工业分布参数动态软检测方法探究Word文档格式.docx

工业分布参数动态软检测方法探究Word文档格式.docx

《工业分布参数动态软检测方法探究Word文档格式.docx》由会员分享，可在线阅读，更多相关《工业分布参数动态软检测方法探究Word文档格式.docx（7页珍藏版）》请在冰豆网上搜索。

通过一个时变函数和精馏塔参数软测量仿真实验，表明了此方法可以很好地适应时变过程，模型具有较好地泛化性能。

关键词：

工业现场；

分布参数；

动态检测

目录

目录III

第一章软检测的发展5

第二章软检探究5

第三章软检测的方法8

参考文献11

第一章软检测的发展

随着科学技术和经济的迅速发展，许多工业生产过程已不能满足现代生产的要求，亟需各种先进控制技术和优化控制技术代替传统的简单、局部的控制方法，许多企业都面临着如何提高产品质量，如何保障生产过程的顺利进行以及如何获得较高的经济效益等问题。

若要更好地解决这些问题，则必须从最基础的过程控制环节开始，即对生产过程中的时变参数进行软测量。

实际工况中，由于许多产品的关键指标无法在线测量或难以直接测量，传统的工艺中常采用在线分析仪直接测量或通过控制与待测指标相关的易测指标间接的来测量。

但由于在线分析仪表的价钱比较昂贵，且其维护和保养复杂，仪表的时间滞后性大，很难获得较好的系统性能，难以满足实际生产要求。

若采用间接的方法测量，由于许多指标不好控制，对生产的效益影响很大。

例如现在并没有可以直接检测运用于化工生产中反应釜里的实时催化剂活性的硬件传感器；

在以往实验室检测聚乙烯中间产品的质量指标时，往往延时2小时以上，这样检测出来的结果对优化控制已经没有任何用途：

在控制精馏塔内的塔板温度和温差时，操作员必须十分熟悉对象的工作机理，由于存在很大的不确定性，即使把间接指标控制的很好，也不能保证可以很好地控制急需测得的指标和获得较好地生产效益。

为了解决上述类似问题，20世纪Brosillow提出了推断控制的思想【1】，即最初的软测量技术。

第二章软检测探究

随着推断控制思想的提出，软测量技术受到国内外许多研究人员的关注，目前己成为过程控制领域中的热门话题，成功应用于石油、化工、生物等诸多领域。

软测量技术主要用来解决生产过程中产品指标的可检测性和实时问题，其基本思想是根据某种最优准则，选择一些易于测量的变量（又称辅助变量），通过构建某种数学关系建立一个推理模型，进而用该模型预测难以在线测量的变量（又称主导变量）。

软测量技术把自动控制理论与生产过程知识很好的结合到一起，实现了用软件来代替硬件的功能。

软测量技术的使用，实现了可以在线检测元素组分含量，且经济可靠，动态响应迅速，模型预测结果更精确。

利用软测量技术建模主要可分为以下几个过程：

选取辅助参数变量、采集数据样本、数据处理、构建软测量模型、在线校正等【2】。

整个过程中如何构建合适的软测量模型是最关键部分，也是难点部分，它往往决定了整个技术的成败。

常用的建模方法主要有基于机理的建模方法、以数据驱动为基础的建模方法及二者相结合的混合建模方法【3】。

其中基于机理建模方法又可细分为基于对象数据模型建模方法和基于自适应推理模型方法两种。

以数据驱动为基础的建模方法又包括以多元统计分析为基础的建模方法、以统计学习理论为基础的建模方法、以人工智能为基础的建模方法。

机理建模的基本思想就是从生产过程的内在机理出发，按照某种物理和化学规律，比如物料平衡、能量平衡、动量平衡等，构造输入输出之间的数学模型。

此建模方法可以充分地学习己知的样本数据集，从事物的本质逐步推出其外部特征，较适用于生产过程比较简单的情景，对于某些复杂的生产过程，不易用此方法建模，且必须要用输入输出数据验证。

文献【4】将机理建模和数据建模结合，提出了一个新的算法一椭球定界算法，此算法可以使模型误差稳定收敛且加快收敛速度，可以较好地用于混合建模中。

文献【5】通过自适应模糊理论对智能机器人进行了相关的建模和控制，并利用Lyapunov函数论证了系统跟踪误差的有界性，最后仿真也验证了文中给出方法的有效性。

文献【6】是通过基于自适应神经模糊对跳汰机床层的某部分进行相关的软测量建模，并对其表面的松紧情况进行了在线估计。

基于数据驱动的建模方法不需要了解对象的内部机理情况，可以通过生产过程获得数据，按照某一最优准则构建主导参数变量与辅助参数变量间的关系，从而实现对主导参数变量的估计。

