（计算机应用技术专业论文）基于神经网络优化理论的软测量技术及应用研究.pdf

摘要 摘要 本文来源于国家自然科学基金项目“基于流态复杂性测度的流量软测 量模型及虚拟动态流量计”( 项目编号6 0 3 7 4 0 4 2 ) 。 近年来，随着流体传动及控制技术的快速发展，动态流量的测量已经 变得越来越重要，国内外的学者们做了不少研究工作，但仍没有在工程中 得以实际应用，因此动态流量的测量仍然是一个难题。本文引入软测量技 术解决这一难题，深入研究软测量建模方法，较好地解决动态流量软测量 建模问题。 首先在分析国内外有关软测量技术的基础上，阐述软测量技术主要研 究内容、建模方法，并分析设计动态流量软测量的实现技术方案。讨论神 经网络建模方法、发展情况和应用中存在的问题，就建模问题，分析研究 用于建模的b p ( b a c kp r o p a g a t i o n ) 两j 络的各种改进算法，针对b p 算法始终 无法克服陷入局部极小问题，提出用遗传算法优化b p 网络的建模方法。 其次，针对遗传算法局部搜优能力差和易早熟的问题，改进已有的遗 传算法。提出一种混合的小生境选择操作，对标准遗传算法中的变异算子 和交叉算子也做出改进，提高个体多样性，较好的避免早熟问题。 然后，重点设计一套实用的遗传算法优化b p 网络的实数编码方案，把 改进的遗传算法对b p 算法进行优化，根据具体情况构建适应度函数，设计 算法流程。通过仿真实验，证明该优化设计建模方法是行之有效的。 最后，完成动态流量的软测量，其中包括变量选择、数据采集、数据 预处理和本论文的核心部分即基于优化神经网络的动态流量的软测量建 模。 本文提出的软测量方法为流量测量引入新的思路，研究的优化算法对 其他的建模领域有广泛的应用前景。 关键词动态流量；软测量；b p 算法；遗传算法；优化 燕山大学工学硕士学位论文 a b s t r a c t t h et h e s i si so r i g i nf r o mt h en a t i o n a ln a t u r a ls c i e n c ef u n d sp r o j e c t “f l o w s o f t m e a s u r em o d e la n dv i r t u a ld y n a m i cf l o w m e t e rb a s e do nf l o ws t a t e c o m p l e x k ym e a s u r e p r o j e c tc o d e6 0 3 7 4 0 4 2 w i t ht h ef a s td e v e l o p m e n to ft h eh y d r o - t r a n s f e ra n dh y d r o c o n t r o l , t h e m e a s u r e m e n to ff l u xb e c o m e sm o r ea n dm o r ei m p o r t a n t am e t h o do fs o f t s e n s o ri sp r e s e n t e dt os e t t l et h ep r o b l e m 。t h i st h e s i sf o c u s e so nt h es o f ts e n s o r m o d e l i n gb a s e d o nn n ，w h i c hs o l v e st h ep r o b l e m q u i t eg o o d f i r s t ，o nt h eb a s i so fa n a l y z i n gt h er e p o r t e d p r o g r e s so fs o f ts e n s o r t e c h n o l o g ya n dt h em a i nt r e n do fr e l a t i v es o f t w a r ed e v e l o p m e n t ，t h em o d e l i n g m e t h o d s 、p r o b l e m s i ni n d u s t r i a l a p p l i c a t i o no fs o f t s e n s o rt e c h n o l o g ya n d d e v e l o p i n gt e n d e n c y a r cd i s c u s s e d t h i st h e s i sd e s c r i b e dt h et h e o r yo f n n ( n e u r a ln e t w o r k s ) ，e s p e c i a l l y , i ta n a l y z e db pa l g o r i t h ma n di t sv a r i o u s i m p r o v e da l g o r i t h m s a sp r o v e d ，a l li m p r o v e db pa l g o r i t h mc a n n o ta v o i dt h e f l a wo