第五讲软测量技术

软测量技术陈刚自动化学院,软测量技术是一门有着广阔发展前景的新兴工业技术，已发展成为过程检测技术与仪表研究的主要方向之一。本讲将介绍前沿的软测量应用技术，能从控制系统整体出发考虑如何应用软测量设计方法完成复杂难测过程参数的在线检测。软测量通常是在成熟的硬件传感器基础上，以计算机技术为核心，通过软测量模型运算处理完成的。,软测量技术的提出,到目前为止，在实际生产过程中，存在着许多因为技术或经济原因无法通过传感器进行直接测量的过程变量，如精馏塔的产品组分浓度、生物发酵罐的菌体浓度、高炉铁水中的含硅量和化学反应器中反应物浓度、转化率、催化剂活性等。传统的解决方法有两种：一是采用间接的质量指标控制，如精馏塔灵敏板温度控制、温差控制等，存在的问题是难以保证最终质量指标的控制精度；二是采用在线分析仪表控制，但设备投资大、维护成本高、存在较大的滞后性，影响调节效果。软测量技术应运而生,软测量技术的基本概念,软测量技术也称为软仪表技术，就是利用易测过程变量（称为辅助变量或二次变量），依据这些易测过程变量与难以直接测量的待测过程变量（称为主导变量）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，从而实现对待测过程变量的测量。,软测量技术的基本概念,软测量的基本思想是把自动控制理论与生产工艺过程知识有机结合起来，应用计算机技术，对于一些难于测量或暂时不能测量的重要变量（主导变量），选择另外一些容易测量的变量（辅助变量），通过构成某种数学关系来推断和估计，以软件来代替硬件功能。,软测量技术的基本概念,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；以成熟的传感器检测为基础，以计算机技术为核心，通过软测量模型运算处理而完成。,软测量的意义,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的重要的过程参数打破了传统单输入、单输出的仪表格局能够在线获取被测对象微观的二维/三维时空分布信息，以满足许多复杂工业过程中场参数测量的需要可在同一仪表中实现软测量技术与控制技术的结合便于修改有助于提高控制性能,软测量的适用条件,无法直接检测被估计变量，或直接检测被估计变量的自动化仪器仪表较贵或维护困难通过软测量技术所得到的过程变量的估计值必须在工艺过程所允许的精确度范围内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是否需要校正被估计过程变量具有灵敏性、精确性、鲁棒性等特点,软测量的数学描述,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，即构造从可测信息集到的映射：,软测量的数学描述,建立软仪表的过程就是构造一个数学模型。在许多建立软仪表的方法中，要以一般意义下的数学模型为基础。软仪表与一般意义下的数学模型区别：数学模型主要反映y与u或d之间动态(或稳态)关系软仪表是通过求y的估计值。,软测量的结构,基于工艺机理分析的软测量方法,主要是运用物料平衡、能量平衡、化学反应动力学等原理，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，则难以建立合适的机理模型。,基于回归分析的软测量方法,通过实验或仿真结果的数据处理，可以得到回归模型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和部分最小二乘回归法等方法。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，对测量误差较为敏感。,基于状态估计的软测量方法,基于某种算法和规律，从已知的知识或数据出发，估计出过程未知结构和结构参数、过程参数。对于数学模型已知的过程或对象，在连续时间过程中，从某一时刻的已知状态y(k)估计出该时刻或下一时刻的未知状态x(k)的过程就是状态估计。