高等过程控制—第9章软测量技术详解

《高等过程控制—第9章软测量技术详解》由会员分享，可在线阅读，更多相关《高等过程控制—第9章软测量技术详解（36页珍藏版）》请在金锄头文库上搜索。

1、软测量技术 soft-sensing technique,主要内容,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(1/3),随着现代工业过程对控制、计量、节能增效和运行可靠性等要求的不断提高，现代过程检测的内涵和外延较以往有很大的深化和拓展。 常规过程参数的测量信息已不能满足工艺操作和控制要求； 仪表测量精度要求越来越高，测量从静态向动态发展。 系统的复杂性、不确定性增加了过程参数检测,研制新型仪表，硬件形式实现参数在线直接测量 间接测量思路,软测量技术,1 软测量技术概述(2/3),软测量技术又称作软仪表技术，就是依

2、据易测的过程变量(常称为辅助变量或二次变量，Secondary Variable)与难以直接检测的待测变量(常称为主导变量，Primary Variable)间的数学关系，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。,软测量技术的基本思想很早就得到了应用； 80年代中后期，软测量技术作为一个概括性科学术语被提出； 1992年，T. J. Macvoy在Automatic发表了 “Contemplative Stance for Chemical Process Control”的IFAC 报告，明确指出软测量技术将是今后过程控制的主要发展方向之一。 早期的软测量技术主

3、要用于控制变量或扰动不可测的场合，其目的是实现工业过程的先进控制，而今该技术已渗透到需要实现难测参数的在线测量的各个领域。,1 软测量技术概述(3/3), 2.1 辅助变量的选择,2、软测量技术的实现及性能影响因素,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,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。,2) 变量数目的选择,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。 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

4、量的主要因素，这需要大量的观测数据。 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,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。 检测点的选择方法： 采用奇异值分解的确定， 采用工业控制仿真软件确定。 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,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

5、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

6、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) 数据的变换,对数据的变换包括标度、转换和权函数三方面。 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

7、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。 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。 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。,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。,1）软仪表的描述 2）建模方法,1）软仪表的描述,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。,主导变量,辅助变量,干扰,控制变量,软仪表,性能依赖于

8、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。 建立软仪表的过程就是构造一个数学模型。 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。 软仪表与一般意义下的数学模型区别： 数学模型主要反映与或之间动态(或稳态)关系， 软仪表强调的是通过辅助变量来获得对主导变量的最佳估计。,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。,机理建模、统计回归建模和人工神经网络建模等,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

9、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、软测量技术的分类,软测量技术的分类一般都是依据测量模型的建立方法，建模的方法很多，且各种方法互有交叉，目前又有相互融合的趋势，因此很难有妥当而全面的分类方法。,3.1 机理分析方法,建立在对过程工艺机理

10、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。 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。 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。,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

11、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,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。,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

12、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

13、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塔板效率的估计。,3.7 模糊数学的方法,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。 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。,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与其他软测量建模方法不同的是，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。由于技术发展水平的制约

14、，这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软测量的方法。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。目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定位）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是利用易测过程信息

15、（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理提取信号特征量，从而实现某一参数的在线检测或过程的状态识别。 这种软测量技术的基本思想与基于相关分析的软测量技术一致，都是通过信号处理来解决软测量问题，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

16、糊数学等人工智能技术相结合。,4 软测量技术的工业应用,首先，在过程操作和监控方面有十分重要的作用。 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。 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,软仪表对过程控制也很重要，可以构成推断控制。 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,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； 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。 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