与上一方法相比，此方法较简单，不需了解对象的内部结构。

文献【7】考虑到磨矿过程中的参数不确定性，对其展开了相关的软测量建模。

首先采用递归主元分析的理论对训练数据进行了主元分析处理后，接着采用最小二乘支持向量机LSSVM（LeastSquaresSupportVectorMachine）设计了的参数软测量模型。

文献[8]分析机的参数软测量模型。

文献[8]分析

其磨机的参数软测量模型。

文献【8】分析了氢气回收系统中相关参数难以实时测量的难题，借鉴主元分析理论，建立了一种基于径向基RBF（RadicalBasisFunction）神经网络的软测量模型，最后实验检测了文中方法的可行性。

文献【9】鉴于海洋生物发酵反应中某些重要的参数指标不能实时检测到的难题，采用了一种新颖的软测量建模思想实现了对其参数在线测量，通过最d,--乘支持向量机对其发酵过程展开分析后进行了建模。

同样，文献【10】考虑到利用超声波提取植物中某种成分不能实时测量到的难题，首先用粒子群优化算法PSO（ParticlearmOptimization）与支持向量机建立了其过程中的成分检测软测量模型，然后利用单片机搭建了一个采集系统，通过软硬件的结合完成了成分的直接在线检测。

文献【11】针对渠道中水流量的检测方案不完善和不足的难题，在新颖的LSPIV（LargeScaleParticleImageVelocimetry）技术的基础上，结合RBF神经网络建立了水流量的实时动态的软测量系统，在一定程度上提高了原先方案的检测精度，也降低了其检测过程的复杂度。

文献【12】研究了甲醇的生产中检测转化率的软测量问题，针对其转化率的影响因素较多，利用模糊和神经网络的相关理论对其构造了转化率的软测量模型，实验论证了该设想的有效性，完成了对其转化率的在线测量。

同样，文献【13】采用模糊和神经网络的相关理论对锅炉构造了炉温的软测量模型，这样也使得现在的炉温的检测更加方便，其检测精度也大大提升。

混合建模就是把多种构造模型的方法结合到一起的一种建模方式。

其种类繁多，较常用的有：

机理建模与神经网络结合的建模方法、统计回归法与神经网络结合的建模方法、状态估计法与机理法结合的建模方法等。

混合建模方法可以综合各种模型的优势，充分学习先验知识，可以提高模型的精确度和效率，明显改善模型的性能。

然而由于混合方式纷乱复杂，模型的鲁棒性往往很难稳定，模型预测精度也不易控制，因此本文采用基于数据驱动的软测量建模方法。

基于数据驱动的软测量建模方法已经发展了很久，这种方法利用历史数据，通过学习历史数据中所蕴含的信息，结合统计学原理和机器学习技术构建辅助变量和主导变量间的关系，使预测结果更精确，因此在化工生产中广受欢迎。

比如，可以利用在线软测量技术评估产品质量【14】：

利用过程监督和故障诊断【15】软测量去检测当前过程的运行状态；

但是历史数据量大，所含信息量少，因此以其为基础建立模型，还面临着很大的挑战。

最先提出来的基于数据驱动的软测量方法是用历史数据建立离线模型，主要用于模型辨识领域。

例如人工神经网络的辨识【16】，基于软测量的主元分析方法【17】。

然而为了确保离线软测量的实现，还需完成许多条件。

最有争辫地是：

历史数据中包含将来过程所有可能的情形和状态，不仅包括可操作过程的状态，也暗含了环境改变可能引起的突发事变，输入参数状态的改变等。

即使采集到的数据中包含了所有需要的过程状态，而建立一个相应的模型和设置合适的参数仍很困难。

极大的模型复杂度和繁琐的计算量都给我们的工作带来很大影响。

由于大多数化工过程都有时变性，于是有人提出一些在线自适应模型的策略，最早提出来的自适应软测量有移动窗技术MW（MovingWindow）、最小二乘的递归更新技术RUOTLS（RecursiveUpdatesofTheLeastSquares）、主元分析PCA（PrincipalComponentAnalysis）方法、偏最小二乘法PLS（PartialLeastSquares）

【18】等。

第三章软检测的方法

综上所述，软测量技术作为一种检测技术已发展成为过程优化和过程控制等领域的强有力工具，无论在科学研究还是实际应用中，均取得了较大的成果。

但由于基于数据驱动的软测量建模方法只能靠以往的经验来确定模型，因此很大程度上受人为影响。

另外，此方法的可解释性差，容易受数据样本的影响，使建模效果无法预测。

这导致了许多相关的研究目前还处于理论研究和软件仿真阶段，尚未得到实际应用，例如有些软仪表有着较高的拟合精度却预测精度低，有些抗干扰性不好，计算复杂，导致不能实时地在线更新和优化。

