软测量技术原理及应用

1、软件测量技术的原理和应用，报告者：马登龙，报告内容：Company Logo，1 .软件测量技术的概要，基本思想与难以检测的过程量(主导变量，Primary variable )有密切的关系，容易检测的过程量(辅助变量，secon 具体的测量原理根据测量对象和需要而不同。 图1软测量基本流程的形象，Company Logo，1.1辅助变量的选择：变量类型的选择有以下原则：灵敏度：流程输出和对无法测试的干扰作出快速反应的流程的适用性：工程上容易获得，具有一定测量精度的特异性：流程输出和测量、Company Logo、1.2软件测量数据的选择和处理：(1)对收集的数据，注意数据的“信息”量，均等地

2、分配采样点，扩大数据的范围，减少信息的重复，避免信息的冗馀(2)对于输入数据数据变换包括尺度、变换和权重函数三部分：尺度克服了测量数据数值关系数太大的问题，提高算法的精度和稳定性。 转换用于降低对象的非线性特性，可以直接转换和查找新变量而不是原始变量。 权重函数用于补偿变量的动态特性。 误差处理时输入数据正确有效地保证必要的手段。 b )误差分为随机误差和过失误差两种，随机误差受随机因素的影响，一般不可避免，但符合一定的统计规则，采用数字滤波的方法，例如可以去除算术平均滤波器、中值滤波器、阻尼滤波器等过失误差对软测量的在线运行精度有很大影响，因此需要及时检测和修正此类数据，通常的方法有随机搜索

3、法、神经网络等。Company Logo、1.3软件测量模型的识别和验证、模型识别是软件测量技术的核心，软件测量技术中由于其采用的理论工具和对象的实际对象的不同，形成了许多软件测量方法，软件测量基本上有以下四种形式：过程机械在深入认识过程的过程机制的基础上，通过对象机制分析，找出了不可预测的主导变量与可测量的辅助变量之间的关系。 此类机构模型许多是静态的，可以引入动态修改项以反映动态响应。 基于回归模型的方法。 通过实验和模拟结果的数据处理，可以得到回归模型。 基于状态估计的方法。 如果将要测量的变量考虑为状态变量，将可测量的变量考虑为输出变量，则根据可测量的变量来估计要测量的变量的问题是控制

4、理论中的典型的状态观测或估计命题。 采用Kalman滤波器是一种理想的手段。 基于知识学习的方法。 这个方法是基于人工智能的发展的。 利用人工智能研究模型解决实际生产中的问题，典型的有人工神经网络、支持向量机、模式识别、模糊数学等方法。 这些方法不是传统意义上的数学模型，虽然得到的模型很难具有比较明确的物理意义，但是通过采用辅助变量作为输入，基于知识的学习训练来解决不可测量变量的软测量问题，通常相当于“黑盒建模”。Company Logo、2 .软件测量数据的处理方法，在实际测量中，测量者读取数据、记录数据的错误、测定器随机干扰，有时会产生异常的结果，将这种数据称为异常数据。 判断样本数据是否

5、是异常数据，并将其删除对建模非常重要。 在本节中，主要介绍小波分析(wavelet analysis )、数据修改(data rectification )和传统的主要要素分析法(principal component analysis，PCA )。、Company Logo、2.1小波分析被用于数据处理：和小波分析出现之前，傅立叶分析是数据变换的最重要的方法，傅立叶分析的本质是将相当任意函数f(t )表示为具有不同频率的谐波函数的线性重叠经典傅立叶分析是单纯的频域分析，固有的缺点是时域没有分辨率。 也就是说，傅立叶变换可以将信号的时域特征与频域特征链接，分别从信号的时域和频域来观察，但不能够

6、有机地结合两者。 这是因为，信号的时域波形中不包含频域信息，相对于此，该傅立叶频谱为信号的统计特性，是时域整体的积分，没有将信号局部化来分析的功能，完全不具备时域信息。 为了解决基本傅立叶变换信号处理过程中出现的时域和频域局部化矛盾，科学家们提出了改进的傅立叶算法。 短时傅立叶变换是其中代表性的一种，Company Logo，2.1小波分析用于数据处理：短时傅立叶变换的基本思想是给信号加小窗口，把信号分成许多小的时间间隔，通过傅立叶变换分析各时间间隔内的信号，并将其时间间隔该方法在一定程度上克服了标准傅立叶变换不具有局部分析能力的缺点，但也存在一确定窗函数就决定了分析窗的大小和形状的缺点。 短

