（控制科学与工程专业论文）软测量建模方法研究及其工业应用.pdf

摘要 现代工业过程对控制系统越来越高的要求促进了软测量技术的发展，作为解 决现代复杂工业过程中较难甚至无法由硬件在线检测参量的实时估计问题的有 效手段，软测量已经成为目前过程控制领域的研究热点之一，受到了国内外学者 和生产企业的广泛关注。本文以实际工业过程为背景，结合化工过程的工艺知识， 对软测量建模若干方法进行了深入的研究，并对软测量技术在实际工业过程中的 应用进行了探讨和实践。本文的主要研究工作如下： i ) 提出了一种基于改进的f a s b a e k 模糊神经网络的新型软测量建模方法，改进 方法采用收敛性较好的l e v e n b e r g m a r q u a r d t 算法训练f a s b a c k 模糊神经网络 模型中的部分参数，其余参数仍然采用原b p 算法进行训练。由于f a s b a c k 模糊神经网络既有神经网络的非线性拟合能力，又具有较强的分类能力，因 此，既适用于多输入单输出( m i s o ) 情况下的软测量建模又适用于多输入 多输出( m o m o ) 情况下的软测量建模。将所提出的建模方法分别用于 m i s o 情况下精对苯二甲酸( p r i a ) 生产过程中的4 - c b a 含量软测量建模和 m i m o 情况下的复合肥养分含量：氮、五氧化二磷、氧化钾含量软测量建模， 经实际工业过程数据验证表明，提出的m i s o 和m i m o 软测量模型学习速 度快、预测精度高、鲁棒性强，不仅为实现p t a 生产过程中4 - c b a 含量的 实时、精确控制提供了一条有效的途径，而且为m i m o 软测量建模方法进 行了一次有益的尝试。 针对复合肥生产过程中产品的几种养分含量需要同时预报的一类多输入多 输出( m i m o ) 软测量建模问题，提出了一种基于混合建模技术的复合肥养 分含量m i m o 软测量建模方法。该方法充分利用了过程的工艺知识，将简 化机理建模方法与数据驱动建模方法结合起来建立复合肥养分含量的 m i m o 软测量模型；同时，充分考虑了m i m o 系统采集数据的严重相关性 和大量冗余信息的存在，所以数据驱动建模方法选用了具有强大的处理相关 和冗余信息能力的p l s 算法；此外，在该算法中采用了一种新的方差递推算 法，从而实现p l s 模型的在线更新以克服模型在线应用时的老化现象。该算 浙江大学博士学位论文 法充分利用了两种建模方法的优点，克服了其各自的局限性，基于实际工业 过程数据的仿真结果表明，所建模型运算速度快、预测效果良好，模型预测 结果与化验室分析结果趋势比较吻合，预测精度高，可以满足复合肥各养分 含量在线预报要求。 3 1 将基于混合建模方法的复合肥养分含量m i m o 软测量模型应用于实际工业 过程中复合肥养分：氮、五氧化二磷、氧化钾含量的实时估计，通过对数据 采集、预处理、时序匹配、软测量建模以及在线校正环节的精心实施，实现 了过程的实时监控，在复合肥生产中起了重要的指导作用。实际运行结果显 示所采用的软测量方法不仅实现简单，而且运算速度快、模型预测结果与化 验室分析结果趋势较为吻合，满足了复合肥各养分含量在线实时预报的要 求。 4 1 提出了一种基于混合建模技术的自适应软测量建模方法以解决软测量模型 实际运行后的模型老化现象。该混合建模方法首先采用模糊c 均值聚类 ( f c m ) 算法对训练样本进行聚类，并对每一类分别采用支持向量机进行训 练建立子模型以提高模型的预测精度。当新增样本到来时，对支持向量机进 行增量学习以便显著减少运算时间并提高模型适应工况变化的能力。由于支 持向量机运算的复杂性取决于支持向量的个数，因此，当增加一个支持向量 时，采用启发式策略去掉支持向量机工作集中的一个老的支持向量并进行减 量学习，从而可以在软测量模型中不断增加能够代表新工况的信息样本的同 时控制工作样本集的规模。将所提出的软测量建模方法用于对二甲苯( p x ) 吸附分离过程纯度的预测，仿真结果表明所提出的建模方法可以有效地增强 软测量模型适应工况变化的能力，提高其预测精度。 关键词：软测量，建模方法，多输k 多输出系统，混合建模，在线实时估计， 模糊神经网络，简化机理模型，部分l d , - - 乘，模糊c 均值聚类，增量支持向 量机 n a b s t r a c t t h eh i i g h c rp e r f o r m a n c er e q u i r e m e n t so fc o n t r o ls y s t e m sf o rm o d e r ui n d u s t r i a l p r o c e s sh a v eb e e np r o m o t i n gt h ed e v e l o p m e n to fs o f ts f f o s o rt e c h n i q u e i nm o d e m c o m p l i e a t e x li n d u s t r i a lp r o c e s s ，s o m ev a r i a b l e sa r ev e r yh a r dt ob em e a s u r e do re v e n c a n n o tb em