（控制理论与控制工程专业论文）磨矿过程溢流粒度软测量研究.pdf

1-1，1 j11 ， l ，。 at h e s i sf o rt h ed e g r e eo fm a s t e ri nc o n t r o lt 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 ts e n s i n go ft h eo v e r f l o wp a r t i c l es i z ef o r g r i n d i n gp r o c e s s b yw a n gq i n g s u p e r v i s o r ：c 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 j u n e2 0 0 9 一 1-i_-， _ j 独创性声明 本人声明，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，不包含其他人己经发表或撰写过 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己在论文中作了明确的说明并表示 谢意。 学位论文作者签名：王菊 日期： 叫易r y 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。 作者和导师同意网上交流的时间为作者获得学位后： 半年一一年口一年半口两年口 导师签名： 签字日期： 并勘 工呻( ；， 6 o 至两1 、lr_i 王 ：文 名，。 签价，糍冲 作 ： 文期沦日位字 学签 _ - j 东北大学硕士学位论文摘要 磨矿过程溢流粒度软测量研究 摘要 选矿是冶金工业必不可少的重要一环，随着我国经济的发展和世界加工制造业中心 地位的确立，我国冶金工业正在迅猛发展，随之而来的便是对选矿产品需求的不断增加， 这些都促使了选矿业的不断发展，各种检测仪表以及自动化控制系统己在国内选矿厂得 到普遍应用。但是作为选矿工业重要一环的磨矿过程，其产品质量的主要衡量标准 粒度的实时检测却很难实现，大大降低了磨矿生产的质量，以致影响整个选矿过程的效 率，成为选矿生产的一个瓶颈。实现磨矿粒度的在线检测，对提高磨矿生产率、节约成 本具有重要的现实意义，能够带来巨大的经济效益。 本文以某铜矿选矿厂的磨矿车间1 群系统为研究背景，建立了磨矿粒度软测量模型， 并设计了磨矿粒度在线检测系统。主要内容如下：针对磨矿粒度难以实现在线测量，本 文采用基于回归分析方法的软测量。在分析了磨矿过程主要设备的工作原理基础上，结 合本课题背景的实际生产情况确定出辅助变量并找到过程输入与模型输出的同步关系， 将对应时间的变量作为模型输入；在分析算法原理的基础上，本文先后采用了p l s 算法、 高斯核以及三次多项式核的k p l s 算法对磨矿过程数据进行建模。通过仿真结果的比较 并结合实际生产需求，最终确定磨矿溢流粒度软测量模型使用p l s 算法进行建模；由于 磨矿过程本身的工况会随时间有所变化，另外在分析磨矿过程工艺特点时忽略了一些设 备磨损等因素，本文采用了r p l s 算法对软测量模型进行在线更新并对更新后的模型预 估效果进行仿真。 最终综合本文工作，设计了整个软测量系统的实施方案。结合课题背景现有软硬件 配置结构，给出了软测量后台预报系统与上位机监控系统以及下位机控制系统之间的结 构关系。 关键词：磨矿过程；溢流粒度；软测量；p l s ；k p l s ；r p l s i i - l 寸 - - - t 6 r e s e a r c ho ns o f ts e n s i n go ft h eo v e r f l o wp a r t i c l es i z ef o r g r i n d i n gp r o c e s s a b s t r a c t m i n e r a lp r o c e s s i n gi sa ni m p o r t a n tp a r to fm e t a l l u r g i c a l i n d u s t r y w i t ho u rc o u n t r y s e c o n o m i cd e v e l o p m e n ta n db e c o m i n gt h ec e n t e ro ft h ew o r l d s p r o c e s s i n gm a n u f a c t u r i n g i n d u s t r y , t h em e t a l l u r g i c a li n d u s t r yi sd e v e l o p e dr a p i d l y a sar e s u l t ，t h ed e m a n do fm i n e r a l p r o c e s s i n g sp r o d u c t si si n c r e a s i n g t op r o m