f “s t u c ki nl o c a lm i m m u m am e t h o do fo p t i m i z eb pw i t hg a ( g e n e t i e a l g o r i t h m ) w a sp r o p o s e d s e c o n d l y , t h et r a d i t i o n a lg aa l g o r i t h mw a si m p r o v e do nt oo v e r c o m ei t s p o o rl o c a ls e a r c hl i m i t a t i o n ah y b r i dn i c h es e l e c t i o no p e r a t o rw a sp r o p o s e d m u t a t i o na n dc r o s s o v e ro p e r a t o r sw e r ea l li m p r o v e do n t h e na na p p l i e dc o d i n gs c h e m eo fg e n e t i ca l g o r i t h mi s p r o p o s e dt o o p t i m i z et h eb p n nt o p o l o g ys t r u c t u r e s an e wf i t n e s sf u n c t i o nw a se s t a b l i s h e d o np r i n c i p l ea n dt h ea l g o r i t h mp r o c e d u r ew a sd e s i g n e d t h es i m u l a t i o nr e s u i t s i n d i c a t et h a tt h e s e o p t i m i z i n gm e t h o d sa r ee f f e c t i v e f i n a l l y , t h ew h o l es y s t e mf o rs o rs e n s o ro fd y n a m i cf l u i dw a sd e s i g n e d a n dr e a l i z e di n c l u d i n gv a r i a b l e 、d a t ac o l l e c t i o n 、d a t ad i s p o s a la n dt h ec o r eo f t h e s o f ts e n s o rt e c h n o l o g y - s o f ts e n s o rm o d e l i n gb a s e do nt h eo p t i m i z e db p n n t h es o rs e n s o rm e t h o dp r o p o s e di n t h i sp a p e ra f f o r d san e wi d e at o a b s l r a c t d y n a m i cf l o w sm e a s u r e m e n t t h ep r o p o s e do p t i m i z ea l g o r i t h mh a v eg r e a t p o t e n t i a li no t h e rm o d e l i n gf i e l d k e y w o r d sd y n a m i cf l o w ；s o t ts e n s o r ；b pa l g o r i t h m ；g e n e t i ca l g o r i t h m ； o p t i m i z e l 燕山大学硕士学位论文原创性声明 本人郑重声明：此处所提交的硕士学位论文基于神经网络优化理论 的软测量技术及应用研究，是本人在导师指导下，在燕山大学攻读硕士学 位期间独立进行研究工作所取得的成果。据本人所知，论文中除已注明部 分外不包含他人己发表或撰写过的研究成果。对本文的研究工作做出重要 贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完 全由本人承担。 作者签字 丢 日期：圳年；月7 口日 燕山大学硕士学位论文使用授权书 基于神经网络优化理论的软测量技术及应用研究系本人在燕山大 学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成 果归燕山大学所有，本人如需发表将署名燕山大学为第一完成单位及相关 人员。本人完全了解燕山大学关于保存、使用学位论文的规定，同意学校 保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅和借阅。 本人授权燕山大学，可以采用影印、缩印或其他复制手段保存论文，可以 公布论文的全部或部分内容。 保密口，在年解密后适用本授权书。 本学位论文属于 不保密吼 ( 请在以上相应方框内打“4 ”) 作者签名： 五努日期：枷6 年；月 口日 导师签名莎嗲耽 日期：秘j 月；归 第1 章绪论 第1 章绪论 1 1 课题研究背景及意义 在现代生产过程自动化中，流量是重要的过程参数之一。