e a s u r e do n - l i n eb ye x i s t i n gi n s t r u m e n t sa n ds f f l s o r s s o f ts e n s o ri sa n e f f e c t i v em e a n so f i m p l e m e n t i n gt h eo n - l i n ee v a l u a t i o no f t h e s ev a r i a b l e s a tp r e s e n t s o f ts e n s o rt e c h n i q u eh a sb e c o m eo n eo f t h em o s ti m p o r t a n tr e s e a r c ha r e a si np r o c e s s c o n t r o lf i e l d c o m b i n i n gt e c h n i c sk n o w l e d g eo fc h e m i c a le n g i n e e r i n gp r o c e s s ，s o m e ： m o d e l i n gm e t h o d so fs o f ts e n s o rt e c h n i q u ea r es t u d i e di n t e n s i v e l yi nt h i sd i s s e r t a t i o n f u r t h e r m o r e ，t h ep r o b l e m so fs o f ts f f l l s o r si m p l e m e n t i n gf o ri n d u s l a - i a lp r o c e s s e sa r e a l s os t u d i e da n ds o l v e d t h em a i nc o n t r i b u t i o n sa r ed e s c r i b e da sf o l l o w s ： 1 ) a n e ws o f ts e n s o rm o d e l i n gm e t h o db a s e do ni m p r o v e df a s b a c kn e u r o - f u z z y s y s t e m i s d e v e l o p e d l e v e n b e r g - m a r q u a r d ta l g o r i t h mi su s e dt o t r a i ns o m e p a r a m e t e r si nt h em o d e l ，w h i l et h er e s i d u a lp a r a m e t e r sa l es t i l lt r a i n e db yb p a l g o r i t h m b a s e d0 1 1p r a c t i c a lp r o c e s sd a t a , t h ep r o p o s e di m p r o v e df a s b a c k n 鲫r o - f u z z ys y s t e mi sa p p l i e dt ob u i l ds o f ts e n s o rm o d e lo f 4 - c b ac o n c e n t r a t i o n o fp u r i f i e dt e r e p h t h a l i ca c i d ( p t a ) p r o d u c t s i m u l a t i o nr e s u l t si n d i c a t et h a tt h e p r o p o s e dm o d e li sp r e c i s ea n de f f i c i e n ta n di ti sp o s s i b l et or e a l i z et h eq u a l i t y c o n t r o lo fp t ap r o d u c ti nt h ec o m m e r c i a lr e a c t o r b e c a u s eo ft h ep o w e r f u l c l u s t e r i n ga n dn o n l i n e a rr e g r e s s i o nc a p a b i l i t y , f a s b a c kn e u r o f u z z ys y s t e mi s a l s ov e r ys u i t a b l et om u l t i i n p u tm u l t i - o u t p u t ( m i m o ) s o f ts e n s o rm o d e l i n g s o ， t h ep r o p o s e dm o d e li sa l s ou s e dt ob u i l dam i m os o f ts e l l s o rm o d e lt oe v a l u a t e t h