o t eg r i n d i n gp r o c e s s sd e v e l o p m e n t ，m a n yk i n d s o fi n s t r u m e n t a t i o na n da u t o m a t i cc o n t r o ls y s t e mh a v e b e e nw i d e l yu s e di nt h i sf i e l d g r i n d i n g p r o c e s si sc o n s i d e r e da sa ni m p o r t a n tp a r to fm i n e r a lp r o c e s s i n g h o w e v e r , t h em a i nm e a s u r e o fi t sp r o d u c t s q u a l i t y - o v e r f l o wp a r t i c l es i z e ，c a n n o tb em e a s u r e do n 1 i n e t h i sg r e a t l v r e d u c e st h eq u a l i t yo fg r i n d i n gp r o c e s s ，i m p a c tt h em i n e r a lp r o c e s s i n g sp r o d u c t i o ne f f i c i e n c y , a n db e c o m eab o t t l e n e c ko ft h em i n e r a lp r o c e s s i n g a c h i e v i n go n 1 i n em e a s u r e m e n to ft h e g r i n d i n gp r o c e s s so v e r f l o wp a r t i c l es i z ei sp r a c t i c a l ，w h i c hc a nb r i n gg r e a te c o n o m i cb e n e f i t s b yi n c r e a s i n gp r o d u c t i v i t ya sw e l la ss a v i n gc o s t s b a s e do nt h e l 拌g r i n d i n gp l a n to fj i a n g x ic o p p e rc o r p o r a t i o nt h i st h e s i sb u i l da l l o v e r f l o wp a r t i c l es i z es o f ts e n s i n gm o d eo fg r i n d i n gp r o c e s s ，a n dd e s i g nt h eo v e r f l o w p a r t i c l e s i z eo n - l i n em e a s u r e m e n ts y s t e m t h em a i nc o n t e n ti n c l u d i n g ：t oo v e r c o m et h ep r o b l e mt h a t i ti sh a r dt oo n l i n em e a s u r et h eo v e r f l o wp a r t i c l es i z e ，t h i st h e s i ss t u d i e so ns o f ts e n s i n g u s i n g r e g r e s s i o na n a l y s i sm e t h o d t h ei n s t r u m e n t a lv a r i a b l e sa r ec h o s e na n dt h es y n c h r o n i z a t i o no f t h e mi sf o u n db a s e do ns t u d yo ft h em a i ne q u i p m e n to fg r i n d i n gp r o c e s sa n dt h e a c t u a l s i t u a t i o no ft h ep r o d u c t i o np r o c e s s a sar e s u l t ，t h ei n p u t so ft h es o f ts e n s i n gm o d e la r et h e i n s t r u m e n t a lv a r i a b l e sa tt h ee x a c tt i m e b a s e do nt h ea n a l y s i so fa l g o r i t h mp r i n c i p l e ，t h i s t