（应用数学专业论文）基于msr和bp神经网络的多辅助变量的软测量模型及其应用.pdf

摘要 摘要 软测艇技术也称为软仪表技术。概括地讲，所谓软测量技术就是利用易测过程变量 ( 豢稼力辕萌变量或= 次变豢) ，菝据这些爨测过程变量与滚数妻接测量魏德测过程交 麓( 常称为主导变鬣，例如粗汽油干点) 之间的数学关系( 软测量模型) ，通过各种数 学计算和馁计方法，从丽实现对特测量过程变量的测量。但是在多辘助变量的情况下， 难以建立特测过程变登的软测鬣模型。 本文精先建立了两种软测最模型，即多元逐步回归软测擞模型和b p 神经网络软测 麓模鳌。通过琵较两种软测薰模型的褪汽油干点的预测结采，发现存在以下阉鼹。 在软测量过程中，对于一燧异常样本数据，两种软测量模型对这数值的预测效果都 禳差。这黧髯常数嚣傻褥软溺爨模型静矮溅结果套较大偏差，透磊怼软测譬模蘩豹往l 产生影响，因此本文采用一些方法对输入数据进行预处理。 在软溅鲎过程孛，往往鸯缀多懿辕勃变量，嚣敬鞣韵交慧难疆选掭。辅助交蹩熬选 择由过程特性所决定，同时在实际应用中还应考虑经济性、w 靠性、可行性以及维护性 等额钤因素戆利约。如果直接使用过多糖韵变量会燃现过参数纯阕题，至于如僻选取最 佳辅助变激个数是一个有待研究的问题。多元逐步回归方法可以剔选变量，但是对于不 同的辅助变量组合，经过多元逐步回归方法剔选魇的剩余变激一般也不同。本文提出将 疆交试验设计和多元逐步回归结合的思憋来确定b p 神经网络软测量模型的输入神经元 个数。 在较测藿过程中，b p 裤经溅络其有鞍始静函数遥远及映瓣髓力，邋舍粗汽漓干熹薛 软测量建模。但为解决其拟合过程出现的训练速度慢的缺点，本文用欺轭梯度法来改进 糖准b p 爨法，夔褥收敛速度褥劐提毫。 最后，用软件实现软测量模型。实验结果表明，通过几个方面的改进工作，软测量 模型能较好豹实现糕汽油于点豹软测量。 荚键词软测量技术；享孛经网络；多元逐步回归；b p 算法；粗汽油予点 肇南理王大学理学琰圭学经谂文 a b s t ra c t s o f t - s e n s i n gt e c h n i q u e c a l la l s ob en a m e ds o f t - s e n s o rt e c h n i q u e & n e r a l l ys p e a k i n g , s o f t - s e n s i n gt e c h n i q u eu s e s t h em a t h e m a t i cr e l a t i o n s h i p ( s o f t - s e n s i n gm o d e l ) b e t w e e n s e c o n d a r y v a r i a b l e st h a ta r e e a s i l ym e a s u r e d a n d p r i m a r yv a r i a b l e st h a t 黜n o t , s u c h a sc r u d e g a s o l i n ee n d p o i n t , i m p l e m e n t st h em e a s n r eo f p r i m a r yv a r i a b l e sb y t h em e a n so fm a t h e m a t i c c o m p u t a t i o na n de s t i m a t i o n b u tf o rm a n ys e c o n d a r yv a r i a b l e s ，i t i sd i f f i c u l tt os e tu p s o f t - s e n s i n g m o d e l o f p r i m a r y v a r i a b l e t h ep a p e r f i r s t l y s e t u pt w os o f t - s e n s i n gm o d e l s ，w h i c h a r e m u l 卸l es t e p w i s e r e g r e s s i o n ( m s r ) s o f t - s e n s i n gm o d e la n db p n ns o f t - s e n s i n gm o d e l 。b yt h ec o m p 越s o n b e t w e e ne s t i m a t i v er e s u l t sf o rc r u d eg a s o l i n ee n d p o i n to ft h et w o s o f t s e n s i n gm o d e l s ，t h e r e e x i s tt h e f o l l o w i n gp r o b l e m s 。 