et h r e eq u a l i t yv a r i a b l e ss i m u l t a n e o u s l yi nc o m p o u n df e r t i l i z e r p r o c e s s s i m u l a t i o nr e s u l t si n d i c a t et h ep r o p o s e dm o d e lp o s s e s s e sg o o dc o n v e r g e n c ea n d p r e d i c t i o np r e c i s i o n i ti sau s e f u lt r yi nm i m o s o f ts e n s o rm o d e l i n gm e t h o d 2 ) i nv i e wo ft h ep r o b l e mt h a tt h et h r e eq u a l i t yv a r i a b l e si nc o m p o u n df e r t i l i z e r p r o d u c t i o nn e e dt ob em o n i t o r e da n dc o n t r o l l e ds i m u l t a n e o u s l y , an e wm o d e l i n g m e t h o do fm u l t i - i n p u t sm u l t i o u t p u t s ( m i m o ) s o f ts e n s o r , w h i c hi sc o n s t r u c t e d n l 浙江大学博士学位论文 b a s e do nh y b r i dm o d e l i n gt e c h n i q u e ，i sp r o p o s e df o rt h e s ei n t e r a c t i o n a lv a r i a b l e s n et e c h n i c si n f o r m a t i o no ft h ep r o c e s si sf u l l yu s e di nt h i sm o d e l i n gm e t h o d , t h a ti s c o m b i n gt h es i m p l i f i e df i r s tp r i n c i p l eo ft h ep r o c e s sa n dd a m - d r i v e n m o d e l i n gm e t h o dt o g h t h e rt ob u i l dt h em i m o s o f ts e n s o rm o d e lo ft h ec o n t e n t s o fc o m p o u n df e r t i l i z e rp r o c e s s t h ep e r t i n e n c ea n dr e d u n d a n c yo ft h ed a t aa r e c o n s i d e r e da tt h es a m et i m e ，s ol i m i t e dm e m o r yp l sa l g o r i t h mt h a ti s v e r y p o w e r f u li ns o l v i n gp e r t i n e n c ea n dr e d u n d a n c yi sc h o s e na st h ed a t a d r i v e n m o d e l i n gm e t h o d f u t h e r m o r e ，an e wv a r i a n c er e c u r s i v ea l g o r i t h mi sa d o p t e di n t h el i m i t e dm e m o r yp l sa l g o r i t h m ，t h e r e f o r et h ep l sm o d e lc a nb eu p d a t e d o n - l i n e s i m u l a t i o nr e s u l t sb a s e do np r a c t i c a lp r o c e s sd a t ai n d i c a t et h a tt h e p r o p o s e dm o d e li sf a s t , p r e c i s ea n de f f i c i e n ta n di ti sp o s s i b l et or e a l i z et h e o n l i n eq u a l i t yc o n t r o lf o rc o m p o u n df e r t i l i z e r 3 、t h em i m os o f ts e n s o rm o d e lt h a ti sb a s e do nh y b r i dm o d e l i n gm e t h o di sa p p