别是输入变量变化范围较大的情况下，则采用仿真 方法。 机理建模充分利用了已知的过程知识，把事物的本质反映为外部特征，适应 范围大。但是也存在不足之处，主要体现在： ( 1 ) 不同的过程对象的机理模型存在差别，模型结构或者参数都需要从新设 置，所以模型的可移植性差； ( 2 ) 基于机理建模需要先进行实验室模拟设备的研究，再延伸到实际设备的 应用，人力物力花费较大； ( 3 ) 机理模型一般是由代数方程组或者微分方程组构成，如果机理过程复杂 则模型结构庞大，这就造成了求解过程复杂，收敛慢，不能满足软仪表的在线实 时估测。 因此，该方法的应用成果并不多。 2 、基于线性回归分析软测量建模理论 回归分析是统计数学的一个重要分支，在实验数据处理中又称为“曲线拟 和 。回归分析可分为多种形式：按因变量和自变量之间是否存在线性关系可分 为线性回归( l i n e a rr e g r e s s i o n ) 和非线性回归( n o n l i n e a rr e g r e s s i o n ) ；按 自变量的个数又可分为一元回归 ( s in g l er e g r e s s i o n ) 和多元回归 ( m u l t i p le r e g r e s s i o n ) 。回归分析作为一种经典的建模方法，它是通过机理分析建立模型结 构，然后通过收集大量过程参数运用统计方法估计模型参数。典型的回归建模方 法首推经典的最小二乘法( l s ，l e a s ts q u a r e s ) 。为了避免矩阵求逆运算可以采 用递推最小二乘法( r l s ) ，为了防止数据饱和还可以采用带遗忘因子的最小二乘 法。 另外，主元分析( p c a ) 和主元回归( p c r ) 都是统计学中较为成熟的方法。 7 明胶浓度的软测量建模及参数优化 曼曼曼曼曼曼! 量! 皇曼曼鼍曼曼! 皇曼曼曼! ! 皇曼皇曼皇曼曼曼曼i i 。曼曼曼曼曼鼍曼曼曼皇璺曼! 曼曼曼曼曼皇曼曼皇曼皇曼曼皇! 曼曼曼曼曼曼曼曼曼! 曼曼曼曼曼 主元回归根据数据变化的方差大小来确定变化方向的主次地位，按主次顺序得到 各主元变量。这种方法能够有效地解决自变量之问的多重共线性问题，对减少变 个数，简化模型有着很大的方便。在研究工业过程时，为了全面了解和分析问题， 通常记录了许多与之有关的变量。这些变量虽然不同程度的反映了过程的部分信 息，但某些变量之间可能存在相关性，从而可能导致方程病态。p c a 和p c r 采用 数据压缩和信息提取的方法来尽量避免上述问题，在尽可能保持原有信息的基础 上减少变量个数，简化建模。其不足之处在于，由于在提取主成分时没有考虑自 变量与因变量之间的联系，主元回归所提取的成分对因变量的解释能力不强。多 元线性回归适合解决操作变量变化范围小并且非线性不严重的问题，因为这种方 法要求自变量之间不存在严重的相关性，对于非线性或者干扰严重的系统，可能 导致模型失真，甚至无法正确建立模型。另外，模型的计算复杂程度也将随着输 入变量的增加而相应增加。 基于回归分析的软测量的简单实用，但在建模和校正过程中需要大量的样本， 而且对样本数据的误差较为敏感。虽然如此，基于线性回归的技术仍然是目前应 用最多的软测量技术，市场上一些成熟的软测量商品软件都是以此为基础的。 3 、基于状态估计的软测量 假定一直系统对象的状态空间模型为： z = a x + b u + e v y = c k 乡= 酝+ w ( 2 2 ) 式中：x 表示的是过程状态变量；y ，w 表示白噪声；y 表示过程的主导变量； 口表示辅助变量。 如果系统的状态空间模型已知，主导变量为系统状态变量且对辅助变量是可 观的，那么软仪表的构造问题就转化成了状态观测或状态估计问题n9 l 。采用 k a l m a n 滤波器和l u e n b e r g e r 观测器可以有效的解决该问题，目前这两种方法的 不仅可应用在线性系统中，而且已经扩展到了非线性系统。白色和静态有色噪声 的过程一般采用k a l m a n 滤波得方法，而观测值无噪声且所有输入都已知的情况 下一般应用l u e n b e r g e r 观测器。 基于状态估计的软测量模型可以变量之间的动态关系，因此有利于复杂的工 业过程的软测量建模。但是，此方法难于建立系统的状态空间模型，这一定程度 上限制了这种方法在软测量领域的应用。在这种情况下，这种软测量仪表可能会 导致比较显著的误差。 4 、人工神经网络法 人工神经网络( a r t i f i c i a ln e p a ln e t w o r k ，a n n ) 适用于解决高度非线性以及 严重不确定性系统的控制问题，是当前工业领域中的热点。使用该方法的建立模 型不需要具备过程对象的先验知识，可以根据输入输出数据直接建模，将辅助变 量和主导变量分别作为人工神经网络的输入和输出，通过网络的学习来估测主导 硕十学位论文 曼曼曼曼曼曼曼! 曼曼窒! 蔓曼舅! ! 