流量是判断 生产过程的工作状况、衡量设备的效率与经济的重要指标。为了有效地进 行生产操作和控制，需要对生产过程中各种介质的流量进行检测，以便为 生产操作和控制提供依据。同时，为了进行经济核算，也需要知道一段时 间( 如天、一个班) 内流过的介质总量。所以，流量的测量和控制是实现 生产过程自动化的一项重要任务。 在液压测试系统中，流量和压力始终是人们关注的两个基本参数【1 ，”， 许多测试项目如容积效率、内外泄漏和各种泵的故障诊断等等都围绕着这 两个基本参数进行。目前，压力的动态测试和静态测试已日趋完善。世界 各国制造商们根据不同的测量对象，设计出各种不同的流量计达1 0 0 多种。 而由于流态的复杂度，流量的测量却远远没有得到很好的解决。随着流体 传动与控制技术的发展，流量测量已变得越来越重要，它已经成为液压系 统故障诊断技术性能提高的“瓶颈”【3 ”。研究解决这类物理量的测量问题 具有重要的经济效益和社会效益，是一个值得深入研究的课题。 目前，软测量技术被认为是解决这一问题最具有吸引力的方法。软测 量技术是首先建立待测量变量( 也称主导变量) 与其它与之相关的易测、可 测变量( 也称辅助变量) 的关系，通过对辅助变量的实时检测，用计算机软 件来实现计算和变换，间接地得到对主导变量的估计。软测量技术的核心 问题是建立主导变量与辅助变量间的数学模型，对主导变量进行估计，并 用计算机软件加以实现。 软测量综合利用了变量选择、数据处理、推断控制、智能控制和在线 校正等多方面技术，是- - i - j 有着广阔发展前景的新兴技术。 对于动态流量这类复杂变量的检测问题，采用软测量技术是很有吸引 力的解决方案，研究先进的软测量方法对于各种工业过程具有重要的理论 意义与应用价值。 1 燕山大学工学硕士学位论文 1 2 软测量技术的研究现状和发展方向 近年来软测量技术获得了很大的发展，随着工业需求的不断增强，软 测量技术在过程理论研究和实践中取得了广泛的成果，其研究涉及到石油、 化工和环保等领域【”“。 国内上海交通大学、浙江大学、华东理工大学及清华大学等高校正积 极从事软测量技术研究及其应用。其中，华东理工大学自动化研究所顾幸 生、孙自强等教授，使重整反应器软测量及优化系统达到国内领先水平， 提出了多模型软测量思想，实现了在线实时软测量，研究了基于主元分析、 部分最小二乘、模糊逻辑等方面的工况识别，并取得了满意的识别效果。 软测量技术的核心软测量模型也由线性模型、机理模型发展到基于“黑 箱”的神经网络模型【8 】。然而从总体上看，软测量技术从上世纪9 0 年代快 速发展以来，研究成果仍然是理论多于应用，尤其是软钡9 量建模技术还有 很多实际问题有待解决，它分为： ( 1 ) 纯机理方法机理建模方法建立在对工艺机理深刻认识的基础上， 通过列写质量平衡、能量平衡、相平衡方程以及反应动力学方程等来确定 难测的主导变量和易测的辅助变量之间的数学关系。黄克瑾给出了对精馏 过程组分进行估计的机理模型”，于静江对原油塔馏分的估计也是用的机 理建模方法【l0 1 。与其它方法建立的模型相比，机理模型的可解释性强、外 推性能最好，是最理想的软测量模型。但是机理模型也有其不足的地方， 第一个不足之处是模型的专用性、模型的可移植性较差；第二个不足之处 是机理建模过程要花很大的人力物力，从反应本征动力学和各种设备模型 的确立、实际装置的表征到大量参数的估计，每一步都很困难。 ( 2 ) 线性回归方法经典的回归分析是一种建模的基本方法，应用范围 相当广泛，以最小二乘原理为基础的线性回归技术目前已相当成熟。对于 辅助变量较少的情况，一般采用逐步回归技术可获得较好的软测量模型。 对于辅助变量较多的情况，通常要借助机理分析方法。为简化模型，也可 以采用主元回归分析法和部分最小二乘回归算法( p a r t i a ll e a s ts q u a r e ，p l s ) 等方法。为了预测精馏塔的组分，m o o r e 等人对仿真数据运用主元分析进 2 第1 章绪论 行辅助变量的选择 1 ”。文忠等人采用非线性p l s 回归方法讨论了精馏塔的 产品预测问题，指出p l s 模型具有更好的稳态精度和动态性能【l ”。y a b u l c i 和m a c g r e g o 运用p l s 对在线测量进行建模，预测产品的质量，在化学反 应器方面，非线性p l s 算法在p h 问题和流化床反应器上取得实际应用 1 3 1 0 总的来讲，基于回归分析法的软测量，其特点是简单实用，但需要大量的 样本倦据) ，对测量误差较为敏感。 ( 3 ) 模糊数学方法模糊数学模仿人脑逻辑思维持点，是处理复杂系统 的一种有效手段，在过程软测量中也得到了大量应用，该种软测量方法特 别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 常规数学方法定量描述的场合，实际应用中常将模糊技术和其他人工智能 技术相结合这样可互相取长补短以提高软仪表的效能。 ( 4 ) 模式识别方法该种软测量方法是采用模式识别的方法对工业过 程的操作数据进行处理，从中提取系统的特征，构成以模式描述分类为基 础的模式识别模型，基于模式识别方法建立的软测量模型与传统的数学模 型不同，它是一种以系统的输入、输出数据为基础，通过对系统特征提取 而构成的模式描述式模型，该方法的优势在于它适用于缺乏系统先验知识 的场合，可利用日常操作数据来实现软测量建模。在实际应用中，该种软 测量方法常常和人工神经网络以及模糊技术结合在一起。 1 3 神经网络建模技术的研究现状 基于人工神经网络的软测量是近年来研究最多、发展很快和应用范围 很广泛的一种软测量技术。 由于人工神经网络具有自学习、联想记忆、自适应、鲁棒性和非线性 逼近等功能，模型的在线校正能力强，并且能适用于高度非线性和严重不 确定性系统。需要指出的是人工神经网络的种种优点，使得基于人工神经 网络的软测量是目前倍受关注的热点，因此神经网络建模将是很有发展前 途的研究方向。但该种软测量技术不是万能的，在建模时存在一些缺陷。 在实际应用中，网络学习训练样本的数量和质量、学习算法、网络的 拓扑结构和类型等的选择对所构成的软测量模型的性能都有重大影响。 3 燕山大学工学硕士学位论文 本课题的研究重点就放在克服神经网络建模的不足，提高软测量的测 量精度，进而提出一种优化的神经网络软测量模型来完成动态流量软测量。 1 3 1 反传神经网络建模 2 0 世纪5 0 年代末产生的人工神经网络是一类模拟人脑功能的信息加 工处理系统，它只需系统的输入输出信息，具有很好的非线性建模能力。 至今为止，最普遍的神经网络模型是多层反传神经网络，它是1 9 8 6 年由 r u m e l h a r t 等人发展起来的 1 4 1 。b p 网络具有很强的生物背景，还有结构简 单、可接受的学习速度等特点，因而在建模中受到广泛应用。但是b p 网 络是一个非线性优化问题，传统的基于标准梯度下降法的b p 算法在求解 实际问题时，不可避免的存在训练速度慢，泛化能力并不总是很好，因而 影响求解质量。 对此，目前提出了很多修正方法。 ( 1 ) 基于标准梯度下降的改进方法此类算法由标准梯度下降法发展 而来，具有代表性的是附加动量的b p 算法、学习速率可变的b p 算法 ”】。 孙瑜等人把加入动量项的学习方法用于打浆过程湿重软测量建模【16 1 ，应用 表明采用改进的动量算法对神经网络进行训练，可以提高学习速度，而泛 化能力和学习精度没有改进。 ( 2 ) 基于标准数值优化的改进方法如共轭梯度法、拟牛顿法和 l e v e n b e r g - m a r q u a r d t 法。梯度下降法在最初的几步下降较快，但随着接近 最优值，目标函数下降缓慢；而牛顿法则可在最优值附近产生一个理想的 搜索方向；l e v e n b e r g m a r q u a r d t 法实际上是梯度下降法和牛顿法的结合， 它的优点在于网络的权值数目较少，收敛非常迅速。胡永有等人试验证明 基于l e v e n b e r g m a r q u a r d t 的算法优于基于自适应学习率的动量因子的算 法，在学习、预测精度和学习快速性等方面都具有很大的优越性【1 7 】。 此外，还有将主元分析方法加入到改进的神经网络中，得到一种新的 软测量结构。郭小萍等人针对软测量仪表输入变量间的线性相关性将导致 软测量仪表的外推能力降低问题，通过对输入变量进行主元分析来简化网 络结构，提高了网络训练速度和外推能力【1 8 】。孙自强等人将部分最小二乘 4 第1 章绪论 p l s 的降维能力和b p 神经网络的非线性拟合能力结合，建立起基于 p l s b p 神经网络软测量模型，大大降低了神经网络的复杂度【1 。王秀丽 等人提出了变尺度和变步长相结合的改进b p 神经网络软测量建模方法， 解决了基本b p 方法中学习速率凭经验确定问题【2 0 j 。方千山等人运用基于 均匀设计的遗传算法的神经网络构造法，构建一个可超前预测和实时估算 木糖醇的软测量模型，可实现在线预估和软测量【2 i 】。 1 3 2 径向基函数网络建模 由于径向基函数( r a d i a lb a s i sf u n c t i o n ，简称r b f ) 网络的学习算法不 存在局部最优问题，具有全局逼近性质，它能在一定程度上解决一些b p 网络的训练时间长和存在局部最小的问题，因而在建模工作中应用较多。 然而，r b f 网络在实际应用中仍有许多问题需要解决，如：网络基函 数数据中心的确定；如何确定合适的径向基函数；如何提高网络综合能力。 王旭东等人讨论了r b f 网络用于处理动态和稳态离散数据的软测量 建模问题，指出r b f 网络由于不存在b p 网络学习的局部最优问题，且其 学习复杂性低、效率高、因而具有良好的应用前景【2 2 1 。汪小帆等人提出了 r b f 网络的分类优选算法，以此为基础设计了r b f 网络的一种构造算法 用来进行软测量建模【2 3 】。刘妹琴等人将基于分类函数的距离度量方法与传 统学习方法相结合，构成一类新的r b f 神经网络 2 4 】。 此外，还有杨尔辅等人提出的基于主元分析r b f 神经网络的在线预测 软测量方法【2 ”，该方法具有实时性好、建模周期短等特点。