软测量技术的发展与现状

软测量技术的发展与现状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、过程管理与决策等提供支持，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与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与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、数据调和与显著误差侦破等；3、软测量模型的建立与在线校正方法；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机理分析与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，软仪表中广泛采用与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CO2浓度等。辅助变量的最佳数目显然与过程的自由度、测量噪声以及模型的不确定性有关。辅助变量的数目与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，从中选择与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、Karhunen-Loeve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与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，通过物料平衡与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。还有数据采样与产品质量分析必须同步进行。最后是模型检验，检验分为自身检验与交叉检验。我们建议和提倡交叉检验。经验建模的优点与弱点与机理建模正好相反，特别是现场测试，实施中有一定难处。2.3.3机理建模与经验建模相结合把机理建模与经验建模结合起来，可兼容两者之长，补各自之短。机理与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，完成通用软件包与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与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(SVM)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与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。此时该方法就需要与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PCR(Principalcomponentregression)和部分最小二乘回归法PLSR(principalcomponentregression)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与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