7、时傅立叶变换可以看作分辨率决定的数据放大镜。 更改数据分辨率时，必须重新选择窗函数。 在非稳定信号中，在信号波形的变化剧烈的情况下，时钟速度为高频，要求高时间分辨率，在波形的变化相对缓慢的时刻，时钟速度为低频。 要求高频率分辨率，通常高频信号的持续时间短，低频信号的持续时间长，短时傅立叶变换不能两者并存。Company Logo、2.1小波分析用于数据处理，小波变换继承和发展了短时间傅立叶变换的局部化思想，克服了其窗口大小和形状不变的缺点。 不仅能从时域和频域同时观测信号的局部特征，还能变化时间分辨率和频率分辨率，即在低频部分具有高频率分辨率和低时间分辨率，在高频部分具有高时间分辨率和低频率分

8、辨率，被称为“数字显微镜”。 小波变换的原理是指，满足条件：(1)，(中，)的解析函数是通过平移定标的正交函数族，并且在小波变换时，在小波函数族中以不同尺度对函数f(t )进行线性分解运算。Company Logo，2.1.1小波分析被用于数据处理，对应的逆变换是： a是比例因子，b是移位因子。 与短时间傅立叶的时间-频率窗口不同，小波变换的窗口形状为两个矩形，其中b影响窗口在相平面时间轴上的位置，而a不仅影响窗口在频率轴上的位置，并且还影响窗口的形状。 小波分析可以用来分析信号的特异性检测。 信号不规则的突变部分和奇点是信号的重要特征，故障诊断中故障点，如机械故障、电力系统故障都对应于测试信

9、号的突变点。 小波变换具有时间-频率局部化的性质，所以能很好地描述信号的局部特异性。 另外，小波分析可以用于压缩信号、识别噪声信号的发展趋势、信号的自相似性检查等。Company Logo、2.1小波分析用于数据处理：例1 :基于小波的管线泄漏信号去噪处理，选择负压波法作为泄漏定位的基本原理：一般的管线泄漏发生时，泄漏部位因流体物质损失而局部的液体减少该瞬时的压力降作用于流体介质，作为减压源，通过线和流体介质向泄漏点的上下游传播。 在以泄漏前的压力为基准的情况下，泄漏时产生的减压波称为负压波，检测该减压波引起的泄漏的方法是负压波检测法。 配管长度是l，x点是泄漏点，a是管输送介质中的压力波的传

10、播速度，上下游传感器受到压力波的时间差。图2的负压力波的检测原理是，Company Logo、2.1小波分析用于数据处理，负压波法具有高响应速度和定位精度，但容易受管线运行情况的影响。 在压力扰动大或泄漏信号小的管线中，产生的负压波较小，因此，传递到探针的能量已经很低，经常被水淹没，进行错误操作，因此重要的是在复杂的压力变化环境中去除噪声并正确地检测由于泄漏引起的压力变化。 用小波分析进行阈值去噪是一种比较好的方法。 与傅立叶变换相比，用于小波分析的小波函数不具有唯一性，即，小波函数能有多种多样的。 在不同的小波基础上分析相同的问题结果不同。 图3 (a )是泄漏的原始信号，噪声干扰比较严重，

11、图3 (a )、(c )、(d )分别是在haar小波基、db10小波基、coiflet 5小波基的6层中对噪声进行分解后的结果的图，图3石油泄漏信号的不同小波Company Logo，2.2多变量统计建模方法多变量统计分析方法可以用少量的因素变量来表现这些内在因素，帮助人们从大量数据中找到反应过程运行情况的重要信息，从而及时地找出过程运行中发生的各种问题复杂的工业过程在过程之间具有很强的相关性，因为过程内部和过程之间有密切的关联。 如果少量的无关的变量就可以具有足够的信息，则只要分析并处理该少量的无关的量，就可以控制整个过程。 实现该目的的方法有相关分析、多变量统计分析、多变量阶段回归、主要

