高等过程控制—第9章软测量技术资料.ppt

软测量技术soft-sensing technique 1、软测量技术概述 2、软测量技术的实现及性能影响因素 3、软测量技术的分类 4、软测量技术工业应用 1 软测量技术概述(2/3) 1 软测量技术概述(3/3) 1) 变量类型的选择 选择的方法往往从间接质量指标出发。 例如： 精馏塔产品的软测量一般采用塔板温度， 化工反应器中产品的软测量采用反应器管壁温度。 3) 测点位置的选择 一种辅助变量的选择原则如下 灵敏性：能对过程输出(或不可测扰动)作出快速反应。 特异性：能对过程输出(或不可测扰动)之外干扰不敏感。 工程适应性：工程上易于获得并达到一定的测量精度。 精确性：构成的估计器达到要求的精度。 鲁棒性：构成的估计器对模型误差不敏感。 2. 2 测量数据的处理 1) 误差处理 2) 数据的变换 1)误差处理 从现场采集的测量数据，由于受仪表精度和测量环境的影响，一般都不可避免地带有误差，有时甚至有严重的过失误差。如果将这些现场测量数据直接用于软测量，会导致软测量的精度降低，甚至完全失败。因此，测量数据必须经过误差处理。 测量数据的误差：随机误差、系统误差和过失误差。 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：中位值滤波、算术平均滤波和一阶惯性滤波等。 随着计算机优化控制系统的使用，复杂的数值计算方法对数据的精确度提出了更高的要求，于是出现了数据一致性处理技术。 基本思想： 根据物料或能量平衡等建立精确的数学模型，以估计值与测量值的方差最小为优化目标，构造一个估计模型，为测量数据提供一个最优估计。 过失误差处理 含有过失误差的数据出现的机率较小，但是，一旦出现则可能严重破坏数据的统计特性，导致软测量的失败。 提高测量数据质量的关键：及时侦测、剔除和校正含有过失误差的数据。 侦测过失误差的方法： 对各种可能导致过失误差的因素进行理论分析； 借助于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。 2.3 建立软测量模型 软测量模型是在深入理解过程机理基础上，建立的适用于估计的模型，这是软测量的核心。 软仪表 2） 建模方法 过程建模方法主要有两大类： 机理建模方法 实验建模方法。 2. 4 软仪表的在线校正 由于装置操作条件及原料性质都会随时间而变化，软测量模型只适用于一定的操作范围，因而需要不定期地对模型进行修正，以适应工况的变化。 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。 对模型结构的修正需要大量的样本数据和耗费较长时间，在线进行有困难。这可采用短期学习和长期学习的思路来解决。 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。 3.2 系统辨识方法 辨识方法是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，通过现场采集、流程模拟或实验测试，获得过程输入、输出数据，以此为依据建立软仪表模型。 3.3状态估计方法 如果已知系统的状态空间模型，而主导变量作为系统状态变量时辅助变量是可观测的，那么构造软仪表的问题可以转化为状态观测或状态估计问题。假设已知对象的状态空间模型为 3.4 回归方法 基于最小二乘原理的一元、多元线性回归技术已经非常成熟。 对于辅助变量较少的情况，利用多元线性回归中的逐步回归技术可以得到较理想的软仪表模型。 对于辅助变量较多的情况，通常要借助机理方法，得到变量组合的基本假定，然后再采用逐步回归的方法排除不重要的变量组合，得到软仪表模型。也可以采用主元分析等数学方法，对原问题进行降维处理，然后进行回归。 3.5 神经网络方法 以辅助变量为输入，待测变量为输出，形成足够多的理想样本，通过学习可以得到软仪表的神经网络模型。 理论上，神经网络不需要有过程的先验知识，学习非线性特性的能力比较强，是解决软测量问题的较为理想的方法。 实际应用中，样本的数量和质量在一定程度上决定了网络的性能。另外，网络类型、结构和算法的选择对软仪表的性能也有重要影响。 3.6 模式识别方法 在缺乏系统先验知识的情况下，可以采用模式识别的方法对系统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。 例如: 分别采用空间超盒和多中心模聚类方法建立了某催化裂化装置粗汽油蒸汽压的软测量仪表； 采用基于Bayes序列分类器的模式识别方法进行精馏