h e s i se s t a b l i s h e st h eg r i n d i n gp r o c e s sm o d e lb yp a r t i a ll e a s ts q u a r e ( p l s ) ，g a u s sk e r n e lp l s a n da l g o r i t h mp r i n c i p l ek e r n e lp l s a n dt h ef i n a la l g o r i t h mo fe s t a b l i s ht h eo v e r f l o wp a r t i c l e s i z es o f ts e n s i n gm o d e lo fg r i n d i n gp r o c e s si sp l s ，w h i c hi sd e t e r m i n e db yt h ea n a l y s i sa n d c o m p a r i s o no ft h es i m u l a t i o nr e s u l t s c o n s i d e r i n gt h a tt h es i t u a t i o no ft h ep r o d u c t i o np r o c e s s w o u l dh a v es o m ec h a n g e sa st i m ep a s s e db y , a n dt h ef a c t o r st h a to m i t t e dw h e nc h o s et h e i n s t r u m e n t a lv a r i a b l e s ，a na v a i l a b l es o l u t i o no fo n l i n eu p d a t i n gt h es o f ts e n s i n gm o d e li s p r e s e n t e d ，w h i c hi so nt h eb a s i so fr e c u r s i v ep l s t h es i m u l a t i o nr e s u l t so ft h eo n l i n eu p d a t i n g m o d e la r es h o w ni nt h i st h e s i s f i n a l l y , a ni m p l e m e n t a t i o np l a no fs o f ts e n s i n go fg r i n d i n gp r o c e s s so v e r f l o wp a r t i c l e s i z ei sd e s i g n e d ，w h i c hi st h ei n t e g r a t i o no ft h ew h o l et h e s i s t a k i n gt h ea c t u a lh a r d w a r ea n d s o f t w a r es t r u c t u r ei n t oa c c o u n t ，t h i st h e s i sd e t a i l e d l yi n t r o d u c e st h es o f ts e n s i n gp r e d i c t i o n s y s t e m ，t h eh u m a n - c o m p u t e ri n t e r a c t i o ns y s t e ma n dt h ep l cc o n t r o ls y s t e m a n dm e a n w h i l e i i i - j 东北大学硕士学位论文 a b s t r a c t p r e s e n t st h e i ri n t e r r e l a t i o n s h i p k e yw o r d s ：g r i n d i n gp r o c e s s ；o v e r f l o wp a r t i c l es i z e ；s o f ts e n s i n g ；p l s ；k p l s ；r p l s i v 一- t 东北大学硕士学位论文 目 录 3 3 软测量模型的结果比较3 5 第4 章基于r p l s 的软测量模型更新3 7 4 1p l s 模型更新方法3 7 4 2r p l s 算法3 8 4 2 1 原始的核算法3 8 4 2 2 改进的p l s 核算法3 9 4 2 3 递推部分最小二乘算法4 0 4 3 软测量模型在线更新4 2 4 4 模型更新仿真结果4 3 4 5 模型在线校正4 4 第5 章磨矿粒度软测量系统的实施设计4 7 5 1 系统总体框架。