常玉清针对 r b f 神经网络提出了一种优于静态分布式r b f 网络的实时软测量方法， 它可以对网络进行局部学习 2 6 o 她还提出了一种基于模糊规则分类的分布 式r b f 网络来建立软测量模型的方法，使样本的分类更加合理，而且在确 定输入数据相对于各子网的隶属度时，计算量大大降低，从而提高了网络 的估计速度【2 7 】。 1 3 3 多模型神经网络建模 多层前向传播网络和径向基函数网络所建立的模型会导致仪表在实际 5 燕山大学工学硕士学位论文 应用时估计精度低、鲁棒性差。因此，很多学者提出将多模型方法用于软 测量的建模，用以提高模型的精度和鲁棒性【2 艮2 9 j 。 上海交通大学的罗健旭等人提出了一种多神经网络模型，各子模型输 出的综合采用非线性神经网络结合方法，充分反映了系统的动态特性，并 把这种模型用于二元精馏塔的软测量建模 3 0 】。高林等人采用模糊聚类的方 法将数据样本进行分类，完成了基于模糊聚类分析的多模型软测量p l l 。清 华大学的李勇刚等人基于因素分析法，将影响生产的因素按其影响程度分 为两组，提出了一种复合神经网络模型【3 2 】，减少了神经网络的复杂度。 a k r o g h 等人通过研究发现集成网络差异越大，集成效果越好。华东 理工大学的许皖等人根据这一理论选用r b f 网络、有线性环节的砌强网 络和非常数型r b f 网络作为子网络建立了一种多模型神经网络【3 3 1 ，提高 了软测量模型的精确度和泛化能力。李进等人分别建立多元回归、r b f 和 小波函数的模型，将这3 个模型集成为一个加权的混和软测量模型【3 4 】。程 志强等人提出线性回归和r b f 神经网络的混和软测量建模方法 3 5 1 。华侨 大学的吕立华等人提出用多小波网络进行粗汽油干点的软测量建模口“。 1 3 4 支持向量机建模 前馈型神经网络在软测量建模中被广泛采用，但它是基于经验风险最 小化的理论，最典型的问题是模型的泛化能力差。而支持向量机是研究小 样本情况下的机器学习规律的理论，就能够得出唯一的全局最优解。 华东理工大学的王华忠等详细分析了支持向量机的主要内容和研究现 状，指出其一些用于软测量建模的特性和前景1 3 7 】。上海交通大学的冯瑞等 人和华东理工大学的朱国强等人也分别综述了基于支持向量机的软测量建 模o s , 3 9 1 ，并进行实例仿真，证明了支持向量机建模的优越性。在各种改进 的模型中s u y k e l l s 等人【4 0 m 1 对最小二乘支持向量机l s s v m ( l e a s t s q u a r e - s u p p o r tv e c t o rm a c h i n e s ) 的研究最有代表性。与标准s v m s 不同的 是，其目标函数中多了误差平方和这一项，最终只要求解一个线性方程组 即可得到最d , - 乘支持向量机的解。 国内，冯瑞等人把这种最d - - 乘支持向量机用于软测量建模，这种算 6 第1 章绪论 法具有学习能力强，泛化能力好等优点【4 ”。阎威武等人也用最小二乘支持 向量机进行了软测量建模，使基于最小二乘支持向量机的软测量器有较好 的泛化能力1 。2 0 0 4 年他又提出了一种基于滚动时间窗的最j , - - 乘支持向 量机( l s s v m ) 回归估计方法应用于软测量建模1 4 5 l 。王华忠等人将特征提取 与s v m s 结合，建立了一种新的软测量模型 4 “。清华大学的马勇等人通过 实验分析了参数调整和核函数选择对支持向量机建模的影响m l ，但是并没 有提出解决的办法，这需进一步的理论和实践方面的探索。 1 。4 课题研究的主要内容 课题来源于国家自然科学基金项目“基于流态复杂性测度的流量软测 量模型及虚拟动态流量计”，项目编号6 0 3 7 4 0 4 2 。 本课题的研究就是为了克服以上方法的不足，完成以下的研究工作： ( 1 ) 研究软测量领域的关键技术，指出影响软测量性能的各个因素，详 细研究软测量建模技术，对各种建模方法进行比较，对神经网络建模方法 进行深入剖析； ( 2 ) 深入研究b p 神经网络建模算法，对学习算法的改进进行研究，针 对b p 网络各种算法难以全局寻优的缺陷，提出遗传算法优化b p 网络方法； ( 3 ) 针对传统遗传算法存在的收敛速度慢和难以局部寻优问题，提出结 合小生境法的选择操作，对自适应遗传算法的交叉算子、变异算子分别进 行改进，提高其群体多样性，以加强局部寻优能力； ( 4 ) 构建合适的适应度函数，设计遗传算法优化b p 网络的算法流程， 通过实验证明这种优化方法建模的优越性； ( 5 ) 提出软测量工程设计步骤，设计选择测量系统的硬件设备，将优化 网络用于动态流量软测量建模，实现动态流量软测量。 1 5 论文结构 本文共分为5 章，内容包括： 第1 章为绪论，从软测量技术的现状分析和神经网络建模技术的研究 7 燕山大学工学硕士学位论文 进展直接引出课题研究工作的出发点，剖析动态流量的软测量问题的实质， 对软测量和神经网络建模技术的国内外研究现状进行了综述，指出待解决 和需完善的问题。 第2 章系统研究软测量技术，分析提出软测量技术的实现步骤和方法， 对神经网络用于动态流量软测量迸行可行性分析，引出迸一步的神经网络 建模问题。 第3 章分析研究b p 神经网络，简要叙述了神经网络原理，深入分析 本文用到的多层前向网络模型b p 网络学习步骤、学习算法，及近年来的 各种b p 改进算法，并分析优缺点，发现算法建模时难以克服的陷入“局 部极小”问题。 