软测量技术及应用报告

软测量技术及应用一、软测量技术概述；二、影响软测量性能的因素；三、软测量的数学模型；四、软测量应用实例报告内容

软测量就是利用易测过程变量（辅助变量）与难以直接测量的待测过程变量（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。

什么是软测量？一、软测量技术概述辅助变量模型主导变量容易测量难测量数学关系1.1软测量技术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X到的映射，其中可测信息集X包括辅助变量θ

、

控制变量u和可测扰动d。

主导变量

辅助变量

干扰

控制变量

一、软测量技术概述

软测量的结构预处理模块简单机理模型软测量模型在线校正模块初始模型测量数据历史数据模型参数历史数据修正的模型参数化验数据长期校正模块在线!可以没有！一、软测量技术概述辅助变量的选择——确定软测量的输入信息，直接决定软测量模型的结构和输出。数据的预处理——精确可靠的数据是软测量成败的关键。软测量模型的建立——软测量技术的核心任务。模型的在线校正——能进一步提高软测量的准确程度。二、影响软测量性能的主要因素二、影响软测量性能的主要因素2.1辅助变量的选择1.变量类型的选择2.变量数目的选择3.测点位置的选择二、影响软测量性能的主要因素适用性：工程上易于获得并能达到一定的测量精度；

灵敏性：能对过程输出和不可测扰动作出快速反应；

特异性：对过程输出或不可测扰动之外的干扰不敏感；

精确性：构成的软测量估计器满足精度要求；

鲁棒性：构成的软测量估计器对模型误差不敏感。

2.1.1变量类型的选择原则二、影响软测量性能的主要因素从过程机理入手分析，从影响被估计变量的变量中去挑选主要因素，因为全部引入既不可能也没必要。如果缺乏机理知识，则可用回归分析的方法找出影响被估计变量的主要因素，这需要大量的观测数据。2.1.2变量数目的选择二、影响软测量性能的主要因素检测点位置的选择方案十分灵活，可供选择的检测点很多，而且每个检测点所能发挥的作用各不相同。一般情况下，辅助变量的数目和位置常常是同时确定的，变量数目的选择准则也往往应用于检测点位置的选择。

2.1.３检测点位置的选择二、影响软测量性能的主要因素一、误差处理随机误差的处理显著误差的处理二、数据变换标度转换权函数2.2数据预处理对原始数据进行预处理，以得到精确可靠的数据，是软测量成败的重要步骤。二、影响软测量性能的主要因素◆随机误差的处理：符合统计规律，工程上多采用数字滤波算法，如：中值滤波、算术平均滤波和一阶惯性滤波等。◆过失误差的处理：对各种可能导致过失误差的因素进行理论分析；借助多种测量手段对同一变量进行测量，然后进行比较；根据测量数据的统计特性进行检验等。测量误差处理：二、影响软测量性能的主要因素◆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。

◆标度:实际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:包括对数据的直接换算和寻找新的变量替换原变换变量两个方面，通过对数据的转换，可有效地降低非线性特性。

◆权函数:可实现对变量动态特性的补偿。合理使用权函数使我们有可能用稳态模型实现对过程的动态估计测量数据变换：二、影响软测量性能的主要因素在线校正通常对软仪表的在线修正仅修正模型的参数具体方法：自适应法、增量法和多时标法等。离线校正短期学习是指以某辅助变量的采样化验分析值与软测量值之差为依据，采用建模方法，修改模型系数。长期学习是指当软测量模型在线运行一段时间后，逐步积累了足够的新样本时，根据新样本，采用建模方法，重建软测量模型。2.3模型的校正二、影响软测量性能的主要因素表征辅助变量和主导变量之间的数学关系称为软测量模型。建立软测量模型的方法多种多样，且各种方法互有交叉和融合。各种方法可以分为两类：机理方法经验方法三、软测量模型三、软测量的数学模型机理模型建模是基于对过程对象的深刻认识，运用对象的平衡方程、动力学方程、物性参数方程和设备特性方程，建立估计主导变量的精确数学模型。由于实际工业过程的复杂性，难以完全通过机理分析得到软测量模型。因此，基于机理分析的方法建模非常困难，需要与其他方法配合使用。