如果系统的主导变量作为系统的状态变量关于辅助变量是完全可观的，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。,基于状态估计的软测量方法,采用Kalman滤波器和Luenberger观测器是解决问题的有效方法。前者适用于白色或静态有色噪声的过程，而后者则适用于观测值无噪声且所有过程输入均已知的情况。,基于知识的软测量方法,基于人工神经网络的软测量建模方法是近年来研究最多、发展很快和应用范围很广的一种软测量建模方法。由于能适用于高度非线性和严重不确定性系统，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。,基于知识的软测量方法,基于模糊数学的软测量模型也是一种知识性模型。该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，且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他人工智能技术相结合，例如将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。,基于知识的软测量方法,基于模式识别的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结合在一起使用。,基于知识的软测量方法,基于现代优化算法的软测量是利用易测过程信息（辅助变量，它通常是一种随机信号），采用先进的信息优化处理技术，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。,软测量的实施,对于大型工业生产装置，软测量通常是在生产装置现有的软、硬件平台上实施，一般包含如下基本功能块：实时数据平台：实现各模块与生产过程交换实时数据及模块间的快速交换I/O接口：负责过程数据的采集和软测量计算结果的输出故障诊断和数据处理：对过程数据进行故障诊断和所需的数据处理，为软测量的实时计算模块提供数据以及必要的信息监视和整定：提供给工程师或操作员的界面，给工程师提供维护的接口，可以对软测量进行监控、模型调整、参数设置、命令选择等,软测量的工业应用,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控制领域得到了广泛应用，下图概况地表示了软测量技术在过程控制系统中的应用：,软测量的工业应用,过程操作和监控：软仪表实现成分、物性等特殊变量的在线测量，而这些变量往往对过程评估和质量非常重要。没有仪表的时候，操作人员要主动收集温度、压力等过程信息，经过头脑中经验的综合，对生产情况进行判断和估算。有了软仪表，软件就部分地代替了人脑的工作，提供更直观的过程信息，并预测未来工况的变化，从而可以帮助操作人员及时调整生产条件，达到生产目标。,软测量的工业应用,过程控制：可以构成推断控制推断控制：利用模型由可测信息将不可测的被控输出变量推算出来，以实现反馈控制，或者将不可测的扰动推算出来，以实现前馈控制的一类控制系统。,软测量的工业应用,过程优化：软测量为过程优化提供重要的调优变量估计，成为优化模型的一部分；软测量本身就是重要的优化目标，如质量等，直接作为优化模型使用。根据不同的优化模型，按照一定的优化目标，采取相应的优化方法，在线求出最佳操作参数条件，使系统运行在最优工作点处，实现自适应优化控制。,多元统计回归分析,回归分析：对具有相关关系的两个或两个以上变量之间数量变化的一般关系进行测定，确立一个相应的数学表达式，以便从一个已知量来推测另一个未知量，为估算预测提供一个重要的方法。回归的种类：按自变量的个数分：一元回归、多元回归按回归线的形状分：线性回归、非线性回归,多元线性回归,一元回归分析：研究的是两个变量x和y之间的相关关系，其中x、y都是随机变量。多元线性回归分析：假设p个自变量为xi(i=1,2,p)，因变量为y，y可表示为自变量xi的线性组合，即：,2.2.3回归函数系数的确定,多元线性回归的目的就是通过自变量的n组测量估计出回归系数。