4 7 5 2 下位机p l c 4 8 5 3 服务器的配置与功能4 9 5 3 1 服务器的硬件及软件配置4 9 5 3 2 服务器的基本功能4 9 5 4 后台磨矿粒度预报系统51 5 4 1 后台预报系统的编程语言5 1 5 4 2 后台预报系统的结构5 1 第6 章结论与展望5 3 6 1 本文工作总结。5 3 6 2 基于本文工作的展望。5 3 参考文献5 5 致谢一5 9 第1 章绪论 第1 章绪论 1 1 课题背景及意义 选矿为冶金工业提供原料，是冶金工业必不可少的重要一环。矿石在冶炼之前必须 经过选矿过程的多个作业工序，最后才能得到符合冶炼要求的精矿粉。 1 1 1 选矿工艺简介 选矿是指从原矿石中除去所含的脉石及有害元素，使有用的矿物得到富集，或使共 生的各种有用矿物彼此分离，得到一种或几种有用矿物的精品。从地下开采出来的原矿 一般都由有用矿物和脉石组成。原矿的品位( 有用矿物含量的百分比) 一般都比较低，不 能直接进行冶炼，因此需要先进行加工，除去大部分脉石和有害成分，得到品位较高的 精矿，供下一步使用，对原矿的这一加工过程就叫选矿。例如精铁矿中一般含有硫和磷， 它们对冶炼过程有害，含量不能太高，选矿过程中应降低含硫量和含磷量。选矿对冶炼 技术的经济效果十分明显的。例如，铁精品品位提高1 ，则高炉生铁产量可以提高 2 5 ，焦比下降1 5 。可见，选矿对于开发矿业，充分利用矿业资源有着十分重要的 意义【l 】o 如图1 1 所示i 来自采场的矿石要经过选矿过程的各个作业，最后才能得到符合冶 炼要求的精矿。选矿作业主要包括： ( 1 ) 准备作业包括矿石的破碎与筛分、磨矿与分级。 ( 2 ) 选别作业如重选、浮选与电选等。 ( 3 ) 脱水作业包括浓缩、过滤、干燥等。 选矿过程是整个冶金工业中一个承上启下的中间环节，其作用是非常重要的。然而 随着对矿业资源的不断开发和利用，使得具有较高价值的高品位矿石j 下在迅速减少，与 此同时，人们对矿物资源的需求却不断的增加，因而人们只能从遗留下来的贫、细、杂 矿石中回收矿物资源。这使得仅靠改进工艺来提高选矿厂的技术指标和经济效益变得极 为困难，所以在选矿厂中必须采用先进的自动化技术，来降低选矿成本，改善选矿厂的 技术指标，提高选矿厂的经济效益。 选矿厂并不是简单地由一些相互独立的车间和生产环节组合而成，这些车间、生产 环节存在相互影响和相互制约的关系，前面的环节将影响后续的作业。如：破碎产品的 粒度影响磨矿分级系统的处理量、能耗和钢耗等；磨矿产品的粒度和浓度影响浮选作业 的回收率和品位。 东北大学硕士学位论文 第1 章绪论 磨r d 。分级 丁 选别作业 厂 厂 t 厂 0 图i i 选矿过程示意图 f i g 1 1s c h e m a t i cd i a g r a mo f m i n e r a lp r o c e s s i n g 存 根据对矿石的处理流程，选矿过程可分为碎矿、磨矿、分级和浮选四步选别作业。 其中，磨矿作业是一道关键工序，因为任何一种选矿方法，都是根据矿石内部的有用矿 物和脉石的性质不同来进行的，让有用矿物和脉石充分解离，是选矿的先决条件，磨矿 的目的正在于此。另一方面，磨矿过程占用着选矿企业的大量资源，在企业成本投入中 所占的比重最大。从统计数字看，选矿厂中破磨作业的生产费用大约占选矿厂全部费用 的4 0 以上，破磨过程的设备投资约占选矿厂总投资的6 0 左右，作为磨矿作业的主要 设备的磨机，其电耗约占全厂电耗的3 0 7 0 ，而全世界用于粉磨作业的电耗占世界总 发电量的3 4 。随着对r 趋贫化的矿产资源的开发和利用，磨矿过程中的能耗和钢耗 将越来越大，在工业经济中所占比重也将不断增加1 2 j 。 此外，浮选作业作为直接为冶炼过程提供原料的工序，它的工作效率的高低、产品 质量的好坏都很大程度上取决于磨矿过程的工作性能。这源于磨矿过程产品的粒度对后 - 2 一一一ttt 东北大学硕士学位论文第1 章绪论 续分级浮选作业有着直接的影响。粒度过大不能分选，因为矿石中的有用矿物和脉石还 没有解离；过细的接近胶体细度的微粒用常规的选矿方法难以回收，例如重力选矿难以 回收小于1 9 微米的矿粒，浮选对5 1 0 微米以下的粒度也难于回收。没有充分的解离和 发生了严重的过磨，都会使选矿回收率和精矿品位降低。因此，良好有效的磨矿作业将 为后续分级、浮选作业的顺利进行提供保证。磨矿性能越好，出磨矿物质量越高，产量 越高，则浮选越顺利，越彻底，回收率越高，精矿的产量就越高，从而也为提高冶炼过 程的质量和产量，提供了原料供给上的保证。 由此可见，磨矿工段的好坏，不仅决定着选矿厂的整体运行效率和经济技术指标， 还间接影响着冶炼过程的生产效率。磨矿粒度作为影响后续选别作用的精矿品位和金属 回收率的关键因素，是检验磨矿产品质量的主要指标。 1 1 2 磨矿粒度软测量的研究意义 就目前国内各矿厂来说，基于资金等条件限制，大部分情况下都是通过观察溢流浓 度代替溢流粒度，以判断是否满足生产要求。这样做的缺点在于两者之间并不存在定量 关系，且变化趋势也不完全一致，不能够将溢流浓度的数据带入控制系统中，以实现先 进控制，对于生产效率的提高形成一个极大的制约因素。