软测量技术发展与现状.docx
《软测量技术发展与现状.docx》由会员分享，可在线阅读，更多相关《软测量技术发展与现状.docx（8页珍藏版）》请在冰豆网上搜索。
软测量技术发展与现状
软测量技术的发展及现状
1、绪论
在过程控制中，若要使机组处于最佳运行工况、实现卡边控制，提高机组的经济效益，就必须要对机组的重要过程变量进行严格控制。
然而对许多工业过程来说，一些重要的输出变量目前还很难通过传感器得到，即使可以测出也不一定具有代表性，不能总体的反映出设备的运行工况。
为了解决这类变量的测量问题，出现了不少方法，目前应用较广泛的是软测量方法。
软测量技术就是为了解决上述问题应运而生的。
其基本思想是根据比较容易测量的工业过程辅助变量，即二次变量，来估计无法直接测量的工业过程主要输出变量。
它采用统计回归、软计算等各种方法建立过程变量预报模型，并通过一些可以测量的过程变量和其他一些参数，用软件方法来测量（估计）难以用传统硬仪表在线测量的参数和变量。
从而为过程控制、质量控制、过程管理及决策等提供支持，从而为进一步实现质量控制和过程优化奠定基础。
软测量技术已是现代流程工业和过程控制领域关键技术之一，它的成功应用将极大地推动在线质量控制和各种先进控制策略的实施，使生产过程控制得更加理想。
2、软测量技术概论
软测量的概念首先产生于工业过程的实际需要，从实践过程中抽象出理论，形成了软测量技术，然后又反过来指导生产过程的实践。
软测量技术的发展就是一个理论及实践相结合的典型例子。
软测量是目前过程控制行业中令人瞩目的领域，无论工业过程的控制、优化还是监测都离不开对过程主导变量的检测，它是各种控制方法成功应用的基础。
工业对象的基本输入输出关系如图2.1所示，向量U表示过程的控制输入，向量D表示过程的扰动变量，向量Y表示过程的主要输出变量，向量X’表示过程的其他输出变量。
软测量的基本思想则是根据某种最优准则，选择一组容易测量又及过程主要变量有密切。
图2.1工业对象输入输出关系
关系的过程辅助变量（辅助变量），通过构造某种数学模型（汪永生，2000），通过软件计算实现对不易测量的过程主要输出变量的在线估计。
软测量技术的对象输入输出关系如原理图2.2中所示：
图2.2软测量的工作原理
把D、U、X’中的在线可测变量统一称为过程可测变量，用向量X表示。
软测量的任务就是从X中选择适当数目的变量构成辅助变量向量θ，构造出下面的过程模型F，从而能够在线地得到Y的估计值Yˆ:
θ⊆X⇒Yˆ=F（θ）
一般情况下，过程的主要输出变量可以通过实验室分析化验或其他手段离线进行监测，
用Y*表示，这些值可以用来建立软测量模型或对软测量模型进行在线校正，从而满足对过程缓慢变化的自适应。
图1-3表示出了软测量的工作原理。
影响软测量性能的因素有多种，主要有以下几个：
1、辅助变量的选择，包括变量类型的选择、变量数目的选择和测量点位置的选择；2、过程数据的处理，包括数据变换、数据调和及显著误差侦破等；3、软测量模型的建立及在线校正方法；4、生产过程本身的特性。
软测量技术的特点决定了它不是一项完全的理论工作，其成败取决于实际应用的结果。
由此可见软测量技术主要由辅助变量的选择、数据采集和处理、软测量模型及在线校正四个部分组成，理论根源是基于软仪表的推断控制。
推断控制的基本思想是采集过程中比较容易测量的辅助变量，通过构造推断估计器来估计并克服扰动和测量噪声对主导变量的影响。
2.1机理分析及辅助变量的选择
首先明确软测量的任务，确定主导变量。
在此基础上深入了解和熟悉软测量对象及有关装置的工艺流程，通过机理分析可以初步确定影响主导变量的相关变量辅助变量。
辅助变量的选择包括变量类型、变量数目和检测点位置的选择。
这三个方面互相关联、互相影响，由过程特性所决定的。
在实际应用中，还受经济条件、维护的难易程度等外部因素制约。
针对特定的生产过程和选定的主导变量，如何确定其对应的辅助变量。