用于建立软测量模型时，将p个自变量作为辅助变量，因变量y为待测主导变量，呈上式表示的线性关系，采用多元线性回归估计出回归系数，建立线性回归模型，并基于该软测量模型实现待测主导变量y的估计。,回归函数系数的确定,多元线性回归的数学模型用矩阵表示为：,回归函数系数的确定,根据最小二乘估计原理，的最小二乘估计值为：则得线性回归方程（软测量模型）为：,主元分析和主元回归,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，即当X中存在线性相关的变量时，不存在，不能采用多元线性回归方法。若X的变量接近线性关系，则多元线性回归方法计算不稳定。为了解决线性回归时由于数据共线性而导致病态协方差矩阵不可逆问题，以及在尽可能保持原有信息的基础上减少变量个数，简化建模，可以采用统计学中的主元分析和主元回归方法。,主元分析和主元回归,主元回归方法是基于对数据矩阵X所进行的主元分析，其基本思想是：先运用主元分析从数据矩阵X中提取主元，他们是原有变量的线性组合，且彼此相交，其中前k个主元在满足正交约束的条件下，已包含了绝大部分信息量，而剩下的那些主元基本上不含有多少有用的信息，将这些剩下的主元略去，可以消除多元线性回归存在的问题，并使模型降阶。然后，采用前k个主元作为新的自变量进行回归，获得新的回归模型。,主元分析和主元回归,对多元线性回归模型假设输入数据矩阵X（mn维）已列零均值化或标准化，定义X的协方差矩阵为:对其进行正交分解其中是的m个特征值按降序排列构成的对角矩阵（）；是特征矩阵，由与特征值相对应的特征向量组成,主元分析和主元回归,定义为第k个主元的方差贡献率，为前k个主元的累积方差贡献率。根据累积方差贡献率（一般选取85%）或通过交叉校验决定主元个数。如选择前k个主元，对X进行正交分解：其中T是主元矩阵（或评分矩阵、投影矩阵），其元素称为主元向量；P是负载矩阵，其元素称为负载向量,主元分析和主元回归,根据上式，可得主元回归方程：基于最小二乘估计可得B的估计值为：由于可得采用原多元线性回归方程形式的回归系数估计为：,主元分析和主元回归,说明：对矩阵X进行主元分解，本质上是对矩阵进行特征向量分析。矩阵X的负载向量pi实际上就是矩阵A的特征向量，将矩阵A的特征值按从大到小顺序排列，这些特征值对应的特征向量即为矩阵X的负载向量pi。若原自变量间存在复共线性，则矩阵A的第k个以后的特征值已接近于0，第k个以后的主元向量的取值也几乎为0，去掉这些向量对信息的损失很小，并同时消除了复共线性的影响。由于一般k远小于m，主元回归实际上实现了的线性变换,主元分析和主元回归,算法步骤：（1）数据预处理，对X、Y按列标准化（2）求相关矩阵R（3）求R的特征值和特征向量P（4）根据特征值从大到小重新排列特征值和特征向量P（5）计算主元贡献率（6）计算累积主元贡献率，当其大于85%，记录主元个数k（7）计算主元矩阵（8）计算回归系数,系统辨识方法,系统辨识的定义：系统辨识就是在输入输出数据的基础上，从给定的模型类中确定一个与所测系统等价的模型该定义明确了系统辨识三要素：-输入和输出数据基础-模型类寻找模型的范围-等价准则优化目标系统辨识的实质就是从一组模型类中选择一个模型，按照某种准则，使之能最好地拟合所关心的实际过程的动态特性,系统辨识的步骤,系统辨识的步骤：,系统辨识的步骤,系统辨识的框图：,系统辨识方法分类,非参数模型的辨识和参数模型的辨识：非参数模型的辨识方法也称为经典辨识方法，这类辨识方法获得的模型是非参数模型，它在假定被辨识系统是线性的前提下，通过对其施加特定的输入信号，测定其相应的输出响应，以求得被辨识系统的非参数模型，然后经过适当的数学处理，转化为系统的参数模型传递函数。主要的方法有：脉冲响应法、阶跃响应法、频率响应法、相关分析法和谱分析法等。,系统辨识方法分类,参数模型的辨识方法也称为现代辨识方法，这类辨识方法必须事先假定一种模型结构，通过极小化模型与系统之间的误差准则来估计模型的参数。