9.6 软测量技术
y 软测量就是依据可测、易测的过程变量(称为辅助变
量)与难以直接检测的待测变量(称为主导变量)的数学
关系,根据某种最优准则,采用各种计算方法,用软
件实现对待测变量的测量或估计。
y 软测量技术主要包括四个方面:
(1)辅助变量的选取;
(2)数据处理;
(3)软测量模型的建立;
(4)软测量模型的在线校正。
软测量技术
9.6.1 辅助变量的选取
9.6.2 测量数据的处理
9.6.3 软测量模型的建立
9.6.4 软仪表的在线校正
9.6.5 软测量的工业应用
9.6.1 辅助变量的选取
1. 变量类型的选择
2. 变量数目的选择
3. 测点位置的选择
1. 变量类型的选择
y选择的方法往往从间接质量指标出发。
y例如:
y 精馏塔产品的软测量一般采用塔板温度,
y 化工反应器中产品的软测量采用反应器管壁温度。
2. 变量数目的选择
y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。
y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。
y需要指出,受系统自由度的限制,辅助变量的个
数不能小于被估计变量的个数。至于辅助变量的
最优数量问题,目前尚无统一结论。
3. 测点位置的选择
y对于许多工业过程,辅助变量的检测点的选择
是十分重要的,因为可供选择的检测点很多。
y检测点的选择方法:
y 采用奇异值分解的确定,
y 采用工业控制仿真软件确定。
y确定的检测点往往需要在实际应用中加以调
整。
一种辅助变量的选择原则如下
y 灵敏性:能对过程输出(或不可测扰动)作出快速反应。
y 特异性:能对过程输出(或不可测扰动)之外的干扰不敏
感。
y
工程
路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理
适应性:工程上易于获得并达到一定的测量精度。
y 精确性:构成的估计器达到要求的精度。
y 鲁棒性:构成的估计器对模型误差不敏感。
软测量技术
9.6.1 辅助变量的选取
9.6.2 测量数据的处理
9.6.3 软测量模型的建立
9.6.4 软仪表的在线校正
9.6.5 软测量的工业应用
9. 6. 2 测量数据的处理
1.误差处理
2.数据的变换
1.误差处理
y 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。
y 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
y符合统计规律,工程上多采用数字滤波算法。
y 如:中位值滤波、算术平均滤波和一阶惯性滤波等。
y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。
y基本思想:
y 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
y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。
y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。
y侦测过失误差的方法:
y (i)对各种可能导致过失误差的因素进行理论分析;
y (ii)借助于多种测量手段对同一变量进行测量,然后进行
比较;
y (iii)根据测量数据的统计特性进行检验等。
2.数据的变换
y对数据的变换包括标度、转换和权函数三方面。
y 工业过程中的测量数据有着不同的工程单位,直接使用
这些数据进行计算,不能得到准确结果,甚至结果分
散。利用合适的因子对数据进行标度,能够改善算法的
精度和稳定性。
y 转换包含对数据的直接转换以及寻找新的变量替换原变
量两个含义。通过对数据的转换,可以有效地降低非线
性特性。
y 权函数则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。
软测量技术
9.6.1 辅助变量的选取
9.6.2 测量数据的处理
9.6.3 软测量模型的建立
9.6.4 软仪表的在线校正
9.6.5 软测量的工业应用
9. 6. 3 软测量模型的建立
1.软仪表的描述
2. 建模方法
1.软仪表的描述
y软仪表的目的:利用所有可获得的信息,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。^θ ^y
^
y
主导变量
辅助变量
干扰
控制变量
软仪表
y性能依赖于过程的描述、噪声和扰动的特性、辅
助变量的选取以及“最佳”的含义,即给定的某种准
则。
y建立软仪表的过程就是构造一个数学模型。
y 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。
y软仪表与一般意义下的数学模型区别:
y 数学模型主要反映与或之间动态(或稳态)关系,
y 软仪表是通过求的估计值。
2. 建模方法
y过程建模方法主要有两大类:
y 机理建模方法
y 实验建模方法。
y构造软仪表的方法也可分为两大类。
机理分析方法
y 建立在对过程工艺机理的深刻认识的基础上,运
用物料平衡、热量平衡和化学反应动力学等原
理,找出不可测主导变量与可测辅助变量之间的
关系。
y 对于过程机理较为清楚的工业过程,基于机理模型可以
构造良好的软仪表。
y 对复杂工业过程,其内在机理往往不十分清楚,完全依
赖机理分析建模比较困难,通常要选用其它方法,结合
机理知识构造软仪表。
系统辨识方法
y 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