l i e d f o rap r a c t i c a lc o m p o u n df e r t i l i z e rp r o c e s st oe v a l u a t et h ec o n t e n to fn i t r o g e n , p 2 0 5a n dk 2 0o n - l i n es i m u l t a n e o u s l y , a n dt h e r e f o r ep r o c e s sm o n i t o r i n gi s i m p l e m e n t e d 砧ed e t a i lp r o c e d u r e sa r ed e s c r i b e di nd e t a i l i n c l u d i n gt h e s o f t w a r ea n dh a r d w a r ep l a t f o r mo fs o f ts e n s o ri m p l e m e n t i n g ，d a t ac o l l e c t i o n , d a t ap r e t r e a t m e n t , t i m ea l i g n m e n tm a t c h i n gb e t w e e nt h ep r i m a r yv a r i a b l e sa n d t h ep r o c e s sv a r i a b l e s ，t h em o d e l i n gs t e p so ft h es o f ts e n s o r , a n dt h eo n - l i n es o f t s e u s o rm o d e lr e c t i f i c a t i o n i nt h i sd i s s e r t a t i o n , t h eo n - l i n ee v a l u a t i n gv a l u e sa r e p r e s e n t e d t h er e s u l t si n d i c a t e t h a tt h e p r o p o s e d m o d e lc a ns a t i s f yt h e r e q u i r e m e n to fo n - l i n ee v a l u a t i n go ft h et h r e eq u a l i t yv a r i a b l e si nc o m p o t m d f e r t i l i z e rp r o c e s s 钔i no r d e rt oo v e r c o m et h ep r o b l e mt h a ts o f ts e n s o rm o d e l sc a n n o tb eu p d a t e dw i t h t h ep r o c e s sc h a n g e s ，a na d a p t i v es o f ts e n s o rm o d e l i n ga l g o r i t h mb a s e do nh y b r i d m o d e l i n gm e t h o di sp r o p o s e d i nt h i sh y b r i dm o d e l i n gm e t h o d , t h et r a i n i n g s a m p l e sa r ef i r s t l yc l u s t e r e db yf u z z yc - m e a n s ( f c m ) a l g o r i t h m ，a n dt h e nb y t r a i n i n g e a c hc l u s t e r i n gw i t hs v ma l g o r i t h m ，s u b m o d e li sb u i l tt oe a c h c l u s t e r i n gi no r d e rt oi m p r o v et h ee v a l u a t i o np r e c i s i o no ft h es o f ts e n s o rm o d e l w h e na n i n c r e m e n t a ls a m p l et h a tr e p r e s e n t sn e wo p e r a t i o ni n f o r m a t i o ni s a b s t r a c t i n t r o d u c e di nt h em o d e l ，i n c r e m e n t a ll e a r n i n gi s a p p l i e dt ot h ec o r r e s p o n d i n g s v ms u b - m o d e li no r d e rt or e d u c i n gc o m p u t i n gt i m ea n di n c r e a s i n gt h em o d e l s a d a p t i v ea