《传感器与检测技术教学课件（共38单元）37软测量技术》由会员分享，可在线阅读，更多相关《传感器与检测技术教学课件（共38单元）37软测量技术（33页珍藏版）》请在金锄头文库上搜索。
1、10.6 软测量技术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。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10.6.1 辅助变量的选取10.6.2 测量数据的处理10.6.3 软测量模型的建立10.6.4 软仪表的在线校正10.6.5 软测量的工业应用10.6.1 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. 变量类型的选择选择的方法往往从间
2、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
3、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)之外的干扰不敏感。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。 软测量技术10.6.1 辅助变量的选取10.6.2 测量数据的处理10.6.3 软测量模型的建立10.6.4 软仪表的在线校正10.6.5 软测量的工业应用10. 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 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
4、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
5、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：(i)对各种可能导致过失误差的因素进行理论分析；(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；(iii)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
6、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10. 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 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
7、，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，软仪表是通过求的估计值。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。构造软仪表的方法也可分为两大类。机理分析方法 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。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。系统辨识方法 辨识方法是将辅助变量和主
8、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。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。
9、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。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
10、要影响。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塔板效率的估计。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。软测量技术10.6.1 辅助变量的选取10.6.2 测量数据的处理10.6.3 软测量模型的建立10.6.4 软仪表的在线校正1
11、0.6.5 软测量的工业应用10.6.4 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。值得注意的问题：在配备在
12、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。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10.6.1 辅助变量的选取10.6.2 测量数据的处理10.6.3 软测量模型的建立10.6.4 软仪表的在线校正10.6.5 软
13、测量的工业应用10.6.5 软测量的工业应用 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，使系统运行在最优工作点处，实现自适应优化控制。 End the 10.6