i nt h em o d e l i n go f s o f t - s e n s i n g ，f o rt h ea b n o r m a ls a m p l ed a t a , t h ee f f e c to f e s t i m a t i o n o ft h et w o s o f t - s e n s i n gm o d e l sf o r t h ed a t ai sv e r yb a d t h ea b n o r m a ld a t am a l ( e st h et w o s o f t - s e n s i n gm o d e l sp r o d u c ee r r o r sf o re s t i m a t i v er e s u l t sa n da f f e c t st h e i rp e r f o r m a n c e s o t h e p a p e ra d o p t ss o m e m e t h o d st o 面t h e p r e 臼e a t m e n to f i n p u t d a t a i nt h em o d e l i n go f s o f t - s e n s i n g ，t h e r ea r eo f t e ns om a n ys e c o n d a r yv a r i a b l e st h a ti ti s d i f f i c u l tt os e l e c tt h es e c o n d a r yv a r i a b l e s t h es e l e c t i o no ft h es e c o n d a r yv a r i a b l ed e p e n d so n i t sp r o c e s sc h a r a c t e r i s t i c s a tt h es a m e t i m e ，i np r a c t i c a la p p l i c a t i o n s ，e c o n o m y 、r e l i a b i l i t y 、 f e a s i b i l i t y 、m a i n t e n a n c e ，a n ds oo n ，s h o u l db et a k e ni n t oa c c o u n t i fw eu s er a t h e rm o r e s e c o n d a r yv a r i a b l e sd i r e c t l y , i tc a nr e s u l ti no v e r - p a r a m e t e r i z a t i o np r o b l e m 。h o wt os e l e c tt h e b e s tn u m b e ro f s e c o n d a r yv a r i a b l e si sap r o b l e m w o r t h s t u d y i n g m s r m e t h o dc a ng e tr i do f a n ds e l e c tv a r i a b l e s ，b u tf o rd i 瑜r e n ts e c o n d a r yv a r i a b l ec o m b i n a t i o nt h er e s u l tv a r i a b l e so f t h em s rm e t h o da l ea l s od i f f e r e n t t h ep a p e r b r i n g sf o r w a r da ni d e a t h a tc o m b i n e st h em s r m e t h o dw i t ho r t h o g o n a le x p e r i m e n tt od e t e r m i n et h en u m b e ro f i n p u tn e r v ec e l lo fb p n n s o f t - s e n s i n gm o d e l i nt h em o d e l i n go fs o f t - s e n s i n g ，b p n ni ss u i t a b l ef o rt h ec r u d eg a s o l i n ee n d p o i n t s o f t - s e n s i n gm o d e l i n gf o ri t sa d v a n t a g eo ff i t t i n gf u n c t i o n s 。b u tt os o l v ei t ss l o wt r a i n i n g a 嚣s l x 矗ol s p e e ds h o r t c o m i n g ，t h ep a p e ru s e sc o n j u g a t eg r a d i e n tm e t h o dt oi m p r o v et h es t a n d a r db p a l g o r i t h m a n da d v a n c ei t sc o n v e r g e n c es p e e d f i n a l l y , t h es o f t * s e n s i n gm o d e l i s i m p l e m e n t e dw