辅助变量的选择在软仪表的建立过程中起着重要的作用，它包括变量的类型、数目及测量点位置三个方面，这三个方面是互相关联的，在实际应用中，还受到经济性、工艺、维护等额外因素的影响。
辅助变量的选取范围是过程的实时可测变量集。
目前，软仪表中广泛采用及主导变量动态特性相近、关系紧密的可测参数作为辅助变量，如精馏塔和反应器过程中的温度、温差，生物发酵过程中的尾气中2浓度等。
辅助变量的最佳数目显然及过程的自由度、测量噪声以及模型的不确定性有关。
辅助变量的数目及位置常常是同时确定的，用于选择变量数目的准则往往也适用于测点位置的选择。
选择辅助变量的方法可以分为两种：
一种是直接根据历史数据纪录进行选择，这种方法是对过程变量之间进行相关性分析，选择对主导变量影响最大的一些变量作为辅助变量，使用这种方法时辅助变量只能从可测变量集中选择；另一种是根据过程的机理模型生成一些仿真数据，对这些数据进行相关性分析，从中选择及过程主导变量密切相关的变量作为辅助变量，这种方法可以在过程设计时用以指导测量点的最优设计。
进行辅助变量选择的方法有主元分析法、奇异值分解法、方法、相关分析等。
2.2数据采集和处理
对用于建模和估计的辅助变量原始测量数据，进行原始数据的标准化、归一化、过失误差侦破及数据校正。
过程数据预处理包括误差处理、数据变换和动态滤波等。
由于工业过程中的原始测量数据往往有着不同的工程单位、不同的量程等，变量之间在数值上可能相差几个数量级。
直接使用这些数据进行计算可能会由于计算机的字长有限而丢失数据，或者引起算法的病态。
利用合适的方法对数据进行预处理，能够减少系统的非线性，改善算法的精度和稳定性。
一个十分值得注意的问题是样本数据及过程数据之间在时间上的匹配。
尤其是在人工分析情况下，从过程数据即时反应的产量、质量状态到取样位置需要一定的流动时间，取样后到产品质量参数返回现场又要耗费很长的时间，因此在利用分析值和过程数据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。
2.3软测量模型的建立
针对特定的条件和指定的生产过程，如何确定用于估计过程主导变量的过程模型，即建立主导变量和辅助变量之间的映射关系。
软测量模型的建立是软测量技术的核心问题。
按照所采用的数学模型来划分，目前建立软测量模型的方法主要有以下这几种：
2.3.1机理建模
从机理出发，也就是从过程内在的物理和化学规律出发，通过物料平衡及能量平衡和动量平衡建立数学模型。
对于简单过程可以采用解析法，而对于复杂过程，特别是需要考虑输入变量大范围变化的场合，采用仿真方法。
典型化工过程的仿真程序已编制成各种现成软件包。
机理模型优点是可以充分利用已知的过程知识，从事物的本质上认识外部特征；有较大的适用范围，操作条件变化可以类推。
但它亦有弱点，对于某些复杂的过程难于建模，必须通过输入/输出数据验证。
2.3.2经验建模
通过实测或依据积累操作数据，用数学回归方法、神经网络方法等得到经验模型来进行测试，理论上有很多实验设计方法，如常用的正交设计等。
有一种办法是吸取调优操作经验，即逐步向更好的操作点移动，这样可一举两得，既扩大了测试范围，又改进了工艺操作。
测试中另一个问题是稳态是否真正建立，否则会带来较大误差。
还有数据采样及产品质量分析必须同步进行。
最后是模型检验，检验分为自身检验及交叉检验。
我们建议和提倡交叉检验。
经验建模的优点及弱点及机理建模正好相反，特别是现场测试，实施中有一定难处。
2.3.3机理建模及经验建模相结合
把机理建模及经验建模结合起来，可兼容两者之长，补各自之短。
机理及经验相结合建模是一个较实用的方法，目前被广泛采用。
2.4软测量模型的在线校正
在软仪表的使用过程中，随着生产条件改变、对象特性的变化，生产过程的工作点会发生一定程度的漂移，因此需要对软仪表进行校正以适应新的工况。
通常对软仪表的模型的修正需要大量的样本数据和耗费较长的时间，在线进行有实时性方面的困难，必须考虑模型的在线校正，才能适应新工况。