快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程制作流程表下载邮件下载流程设计
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。
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
EvBuAxx +==•
Cxy =
wxC += θθ 辅助变量
如果系统的状态关于辅助变量完全可测,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,估计值就可以表示成
Kalman滤波器形式。
Kalman滤波器、 Luenberger观测器是解决上述问题的有效方法。
回归方法
y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。
y 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。
y 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。
神经网络方法
y 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。
y 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。
y 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。
模式识别方法
y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。
y例如:
y 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;
y 采用基于Bayes序列分类器的模式识别方法进行精馏塔
板效率的估计。
模糊数学的方法
y 模糊数学是人们处理复杂系统的一种有效手
段,在软测量中也有应用。
y 此外,模糊数学还与神经网络或模式识别技术
相结合,构成模糊神经网络和模糊模式识别方
法。
软测量技术
9.6.1 辅助变量的选取
9.6.2 测量数据的处理
9.6.3 软测量模型的建立
9.6.4 软仪表的在线校正
9.6.5 软测量的工业应用
9.6.4 软仪表的在线校正
y 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。
y 通常对软仪表的在线修正仅修正模型的参数
y 具体方法:自适应法、增量法和多时标法等。
y 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。
y 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。
y 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。
值得注意的问题:
y 在配备在线分析仪表的场合,系统的主导变量的真值
可以连续得到,此时采用校正方法不会有太大问题。
在主导变量的真值仅能来源于离线人工化验的场合,
通常取样周期为数小时或更长,样本密度稀疏。此
时,采用何种校正方法值得研究。
y 样本数据与过程数据在时序上的配合,尤其在人工分
析情况下,从辅助变量即时反映的产品质量状态到取
样位置需要一定的取样时间,取样后直到产品质量数
据返回现场又要耗费很长时间。因此,在利用分析值
与与辅助变量进行软仪表的校正时,应特别注意保持
两者在时间上的对应关系。
软测量技术
9.6.1 辅助变量的选取
9.6.2 测量数据的处理
9.6.3 软测量模型的建立
9.6.4 软仪表的在线校正
9.6.5 软测量的工业应用
9.6.5 软测量的工业应用
y 首先,在过程操作和监控方面有十分重要的作用。
y 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。
y 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。
过程控制应用
y软仪表对过程控制也很重要,可以构成推断控
制。
y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。
推断控制系统框图
过程优化中应用
y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;
y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。
y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。
End the 9.6
9.6 软测量技术
软测量技术
9.6.1 辅助变量的选取
1. 变量类型的选择
2. 变量数目的选择
3. 测点位置的选择
一种辅助变量的选择原则如下
软测量技术
9. 6. 2 测量数据的处理
1.误差处理
随机误差的处理
过失误差处理
2.数据的变换
软测量技术
9. 6. 3 软测量模型的建立
1.软仪表的描述
软仪表
2. 建模方法
机理分析方法
系统辨识方法
状态估计方法
回归方法
神经网络方法
模式识别方法
模糊数学的方法
软测量技术
9.6.4 软仪表的在线校正
值得注意的问题:
软测量技术
9.6.5 软测量的工业应用
过程控制应用
推断控制系统框图
过程优化中应用