第4 章研究遗传算法的理论，论述遗传算法的工作原理和改进方法， 提出一种新的改进的小生境选择操作、改进交叉算子和变异算子，预防和 避免遗传算法中的早熟现象，提高收敛速度。针对神经网络拓扑结构的难 确定、训练速度慢、易陷于局部极小等问题，提出基于遗传算法的b p 网 络的优化设计方法，给出了具体设计方案。通过仿真比较验证，显示该优 化算法的有效性。 第5 章实现动态流量的软测量，进行数据采集设备的设计与选择、数 据预处理，最后将前向网络的优化设计用于软测量建模，应用采集到的数 据进行对比实验，验证本文提出的动态流量软测量方法的可行性。 最后，在结论中对本文进行总结，并对进一步研究工作进行分析和展 望。 8 第2 章软测量技术研究 第2 章软测量技术研究 2 1 软测量技术基本理论 众所周知，产品质量是企业在激烈竞争的市场经济中赖以生存和发展 的关键所在。然而，质量控制过程中最棘手的问题是难以对质量变量进行 在线实时的测量，如液压系统中的动态流量、聚合反应中的分子量和熔融 指数以及结晶过程中的晶体粒径等都是直接反映产品质量的指标，出于技 术或经济上的原因，无法用常规的传感器直接测量1 4 8 】。为了对这类变量进 行实时监控，常规的方法有以下两种【4 9 】： ( 1 ) 间接质量指标控制方法对与质量变量相关的其它易测的变量进行 控制，以达到间接控制质量变量的目的。该方法必须熟悉工业对象的机理， 精度不高，存在较大的局限性； ( 2 ) 直接测量法利用在线分析仪直接测量所需的参数并对其进行控 制。目前由于在线分析仪价格昂贵、维护困难、分析周期长等原因，使用 率低，也难以提供实时质量信息作为质量控制的反馈信号。 针对以上矛盾，提出了软测量技术。软测量技术最早来源于b r o s i l o w 5 0 】 等人提出的推断控制思想，推断控制包括推断估计器的构造和控制器的设 计两部分内容，推断估计器的构造指的是采集某些容易测量的变量( 也称二 次变量或辅助变量) ，并构造一个以这些易测变量为输入的数学模型来估计 难测的主要变量( 也称主导变量) 。推断控制中的两部分内容可以独立进行， 但是推断估计器是推断控制系统设计的关键。软测量技术正是围绕如何构 造一个高精度的估计器这一核心内容展开的。 1 9 9 2 年国际过程控制专家t j m a e v o y 在著名的学术刊物a u t o m a t i c a 上 发表了名为“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 lp r o c e s sc o n t r o l ”的i f a c 报 告，明确指出了软澳量技术将是今后过程控制的主要发展方向之- - | 5 ”，对 软测量技术研究起了重要的促进作用，至此，软测量技术才开始全面发展 起来。 本章主要是对软测量技术进行研究，并设计其实现过程。 9 燕山大学工学硕士学位论文 2 1 1 软测量的数学描述 若以y 代表主导变量，口代表可测的辅助变量，d 和】“分别表示可测的 干扰和控制变量。软测量的目的就是利用所有可以获得的信息求取主导变 量的最佳估计值多，即构造从可测信息集日到多的映射： 多= ，( 8 ) ( 2 - 1 ) 式中可测信息集痧包括所有的可测主导变量y ( 主导变量y 中可能部分是可 测的) 、辅助变量0 、控制变量“和可测干扰d 。 在这样的结构下，软测量的性能主要取决于对象描述、噪声和扰动的 特性、辅助变量的选取以及最优准则。显然，建立软测量模型的过程就是 构造一个数学模型的过程，但是软测量模型与一般意义下的数学模型不同， 它强调通过辅助变量0 求得主导变量y 的估计值，而一般的数学模型主要反 映y 与“或d 之间的关系。 2 1 2 软测量技术的应用条件 对其适用条件进行分析： ( 1 ) 通过软测量技术所得到的过程变量估计值必须在工艺过程所允许的 精确度范围内； ( 2 ) 能通过其他检测手段根据过程变量估计值对系统数学模型进行校 验，并根据两者偏差确定数学模型校正与否； ( 3 ) 直接检测被估过程变量的自动化仪器仪表较贵或维护困难； ( 4 ) 被估过程变量应有灵敏性、精确性、鲁棒性、合理性以及特异性5 2 1 。 软测量技术作为一种新的检测与控制技术，与其他技术相似，只有在 其适用范围内才能充分发挥自身优势。 2 1 3 软测量的用途及意义 软测量的具体应用可以体现在以下五个方面1 4 9 l ： ( 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 1 0 第2 章软测量技术研究 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 1 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，如锅炉的液位问题等，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。 在不增加或少增加投资的条件下，软测量技术将会得到广泛应用，从 而对过程检测和控制系统产生巨大影响。 ( 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 价格较贵难以维护的仪表将为软测量仪表所代替； ( 2 ) 集成多种技术实现在同一仪表中结合软测量技术与控制技术； ( 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。 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 案将被采用软测量技术的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。 同时，软测量技术的应用对原有一些经典控制方案也提出了挑战。例 如，在经典优化控制系统中，由于优化目标函数难于直接估计，使优化控 制级分列在过程控制级上，采用软测量技术可直接对多优化目标函数进行 估计，使优化控制直接在过程控制级实现，减少控制回路间的协调。 1 1 燕山大学工学硕士学位论文 2 2 软测量实现过程设计 建立动态流量软测量模型实际上是复杂系统的辨识问题，软测量过程 的设计思路如图2 - 1 所示。 圈2 1 动态流量软测量系统 f i g 2 - ls o t t $ e n s o t o f d y n a m i c f l o ws y s t e m 从上图可以看出，针对动态流量测量设计个软测量模型大致可分为 以下几个步骤：初步确定辅助变量，现场数据采集与数据预处理，辅助变 量的精选，建立软测量模型，离线训练模型，模型的在线校正。 2 2 1 辅助变量的选择 一般可以依据以下原则来选择辅助变量5 2 ： ( 1 ) 灵敏性能对过程输出或不可测扰动做出快速反应； ( 2 ) 特异性对过程输出或不可测扰动之外的干扰不敏感； ( 3 ) 过程适用性工程上易于获得并能达到一定的测量精度； ( 4 ) 精确性构成的软测量估计器满足精度要求； ( 5 ) 鲁棒性构成的软测量估计器对模型误差不敏感。 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。研究发现， 知识发现口3 , 3 4 和数据融合技术能帮助我们从众多数据中自动挑选出合 适的信息。 2 2 2 变量数目的选择 辅助变量的个数的下限值为被估计主导变量的个数。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。本文通过初步选择确定 1 2 第2 章软测量技术研究 辅助变量，然后对辅助变量进行精选确定变量的最佳数目。 2 2 3 检测点位置的选择 对于许多实际工业过程，与辅助变量相对应的检测点位置的选择是相 当重要的。对于动态流量测量过程来讲，可供选择的检测点很多，而每个 检测点发挥的作用也各不相同。在一般的情况下，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。 2 2 4 现场数据采集 就是采集主导变量与原始辅助变量的历史数据。在对变量的数据进行 现场采集时，首先需要详细研究动态流量测量的各种操作情况，确定各个 变量的取值范围，采集样本的空间要尽量覆盖整个操作范围，而且注意选 择的每个样本在样本空间内要有一定的代表性。在整个样本空间内，要 选择合适的样本量，样本数据要均匀。切不可在样本空间的某一段选取大 量重复的数据，一方面不利于网络学习，另一方面如果采集的样本数量过 大，很难保证众多数据相互之间一致性。不一致的数据可能是由于过程噪 声或干扰影响，也可能属于过失误差，将这些数据用于建模，即使有好的 训练精度也往往神经网络的泛化结果很差。如果采集到的数据真正能够满 足均匀性、代表性、精简性的原则，理论上讲样本越多，越能更好的反映 过程的特性口“。 2 2 5 数据预处理 软测量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 很大程度上依赖于所获过程测量数据的准确性和有效性，因此数据预处理 为软测量实际应用中的一个重要方面。 数据预处理包括数据的误差处理和数据变换两部分。 一部份是测量数据的误差处理，在实际应用过程中，来自现场的过程 数据会受到测量仪表精度、可靠性和现场测量环境等因素的影响，不可避 1 3 燕山大学工学硕士学位论文 免地要带来各种各样的测量误差。 测量数据的误差分为随机误差、系统误差和过失误差三类。在实际过 程中，虽然过失误差出现的几率很小，但是它的存在会严重恶化数据的品 质、影响最终的结果，因此误差处理的首要任务就是删除这类坏数据。随 机误差是指受随机因素的影响而引起的误差，例如操作过程的微小波动或 检测信号的噪声等。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、低通滤波和移动平均值滤波等。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。在实际测量中，由于测量和记录的严重失误，或由于仪器仪表的突 然波动，都会造成异常的观察结果，我们称这类数据为异常数据。实际过 程中，虽然异常数据出现的几率很小，但即使这些极少量的数据也会严重 恶化测量数据的品质，破坏数据的统计特性，甚至导致软测量整个系统优 化控制的失败，因此异常数据的侦破剔除和校正是必须的。