软测量模型的在线校正可表示为模型结构和模型参数的优化过程，具体方法有自适应法、增量法和多时标法。
对模型结构的修正往往需要大量的样本数据和较长的计算时间，难以在线进行。
为解决模型结构修正耗时长和在线校正的矛盾，提出了短期学习和长期学习的校正方法。
短期学习由于算法简单、学习速度快而便于实时应用。
长期学习是当软测量仪表在线运行一段时间积累了足够的新样本模式后，重新建立软测量模型。
2.5软测量技术的通用化和开放化
如果软测量仪表只是针对特定的生产过程、特定的生产条件研究和开发的，则该软测量仪表投入到其他不同工业环境时的二次投资就会十分巨大，推广应用就比较困难。
一套通用的软测量系统，应当具有良好的开放性和实用性，能够经过少量的二次开发实现系统组态，应用到不同的工业场合上。
通过组态，设定模块数目、输入输出变量数目、名称等，完成通用软件包及具体生产过程的结合，从而能够把软测量真正应用到具体生产过程中去。
开放化是指根据不同对象的不同特性，软测量系统应能方便地调用不同的算法进行估算和测量。
并且软件实现时，应为加入新的算法保留有适当的接口，为进一步的后续开发提供基础，也为不同算法之间的比较分析提供平台。
3、软测量建模的方法
软测量的核心问题是其模型的建立，也即建立待估计变量及其它直接测量变量间的关联模型。
软测量建模的方法多种多样，且各种方法互有交叉，且有相互融合的趋势，因此很难有妥当而全面的分类方法。
目前，软测量建模方法一般可分为:
机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、基于支持向量机（）和核函数的方法、过程层析成像、相关分析和现代非线性系统信息处理技术等。
这些方法都不同程度地应用于软测量实践中，均具有各自的优缺点及适用范围，有些方法在软测量实践中己有许多成功的应用，后面几种建模方法限于技术发展水平，目前在过程控制中还应用较少。
3.1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化学反应动力学、物料平衡、能量平衡等原埋，通过对过程对象的机理分析，找出不可测主导变量及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，难以建立合适帆机理模型。
此时该方法就需要及其它参数估计方法相结合才能构造软仪表。
这种软测量建模方法是工程中常用的方法，其特点是简单、工程背景清晰，便于实际"应用，但应用效果依赖于对工艺机理的了解程度，因为这种软测量方法是建立在对工艺过程机理深刻认识的基础上，建模的难度较大。
3.2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一元和多元线性回归技术目前已相当成熟，常用于线性模型的拟合。
对于辅助变量较少的情况，一般采用多元线性回归中的逐步回归技术以获得较好的软测量模型。
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且模型物理量概念不明了。
3.3基于状态估计的软测量建模
如果系统主导变量作为系统的状态变量是完全可观的，那么软测量建模问题就转化为典型的状态观测和状态估计问题。
基于状态估计的软仪表由于可以反映主导变量和辅助变量之间的动态关系，因此，有利于处理各变量间动态特性的差异和系统滞后等情况。
这种软测量建模方法的缺点在于对复杂的工业过程，常常难以建立系统的状态空间模型，这在一定程度上限制了该方法的应用。
同时在许多工业生产过程中，常常会出现持续缓慢变化的不可测的扰动，在这种情况下采用这种建模方法可能会带来显著的误差。
3.4基于模式识别的软测量建模
这种软测量建模方法是采用模式识别的方法对工业过程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，如空间超盒等。
基于模式识别方法建立的软测量模型及传统的数学模型不同，它是一种以系统的输入/输出数据为基础，通过对系统特征提取而构成的模式描述模型。