而检测溢流粒度的厂家大多也 只是采取在实际生产中对磨矿粒度进行离线化验的方法，没有实现在线测量。造成这种 状况的原因主要有：粒度分析仪价格昂贵，企业难以承受，只能通过人工采样，通过化 验得到磨矿粒度的检测值；粒度分析仪本身结构较为复杂，日常维护工作量较大并容易 出现故障，影响工业生产。 因此，应用软测量技术实现粒度的在线检测具有重要的实际意义。 利用软测量对水力旋流器进行粒度测定有以下优点：设备维护简单，大部分检测都 以软件形式以计算完成，只需少量传感器测定部分辅助变量；价格便宜，同前者相比， 价格只有其几分之一甚至十几分之一；是在线测量，可以直接构成控制回路，实现整个 磨矿、选矿过程的控制。 1 1 3 磨矿粒度软测量的研究现状 综上所述，磨矿粒度软测量的研究具有现实意义，已经受到广大学者的关注，并取 得一定的研究成果，如： 文献 3 】结合选矿厂磨矿分级作业的实际工况，提出了基于r b f 网络的粒度软测量 的设计方法。该文首先分析该磨矿作业的运行工况，建立磨矿作业动态特性的仿真系统， 并在该仿真系统的基础上建立神经网络软测量模型，选取旋流器给矿流量、给矿浓度和 一段磨矿溢流浓度作为粒度软测量的辅助变量，最终试验表明量模型能够较好地跟踪旋 ，一 东北大学硕士学位论文第1 章绪论 流器给料的变化，得到溢流粒度的较为准确的预测值，具有较高的估计精度。 文献 4 结合典型两段磨矿回路的特点，采用多输入层神经网络和遗传算法相结合的 方法，提出了采用实数编码遗传算法训练多输入层神经网络的混合算法，选用磨机的给 矿量、给水量、磨机电流、分级机的溢流浓度、旋流器给矿浓度、给矿压力为辅助变量， 建立了磨矿粒度的神经网络软测量模型，并通过现场数据验证和实际应用验证了方法的 有效性。 文献 5 7 n 针对一段棒磨和二段球磨回路磨矿过程粒度软测量进行了研究。 上述文献建立的软测量模型都己获得了较好的预估效果，本文以上述工作为基础， 对磨矿粒度软测量方法做进一步深入的研究与探讨。 1 2 软测量技术 1 2 1 软测量原理 一切工业生产的目的都是为了获得合格的产品，于是质量控制成为所有控制的核 心。为了实现良好的质量控制，就必须对产品质量或与产品质量密切相关的重要过程变 量进行严格控制。事实上，无论是质量控制策略的具体实施，还是操作优化、生产协调、 故障诊断、状态监测等，其工程实现的前提都是有效检测过程信息。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 代过程检测的内涵和外延较之以往均有很大的深化和拓展。一方面，仅获取流量、温度、 压力和液位等常规过程参数的测量信息己不能满足工艺操作和控制的要求，需要获取诸 如成分、物性等与过程操作和控制密切相关的检测参数的测量信息。另方面，仪表测 量的精度要求越来越高。测量从静态或稳态向动态测量发展，在许多应用场合还需要综 合运用所获得的各种过程测量信息，才能实现有效的过程控制、对生产过程或测量系统 进行故障诊断、状态监测等。由于工业过程生产系统涉及物理、化学、物质转换、能量 传递以及系统的复杂性与不确定性都将导致过程参数检测的困难，并最终导致了过程检 测技术的发展滞后于控制理论的发展，许多先进的控制算法和策略只能停留在理论探讨 上，难以在工业实际中得到应用。 一般解决工业过程的检测问题有两条途径：一是沿袭传统的检测技术发展思路，通 过研制新型的过程测量仪表，以硬件形式实现过程参数的直接在线测量。结果表明，在 解决如磨矿过程这样的复杂系统参数指标测量的问题上，硬件方法不仅设备操作复杂， 成本投资大，对测试技术要求很高，而且通常只能作离线分析，不能提供实时检测结果。 更重要的是，对于工业中同益增多的特殊参数的测量，由于环境，物理结构等因素的限 制，硬件仪表往往无法进行直接测量；另一种思路就是采用间接测量的方法，利用易于 获取的其它测量信息，通过计算来实现对被测变量的估计。近年来在过程控制和检测领 一4 一 东北大学硕士学位论文第1 章绪论 域涌现出的一种新技术软测量( s o f ts e n s o r ) 、软仪表( s o f ta n a l y s e r ) 技术就是这一思想 的集中体现。它不仅可以较好的克服硬件仪表存在的不足，满足复杂的参数指标的在线 测量，还可以对应用中的硬件仪表进行有效性校验【2 】。 软测量技术，源于2 0 世纪7 0 年代b r o s i l o w 提出的推断控制，近年来发展迅速，受 到了越来越广泛的重视，已经成为当前自动控制及检测领域发展的主导方向之一，在过 程工业中已经有了许多成功的应用1 8 - l l 】。 软测量技术的基本原理是依据对可测易测过程变量与难以直接测量的待测过程变 量之间的数学关系的认识，采用各种计算方法，用软件实现对待测变量的测量或估计。 目前，软测量技术在工业过程中主要应用于实时估计，故障冗余，智能校正和多路复用 等方面2 | 。这里，可用图1 2 简略地描述软测量的结构。 