因此有关软测量建模方法的研究，还有好多工作要做。

目前有关软测量建模方法的研究方向有下述两种：

第一种是将最近新兴的新技术与软测量技术相结合，构建基于新兴技术的软测量模型。

例如将各种优化算法用于软测量建模中，可以得到各项性能指标更优的模型。

文献【l9】提出了一种混合PSOEO（ParticleSwarmOptimizationExtremalOptimization）多目标优化算法，用于解决多目标优化问题，成功避免了过早收敛，将该算法成功地运用到某一热电厂多锅炉系统的负荷分配问题中，并取得了较好的效果。

文献【20】提出基于黄金分割法的变步长BP（BackPropagation）算法，将模糊逻辑与神经网络相结合，以提高神经网络对不精确信息描述的精确度，并将训练好的模型用于检测抽油机的故障诊断中，最后取得不错的效果。

在时变情况下，若噪声先验统计未知，随着时间延迟，传统的UKF（UnscentedKalmanFilter）的滤波精度会下降甚至发散。

为了解决上述问题，赵琳和王小旭【21】等提出一种新的基于噪声统计估计器的自适应UKF算法。

此算法以极大后验估计原理和指数加权为基础，在进行滤波的同时，噪声统计估计器实时地估算和修正时变的噪声，此估计器改善了传统UKF的缺陷，能够较好地适应时变过程。

第二就是有关动态软测量模型的研究。

经过多年的研究与改进，软测量技术已取得巨大的成果。

然而大部分的研究都是针对静态软测量的建模方法，即假设生产过程始终处于稳定的环境。

但实际化工中大多过程都是处于时变的状态，此时，若仍采用旧模型预测输出，则会产生很大误差，甚至模型已经衰退。

比如软测量模型的退化、化工厂状态的改变，会导致模型的预测精度降低。

在化工过程中，发生突变、性能损失或者过程漂移时，移动窗模型、即时模型和时间差模型等自适应软测量的模型预测精度降低。

如果问题不能很好地解决，就很难确定异常状况的原因。

所以如何提高软测量模型的预测准确度和鲁棒性，是动态软测量模型的重要研究方向，而动态软测量也是本文中的研究目标和出发点。

针对化工生产的非线性、以往的离线模型泛化性差等问题，文献【22】提出了一种在线核偏最小二乘OLKPLS（OnlineKemelPartialLeastSquares）建模方法，此方法采用新样本与建模样本间的某种近似规则和具有代表意义的数据作为可利用样本去更新模型，且通过磨机的仿真实验证明了此方法具有更好的性能。

为了解决聚丙烯在生产过程中的时变性和非线性问题，文献【23】提出新的折息移动窗递推偏最小二乘算法DMWRPLS（DiscountMovingWmdowRecursivePLS），通过聚丙烯的实验仿真验证。

目前软测量技术已引起许多过程控制领域的专家的关注，并成为过程控制领域的研究热点，本论文以某一化工企业的实际化工过程为对象，讨论了三种动态软测量建模方法。

（1）基于移动窗的动态最小二乘支持向量机MWLSSVM（MovingWindow—LeastSquaresSupportVectorMachine）算法：

由于以往的软测量建模方法大都假设所处的生产过程为稳态，而实际工况中的生产过程常具有时变性，此时若仍采用固定的模型处理待预测样本，会产生很大的误差，模型的拟合精度不高。

针对此问题，本文提出基于移动窗的动态最小二乘支持向量机MWLSSVM算法。

此算法利用移动窗技术，通过增量学习和减量学习更新策略，实现样本数据的更新，从而避免模型的退化。

最后借用某一化工精馏塔的实验仿真，验证了所提方法建立的模型比传统的静态方法建立的模型，预测效果更好，拟合精度较高，模型解释性增强。

（2）基于移动窗的动态多核最小二乘支持向量机MW—MKL—SSVM（MovingWindowMultipleKernelLearningLeastSquaresSupportVectorMachine）算法：

该方法可以将非线性问题的求解转化为线性问题的求解，但当样本维度较高、数据异构等情况时，常用的单核函数就会出现一系列的缺陷：

解释性差、泛化性能低、精确度低等问题。

而多核学习可以很好的解决此类问题。

本文从核函数的角度提出基于移动窗的动态多核最小二乘支持向量机MwMKLLSSVM算法，此算法通过多核组合代替传统的单核，将问题的求解转化为对核函数和其相应系数的确定问题，从而增强模型的可解释性和鲁棒性等，最后用两个非线性函数做了对比，证明所提方法构建的模型解释性更强，学习效果更好。