该方法的优势在于它适用于缺乏系统先验知识的场合，可利用日常操作数据来实现软测量建模。
在实际应用中，这种软测量建模方法常常和人工神经网络以及模糊技术等技术结合在一起使用。
3.5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较多、发展很快和应用范围很广泛的一种软测量建模方法。
由于人工神经网络具有自学习、联想记忆、自适应和非线性逼近等功能，基于人工神经网络的软测量模型可以在不具备对象的先验知识的条件下，根据对象的输入/输出数据直接建模（将辅助变量作为人工神经网络的输入，而主导变量作为神经网络的输出，通过神经网络的学习来解决不可测变量的软测量问题），模型的在线校正能力强，并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;另一种是及常规模型相结合，用神经网络来估计常规模型的模型参数，进而实现软测量。
3.6基于回归支持向量机的方法
建立在统计学习理论基础上的支持向量机（）已成为当前机器学习领域的一个研究热点。
支持向量机采用结构风险最小化准则，在有限样本情况下，得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值，解决了一般学习方法难以解决的问题，如神经网络的局部最小问题、过学习以及结构和类型的选择过分依赖于经验等固有的缺陷等问题，从而提高了模型的泛化能力。
另外支持向量机把机器学习问题归结为一个二次规划问题，因而得到的最优解不仅是全局最优解，而且具有唯一性。
的方法最早是针对模式识别问题提出的，通过引入ε不敏感损失函数，将其推广应用到非线性回归估计中，得到了用于回归估计的标准方法，本文称之为回归支持向量机（）。
由于软测量建模及一般数据回归问题之间存在着共性，支持向量机方法应用于回归估计问题取得不错的效果应用，促使人们把眼光投向工程应用领域，提出不少建立基于回归支持向量机的软测量建模方法。
3.7基于模糊数学的软测量建模
模糊数学模仿人脑逻辑思维特点，是处理复杂系统的一种有效手段，在过程软测量建模中也得到了大量应用。
基于模糊数学软测量模型是一种知识性模型。
该法特别适合应用于复杂工业过程中被测对象呈现亦此亦彼的不确定性、难以用常规数学定量描述的场合。
实际应用中常将模糊技术和其它人工智能技术相结合，例如模糊数学和人工神经网络相结合构成模糊神经网络，将模糊数学和模式识别相结合构成模糊模式识别，这样可互相取长补短以提高软仪表的效能。
3.8基于过程层析成像的软测量建模
基于过程层析成像（）的软测量建模方法及其它软测量建模方法不同，它是一种以医学层析成像（）技术为基础的在线获取过程参数二维或三维的实时分布信息的先进检测技术，即一般软测量技术所获取的大多是:
关于某一变量的宏观信息，而采用该技术可获取关于该变量微观的时空分布信息。
由于受技术发展水平的制约，该种软测量建模方法目前离工业实用化还有一定距离，在过程控制中的直接应用还不多。
3.9基于相关分析的软测量建模
基于相关分析的软测量建模方法是以随机过程中的相关分析理论为基础，利用两个或多个可测随机信号间的相关特性来实现某一参数的软测量建模方法。
该方法采用的具体实现方法大多是互相关分析方法，即利用各辅助变量（随机信号）间的互相关函数特性来进行软测量建模。
日前这种方法主要应用于难测流体（即采用常规测量仪表难以进行有效测量的流体）流速或流量的在线测量和故障诊断（例如流体输送管道泄漏的检测和症位）等。
3.10基于现代非线性信息处理技术的软测量建模
基于现代非线性信息处理技术的软测量建模方法是利用易测过程信息（辅助变量，它通常是一种随机信号），采用先进的信息处理技术，通过对所获信息的分析处埋提取信号特征量，从而实现某一参数的在线检测或过程的状态识别。
这种软测量建模技术的基本思想及基于相关分忻的软测量建模技术一致，都是通过信号处理来解决软测量建模问题，所不同的是具体信息处理方法不同。