i t hs o f t w a r e t h ee x p e r i m e n tr e s u l t s s h o wt h a tt h es o f t - s e n s i n gm o d e lc a l lf o r e c a s tc r u d eg a s o l i n ee n d p o i n tr a t h e ra c c u r a t e l y t h r o u g h t h eb e t t e r m e n tw o r k k e y w o r d ss o f t - s e n s i n gt e c h n i q u e ：n e u r a ln e t w o r k ；m u l t i p l es t e p w i s er e g r e s s i o n b a c k p r o p a g a t i o na l g o r i t h m ：c r u d e g a s o l i n e e n d p o i n t m 华南理工大学 学位论文原创性声明 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掰研 究所取得的磅究成果。除了文中特别加以标注弓| 耀的内容外，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秘集体，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：丽亥日期：2 乃年i 月扩昆 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课蜜、使斌学位论文的规定， 同意学校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， 兔诲论文被查阅和猎阕。本人授毅华南理工大学酉以将本学位论文鲍 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 接等复制手段保存和汇编本学位论文。 保密口，在年解密后适脂本授权书。 本学位论文属于 不保密耐 ( 请在以一l 相应方框内打“”) 作者签名： 导师签名： 重乎荔 侈娣凝 日期：鹚年名月，。i ! 1 日期：汐口净舌月1 7 1 1 i 第一章绪论 第一章绪论 1 1 软测量的发展概况 1 3 ，2 8 ，2 9 1 1 1 软测量的概念 一般解决工业过程的测量要求有两条途径：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：另一就是采用 间接测量的思路，利用易于获取的其它测量信息，通过计算来实现被检测量的估计，近 年来在过程控制和检测领域涌现出的一种新技术软测量技术( s o f t - s e n s i n g t e c h n i q u e ) 正是这一思想的集中体现。 软测量技术也称为软仪表技术( s o f t - s e n s o rt e c h n i q u e ) 。概括地讲，所谓软测量技 术就是利用易测过程变量( 常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 ，例如工业过 程中容易获取的压力、温度等过程参数) ，依据这些易测过程变量与难以直接测量的待 测过程变量( 常称为主导变量p r i m a r y v a r i a b l e ，例如炼油厂精馏塔中的各种产品组分浓 度，化学反应器的反应物浓度和反应速率，生物发酵罐中的生物参数，化工、石油、冶 金、能源等领域广泛存在的两相流和多相流等) 之间的数学关系( 软测量模型) ，通过 各种数学计算和估计方法，从而实现对待测量过程变量的测量。 传统过程检测仪表的针对性非常明确，测量对象、范围和功能均具有一定的局限性， 且难以适应被测对象的多种变化。而采用软测量技术构成的软仪表( 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，其核心是用计算机语言编制的各种软件，具有智能 性，可方便地根据被测对象特性的变化进行修正和改进，因此软仪表在可实现性、通用 性、灵活性和成本等各方面均具有无可比拟的优势，其突出的优点和巨大的工业应用价 值不言而喻。 应该讲，软测量技术的基本思想早就被潜移默化地得到了应用。7 0 年代就已提出的 推断控制( i n f e r e n t i a lc o n t r 0 1 ) 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。然而软测量技术作为一个概括性的科学术语被提出是始于8 0 年代中后期，至此 它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研究的热潮。 经过多年的发展，目前己提出了不少构造软仪表的方法，并对影响软仪表性能的因素以 华南理工大学理学硕士学位论文 及软仪表的在线校正等方面也进行了较为深入的研究。软测量技术在许多实际工业装置 上也得到了成功的应用，并且其应用范围不断地拓展。