判断样本数据 是否为异常数据，目前处理过失误差的三种方法是：统计假设检验法、广 义似然比法和贝叶斯法。最常用的数据预处理方法是用统计假设校验剔除 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。由于数据 样本条件限制，在本课题中，主要进行异常数据的剔除，对于异常数据的 处理采用的是统计假设检验法中的拉依达准则( 3 仃准则) 。 另一部分是测量数据变换，数据变换包括标度、转换和权函数三个方 面【5 7 1 。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在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，这样可以同时改善算法的精度和 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( 如进行对数转换) 。权函数可实现对变量 动态特性的补偿。 本课题中采用数据归一化处理解决上述问题。在对数据进行归一化处 理前，首先介绍一下归一化处理的基本原理。 ( 1 ) 数据的中心化处理数据的中心化处理是指平移变换，即： = 嘞一舅 ( 2 - 2 ) 1 4 第2 章软测量技术研究 式中，i = 1 2 ，聊；- 1 2 ，n 。经过中心化处理，可使变量均值为0 。 ( 2 ) 数据的无量纲化处理 由于实际问题中，各变量的测量单位不一 致，如果不经过一定处理，务必会夸大其中大量纲数据的作用，而忽略其 它变量，从而不能真实反映数据本身的变化情况。因此，要消除变量的量 纲效应，使每一个变量都具有同等的表现力。数据分析中常用的消除量纲 的方法，是对不同的变量进行压缩处理，即使每个变量的标准差均为1 。 经过数据的归一化处理后，可使得各变量的均值为0 ，标准差为1 ，进 而消除由于不同特征因子量纲不同和数量级不同所带来的影响。 2 2 6 建立软测量模型 本论文主要研究动态流量软测量问题，而软测量技术的核心是建立对 象的数学模型，对象数学模型的好坏，将直接关系到软测量的计算结果。 动态流量通常具有如下特点： ( 1 ) 过程变量多且包含很多不确定或不可知因素； ( 2 ) 非线性； ( 3 ) 时变性：包括操作点的变化以及同一操作点下对象的时变性。 针对以上特点，软测量模型应尽量满足如下要求： ( 1 ) 包含尽可能多的过程信息； ( 2 ) 达到指定的估计精度； ( 3 ) 模型结构较简单：即在满足精度要求下，尽可能包含少的模型参数； ( 4 ) 模型具有较好的适应性，适应同一操作点下过程的时变性：适应过 程不同操作点的变化；较好的在线自适应能力。 本论文建立的软测量模型是基于神经网络的辨识模型。主要任务是确 定神经网络的结构，要确保其反映复杂系统足够的信息，并且具有最简单 的结构形式和最少的可调参数。从系统辨识的角度看，意味着，寻找给定 的评价准则下逼近待辨识系统最简单网络辨识结构。神经网络模型设计是 建立神经网络的关键步骤，它分为： ( 1 ) 网络结构确定确定网络结构需要综合考虑精度要求与学习效 率。网络结构的优化主要集中于三层b p 网络的隐层节点数目的确定上【58 1 。 1 5 燕山大学工学硕士学位论文 有研究表明通过定义网络的权值拟熵并把它加入目标函数作为惩罚项，可 使网络在权值学习过程中自动简化结构。在实际建模过程中，常采用试凑 的方法，逐步增加隐层节点个数，并在不同隐层节点下对网络重新训练， 以观察到的最佳效果确定隐层节点数，在以后的学习、应用过程中网络结 构保持不变。对于复杂系统，则可采用多个神经网络( 子神经网络) 相互连 接构成软测量模型【3 0 l ，以避免神经元数目过大导致学习速度过慢，这可以 提高模型的收敛速度和鲁棒性； ( 2 ) 网络学习算法的改进由于工业过程软测量技术对实时性和可靠 性的要求很高，因此算法的选择非常重要。一般改进的b p 算法主要有变 步长、加动量项 5 9 1 、共扼梯度法和随机法等等。改进后的算法收敛速度快， 但受到许多限制，难以避免陷入局部极小，难以应用于实际工业过程，在 这方面许多研究者作了大量研究工作。有人采用r b f 网络结构，利用正交 化最小方差学习算法来训练r b f 网络，使用这种算法，神经网络误差函数 收敛速度快，但算法比较复杂。还有研究者针对隐含层激励函数满足 m e r c e r 条件的一类前向神经网络，借助核函数的特性从空间变换角度描述 前向神经网络各层的数学模型【6 0 】，克服了部分传统网络训练算法的弊端。 2 2 6 1 基于神经网络的流量软测量模型可行性分析神经网络用于动态 流量的测量有着很大吸引力，下面分析一下这种方法是否可行。 首先，由于动态流量是一个具有大时滞、强非线性的复杂系统，难以 建立精确的数学模型，因此采用传统的机理方法来建立软测量模型是行不 通的： 其次，神经网络能够充分逼近任意复杂的非线性关系，基于神经计算 学的软测量模型的主要特点是辨识模型易于实现【6 1 j 2 】； 再次，软测量技术的思想已经渗透到过程检测和过程控制的各个方面， 基于神经计算学的软测量技术已在其它过程控制实践中取得了广泛应用： 最后，由于近年来，流量测量的广泛应用为神经网络训练提供了必不 可少的丰富的数据，有利