12、元分析等方法。Company Logo、2.2多变量统计建模方法、1 .相关分析方法相关分析给两个随机变量之间的关系提供了数值尺度，两个样本之间的这个数值尺度被定义为相关系数r .相关系数的大小反映了研究变量间相互影响关系的强弱。 如果两个随机变量(xi，yi ) I=1，2.n，则相关系数r计算式为，判断变量间的相关度的原则： a )相关系数r的绝对值越接近1，变量间的相关度越高. b )相关系数r的符号表示两个变量的数值的相关变化的方向，这表示两个变量显着地相关，并且当r是正数时，变量是正相关。 如果r为负，表示有负相关。Company Logo、2.2多变量统计建模方法能够采用几种典型的

13、非线性形式进行相关分析，并可用于非线性关系的线性化。 从相关分析的结果中，按每个变量选择相关系数大的几种形式作为初步的模型结构，通过回归法，决定比较合适的模型结构。Company Logo、2.2多变量统计建模方法、2 .多变量统计回归分析：回归分析主要用于具体地判定相关变量之间的数值变化关系。 y是原因变量，在有p个自变量X=x1，x2，xp的情况下，多元线性回归理论模型是：式中遵循作为模型参数的台整体的分布的随机向量。 通过y和n次分别进行独立观测，得到样本后，可得到上式的优先样本模型。 建立矩阵的表示形式是、我们解该模型的目标是，最终得到模型参数的无偏差的估计，得到p元线性回归方程式。最

14、终目的是使、Company Logo、2.2多变量统计建模方法、方差平方和：q最小化。 在多元线性回归分析中，验证线性回归方程的方法是f检验，其目的是验证变量y和变量x之间是否存在线性关系。 如果整体数据中存在这样的线性关系，或者可以用参数的线性形式解释y，则如果至少存在一个x，而y和参数的整体变量的整体参数不是零，则所有的整体参数都为零。 对于实践中广泛存在的非线性问题，可以使用a )为了用变量变换的方法将非线性关系转换成线性关系，需要确定曲线的函数类型；b )当实际问题的曲线类型难以确定时，使用多项式来近似。Company Logo、2.2多变量统计建模方法，示例2 :从常三线油闪点软测量

15、模型、过程机制分析，选择与常三线闪点相关的10组影响因素。 表1中： R1-塔顶温度R2-塔顶回流量R3-常二线温度； R4-常二线流量R5-常三线温度； R6-常二中出塔温度； R7-常二中返回塔温度； R8-供给温度R9-塔底温度； R10-塔底吹气量.下表1相关系数分析结果。表1的相关系数分析结果、Company Logo、2.2多变量统计建模方法，虽然从相关系数结果来看，相关结果不太好，但是选择的参数是正确的反应变量间的对应关系。 通过比较相关系数选择合适的线性模型：最终通过多线性回归程序，图4的常三线闪烁拟合结果、Company Logo、2.2多变量统计建模方法、3 .多阶段回归方

16、法：该方法的思想是将变量一个一个地导入回归方程式中， 为了首先建立与y最紧密的一维线性回归方程式，然后建立寻找第二变量的二元线性回归方程式，在各步骤中对导入变量进行显着地验证，仅在该显着时导入，在每次导入新变量时分别验证之前导入的旧变量，某个变量变得不显着例如，在上述例子的常减压塔的常三闪点检测中，经过阶段性回归得到的回归方程式是、Company Logo、2.2多变量统计建模方法，4 .主元分析法(Principal Component Analysis，PCA )，主元分析使多个相关变量少数相互独立其最终目的是总结原始数据表的信息，找到能够对高维空间进行降维的数据表。 等效地，主要素分析能够在力保数据的信息损失最少的原则下，对上位变量空间进行降维处理，以少量的无关变量携带足够的信息，来反映与大量过程变量中包含的运行状况相关的信息。 元分析的数学过程将变量矩阵进行元分解，即t称为得分矩阵，p称为负载矩阵。 得分矩阵的各得分矢量之间正交，负载矩阵的各负载矢量之间也正交，并且各负载矢量的长度为1。 因为e是误差矩阵，主要表示测量噪声，所以忽略e不引起数据中的有用信息的显着损失。 因此，能够近似地表现数据x的是，Company Logo，2.2多变量统计建模方法，在经过元分析时，将原始数据的p个相关向量变换为相互无关的正交变量的组(即，主分量间的协方差为零)。 这种变量系统的正