早期的软测量技术主要用于控制 变量或扰动不可测的场合，其目的是实现工业过程的复杂( 高级) 控制，而今该技术已 渗透到需要实现难测参数的在线测量的各个领域。最新的研究进展表明，软测量技术已 成为过程控制和过程检测领域的一大研究热点和主要发展趋势之一。 1 1 2 软仪表构造与软测量技术的分类 软测量技术是依据某种最优化准则，利用由辅助变量构成的可测信息，通过软件计 算实现对主导变量的测量，软仪表的核心是表征辅助变量和主导变量之间的数学关系的 软测量模型，如图l l 所示，因此构造软仪表的本质就是如何建立软测量模型，即一个 数学建模问题。相应地，建立软测量模型的过程也就是软仪表的构造过程。需要指出的 是，由于软测量模型注重的是通过辅助变量来获得对主导变量的最佳估计，而不是强调 过程各输入输出变量彼此间的关系，因此它不同于一般意义下的数学模型。软测量模型 本质上是要完成由辅助变量构成的可测信息0 到主导变量估计y 的映射，用数学公式表 示即为：梦= ，【伊) ，其中夕为y 的估计值。 校正值 图i - i 软测量基本框架 f i g u r ei - i t h eb a s ef r a m e w o r ko f s o f t - s e n s i n g 主导变重 估计值 软测量技术的分类一般是依据软测量模型的建立方法。建模的方法多种多样，且各 种方法互有交叉，目前又有相互融合的趋势，因此很难有妥当而全面的分类方法。在此 暂且将软测量技术分成为机理建模、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系统信息处理技术等九种。相对而言， 前六种软测量技术的研究较为深入，在过程控制和检测中已有许多成功的应用，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。 ( 1 ) 基于工艺机理分析的软测量 第一章绪论 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 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，首先获得模型各变量组 合的大致框架，然后再采用逐步回归方法获得软测量模型。为简化模型，也可采用主元 回归分析法( p r i n c i p a lc o m p o n e n tr e g r e s s i o n ，简记为p c r ) 和部分最小二乘回归法 ( p a r t i a l l e a s t - s q u a r e sr e g r e s s i o n ，简记p l s r ) 等方法。从应用情况看，对于线性系统， 采用p c r 和p l s r 的效果差不多，对于非线性系统则采用p l s r 的效果较好。 总的来讲，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。 ( 3 ) 基于状态估计的软测量 如果系统主导变量作为系统的状态变量关于辅助变景是完全可观的，那么软测量问 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。该种软测量方法存在的缺点在于 对于复杂的工业过程，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 这种情况下该种软仪表可能会导致显著的误差。 ( 4 ) 基于模式识别的软测量 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 孥童理工大学壤学矮学霞论文 系统的特征，构成以模式描述分类为基础的模式识别模型。 基于横式镇囊方法建立豹软瓣量模鼙与传统豹数学模型不溺，窀怒耪敬系统豹输 入、输出数据为基础，通过对系统特征摄取而构成的模式描述模型。该方法的优势在于 玄逶爰予嫒芝系统宠验知识豹场合，可剃愆嚣豢掇撂数据来实现软测爨模垄。套实酝应 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。 ( s ) 基于人工捧经粼终的软测塞 基于人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，筒记a n n ) 的软测麓是近年来研究 最多、发展很快和应用范围很广泛的一种软测量披术。由于人工神经网络具有自学习、 联想记忆、自适应和簿线性遥邋等功能，基于人工神经嚼络盼软测量可在不具备对象的 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 鹣输入，瑟主导交薰律为网络游输窭，遴过网络瓣学习来解决不可灏嶷量懿软溺量淹 磁) ，模型的在线校藏能力强，并能适用于高度非线性和严熏不确定性系统，因此它为 瓣决复杂系统遂程参数熬较溅爱邂题提镞了一条毒效途径。 采用人工神经网络进行软测量建模宵两种形式：一种是利用人工神经网络_ 敷接建 模，焉网终来投誉常娥豹数学模型搓述辅麓变量纛主导变量斓爨关系，完残由可测售惑 空间到主导变量的映射，如图1 - 2 ( a ) 所示；另一种是与常规模型相结台，用人工神经 网络来估计常规模型骢模型参数，进两实现软测量，如图l ，2 ( b ) 所示。