图1 2 软测量原理 f i g 1 2i l l u s t r a t i o no fs o f ts e n s i n gp r i n c i p l e 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j ，的最佳估计值口，即构 造从可测信息集到y 的映射。可测信息集包括所有的可测主导量j ，( y 可能部分可测) 、 辅助变量x 、控制变量髓和可测扰动v 。 0 = f ( u ，1 ，x )( 1 1 ) 其中，厂( ) 为估计函数关系，即软测量模型。在实际生活中，工况处于平稳操作状 态时，式( 1 1 ) 所示的软测量模型关系式可以简化为式( 1 2 ) 表示的稳态模型。 0 = k x ( 1 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x 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 与以或 ，之间的动态或稳态关系。 软测量技术发展的重要意义在于【1 3 l ： ( 1 ) 能够测量目前由于技术或经济的原因无法或难以用传感器直接检测而又十分重 要的过程参数，如上面提到的一些过程变量和参数： - 5 - 东北大学硕士学位论文第1 章绪论 ( 2 ) 能够综合运用多个可测信息对被测对象作出状态估计、 应现代工业对被测对象特性测量要求的日益提高； ( 3 ) 能够在线获取被测对象微观的二维三维时空分布信息， 程中现场参数测量的需要； 诊断和趋势分析，以适 以满足许多复杂工业过 ( 4 ) 能够对测量系统进行误差补偿处理和故障诊断，从而提高测量精度和可靠性； ( 5 ) 能够为测量系统的动态校准和动态性能改善提供一种有效手段； ( 6 ) 能够使一些由于检测技术的障碍，目前停留在理论探讨阶段的控制策略和方法 的工业实用化。 1 2 2 建立软测量模型的基本步骤 软测量技术主要由辅助变量的选择、数据采集和处理、软测量模型及在线校正四个 部分组成【1 4 】。 ( 1 ) 机理分析与辅助变量的选择 首先明确软测量的任务，确定主导变量。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主导变量的相关变量辅助变 量。 辅助变量的选择包括变量类型、变量数目和检测点位置的选择。这三个方面互相关 联、互相影响，由过程特性所决定的。在实际应用中，还受经济条件、维护的难易程度 等外部因素制约。 ( 2 ) 数据采集和处理 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主导变量对 应时间的辅助变量的过程数据。其次，数据覆盖面在可能条件下应宽一些，以便软测量 具有较宽的适用范围。为了保证软测量精度，数据的正确性和可靠性十分重要。 采集的数据必须进行处理，数据处理包含两个方面，即换算和数据误差处理。数据 误差分为随机误差和过失误差两类，前者是随机因素的影响，如操作过程微小的波动或 测量信号的噪声等，常用滤波的方法来解决；后者包括仪表的系统误差( 如堵塞、校正 不准等) 以及不完全或不正确的过程模型( 受泄漏、热损失等不确定因素影响) 。过失误差 出现的几率较小，但它的存在会严重恶化数据的品质，可能会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。 ( 3 ) 软测量模型的建立 软测量模型是软测量技术的核心。建立的方法有机理建模、经验建模以及两者相结 合的建模i ”j 。 一6 一 东北大学硕士学位论文第1 章绪论 ( 幻机理建模 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。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。典型化工过程的仿真程序己编制成 各种现成软件包。 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。但它亦有弱点，对于某些复杂的过程难于建 模，必须通过输入输出数据验证。 ( b ) 经验模型 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来 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。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，检验分为自身检验与交叉检验， 通常建议和提倡交叉检验。经验建模的优点与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。 ( c ) 机理建模与检验建模相结合 把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。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。 ( 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。 