b i l i t i e s t ov a r i o u so p e r a t i o nc o n d i t i o n s b e c a u s et h e c o m p u t i n g c o m p l e x i t yo fs v md e p c n d so i at h en u m b e ro ft h es u p p o r tv e c t o r s ，w h e nan e w s u p p o r tv e c t o ri sa d d e d , a l lo l ds u p p o r tv e c t o rc h o s e nb yh e u r i s t i cs a m p l e d i s p l a c e m e n tm e t h o dw a st h e nd i s c a r d e df r o mt h es u b - m o d e lt oc o n t r o lt h es i z e o ft h ew o r k i n gs e t t h ep r o p o s e dm e t h o di sa p p l i e dt op r e d i c tt h ep - x y l e n e ( p x ) p u r i t yi na na d s o r p t i o ns e p a r a t i o np r o c e s s s i m u l a t i o nr e s u l t si n d i c a t et h a tt h e p r o p o s e dm e t h o da c t u a l l yi n c r e a s e st h em o d e l sa d a p t i v ea b i l i t i e st ov a r i o u s o p e r a t i o nc o n d i t i o n sa n d i m p r o v e si t sg e n e r a l i z a t i o nc a p a b i l i t y k e y w o r d s ：s o f ts e n s o r , m o d e l i n gm e t h o d ；m u l t i i n p u tm u l t i - o u t p u ts y s t e m ；h y b r i d m o d e l i n g ；o n - l i n er e a l - t i m ee v a l u a t i o n ；f u z z yn e u r a ln e t w o r k ；f i r s tp r i n c i p l em o d e l ； p a r t i a ll e a s ts q u a r e s ；f u z z yc - m e a n sc l u s t e r i n g ；i n c r e m e n t a ls u p p o r tv e c t o rm a c h i n e v 第一章绪论 摘要分析了软测量技术对化工生产过程的意义和必要性：对软测量技术的原 理框架做了概略性的描述，并对构建软仪表的五个环节：辅助变量的选择、数据 采集及预处理、主导变量与辅助变量之间的时序匹配、软测量模型的建立、软测 量模型在线校正分别进行了介绍；重点对软测量的各种建模方法：传统的建模方 法、基于统计分析的建模方法、基于统计学习理论的建模方法、基于人工智能的 建模方法及混合建模方法进行了回顾和总结；讨论了软测量技术的应用现状；最 后介绍了全文的主要研究工作及内容结构。 关键词软测量，机理模型，神经网络，部分最小二乘，支持向量机，模糊建模， 混合建模 1 1 引言 近年来，随着现代科学技术的迅猛发展，各类生产过程，如冶金、化工、炼 油、轻工和电力等已经发生了显著的变化，以前简单的、局部的、常规的控制方 法已经不能满足现代生产工艺的要求。为了保证生产过程的正常进行和获取最大 的经济效益，先进控制和优化控制纷纷被应用于现代生产过程中。在应用过程中 首先遇到的一个难题就是许多产品质量变量的在线测量。另一方面，在目前激烈 的市场竞争中，产品质量已经成为企业赖以生存和发展的关键。我国已经提出了 “质量兴国”的战略方针，并把提高产品质量作为一项基本国策来对待【1 1 。对产 品质量的认识，目前已经发展到了一个前所未有的新高度；目前，对产品质量的 直接控制比任何时候都更加引起人们的关注。 然而，不管是在先进控制手段的应用过程中还是对产品质量的直接控制过程 中，一个最棘手的问题就是难以对产品的质量变量进行在线实时测量。不光是一 些产品的质量指标，还有一些与产品质量密切相关的重要过程参数，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、精馏塔的塔顶和塔底 产品的组分浓度等等，由于受工艺和技术的限制而难以或无法通过硬件传感器在 线检测。目前，生产过程中通常采用定时离线分析的方法，即每隔几小时采样一 1 浙江大学博士学位论文 次，送化验室进行人工分析，然后根据分析值指导生产。由于人工分析通常滞后 几个小时，且采样周期较长，因此远远不能满足在线控制的要求。 