圈1 2 中的醒为 控制输入，y 为主导炎量的观测值，多为主导变量估计值，e 为误差。 图1 - 2 基于神经网络的软测量建模 f i g u r e1 - 2 s o f t s e n s i n gm o d e lb a s e d o i ln e u r a ln e t w o r k 4 第一章绪论 ( 6 ) 基乎模糊数学的软测量 模糊数学模仿人脑逻辑惑维特点，鬣处理复杂系统静一稀有效手浚，在过糕软测量 中也得到了大量应用。基于模糊数学的软测量所建立的相应模型是一种知识性模型。该 秘软测量方法将囊遗舍瘫溪予复杂工鼗过程孛被测对象呈凌夯魏夯皱豹不确定壤，难蔽 用常规数学定量描谶的场合。实际应用中常将模糊技术和其它人工智能技术相缡合，例 麴摸嬲数学秘人工亭枣经网络穗缝合构成摸獭享孛经潮络，终模嬲数学葶羹模式罄 别鞠结合 窀 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。 ( 7 ) 基予过程层橱成像的软测量 基于过程层析成像( p r o c e s st o m o g r a p h y ，简记f r ) 的软测量与熬它软测鬣技术不 同的是，它是一种以医学层树成像( c o m p u t e d z e x lt o m o g r a p h y ，简记c t ) 技术为基础 酌在线获敬过程参数二维或三维的实时分布信意的先进检测毅术，郎一般软测鬣技术所 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 蠢壤惠。囱予按术发蓑零平豹锱终，该秘软溅耋技术器蘸离工盈实弱纯还舂一定蘧离， 在过程控制中的直接应用还不多。 ( 8 ) 基予楣美分掇鹣较测量 基于相关分析的软测量技术是以随机过程中的相关分析理论为基础，利用两个或多 个可测疆枫信号阕的相关特性謇实现菜一参数的褒线测量。 该种软测量方法采用的疑体实现方法大多是糕相关分析方法，即利用各辅助变量 ( 随机信号) 闻的互棚关函数特性来进行软测量。题前这种方法主要应用于难测流体( 即 采用常瓶测量仪表难戳进行有效测量的流体) 流速或流量的在线测量和敌障诊断( 例如 流体输送筲道泄漏的检测和定位) 等。 ( ) 基予蠛代菲线瞧信悫楚璞援术的较溅量 基于现代非线性信息处理技术的软测量是利用易测过程信息( 辅助变量，宙通常是 糖夔秘籍号) ，采掰先遴酌苍患整理技本，逶i 雯簿辑获售爨嚣分辑麓理提取蘩号特捱 艇，从而实现某一参数的在线检测或过程的状态识别。 这静软测量技术豹基本愚想与基于棚关分辑毂软测量技术一致，都是透过繁号处理 来解决软测量问题，所不同的是具体信息处理方法不同。该种软测量技术的信息处理方 法太多是务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，阂此糍 通用于常规的信号处理手段难以适应的簸杂工业系统。 相对蕊言，基于现代非线性信息处理技术的软测量的发展较晚，研究也还比较分散。 5 华囊理工丈掌瑾学硕士学位论文 该种软测量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 常常葙天王神经网络袋模耧数学等人工餐能按术相结合。 1 1 3 影响软仪表性能的网素 l 、辅韵变慧酌选撵 辅助变量的选择包括变量的类型、数目和测点位置。这三个方面是相互关联的，并 康_ 造程特靛掰决定，溺融在实际应用中还琏考虑经济性、霉嚣经、可行性娃及维护牲等 额外因素的制约。 ( ) 变差类型的选择 辅助变量的选择要基于对过程的机理分析和实际工况的了解。辅助变量的选择应符 合如下若予原则： 过稷适用性，工程上易予在线获取并有一定的测量精度# 灵敏性，对过程输出或不可测扰动能作出快速反应； 特舞性，对过程输出或不可测挠麓之井静干扰不敏感； 准确性，构成的软测量仪表应能够满足精度要求； 鲁梅瞧，鼹辏黧误差不敏感等。 辅助变蹩类型的选择范围鼹过程的可测变量集，软测量中使用最广泛的是与童导变 量动态特瞧耩近、关系紧密豹w 测参数。由手对菜一具体粒对象纛言，其可测参数戆数 量毕竟不会太多，因此实际应用中辅助变量的选择范围仍是较为有限的。 ( 2 ) 变量数县的选择 辅助交麓的个数的下限值为被估计主导变量的个数，但赢接使用过多辅助变黧会出 现过参数化( o v e r p a r a m e t e r i z a t i o n ) 问题，其最佳数目的选择与过程的自由度、测量噪 声以及模型的不确定性等有关。至于如何选取最佳个数仍是一个有待研究的问题，至今 尚无较为统一的结论。一般建议从系统的自由度出发，先确定辅助变量的最小个数，再 缀台实际过疆戆特熹适当增燕，淤便更努惩处瑾动态特性等游蘧。 ( 3 ) 检测点位鼍的选择 对予许多工业过程，与各辅助变量相对应豹检测点位置戆选择是相当重要酶。典型 的例子就是化工过程中的精馏塔，因为精馏塔可供选择的检测点很多，而每个检测点所 熊发挥的捧髑列各不甥目。一般情凝下，辕勘变量黪数嚣窝绽嚣豢豢是弱粒确定豹，援 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。 6 第一章绪论 2 、测量数据的处理 软仪表是根据过程测量数据经过数值计算从而实现软测量的，其性能在很大程度上 依赖于所获过程测量数据的准确性和有效性，因此对测量数据的处理是软测量技术实际 应用中的一个重要方面。 