如果模型结构事先无法确定，则必须利用模型结构辨识方法首先确定模型的结构参数（如阶次、纯延迟等），然后再进一步估计其参数。主要的方法有：最小二乘法、极大似然法、预报误差法等。,系统辨识方法分类,不同辨识目的对模型和辨识的要求：,数学模型的分类,数学模型的分类方法有很多，通过对数学模型的分类，有助于按照具体的应用目的确定一个合适的模型：从概率的角度分：确定性模型、随机性模型按模型与时间的关系分：静态模型、动态模型按时间刻度分：连续时间模型、离散时间模型按参数与时间的关系分：定常模型、时变模型按参数与输入输出的关系分：线性模型、非线性模型按模型的表达形式分：参数模型、非参数模型按参数的性质分：集中参数模型、分布参数模型按输入输出个数分：SISO模型、MIMO模型,数学模型的分类,离散时间系统的数学模型：动态的离散系统输入、输出采样值序列u(k)和y(k)之间的关系可以表示成如下的n阶线性差分方程：也称为自回归滑动平均（Auto-regressivemovingaverage）模型，简称ARMA模型对上式进行Z变换，在零初始条件下输出变量的Z变换对输入变量的Z变换之比，就是该离散系统的脉冲传递函数：,数学模型的分类,离散时间系统的数学模型：记：则：对随机系统，考虑噪声的影响，则有：其中e(k)为噪声项。,数学模型的分类,离散时间系统的数学模型：根据噪声的情况，模型可分为如下几种：（1）MA模型（2）AR模型（3）ARMA模型,上式总称为ARMAX模型，也称为CARMA模型（带控制量的ARMA模型）,最小二乘法,最小二乘法是数学家高斯于1795年首先提出的，当时高斯是利用它来确定行星的轨道参数。高斯提出：未知量的最大可能的值是这样一个数值，它使各次实际观测和计算值之间的差值的平方乘以度量其精确度的数值以后的和为最小。这一估计方法的特点是计算原理简单。此后，最小二乘法被用来解决许多技术问题。针对它的各种应用场合，提出了相应的数值计算方法。根据各种特定的要求，对最小二乘法本身也进行了修正和改进。,最小二乘法,在辨识和参数估计领域，最小二乘法已经是一种基本的重要估计方法。它既可以用于动态系统也可用于静态系统，既可用于线性系统也可用于非线性系统，既可用于离线估计也可用于在线估计，既可用于参数模型的辨识也可用于非参数模型的辨识。,一般最小二乘法,辨识问题的提法：设被辨识系统的数学模型为：记考虑到噪声的影响，有：辨识问题就是已知系统阶数n和L组输入输出观测数据u(k),y(k)(k=1,2,L)的情况下，估计A(z-1),B(z-1)的系数使最小。,一般最小二乘法,最小二乘求解：将模型写成最小二乘的形式：其中：令，共N次观测，可得矩阵形式如下：其中,一般最小二乘法,最小二乘求解：引入最小二乘准则：其中：称为模型残差或方程误差。可见，模型残差包含两个误差因素：一是参数估计带来的拟合误差；二是随机噪声带来的误差,一般最小二乘法,最小二乘求解：最小二乘估计是在残差平方和准则函数极小意思下的最优估计，即按照准则函数：来确定估计值。求J对的偏导数并令其等于0，得：即：上式称为正则方程，当非奇异时，可得最小二乘估计值：,加权最小二乘法,如果准则函数取为加权函数，即：其中称为加权因子，对所有的k，都必须是正数。极小化上述准则得到的估计值称为加权最小二乘估计：式中W为一对称正定阵，若取W=I，则即最小二乘法是加权最小二乘法的一种特例。,递推最小二乘法,一次完成算法的缺陷：矩阵求逆的计算量大，存储量也大每增加一次观测量，都必须重新计算如果出现列相关，即不满秩的情况，为病态矩阵，则不能得到最小二乘估计值解决这些问题的办法是把它化成递推算法，依观测次序的递推算法就是每获得一次新的观测数据就修正一次参数估计值，新的估计值在老的估计值基础上修正而成，这样不仅无需矩阵求逆，减少计算量和存储量，而且可以实现在线辨识。