3.1机理方法：三、软测量的数学模型基于回归分析方法基于人工智能方法基于状态估计方法3.2经验方法：三、软测量的数学模型一种经典的建模方法，应用范围相当广泛。

将辅助变量和主导变量组成的系统看成“黑箱”，以辅助变量为输入，主导变量为输出，运用统计方法建立软测量数学模型。

1.线性回归最小二乘法主元回归法部分最小二乘法

2.非线性回归3.2.1基于回归分析方法三、软测量的数学模型人工神经网络（ANN）——ANN具备优良的信息处理特性：无需具备对象的先验知识，可以根据对象的输入输出数据直接建模；独特的非传统的表达方式和固有的学习能力，使之在解决高度非线性方面具有很大的潜力。模糊技术——模糊技术模仿人脑的逻辑思维，用于处理模型未知或不精确的控制问题。

通常将模糊逻辑与神经网络相结合，形成模糊神经网络，适用于处理非线性的、复杂的系统。

3.2.2基于人工智能方法三、软测量的数学模型神经元神经网络该方法将不可测的主导变量y看作状态变量，把可测的辅助变量θ看作输出变量，从而把对主导变量的软测量转化为控制理论中典型的状态观测或状态估计的命题，进而可以采用Kalman滤波器等方法来得到状态的估计值。假定对象的状态空间模型为：3.2.3基于状态估计方法

Kalman滤波器的解为：三、软测量的数学模型针对软测量的基本建模方法中存在的问题，研究人员或将不同的算法加以结合，或将新的数学方法运用到软测量中，提出各种各样的改进算法，例如：遗传算法与神经网络的结合

回归算法与神经网络的结合小波网络与神经网络的结合基于支持向量机算法的建模方法

基于微粒群算法的建模方法……3.2.4其他建模方法三、软测量的数学模型

软测量技术在化工行业获得了较为广泛的应用，有些问题制约着软测量技术发挥其应有的作用。如何适应原料性质变化问题如何适应生产装置操作范围大幅度变化问题动态软测量问题

3.3存在的问题三、软测量的数学模型铸坯质量优化控制技术四、软测量应用实例炼钢－连铸过程：冶金生产过程钢坯钢水铸坯表面温度测量铸坯(钢材)质量生产效率、生产成本水冷凝固决定控制控制模型水量调节

铸坯铸坯温度检测与反馈目标温度拉速铸坯温度（1）CCD温场测量去除氧化皮的随机影响干扰，获取有效温度信息。（2）辐射测温测量铸坯表面辐射温度。（3）数据相关融合用点测温度修正CCD温度值。铸坯表面温度测量模型南京钢铁联合公司现场测量数据（一）

南京钢铁联合公司现场测量数据（二）

南京钢铁联合公司现场测量数据（三）

凝固传热方程和边界条件传热方程:边界条件:结晶器:二冷区:空冷区:初始条件:（1）（2）

影响二冷区换热系数的因素：

水流密度铸坯表面温度浇注速度喷嘴压力喷嘴雾化程度浇注速度对换热系数的影响

表面温度对换热系数的影响

（2）凝固传热模型校正“不确定性”

二冷1区换热参数

二冷2区换热参数

二冷3区换热参数铸坯二冷各段换热参数凝固传热模型校正的方法铸坯表面温度测量

二冷4区换热参数现场测温系统及测温曲线

目标函数根据表面测温对凝固传热模型校正的方法

根据不同条件、不同位置的铸坯表面温度测量数据

调整式（1）中的使得模型计算结果与测量结果偏差最小。（1）（2）模型校正结果二冷各段修正参数铸坯表面温度测量及计算结果比较最大偏差为9.2℃二冷换热参数1区a12区a23区a34区a4经验值4111校正值3.01.72.12.1编号钢种拉速位置z（m）测量值(℃)校正前(℃)校正后(℃)1C72DA1.910.51033.0823.41027.72C72DA2.010.51038.0847.91040.23C82DA1.98.01030.4769.51023.04C82DA1.910.51015.38061024.5铸坯表面温度场模型计算结果——

凝固传热状态2、气力输送粉体流动参数监测系统（1）浓度速度组合式流量计结构优化螺旋表面极板电容式相浓度传感器结构优化平行表面极板电容式相速度传感器煤粉质量流量计算及自校正螺旋表面极板灵敏度分布（SVP＝4.67%）常用一对表面极板灵敏度分布（SVP＝46.10%）解决灵敏度分布均匀性问题，螺旋表面极板检测场均匀性误差达到4.67%，是文献报导中均匀性误差最小的极板结构。带有保护电极的螺旋形状表面板电容式相浓度传感器测试结果黄线：设定喷吹率红线：电子称喷吹率蓝线：流量计喷吹率（未校正）黑线：流量计喷吹率（已校正）

宝钢高炉总管流量