测量数据的处理包括测量误差处理和测量数据变换两部分。 ( 1 ) 测量误差处理 在实际应用中，过程数据是来自现场的，受测量仪表精度、可靠性和现场测量环境 等因素的影响，不可避免地要带有各种各样的测量误差，采用低精度或失效的测量数据 可能导致软仪表测量性能的大幅度下降，严重时甚至导致软测量的失败，因此对测量数 据的误差处理对保证软仪表正常可靠运行非常重要。 测量数据的误差可分为随机误差和过失误差( g r o s se r r o r s ) 两大类。 随机误差是受随机因素( 例如操作过程的微小扰动和测量信号的噪声等) 的影响， 一般不可避免，但符合一定的统计规律，因此可采用数字滤波方法来消除，例如算术平 均滤波、中值滤波和阻尼滤波等。随着系统对精度要求的不断提高，近年来又提出了数 据协调( d a mr e c o n c i l i a t i o n ，也称为数据一致性) 处理技术，其主要的实现方法有主元分 析法和正交分解法等。 过失误差包括常规测量仪表的偏差和故障( 例如堵塞、校准不正确、零点漂移甚至 仪表失灵等) ，以及不完全或不正确的过程模型( 泄漏、热损失等不确定因素影响) 。在 实际过程中，虽然过失误差出现的几率很小，但将会严重恶化测量数据的品质，破坏数 据的统计特性，导致软测量甚至整个系统优化控制的失败，因此过失误差侦破、剔除和 校正是误差处理的首要任务。常用的方法有统计假设检验法( 如整体检验法、节点检验 法、测量数据检验法等) 、广义似然比法、贝时斯法等。统计假设检验法主要应用于测 量过程中过失误差的侦破；广义似然比法能处理模型化过失误差，且可应用于非稳态过 程；而贝叶斯法则提供了利用过去的错误数据来改进过失误差侦破的手段。同时基于人 工神经网络进行过失误差的侦破近年来也越来越受到重视。然而上述种种方法在理论和 实际应用之闻目前还存在一定距离，有待今后进一步深入研究。对于特剐重要的参数， 如采用硬件冗余方法( 如采用相同或不相同的多台检测仪表同时对某一重要参数进行测 量) ，可提高系统的安全性和可靠性。 ( 2 ) 测量数据变换 测量数据变换不仅影响模型的精度和非线性映射能力，而且对数值算法的运行效果 7 华南理工大学理学硕士学位论文 也有重要作用。测量数据的变换包括标度、转换和权函数三个方面。 实际过程测量数据可能有着不同的工程单位，各变量的大小间在数值上也可能相差 几个数量级，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， 因此需要采用合适的因子对数据进行标度，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方面，通过对数据的转换，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。 3 、软仪表的在线校正 工业实际装置在运行过程中，随着操作条件的变化，其过程对象特性和工作点不可 避免地要发生变化和漂移，因此在软仪表的应用过程中，必须对软测量模型进行在线校 正才能适应新的工况。 软测量模型的在线校正包括模型结构的优化和模型参数的修正两方面。通常对软仪 表的在线校正仅修正模型的参数，具体的方法有自适应法、增量法和多时标法等。对模 型结构的优化( 修正) 较为复杂，它需要大量的样本数据和较长的时间。为解决软仪表 模型结构在线校正和实时性两方面的矛盾，已提出基于短期学习和长期学习思想的校正 方法，人工神经网络技术在该领域大有可为。此外还有人提出了分布式神经网络局部学 习的方法，以减轻点校正对全局的影响。 软测量模型校正需要考虑校正数据的获取问题以及校正样本数据与过程数据之间 在时序上的匹配等问题。在可以方便地获取较多校正数据的情况下，模型的校正一般不 会有太大的困难。但在校正数据难以获取的情况下( 例如人工离线取样分析的场合) ， 模型的校正较为困难，此时模型校正采用何种方法是一个很值得考究的问题。 为实现软测量模型的长时间自动更新和校正，一般可设置一软测量模型评价软件模 块。该模块首先根据实际情况作出是否需要模型校正和进行何种校正的判断，然后再自 动调用模型校正软件对软测量模型进行校正。 1 1 4 软测量技术的应用 由于软仪表可以像常规过程检测仪表一样为控制系统提供过程信息，因此软测量技 术目前已经在过程领域得到了广泛应用。图1 3 概括地表示了软测量技术在过程控制系 统中的应用。 应用软仪表进行工业过程控制的典型代表就是前面提到的推断( 理) 控制，这也是 研究报道较多的一种基于软测量技术的控制系统。推断控制系统的一般结构如图1 - 4 所 8 第一章绪论 示。在图1 - 4 中，各变量均可为向量，t 代表被控变量( 系统的主导变量y ) 的设定值， u 为控制输入，p 为软测量输出，开关k 代表采样输出或人工分析取样，所获数据将用 于软仪表的在线校正。同时从图中还可以看出，控制器和软仪表是相互独立的，因而它 们的设计可以独立进行。 基于软仪表的反馈控制系统一般都可以归结为图1 - 4 所示的结构。在这种框架下， 如果软仪表能达到一定的精度，能够代替硬件仪表实现某种参数的测量，那么软仪表就 能够与几乎所有的反馈控制算法结合，构成基于软仪表的控制。