,递推最小二乘法,记N次观测数据组成的向量方程为：上式的最小二乘解为：记则：如果再增加1组新的观测值，则又增加1个方程，由N+1个方程组成都向量方程为：其中,递推最小二乘法,由此得到新的参数估计值：式中：应用矩阵求逆公式可得与的递推关系如下：,递推最小二乘法,由此得到：式中为增益矩阵，记为，而为预报误差,3.2.4递推最小二乘法,综合上述推导，可得递推最小二乘估计算法如下：递推过程如下：,递推最小二乘法,递推算法的停机准则可按下式选取：式中为参数向量的第i个元素在N+1次的递推计算结果，为给定的表示精度要求的某一正数。,最小二乘遗忘因子法,数据饱和现象：所谓数据饱和现象，就是随着时间的推移，采集的数据越来越多，新数据提供的信息被旧数据所淹没。如果辨识算法对新、旧数据给予相同的信度，则随着从新数据中获得的信息量下降，算法就会慢慢失去修正能力，这时参数估计值可能还偏离真值较远就无法更新了。对时变过程来说，它将导致参数估计值不能跟踪时变参数的变化。这是因为P0正定，而即由此可知，PN是递减的正定阵。随着递推次数的增加，会导致，所以增益阵GN+1也将随着N的增加而逐渐趋于零向量，从而使RLS算法失去修正能力。,最小二乘遗忘因子法,遗忘因子法：基本思想：对旧数据加上遗忘因子，按指数加权来使得旧数据的作用衰减。最小二乘估计值为：指标函数为新增观测yN+1之后的数据阵则加衰减因子后的数据阵为,最小二乘遗忘因子法,可得如下递推公式：,最小二乘遗忘因子法,令称为遗忘因子，遗忘因子必须是接近于1的正数，通常选择。遗忘因子法的递推算法（RFF）可归纳为：,基于参数辨识的软测量基本原理,基于辨识的软测量方法就是把软测量转化为对对象的模型辨识，把可以获知的参数作为辅助变量，在对象模型结构已知的情况下，把对象模型参数作为主导变量，对其进行参数辨识，辨识结果就是参数软测量值。假设过程数学模型为：对于大多数过程模型，模型参数不一定有明确的物理意义，但是它们和特定的或难测的物理参数有着一定的隐含关系，从而为软测量提供了间接途径。,基本原理,设模型参数和物理参数的间接关系为：辨识获得模型参数的估计值，求取对应的被测参数。基本过程如下图所示：,基于人工神经网络的软测量方法,神经网络的基本概念,人工神经元模型：人工神经元模型是生物神经元的抽象和模拟。通常一个神经元可能有多个输入端，但只有一个输出端，一般是多输入单输出的非线性器件，这个输出值是对所有输入值处理后的结果。,神经网络的基本概念,人工神经元输入与输出之间的关系：转换函数的作用：控制输入对输出的激活作用对输入、输出进行函数转换将可能无限域的输入转换成指定的有限范围内的输出,神经网络的基本概念,几种常见的转换函数：阈值型：线性型：双曲函数：Sigmoid型：高斯型：,神经网络的基本概念,神经网络的特点,并行分布处理能力非线性映射能力通过训练进行学习可以硬件实现,神经网络的结构类型,前馈型神经网络（Feedforward）：*神经元分层排列，可有多层*每层神经元只接受前层神经元的输入*同层神经元之间无连接,神经网络的结构类型,反馈型神经网络（Feedback）：*全反馈型：内部前向，输出反馈到输入*层内互连型：层间元相互连接,神经网络的学习方法,人工神经网络的学习方式：*有监督学习：需要有个教师提供期望或目标输出信号，系统根据期望的和实际的网络输出间的差来调整神经元连接的权值,神经网络的学习方法,人工神经网络的学习方式：*无监督学习：不需要知道期望输出，在训练过程中，只要向神经网络提供输入模式，神经网络就能够自动地适应连接权,神经网络的学习方法,人工神经网络的学习方式：*强化学习：不需要给出目标输出，它采用一个评论员来评价与给定输入相对应的神经网络输出的优度,神经网络的学习方法,人工神经网络的学习算法：*Hebb学习规则-如果两个神经元同时兴奋(即同时被激活)，则它们之间的突触连接加强-Hebb学习规则是一种无监督的学习规则，常用于自组织网络或特征提取网络,神经网络的学习方法,人工神经网络的学习算法：*Delta学习规则-用已知样本作为教师对网络进行学习-学习规则可由二次误差函数的梯度法导出-误差校正学习规则实际上是一种梯度方法,BP神经网络,BP（BackPropagation）网络结构：*多层前馈神经网络，其神经元的变换函数是S型函数*权值的调整采用反向传播的学习算法*输出量是0到1之间的