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。解 决模型结构修正耗时长和在线校正的矛盾是模型更新时需要重点考虑的问题。 1 2 3 建立软测量模型的基本方法 软测量的核心问题是其模型的建立，也即建立待估计变量与其它直接测量变量间的 关联模型。软测量建模的方法多种多样，且各种方法互有交叉，且有相互融合的趋势， 因此很难有妥当而全面的分类方法。目前，软测量建模方法一般可分为：机理建模、回 归分析、状态估计、人工神经网络、模式识别、基于支持向量机( s v m ) 和核函数的方法、 模糊数学、相关分析、过程层析成像和现代非线性系统信息处理技术等。这些方法都不 同程度地应用于软测量实践中，均具有各自的优缺点及适用范围，有些方法在软测量实 一7 一 东北大学硕士学位论文第1 章绪论 践中己有许多成功的应用，后面几种建模方法限于技术发展水平，目前在过程控制中还 应用较少。 ( 1 ) 基于工艺机理分析的软测量建模 基于工艺机理分析的软测量建模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) ，从而实现对某一参数的软测量。对于工艺机理较为清楚的工艺过程， 该方法能构造出性能良好的软仪表。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它参数估计方法相结合才能 构造软仪表。这种软测量建模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，建模的难度较大。 ( 2 ) 基于回归分析的软测量建模 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。以最小二乘法原理为 基础的一元和多元线性回归技术目前已相当成熟，常用于线性模型的拟合。对于辅助变 量较少的情况，一般采用多元线性回归中的逐步回归技术以获得较好的软测量模型。对 于辅助变量较多的情况，为简化模型，也可采用主元回归分析法p c r ( p r i n c i p a lc o m p o n e n t r e g r e s s i o n ) 1 6 - 1 7 】和部分最小二乘回归法p l s r ( p a r t i a ll e a s ts q u a r e sr e g r e s s i o n ) t 1 8 - 1 9 】等方法。 基于回归分析的软测量建模方法简单实用，但需要足够有效的样本数据。 ( 3 ) 基于状态估计的软测量建模 如果系统主导变量作为系统的状态变量是完全可观的，那么软测量建模问题就转化 为典型的状态观测和状态估计问题。基于状态估计的软仪表由于可以反映主导变量和辅 助变量之间的动态关系，因此，有利于处理各变量间动态特性的差异和系统滞后等情况 2 0 - 21 】。这种软测量建模方法的缺点在于对复杂的工业过程，常常难以建立系统的状态空 间模型，这在一定程度上限制了该方法的应用。同时在许多工业生产过程中，常常会出 现持续缓慢变化的不可测的扰动，在这种情况下采用这种建模方法可能会带来显著的误 差。 ( 4 ) 基于人工神经网络的软测量建模 基于人工神经网络a n n ( a r t i f i c i a ln e u r a ln e t w o r k ) 的软测量建模方法是近年来研究较 多、发展很快和应用范围很广泛的一种软测量建模方法。由于人工神经网络具有自学习、 联想记忆、自适应和非线性逼近等功能，基于人工神经网络的软测量模型可以在不具备 对象的先验知识的条件下，根据对象的输入输出数据直接建模( 将辅助变量作为人工神 经网络的输入，而主导变量作为神经网络的输出，通过神经网络的学习来解决不可测变 量的软测量问题) ，模型的在线校正能力强，并能适用于高度非线性和严重不确定性系 一8 一 东北大学硕士学位论文第1 章绪论 统。因此，它为解决复杂系统过程参数的软测量问题提供了一条有效途径。采用人工神 经网络进行软测量建模有两种形式：种是利用人工神经网络直接建模，用神经网络来 代替常规的数学模型描述辅助变量和主导变量间的关系，完成由可测信息空间到主导变 量的映射；另一种是与常规模型相结合，用神经网络来估计常规模型的模型参数，进而 实现软测量。 ( 5 ) 基于模式识别的软测量建模 这种软测量建模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，如空间超盒【2 2 】等。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，这种 软测量建模方法常常和人工神经网络以及模糊技术等技术结合在一起使用。 ( 6 ) 基于回归支持向量机的方法 建立在统计学习理论基础上的支持向量机s v m ( s u p p o r tv e c t o rm a c h i n e ) 已成为当前 机器学习领域的一个研究热点。