更为重要的是软测量技 术可以解决高级过程控制实际应用中的测量问题。越高层次的过程控制越是需要关于过 程的更多的和更深层的信息，而软仪表可直接为高级过程控制提供被控变量和其它过程 信息，从而构成基于软仪表的高级过程控制，例如将推断控制和预测控制策略相结合可 构成推断预测控制，将推断控制和自适应控制策略相结合可构成自适应推断控制等。 图1 - 3软测量技术在过程控制系统中的应用 f i g u r e1 - 3a p p l i c a t i o n so fs o f t - s e n s i n gt e c h n i q u ei np r o c e s sc o n t r o ls y s t e m 9 华南理工大学理学硕士学位论文 图1 4 反馈推断控制系统 f i g u r e1 - 4 f e e d b a c ki n f e r e n t i a lc o n t r o ls y s t e m 生产过程的在线优化近年来越来越受到重视，常用的是在线稳态优化。对于实际优 化问题而言，其目标函数往往是装置或系统整体的经济效益，同时包含质量指标约束， 产品的产率、质量等是优化问题中最重要的独立或非独立变量。采用软测量技术可提供 优化问题所需的各变量测量值，从而使在线优化问题的构造和求解成为可能。 由于采用软测量技术一方面可以获取更多的过程信息，另一方面由于软仪表的载体 是计算机软件，可以通过合理的编程，综合运用各种所获信息实现过程的故障诊断和状 态监测等，并对生产过程进行评估和协调，因此软测量技术在过程监测和生产管理等方 面也有十分重要的作用。 目前软测量技术的思想已渗透到过程检测领域的各个方面，对整体参数测量水平的 提高和过程检测技术的发展起到了重要的推动作用。 1 1 5 软测量技术的发展前景 9 0 年代以来，软测量技术的发展相当迅速，在理论研究和实际应用两方面均取得了 多方面的成果，展示了良好的工业应用前景。毫无疑问，软测量技术不仅现在是研究热 点，也必将成为未来过程控制和过程检测领域的一个重要研究发展方向。 虽然软测量技术的研究己从静态发展到动态，从线性发展到非线性，从无校正发展 到有校正，但它毕竟是一门新技术，发展还不成熟，系统的理论体系目前也尚未形成， 仍有不少理论和实践问题有待于今后进一步研究。根据目前的研究现状和进展，以下三 个方面是软测量技术今后研究的重点。 ( 1 ) 测量数据处理 1 0 第一章绪论 测量数据的处理，尤其是过失误差的处理，对提高软仪表的准确性和可靠性具有重 要的作用。目前对于数据处理的理论研究已取得了不小的成绩，但离实际应用还有较大 的距离。如何缩小理论和实践间的差距以提高数据处理水平是今后很值得研究的课题。 ( 2 ) 软仪表在线校正技术 软仪表在线校正技术对软仪表的实际应用具有重大意义，但迄今为止校正方法十分 有限，因此研究更多的实用校正方法以适应复杂过程的要求，亦将是软测量技术研究发 展的重要内容。 ( 3 ) 神经网络建模 软测量模型是测量技术的核心。神经网络技术由于具有非线性逼近和自学习功能， 特别适用于复杂非线性系统，同时近年来应用神经网络技术建立软测量模型的研究已显 示出该种建模方法的巨大潜力，因此神经网络建模将是很有发展前途的研究方向。 同时由于过程对象的复杂性，很难期望用一种技术来完美地解决目前存在的问题， 因此充分应用现代控制理论、人工智能和信息处理技术等的先进研究成果，并将它们与 软测量技术相结合，也将是软测量技术今后发展的一大潮流。 1 2 多元逐步回归的发展概况 2 7 当应用回归分析去处理实际问题时，碰到的头一个重要问题就是选择回归自变量。 一般说来，根据问题本身的专业理论及有关经验，研究人员往往尽可能多地罗列出可能 与因变量有关的自变量，生怕遗漏重要变量。其中有一些变量对因变量实质上根本没有 影响或影响很小。如果回归模型把这样一些变量都包含进来，不但计算量大，而且估计 和预测的精度也会下降。在有些情况，获得某些自变量的观测数据所花的代价较大，如 果这些自变量本身与因变量的关系很小或根本就没有关系，但错误地选进模型，会使模 型应用的费用不必要地升高。正是由于这些原因，在应用回归分析时，有必要对进入模 型的自变量作精心选择。 回归分析中，自变量的选择所涉及的计算量都很大。所以在本世纪六十年代以前， 人们多局限于从理论上讨论剔除或添加一个自变量所引起的后果。随着高速电子计算机 日益广泛的应用，这个方向得到了迅速发展，提出了许多变量选择的准则、实用的计算 方法和程序。就选择准则或标准而言，不少是从某种直观想法出发的。某些基于残差平 方和的方法可以归入这一类；也有的是从某种目标出发，如：要求回归系数估计准确些， 华南理工大学理学硕士学位论文 要求预测偏差的方差小些等等。不同的思维方法导出了不同的标准，不同的标准导出了 不同的选择方法，因而所选到的“最优”变量组( 或称“最优”变量子集) 也就不同。 关于计算方法的重要性是不言自明的。因为自变量选择的问题所涉及的计算量都很大， 一个好的选择准则既要在理论上有相当的吸引力，又要有有效的计算方法使之能付之实 用。在本世纪六十年代和七十年代，人们提出了很多有效的计算方法，不仅计算时间省， 而且存储量也控制在一定的范围内。使许多变量选择准则得以应用。 