为了解决这类变量的控制问题，工业上往往采用以下两种方法：即间接质量 指标控制和直接质量指标控制。所谓间接质量指标控制是指通过对与质量变量相 关的其它变量进行控制从而达到间接控制质量变量的目的，如精馏塔的灵敏板温 度控制、温差控制等。但这种方法往往存在较大的局限性，而且精度不高，因为 即使把某些间接质量指标控制的非常好，也不能保证直接质量指标的控制和生产 效益最好。直接质量指标控制是指对产品质量变量直接进行控制，因此需要得到 产品成分或转化率等直接质量指标的反馈信号，通常采用在线分析仪表来获得。 但是目前在线分析仪表价格昂贵，维护困难，其分析数据的可靠性也有待于进一 步的提高，而且仍然有较大的分析滞后，因此如果直接以在线分析仪表的分析数 据作为质量控制的反馈信号，不但可能给控制品质带来恶劣影响，甚至可能造成 系统不稳定。 软测量技术正是为了解决这类变量的实时测量和控制问题而逐渐发展起来 的。软测量技术的理论根源是2 0 世纪7 0 年代b r o s i l o w 提出的推断控制。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 ，也 称为二次变量) ，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【2 】【3 】【4 】。推断控制系统的设计包括推断估计器的设 计和控制器的设计。推断估计器是控制器的基础，也是整个推断控制系统设计的 关键。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关系， 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【5 l 。 控制器的设计可采用传统或先进的控制策略，并以估计器的估计值作为反馈信号 构成整个推断控制系统从而实现对过程主导变量的实时控制。因此，估计器的设 计是整个推断控制系统的关键。 软测量技术正体现了推断估计器的特点。软测量技术又称为软仪表技术，目 前已经在过程控制与优化中得到了广泛的应用，即将软仪表作为控制系统中的反 馈环节或估计器，与各类控制器、控制策略相结合，并为之提供快速准确的过程 主导变量信息，从而构成推断控制系统。由于在推断控制系统的框架下，控制器 和软仪表相互独立，因此其设计可以独立进行。如果软仪表能达到一定的精确性、 2 第一章绪论 实时性和可靠性以代替硬仪表实现某种参数的测量，那它就能与几乎所有的反馈 控制算法相结合，构成基于软测量的控制。显然，软仪表的性能是影响这种控制 系统性能的关键，在目前控制和优化算法已比较完善的情况下，开发高性能的软 仪表成为提高质量控制系统性能的关键。 作为一门有着广阔发展前景的新兴工业技术和综合自动化的关键技术之一， 软测量技术近年来取得了较大的进展，目前已经成为过程控制行业中令人瞩目的 研究领域。由于无论工业过程的控制、优化还是检测都离不开对过程主导变量的 检测，软测量成为各种控制方法成功应用的基础，所以m c a v o y 将软测量研究看 作化工过程控制研究的首要问趔6 】同。目前，国内外越来越多的人开始了软测量 的研究，软测量的研究已经涉及到了石油、化工、食品、生物、冶金等许多工业 应用领域8 1 1 9 1o 】【”】【1 2 1 【1 3 】【1 4 】【1 5 1 。研究也逐渐拓展和深入，软测量的理论体系已逐 渐开始完善。在此文中将结合近几年进行软测量理论研究和工程实践的一些体 会，对软测量技术的建模方法及相关方面进行系统综述，对前人的研究成果进行 一下回顾和总结。 1 2 软测量技术基本原理 基于软测量的推断控制系统的原理框架如图1 1 所示，虚线内为软测量的基 本结构。其中，为设定值，甜为控制输入，吐为可测扰动，以为不可测扰动， 口为辅助变量，y 为主导变量，y 。为主导变量定时离线分析值， y 为软测量模 型输出值。 ， r 图1 1 基于软测量的推断控制结构图 软测量技术的基本思想是根据某种最优准则，选择一组既与主导变量有密切 关系又容易测量的变量，通过构造某种数学关系，来估计主导变量。用数学关系 3 浙江大学博士学位论文 式可以表达为 y + = 厂( 吐，”，臼，y ，t ) ( 1 一1 ) 即软测量模型的输出将依赖于控制输n u 、可测扰动吐、辅助变量护的选取以及 估计函数关系f ( ) 。另外，离线分析值y 通常被用于软测量模型的校正。 建立软测量仪表的步骤包括：辅助变量的选择、数据预处理、主导变量与 辅助变量之间的时序匹配、软测量模型的建立以及软测量模型的在线校正等五个 环节。下面将对这五个环节逐一介绍。 1 2 1 辅助变量的选择 辅助变量的选择是建立软测量模型的第一步，这一步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，对软测量的成功与否至为关 键。辅助变量的选择包括变量类型的选择、变量数量的选择和检测点位置的选择。 辅助变量的选择范围是过程对象的可测变量集。对辅助变量的选择，一般是 首先根据工艺机理分析，在可测变量集中选择所有与主导变量相关的初始辅助变 量，然后根据文献 1 6 1 提出的灵敏性( 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) 、工程适用性( 工程 上易于获得并能达到一定的测量精度) 、精确性( 构成的软仪表能达到要求的精 度) 、鲁棒性( 构成的软仪表对模型误差不敏感) 的原则选择最终的辅助变量。 