支持向量机采用结构风险最小化准则，在有限样本情况 下，得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值，解决了一般学 习方法难以解决的问题，如神经网络的局部最小问题、过学习以及结构和类型的选择过 分依赖于经验等固有的缺陷等问题，从而提高了模型的泛化能力。s v m 的方法最早是 针对模式识别问题提出的，v a p n i k 通过引入s 不敏感损失函数，将其推广应用到非线性 回归估计中，得到了用于回归估计的标准s v m 方法，本文称之为回归支持向量机 s v r ( s u p p o r tv e c t o rr e g r e s s o r ) 。由于软测量建模与一般数据回归问题之间存在着共性，支 持向量机方法应用于回归估计问题取得不错的效果应用【2 3 】，促使人们把眼光投向工程应 用领域，提出不少建立基于回归支持向量机的软测量建模方法【2 4 - 2 6 。 ( 7 ) 基于模糊数学的软测量建模 模糊数学模仿人脑逻辑思维特点，是处理复杂系统的一种有效手段 2 7 - 2 9 】，在过程软 测量建模中也得到了大量应用。基于模糊数学软测量模型是一种知识性模型。该法特别 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、难以用常规数学定量描 述的场合。实际应用中常将模糊技术和其它人工智能技术相结合，例如模糊数学和人工 神经网络相结合构成模糊神经网络，将模糊数学和模式识别相结合构成模糊模式识别， 这样可互相取长补短以提高软仪表的效能。 ( 8 ) 基于相关分析的软测量建模 基于相关分析的软测量建模方法是以随机过程中的相关分析理论为基础，利用两个 或多个可测随机信号问的相关特性来实现某一参数的软测量建模方法。该方法采用的具 一q 一 东北大学硕士学位论文第1 章绪论 体实现方法大多是互相关分析方法，即利用各辅助变量( 随机信号) 间的互相关函数特性 来进行软测量建模。目前这种方法主要应用于难测流体( 即采用常规测量仪表难以进行 有效测量的流体) 流速或流量的在线测量和故障诊断( 例如流体输送管道泄漏的检测和定 位) 等。 ( 9 ) 基于过程层析成像的软测量建模 基于过程层析成像p t ( p r o c e s st o m o g r a p h y ) l 拘软测量建模方法与其它软测量建模方 法不同，它是一种以医学层析成像c t ( c o m p u t e r i z e dt o m o g r a p h y ) 技术为基础的在线获取 过程参数二维或三维的实时分布信息的先进检测技术，即一般软测量技术所获取的大多 是关于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。由 于受技术发展水平的制约，该种软测量建模方法目前离工业实用化还有一定距离，在过 程控制中的直接应用还不多。 ( 1 0 1 基于现代非线性信息处理技术的软测量建模 基于现代非线性信息处理技术的软测量建模方法是利用易测过程信息( 辅助变量， 它通常是一种随机信号) ，采用先进的信息处理技术，通过对所获信息的分析处理提取 信号特征量，从而实现某一参数的在线检测或过程的状态识别。这种软测量建模技术的 基本思想与基于相关分析的软测量建模技术一致，都是通过信号处理来解决软测量建模 问题，所不同的是具体信息处理方法不同。该软测量建模方法的信息处理方法大多是各 种先进的非线性信息处理技术，例如小波分析、混沌和分形技术等，因此能适用于常规 的信号处理手段难以适应的复杂工业系统。相对而言，基于现代非线性信息处理技术的 软测量建模方法的发展较晚，研究也还比较分散。该技术目前一般主要应用于系统的故 障诊断、状态检测和过失误差侦破等，并常常和人工神经网络或模糊数学等人工智能技 术相结合。 本文选用基于回归分析的软测量建模，原因如下： 针对本文研究的磨矿粒度的软测量多数学者采用神经网路的方法建模。人工神经网 络建模有以下优点：建模时对机理依赖较低、容错性、可学习、并行计算，并且有强大 的处理非线性问题的能力。但神经网络建模方法又存在以下不足：数据对于模型的影响 较大。由于人工神经网络是通过预先提供的批相互对应的输入一输出数据，分析掌握 两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。故训练时 需输入大量的数据，并且数据应涵盖所有可能性。但软测量是一门与实际过程密切联系 的技术，数据的采集以及数据的分布、系统的噪声、系统的不确定性和复杂性等都会对 模型产生很大影响。 网络结构不易确定。人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特 征、学习规则等。目前，已有近4 0 种神经网络模型，其中有反传网络、感知器、自组 一10 东北大学硕士学位论文第1 章绪论 织映射、h o p f i e l d 网络、波耳兹曼机、适应谐振理论等。选取不同模型结构以及学习规 则都会对模型有很大影响，但却没有理论指导。 人工神经网络通过数据学习得到的模型