曼曼曼曼舅曼曼曼! 曼! ! 曼! 曼曼曼曼曼! ! 曼! 曼曼曼鼍曼! 曼! 曼! 舅曼皇曼曼曼曼! 曼! 曼曼! 皇i 变量。人工神经元网络的基本原理是模仿人类脑神经活动的一种人工智能技术， 给a n n 一些样本，a n n 通过自学习可以掌握样本规律，在输入新的数据和状态 信息时，可用a n n 进行自动推理和控制。 近年来软测量技术的研究主要是基于人工神经网络，它对非线性问题有较好 的处理能力，对求解结果有较好的泛化能力，由于实际生活中严格意义上的线性系 统并不多见，故对神经网络技术的改进和提高仍将是推动软测量技术发展的重要 因素。由于反向传递学习算法b p 网络和h o p f i e l d 网络的出现，使n n c 技术的发 展大为改观，具有广阔的发展前景。在如何提高网络收敛速度、避免陷入局部极 小点以及如何选取。初始值、确定隐含层数目等问题上的研究对于快速建立模型、 寻求最优解很有帮助，作为改进措施，这些办法的效能不可能很高。因此，不断引 进数学和神经网络方面的最新研究成果和分析方法，如小波分析、支持向量机 s v m ( s u p p o r t e dv e c t o rm a c h i n e ) ，将是扩大人工神经网络用于软测量技术应用范 围的最根本的途径。 5 、基于模糊数学的方法 模糊数学是研究和处理模糊性现象的一种数学理论和方法，具有模仿人脑逻 辑的特点，可以处理复杂系统，因此在软测量技术中也得到了大量应用乜4 2 引。 基于模糊数学的方法建立的软测量模型是一种知识性模型。该种软测量方法 很适合应用于复杂工业过程中被测对象呈现亦此亦彼的不确定性，难以用常规数 学定量描述的场合。实际应用中，可以采用模糊技术和其他人工智能技术相结合 的建模方法，取长补短以提高软测量模型的预测效果。例如：由模糊数学和人工 神经网络结合构成的模糊神经网络，模糊数学和模式识别一起构成模糊模式识别 等。模糊控制器依照人工操作思维程序来工作。首先，把测量的输出进行模糊化， 变为模糊语言变量，由模糊控制规则进行模糊决策，再把模糊决策量清晰化转变 为精确量去控制被控过程。 与传统控制方法相比：f c 模糊控制( f u z z yc o n t r 0 1 ) 是在操作人员控制经验 基础上实现对系统的控制，无需建立数学模型；具有较强的鲁棒性，被控对象特 性和参数变化对控制质量影响小，体现了一定的自适应能力；在线计算仅需查询 控制查询表，计算量小，有较好的实时性。模糊控制器的设计步骤为：确定f c 的结构，定义模糊子集，建立模糊规则，进行模糊量化，确定模糊关系矩阵；由 模糊推理合成规则求控制输出模糊子集，进行模糊判决，由模糊子集确定控制输 出值。 6 、多模型的软测量建模方法 连接多个模型以改进模型预测能力的方法是由b a t e s 于19 5 9 年提出的。多摸 型建模就是把多个子模型对未知样品的预测结合起来，这种建模方法与传统的单 建模方法不同。传统单建模方法的一般过程为：在反复分析测量数据过程中，建 立一系列的预测模型，最后，从中选出一个预测性能最好的模型来预测未知样品 口引。多模型数据建模则是通过某种方法建立多个子模型，并把多个成员模型对未 9 明睃浓度的软测量建模及参数优化 知样品的预测用某种方法结合起来，形成一个共识的结果，以提高模型的预测精 度和可靠性叫。多模型的模型结构如图2 3 所示： 一模型i x 预 一模型2 处 ： ： 理 一模型m l 图2 3 多模型的模型结构图 该方法在时间序列分析中得到较广泛的研究，近年来在神经网络的研究中也 备受关注。当用系统输入输出数据建立非线性对象的神经网络模型时，采用单个 神经网络建立的模型往往只是系统的一种近似模型，而且不同网络在不同输入空 间中的预测性能会有所不同。而且多个神经网络通过一定方式将这些单个网络进 行连接，构成对象的整个输入空间模型，模型的预测精确度和鲁棒性得到了增强。 近年来，多模型数据建模方法在许多研究领域受到广泛的关注。提出了一种通过 模糊结合的方式将多个基于神经网络的模型结合起来用于鲁棒分类的方法。王旭 东等基于递阶聚类的思想用到的分布式神经网络建立了精馏塔成分估计的软测量 模型2 1 ，获得了很好的仿真效果。熊智华等利用多神经网络建立了非线性系统的 软测量模型口3 h 获得了较好的效果。 7 、其他软测量建模方法 基于过程层析成象的软测量。该方法不同于其他软测量建模方法，它以 一种医学层析成像技术为基础，在线获取过程参数信息。即一般软测量技术所获 取参数信息大多是某一变量的宏观信息，而采用该技术可获取关于该变量微观的 时空分布信息。国内外对该项技术的研究开始于8 0 年代中后期，是现代过程检测 技术领域中一个重要的研究方向，目前，在解决两相流多相流系统参数测量这一 检测难题上已取得了很大进展。例如：在气液或气固两相管流的流型判别方面； 分相流量的测量以及流化床反应器的空隙率及其分布的检测等。 基于相关分析的软测量技术。该技术是以随机过程分析中的相关分析理 论