辅助变量数目的下限是主导变量的数量，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。变量数目必须满足精简性原则，即尽可能用最少数 目的变量获得精度足够的模型。而检测点的位置则主要由过程的动态特性所决定 【】7 】。 更为有效的选择辅助变量的方法是在根据工艺机理进行初步选择的基础上， 采用主元分析的方法，即利用采集的过程历史数据做统计分析计算，通过主元贡 献率的排序实现辅助变量的选择【1 9 】。此外，也有人采用粗集理论 2 0 j 、遗传算 法【2 1 1 等实现辅助变量的选择。 4 第一章绪论 1 2 2 数据采集及预处理 在选定了影响过程主导变量的辅助变量的基础上，如何采集过程数据也是一 个非常重要的问题，因为输入数据的正确性和可靠性关系到软测量模型的输入精 度。在软测量建模所用的数据中，包括辅助变量的实时测量数据和主导变量的分 析数据，这里的数据预处理主要是针对辅助变量的实时测量值而言的，对主导变 量的分析值一般不作处理。 数据采集主要是指软测量建模所需训练样本数据的采集。在进行数据采集 时，要注意使采集的样本空间尽量覆盖整个操作范围，同时要本着有代表性、均 匀性和精简性的原则进行选取阴。所谓有代表性和均匀性，是指采集的每一个数 据在样本空间要有一定的代表性，采集的数据不仅要覆盖整个操作范围，而且在 每个特征点选取的样本量要均匀，不能在某一个特征点上重复大量选取，而在其 余特征点上只有零星数据。所谓精简性是指选取的样本数量不要太大，只要保证 模型的训练效果即可，否则会导致网络结构过于复杂、学习困难、模型泛化性能 差。本文研究的软测量一般为静态估计，因此在数据采集时应尽量采集装置平稳 运行时的数据。 由于现场测量数据都是通过安装在现场的传感器、变送器等仪表获得，受仪 表精度和生产环境的影响，测量数据都不可避免地含有误差，甚至有严重的显著 误差，以至测量值不能精确地反映过程的一些内在物理和化学规律，如果将这些 测量数据不加处理而直接用于软测量建模，必然会导致模型精度降低乃至完全失 效，因此，必须对输入数据进行误差处理。 一般认为测量数据的误差分为随机误差和过失误差两类【2 2 1 。随机误差的产生 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。随机误差是不 可避免的，但由于它符合统计规律，因此可以通过一定方式消除。消除随机误差 工程上通常使用数字滤波方法，如中位值滤波、均值滤波、滑动平均值滤波、加 权滑动平均值滤波及低通滤波等。数据协调方法是近年来提出的消除随机误差的 新方法，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，以便及时准确地检测误差的存在，进而剔除或补偿其影响 嘲。由于根据物料平衡和能量平衡建立精确的数学模型并不容易，因此，目前工 e 浙江大学博士学位论文 程上使用较多的仍然是数字滤波方法来消除随机误差的影响。过失误差来源于人 为因素、仪表的系统偏差( 如校正不准、基准漂移、仪器失灵等) 以及不完全或 不正确的过程模型( 如管道泄漏、热损失等) 。在实际过程中，过失误差出现的 几率很小，但它的存在会严重恶化数据的品质，因此必须及时侦测和剔除。常用 的处理方法有：人工剔除法、技术辨别法、多种测量法及统计检验法。人工剔除 法是根据经验对一些偏离较大的数据以手工进行剔除；技术辨别法是根据物理或 化学的性质，进行技术分析，以辨别偏差较大的数据是否异常；多种测量法是借 助多种测量手段对同一变量进行测量，然后进行比较；统计检验法是根据测量数 据的统计特性进行检验，如广义似然比法【2 3 】，贝叶斯法，主元分析法【2 5 1 等。 由于化工过程的复杂性，一般进行详细的理论分析不太可能，同时由于经济性等 原因，也不可能对一个过程变量用几种不同的方法进行测量再进行比较，因此通 常采用人工剔除法结合统计分析法对过失误差进行侦测并剔除。近年来也有将小 波分析应用于数据处理的文献【2 “。 在对采集的数据进行误差处理之后，还需要对数据进行标准化处理。因为工 业过程中的测量数据有着不同的工程单位，变量之间在数值上可能相差几个数量 级，直接使用这些数据进行计算有时不能真正反映数据本身的变化情况，也有可 能会由于计算机字长有限而丢失信息，甚至引起算法的数值不稳定性问题。在测 量数据用于软测量建模之前，通常对其进行数据标准化处理，即同时对数据进行 中心化处理和无量纲化处理。 1 2 3 主导变量与辅助变量之间的时序匹配 主导变量与辅助变量之间的时序匹配指的是确定主导变量对应于各个辅助 变量的滞后时间。由于各种干扰因素的存在，实际工业过程很难达到理想稳态， 因此，为了使软测量模型在各种干扰因素存在的情况下仍然能够较精确地估计主 导变量的变化趋势，在建模时必须指定各个辅助变量的滞后时间。 滞后时间是指从辅助变量发生变化到主导变量发生变化所经历的时间，一般 由传输滞后和容量滞后组成。在建模过程中，必须要对辅助变量和主导变量进行 时序匹配，以保持两者在时间上的对应关系。