3）基于良p时学习的动态最小二乘支持向量机MW—JITUSSVM（MovingWindowJustinTimeLearningLeastSqu）算法：

以往的基于．aresSupportVectorMachine数据建模算法都是全局建模，当一个待测新样本添加进来时，就重新建立模型。

虽然这些算法可以提高模型的性能，但由于其计算繁琐，当数据规模较大时，很难实现实时在线更新，为了减少建模时的计算复杂度，本文提出了基于即时学习的动态最小二乘支持向量机MWJITLLSSVM算法。

此算法利用“相似输入产生相似输出”的原理，根据前后两个时刻样本的异同，按照某一规则快速地更新样本，递推出新的模型参数，从而构建新的模型。

论文最后采用多种时变方法与所提方法做了对比，结果表明采用该方法可以在减少计算量的同时，使模型的实时性、预测精度和泛化性能等达到较好状态。

参考文献

[1]JosephB，BrosilowCB．Inferentialcontrolof．processes：

PartI．Steadystateanalysisanddesign[J]．AIChEJournal，1978，24（3）：

485—492．

[2]俞金寿．工业过程先进控制技术[姗．上海：

华东理工大学出版社，2008．

[3]俞金寿．软测量技术及其应用[J]．自动化仪表，2008，29

（1）：

1-7．

[4]王魏，邓长辉，赵立杰．椭球定界算法在混合建模中的应用研究[J]．自动化学报，2014，40（9）：

1875—1881．

[5]王永富，柴天佑．机器人关节摩擦的自适应模糊补偿建模与控制[J]．仪器仪表学报，2006，27

（2）：

186—190．

[6]程健，郭一楠，钱建生．跳汰机床层松散状况软测量建模方法研究[J]．中国矿业大学学报，2006，35（5）：

591—595．

[7]汤健，赵立杰，柴天佑，等．基于振动频谱的磨机负荷在线软测量建模[J]．信息与控制，2012，41

（1）：

123—128．

[8]李桂香，王磊，李继定，等．基于主元分析的气体膜分离过程RBFNN建模[J]．系统仿真学报，2012，24（9）：

2003—2006．

[9]黄永红，宋心雷．基于贝叶斯LS—SVM的海洋生物酶发酵过程软测量建模[J]．仪表技术与传感器，2014（8）：

92—94．

[10]齐岩磊，陈娟，杨祺，等．基于SVM的葛根素提取软测量系统的设计[J]．电子测量与仪器学报，2012，26（8）：

726—731．

[11]张振，徐立中，韩华，等．基于径向基神经网络的明渠流量软测量方法[J]．仪器仪表学报，2012，32（12）：

2648—2655．

[12]缪啸华，宋淑群，王建华，等．基于模糊神经网络的甲醇合成塔转化率软测量模型[J]．石油化工自动化，2012，48

（2）：

32—35．

[13]王新刚，侍洪波．德士古气化炉炉温软测量建模及其工程实现[J]．化工自动化及仪表，2006，33（3）：

59—63．

[14]李军，岳文琦．基于泄漏积分型回声状态网络的软测量动态建模方法及应用[J]．化工学报，2014，65（10）：

4004—4014．

[15]李晗，萧德云．基于数据驱动的故障诊断方法综述[J]．控制与决策，201l，26

（1）：

1-9．

[16]刘光中，颜科琦，康银劳．基于自组织理论的GMDH神经网络算法及应用[J]．数学的实践与认识，2001，31（4）：

464—469．

[17]李鸣，倪智振，李赣平．核独立元分析的非线性多元回归方法研究[J]．系统仿真学报，2014，26（4）：

859—863．

[18]DayalBS，MacGregorJF．RecursiveexponentiallyweightedPLSanditsapplicationstOadaptivecontrolandprediction[J]．JournalofProcessControl，1997，7（3）：

169—179．

[19]于晨龙．混合多目标优化方法研究及在电厂锅炉负荷分配中的应用[D]．浙江：

浙江大学，2013．

[20]任伟建，王喜刚，王思宇．基于模糊神经网络的抽油机故障诊断方法[J]．自动化技术与应用，2012（4）：

4-8．

[21]赵琳，王小旭，孙明，等．基于极大后验估计和指数加权的自适应UKF滤波算法[J]．自动化学报，2013，36（7）：

1007-1019．

[22]汤健，柴天佑，余文，等．在线KPLS建模方法及在磨机负荷参数集成建模中的应用[J]．自动化学报，2013，39（5）：

471-486．

[23]王春鹏，于佐军，孟凡强．折息移动窗递推PLS算法及其在聚丙烯生产过程中的应用[J]．化工学报，2013，64（12）：

4592-4598．