连续量，它可实现从输入到输出的任意的非线性映射,BP神经网络,BP学习算法：*属于Delta算法，是一种监督式的学习算法*主要思想：对于q个输入学习样本：P1,P2,Pq，已知与其对应的输出样本为：T1,T2,Tq使网络输出层的误差平方和达到最小用网络的实际输出A1,A2,Aq,与目标矢量T1,T2,Tq之间的误差修改其权值，使Am与期望的Tm,(ml,q)尽可能接近,BP神经网络,BP学习算法：由两部分组成正向传播过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态如果在输出层未得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望目标,BP神经网络,BP学习算法推导：网络关于第p个样本的误差函数为：网络关于所有样本的误差函数为：权值的调整是沿着误差的负梯度方向进行调整，即：对于输出层有：,BP神经网络,BP算法推导：因此输出层权值调整公式为：对于隐层：(先考虑层),4.2BP神经网络,BP算法推导：依次类推，可求得第q层：则隐层的权值调整公式为：,RBF神经网络,RBF(RadialBasisFunction)网络的结构：-具有单隐层的前馈神经网络-隐单元的变换函数是径向基函数,RBF神经网络,RBF网络的输入输出关系：,RBF神经网络,RBF网络的学习算法：*有教师学习阶段：训练由隐层到输出层之间的权值,基于神经网络的软测量基本原理,基于神经网络的软测量方法主要是利用神经网络强大的建模能力，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。,基于神经网络的软测量基本原理,基于神经网络的建模方法属于辨识建模，这种辨识方法的主要特点是辨识模型易于实现和对非线性映射关系的逼近性能良好。软仪表的概念常用于特指基于神经网络的过程主变量在线估计或预测模型，辅助变量一般被表示为神经网络的输入，而神经网络的输出为主变量的预估值。,基于神经网络的软测量应用实例,气固两相流中固相质量流量的软测量：气固两相流中固相质量的在线测量，对气固两相流工业过程的检测和控制具有重要意义。以稀相气力输送粉料过程中的固相质量流量测量为例，介绍基于神经网络的固相质量流量的建模方法。在稀气力输送过程中，差压比和混合比的经验关系式通常表示如下：,其中:pt为管程总压降；pg为纯气相压降；ms为固相质量流量；mg为气相质量流量；k为比例系数。,基于神经网络的软测量应用实例,气固两相流中固相质量流量的软测量：经验公式中的比例系数k受气固两相流所处的管径、固相颗粒摩擦系数、固/气相速度滑移比、悬浮速度等诸多因素的影响，因此其值一般是通过实验得到的经验值。这种经验值具有较大的局限性，即仅对特定的系统有效，难以适用于其他类型的两相流系统。神经网络可以通过对大量实验数据的自动学习，将这些难以确定的因素包含在权值中，从而简化了机理推导和数据分析的过程。,基于神经网络的软测量应用实例,由经验公式可知，固相质量流量的主要关联因素为管程总压降、纯气相压降及气相质量流量。又因纯气相压降可由气相质量流量推出，因此可将管程总压降及气相质量流量视为固相质量流量的主要关联因素，用作神经网络的输入，其他次要因素认为是常数，包括在网络权值中。,基于神经网络的软测量应用实例,气固两相流中固相质量流量的软测量：所使用的神经网络是拓扑结构为2-3-1的多层前向网络，其中输入为气相质量流量mg和管程总压降pt，输出为固相质量流量的估计值。网络训练采用改进的BP算法。,基于神经网络的软测量应用实例,气固两相流中固相质量流量的软测量：采用仓泵式气力输送系统为实验装置，固相物料采用平均粒径为0.7254mm、粒子密度为962.0kg/m3的聚乙烯粒子。用流量计测量气相质量流量，压差变送器用以获得管程总压降，训练样本中的固相质量流量由电子秤离线标定，固气质量混合比范围为5.0112.75。训练样本数据为29组。