由于在软测量建模过程中，主导变 量的真值通常来源于离线人工分析，而从采样到获得人工分析值需经历一段时 6 第一章绪论 间，这段时间称为分析滞后。在需要主导变量的真值对软测量模型进行校正时， 还必须要考虑分析滞后的影响。由于分析滞后的时间通常是固定的，而离线人工 分析通常为定时采样，因此分析滞后比较容易确定。文献【2 7 】指出了时序匹配对 软测量模型在线校正的重要性。 在工程上，确定滞后时间的方法通常是在对工艺机理进行深入分析的情况 下，依据工业流程的停留时间、管道长度等先验知识来确定 2 8 1 。另外，文献 2 9 】 提出了最大相关系数法和模糊曲线法确定滞后时间。 1 2 4 软测量模型的建立 软测量模型的建立是软测量技术的核心。软测量模型是研究者在深入理解过 程机理的基础上，利用建模、辨识的方法得出的适用于估计的模型。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得对主导变量的最佳估计。 建立软测量模型的方法多种多样，本文1 3 节将对目前软测量技术的建模方 法进行总结和分析。 1 2 5 软测量模型在线校正 以石油化工为典型代表的连续工业生产过程中，一般难以甚至无法建立严格 精确的数学模型来描述实际工业过程，而工业过程软测量技术的核心模型一般仅 能大致反映实际过程本质的变化趋势，因此模型误差必然存在，要实现对实际工 业过程变量的长期在线精确估计是十分困难甚至是不可能的。此外，即使模型本 身可以较为准确地描述过程变化，在软测量模型投入运行后，由于系统的时变性、 不确定性和非线性，随着时间的推移，测量对象的特性和工作点都可能发生变化， 从而使模型误差加大。另外，由于根据软测量模型所得到的估计是基于现场所采 集的数据信息，而现场数据的可靠性存在很大的不确定性，如罐的虚假液位、在 线分析仪表的测量精度漂移和其它不定期清洗等原因，经常会导致数据失真；同 时由于工业过程本身和相应的参数测量过程一般存在时滞现象，而且滞后时间随 实际工业生产状况的变化而发生经常性的波动等等，这些都可能严重影响工业数 据的可靠性，这些基于软测量模型进行参数估计的方法所遇到的问题必须充分考 虑，而借助于性能良好的在线校正技术就是解决这些问题的有效手段和可靠保 7 浙江大学博士学位论文 证。 软测量模型在线校正可以分为模型参数校正和模型输出校正。模型输出校正 是以软测量模型的估计值与实际对象主导变量分析值的偏差来修正软测量模型 当前的估计值。这种校正技术比较简单，而且易于在线实现，但只适用于工况变 化不大的场合，当工业对象的工作点发生漂移时，仅用这种校正方法就不够了， 此时还应该对模型参数进行校正。模型参数在线校正即在线校正软测量模型的参 数，通常可以采用具有自适应性的软测量模型，随着时间的推移，根据样本不断 修正模型参数3 0 l 3 1 】f 3 2 】 3 3 1 。此外，文献 3 4 】采用函数链神经网络技术对铜液温度软 测量模型参数进行在线校正。文献【3 5 】提出了一种在线双重滚动校正算法，将模 型输出校正与具有自适应性的软测量模型结合起来，取得了较好的建模效果。 文献 3 6 】提出了短期学习和长期学习的思想对软测量模型进行校正，短期学 习以离线分析值和模型输出值之差为动力，在不改变模型结构的情况下，根据新 采集的数据对模型中的有关系数进行更新；而长期学习则是在原料、工况等发生 较大变化时，利用新采集的较多数据重新建立模型。在这种方法中，长期学习是 对软测量模型结构的校正，是在离线情况下进行的。 1 3 软测量建模方法概述 软测量建模方法经历了从线性到非线性、从无校正到有校正的历程。目前， 建立软测量模型的方法有很多，总的来说可以归纳为传统的软测量建模方法、基 于统计分析的方法、基于统计学习理论的方法、人工智能方法及混合建模方法等。 下面将对这几种建模方法作逐一介绍。 1 3 1 传统的软测量建模方法 1 3 1 1 机理建模方法 机理建模方法建立在对工艺机理深刻认识的基础上，通过列写宏观或微观的 质量平衡、能量平衡、动量平衡方程、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。文献 3 7 】给出了对精馏过程组 分进行估计的机理模型，文献【3 8 1 对原油塔馏分的估计也是用的机理建模方法。 8 第一章绪论 与其它方法建立的软测量模型相比，机理模型的可解释性强、工程背景清晰、 便于实际应用，是最理想的软测量模型。但是，建立机理模型必须对工业过程的 工艺机理认识得非常清楚，由于化工过程中普遍存在的非线性、复杂性和不确定 性的影响，很多过程难以进行完全的机理建模。此外由于机理模型一般是由代数 方程组、微分方程组甚至偏微分方程组所组成，当模型复杂时，其求解过程计算 量很大，收敛慢，难以满足在线实时估计的要求。 1 3 1 2 基于对象数学模型的方法 由于软测量是控制学中的一个分支，因此在其发展初期，很多人尝试使用控 制学中的基于对象数学模型的方法来建立软测量模型。常用的方法有基于状态估 计的方法、基于线性模型的方法和基于非线性模型的方法。这些方法一般是建立 在k a l m a n 滤波器【3 9 】和扩展的k a l m a n 滤波器【4 1 1 的基础上的。如果描述对象的 是稳态模型，则软仪表可采用b r o s i i o