软测量介绍讲述.ppt

第7章 软测量技术 7.1 概述 7.2 软测量方法 思考与练习题 7.1 概 述 7.1.1 软测量技术的概念和分类 传统的测量技术通常是建立在传感器等硬件基础上的， 而软测量则是通过状态估计的方对无法在线测量的参数进行在线估计， 这些状态估计通常都是建立在以可测变量为输入、被估计变量为输出的数学模型上的。软测量的基本思路是， 根据某种最优准则选择一组既与主导变量（即待测变量或待估变量）有密切联系而又容易测量的变量——称为辅助变量(又称二变量)的量， 通过构造某种数学关系用计算机软件实现对主导变量的估计。 　　1. 软测量技术的实现方法  　　1) 辅助变量的选择 　　辅助变量的选择一般是根据工艺机理分析（如物料、 能量平衡关系），在可测变量集中初步选择所有与被估计变量有关的原始辅助变量，这些变量中部分可能是相关变量。在此基础上进行精选， 确定最终的辅助变量个数。 　　辅助变量数量的下限是被估计的变量数，然而最优数量的确定目前尚无统一的结论。一般应首先从系统的自由度出发， 确定辅助变量的最小数量， 再结合具体过程的特点适当增加， 以更好地处理动态性质等问题。一般是依据对过程机理的了解， 在原始辅助变量中，找出相关的变量，选择响应灵敏度高、 测量精度高的变量为最终的辅助变量。更为有效的方法是主元分析法，即利用现场的历史数据作统计分析计算，将原始辅助变量与被测量变量的关联度排序， 实现变量精选。 　　2) 输入数据的处理 　　要建立软测量模型，需要采集被估计变量和原始辅助变量的历史数据，数据的数量越多越好。这些数据的可靠性对于软测量的成功与否至关重要。然而，测量数据一般都不可避免地带有误差， 有时甚至带有严重的过失误差。 因此，输入数据的处理在软测量方法中占有十分重要的地位。  　　输入数据的处理包含两个方面，即换算和数据误差处理。 换算不仅直接影响着过程模型的精度和非线性映射能力，而且影响着数值优化算法的运行效果。数据误差分为随机误差和过失误差两类，前者受随机因素的影响，如操作过程的微小波动或检测信号的噪声等；后者包括仪表的系统偏差和故障（如堵塞、 校正不准或零点漂移甚至仪器失灵等），以及不完全或不正确的过程模型（泄漏、热损失等）。 　　3) 软测量模型的建立 　　软测量模型是研究者在深入理解过程机理的基础上，开发出的适用于估计的模型，它是软测量方法的核心。不同生产过程的过程机理不同，其测量模型千变万化，因此软测量模型的建立方法和过程也有差异。 　　4) 软测量模型的在线校正 　　由于过程的时变性，软测量模型的在线校正是必要的。 尤其对于复杂的工业过程，很难想象软测量模型能够“一次成型”、“一劳永逸”。  　　对软测量模型进行在线校正，一般采用定时校正和满足一定条件时校正两种方法。 定时校正是指软测量模型在线运行一段时间后，用积累的新样本采用某一算法对软测量模型进行校正，以得到更适合于新情况的软测量模型。满足一定条件时校正则是指以现有的软测量模型来实现被估计量的在线软测量，并将这些软测量值和相应的取样分析数据进行比较。 若误差小于某一阈值，则仍采用该软测量模型；否则， 用累积的新样本对软测量模型进行在线校正。 　　2. 软测量技术的分类 　　1) 基于工艺机理分析的软测量建模 　　基于工艺机理分析的软测量建模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。 　　2) 基于回归分析的软测量建模  　　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。 　　3) 基于人工神经网络的软测量建模 　　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。采用人工神经网络进行软测量建模有两种形式：一种是利用人工神经网络直接建模，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；另一种是与常规模型