,基于神经网络的软测量应用实例,气固两相流中固相质量流量的软测量：网络训练过程和网络模型的误差曲线如下图所示，模型的精度：平均绝对误差为4.2%，最大绝对误差为10%,模糊检测系统,模糊检测系统的基本结构,模糊检测技术的核心是以模糊数学为理论基础，利用相关专家提供的知识、经验和形式规则等，进行数据融合、推理判断。检测系统接受到外界信息后，首先将其模糊化，转为类似于自然语言的表达形式，再通过模糊规则实行综合处理，最后输出检测结果数量值或类似于自然语言的符号量。为实现此功能，存放基本模糊规则的知识库和模糊推理机制是必不可少的。模糊检测系统的知识库规模一般较小，推理机构简单，在某种程度上可以认为它是完成一个特定任务的小型智能系统，故可采用单片机实现其仪表化。,模糊检测系统的基本结构,典型模糊检测系统的硬件组成：,模糊检测系统的基本结构,模糊检测器的基本结构：,模糊检测系统的基本结构,模糊检测器的基本结构：数据处理模块：对接收到的信源数值量进行信号处理，如滤波、特征值提取等信息模糊化模块：根据知识库中预设值的规则和要求，将精确的信息量转化为模糊量模糊推理：利用知识库中存放的专家知识和经验，即可提炼为若干条模糊语言规则或模糊模型的形式，对接受到的语言变量作出模糊判决，给出被测对象的语言符号结果解模糊：将模糊结果转换为精确数值量,模糊检测技术应用实例,基于模糊数学的软测量在粮情测控系统中的应用：辅助变量的选择：选择粮食水分、粮食温度以及空气湿度作为辅助变量，粮食状态作为主导变量。测量输入数据的预处理：对粮食状态的预测不是根据粮仓中的某一点粮食的温度、水分以及空气湿度来进行的，因为这样的预测不能全面反映整个粮仓粮食的实际状态。采用复合滤波法处理数据，其原理是：先将N个采样点数据按照从小到大的顺序排列，即x1x2xN(N3)，则可认为测量的数据为：,这样就可比较客观地反映实际的粮食状态，预测的结果也比较真实。,模糊检测技术应用实例,基于模糊数学的软测量在粮情测控系统中的应用：根据水分传感器、温度传感器及湿度传感器所测得的数据来表示水分、温度的高低和湿度的大小具有模糊性。通常用隶属度描述模糊集，通过隶属度的大小来反映模糊事物接近其客观事物的程度。该系统中三种传感器分别测得的数据范围：水分为10%16%；温度为-3050；湿度为20%98%RH。,模糊检测技术应用实例,基于模糊数学的软测量在粮情测控系统中的应用：水分含量高的隶属度函数为：温度高的隶属度函数为：,模糊检测技术应用实例,基于模糊数学的软测量在粮情测控系统中的应用：湿度大的隶属度函数为：由于任意模糊量的隶属度的大小都是在0,1之间，因此可将这一区间分为5段：00.2；0.20.4；0.40.6；0.60.8；0.81.0。凡是隶属度在00.2之间的属于“水分含量低/温度低/湿度低”；在0.20.4之间的属于“水分含量较低/温度较低/湿度较低”；在0.40.6之间的属于“水分含量正常/温度正常/湿度正常”；在0.60.8之间的属于“水分含量较高/温度较高/湿度较高”；在0.81.0之间的属于“水分含量高/温度高/湿度高”。,模糊检测技术应用实例,基于模糊数学的软测量在粮情测控系统中的应用：输入变量和输出变量的模糊化：为了表达的方便，将粮食储备中粮食状态出现的所有模糊量表示如下：高=PB；较高=PM；正常=ZR；较低=NM；低=NB安全=D1；较安全=D2；较危险=D3；危险=D4输入模糊量A、B、C分别为粮食水分、粮食温度和空气湿度，其论域都为-3,3，模糊子集=PB,PM,ZR,NM,NB。输出模糊变量D为粮食状态，其论域为-2,3，模糊子集=D1,D2,D3,D4。,模糊检测技术应用实例,基于模糊数学的软测量在粮情测控系统中的应用：输入输出模糊量的隶属度图：,模糊检测技术应用实例,基于模糊数学的软测量在粮情测控系统中的应用：模糊规则：根据模型特点最多可抽取125条规则，而实际上由于样本数据所包含的一定规律性和重叠性，再加上对模糊规则的进一步筛选，故抽取出了以下16条可信推理规则：1.IfA=PBandB=PBandC=PBthenD=D42.IfA=PBandB=PMandC=PMthenD=D43.IfA=P