筛选自变量的方法有很多，其中多元逐步回归( m u l t i p l es t e p w i s er e g r e s s i o n ，简记 m s r ) 是目前使用较为广泛的选择最优回归方程的方法。具体做法是，事先给定一个剔 选变量的标准。按自变量对因变量的贡献大小由大到小依次挑选进入方程：每选入一个 变量进入方程，则重新计算各自变量对因变量的贡献。并考察已在方程中的变量是否由 于新变量的引入，其作用被新变量代替或部分代替了，抑制了它的作用并退化为不显著。 如果有，则将它剔除。并重新计算各自变量对因变量的贡献。如仍有变量低于入选标准， 则继续考虑剔除，直到方程内变量均符合入选标准，没有自变量可被剔除，再考虑选变 量。直到方程内没有变量可被剔除，方程外没有变量可被引进为止。剔选变量的过程结 束。 1 3 人工神经网络的发展概况【1 8 ，2 4 1 3 1 人工神经网络的概念和特征 人工神经网络( a n n ) 至今还没有一个公认权威的定义。有一种定义是：“人工神经网 络是生理学上的真实人脑神经网络的结构和功能，以及若干基本特性的某种理论抽象、 简化和模拟而构成的一种信息处理系统。”从系统观点看，人工神经网络是由大量神经 元通过极其丰富和完善的连接而成的自适应非线性动态系统。神经元之间的连接方式不 同，神经网络的结构形态也就不同。 生理学上的神经元就是指神经细胞。它由细胞体、树突、轴突和突触四部分组成。 树突负责信息输入，轴突用来输出。一个神经元的树突和另一个神经元的轴突连接的地 方叫突触。 由大量神经元连接就组成了人工神经网络。它具有人脑的部分特征。比如： ( 1 ) 分布储存和容错性； ( 2 ) 大规模并行处理； 1 2 第一章绪论 ( 3 ) 自学习、自组织和自适应性； ( 4 ) 表现出复杂的非线性动态系统的特征； ( 5 ) 可以处理一些环境信息复杂、知识背景不清楚和推理规则不明确的问题。 1 3 2 人工神经网络的发展历程 人工神经网络的研究有半个世纪的历史，中间有过很长时期的低潮期。大体上分为 四个阶段。 ( 1 ) 早期阶段 1 9 4 3 年美国心理学家w a r r e ns m o c u l l o c h 与数学家w a l t e rh p i t t s 合作，用逻 辑的数学工具，研究客观事件在形式神经网络中的表述，从此开创了对神经网络的理论 研究。他们首先提出了神经元的数学模型，简称为m p 模型。1 9 4 9 年心理学家d 0 h a b b 提出了关于神经网络学习机理的“突触修正假设”。h a b b 学习规则作为假设提出，正确 性在3 0 年后得到证实。现在被作为经典的学习算法加以发展和应用。1 9 5 7 年 f r a s e n b l a t t 首次提出并设计制作了著名的感知器。第一次从理论研究转入工程实现 阶段，掀起了第一次研究人工神经网络的高潮。1 9 6 2 年，b e r n a n d w i d r o w 和m a r c i a nh o f f 提出了自适线性元件网络，简称a d a l n i n c ( a d a p t i v el i n e a re l e m e n t ) 。 1 9 5 1 年m a r v i nm i n s k y 和d e a ne d m o n d s 合作创建了学习机。还设计了一个成功模 拟老鼠走迷宫搜索食物的行为的机器。但到了1 9 6 9 年，m i n s k y 和p a e r t 发表的专著 ( p e r c e p t r o n ) 却引起了神经网络研究的一场灾难。这本书指出线性感知器不能解决非线 性分类和高阶谓词问题。悲观的结论使人工神经网络的研究迅速转入低潮。而实际上， 他们提出的问题是可以用多层网络解决的。 ( 2 ) 7 0 年代( 过渡期) 低潮期的a n n 研究没有停顿。1 9 6 7 年，日本的甘利俊一( s b u mi c h ia m a r r i ) 提出了 自适应模式分类的一种学习理论，以后又多次扩展了他的工作。1 9 7 2 年，j a m e sa n d e r s o n 和芬兰的t u e r ok o h o n e n 分别提出了各自的联想技术。a n d e r s o n 的模型后来经过发展， 称为盒中脑状态b s b ( b r a i n s t a t e i n a - b o x ) 。k o h o n e n 最著名的成果是学习向量量化 l v r ( l e a r n i n gv e c t o rq u a n t i z a t i o n ) 网络。两种模型都发展出了各自的人工神经元 系统a n s 。 ( 3 ) 8 0 年代的新高潮 a n n 研究第二次高潮到来的标志和揭开神经网络计算机研制序幕的是美国加州理工 华南理工大学理学硕士学位论文 学院生物物理学家j j h o p f i e l d 于1 9 8 2 年和1 9 8 4 年在美国神学院院刊上发表的两篇 文章。他提出了h o p f i e l d 网络模型，并首次引入能量函数( 李雅普诺夫函数) 的概念， 给出了网络稳定性的判据。1 9 8 4 年提出了网络模型实现的电子电路，为神经网络的工程 实现指明了方向。1 9 8 4 年h i n t o n 和s e j