该软测量建模方法的信息处理方法大多是各种先进的非线性信息处理技术，例如小波分析、混沌和分形技术等，因此能适用于常规的信号处理手段难以适应的复杂工业系统。
相对而言，基于现代非线性信息处理技术的软测量建模方法的发展较晚，研究也还比较分散。
该技术目前一般主要应用于系统的故障诊断、状态检测和过失误差侦破等，并常常和人工神经网络或模糊数学等人工智能技术相结合。
4、软测量建模方法进一步研究的展望
软测量建模方法虽然经过多年的发展有了很多成果，但仍有许多问题有待于迸一步研究。
软测量建模方法进一步研究的方向有以下几种。
4.1将新兴的技术用于软测量建模
日前虽然出现了众多软测量建模方法，但仍不能满足实际需要。
将一些新兴的技术用于软测量建模，建立基于新兴技术的软测量模型仍是目前研究的热点。
如:
将神经网络、微粒群优化算法、遗传算法等新兴技术用于软测量建模，建立性能更好的软测量模型。
4.2将不同的方法相互融合建立混合模型或多模型
由于实际系统的复杂多变，往往来说，一种方法建立的模型难以满足要求。
如果结合实际系统的机理分析和实际情况，将不同的方法相互融合，建立混合模型，这一建模方法是值得研究的方向。
4.3动态软测量模型研究
经过十几年的发展，软测量技术无论是在理论研究还是在实际应用中均取得了较大成功，然而至今为止的大部分研究都是针对静态软测量模型。
为了进一步提高软测量模型精度和鲁棒性，动态软测量模型是今后任务研究方向之一。
5、软测量技术的应用前景
软测量技术可以广泛应用到过程工业中，可能的应用领域包括炼油、石化、聚合、造纸、采矿、食品、医药、精细化工、半导体、纺织、化纤和微电子行业等。
在推断控制结构中，软测量技术可作为推断控制器的一部分，构成对主要输出变量的估计器，然后再根据估计器输出得到控制器。
在反馈控制中，软测量可单独作为一个估计器而存在于过程系统中，软测量系统接收来自生产过程其他测量装置的输出信号作为输入，通过软测量模型的计算得到相应变量的输出，可以直接作为控制系统的输入信号。
软测量技术的具体应用可以体现在以下几个方面：
5.1实时估计
当工业过程中某些过程变量没有在线实时测量手段时，需要利用软测量手段进行在线估计以进行操作指导和实时控制，软测量的依据是实验室分析的数据，一般具有比较长的周期（如2～8个小时）。
软测量技术的这类应用为虚拟在线软仪表。
5.2质量预估
有些生产过程或检测仪表有比较大的滞后，尤其是对于过程产品的质量等参数。
利用带有大滞后的检测结果进行控制往往不会取得较好的效果。
利用软测量技术可以进行预估，有效消除滞后，获得比较及时的过程变量估计值。
5.3故障冗余
过程变量具备实时监测仪表，但是由于比较昂贵或其它原因，没有冗余的仪表。
因此当仪表发生故障不能正常工作时，需要采用软测量的手段进行估计。
5.4智能校正
某些过程变量仅依靠单一的传感器无法进行准确的检测，如锅炉的液位问题等，需要在仪表检测的基础上利用其它的一些参数进行修正，这类问题类似于数据融合中的多传感器检测问题，这其实也是一种软测量技术的应用情况。
5.5多路复用
当一个装置需要很多同种类型的仪表时，可以只配备少量几块仪表，用这些仪表在不同的场合轮换使用。
轮到仪表检测的变量在检测的同时建立软测量模型，没有轮到仪表检测的变量用软仪表进行估计。
6、结语
尽管软测量方法的研究多种多样，但目前成熟的商业化软件包大多还是采用基于最小二乘法的方法，主要因为最小二乘算法结构简单、易于维护、物理意义明确、鲁棒性较好。
但由于过程控制中的研究对象在一般情况下都是大时变的非线性对象，这时单纯采用线性回归方法往往不能满足要求。
目前有很多基于人工智能方法的软测量研究和应用的报道用于解决复杂的非线性系统的建模问题，但许多方法尚停留在理论研究和计算机仿真的阶段，有些软仪表拟合精确度高但预测性不好，有些则抗干扰性较差，计算量大，在线更新和学习能力不够，这些不足使得很多方法及实际应用还有一段距离。
需要我们进一步发展相关理论来充实软测量技术。
升级会员 