检测新技术.ppt

第八章 检测新技术 程森林 2012年11月 8 检测新技术 内容 8.1 软测量技术 8.2 虚拟仪器 8.3 工业计算机层析成像 8.1 软测量技术 8.1.1 概述 8.1.2 辅助变量选取 8.1.3 测量数据处理 8.1.4 软测量模型的建立 8.1.5 软仪表的在线校正 8.1.6 软测量的工业应用 8.1.1 概述 背景 在实际生产过程中，存在着许多因为技术或经济原囚无法通过传感器进行直接测量的过程变量，如精馏塔的产品组分浓度、生物发酵罐的菌体浓度、高炉铁水中的含硅量和化学反应器中反应物浓度、转化率、催化剂活性等 传统的解决方法有两种：一是采用间接的质量指标控制，如精馏塔灵敏板温度控制、温差控制等，但难以保证最终质量指标的控制精度；二是采用在线分析仪表控制，但设备投资大、维护成本高、存在较大的滞后性，影响调节效果 软测量技术应运而生 8.1.1 概述 概念 软测量就是选择与被估计变量相关的一组可测变量，构造某种以可测变量为输入、被估计变量为输出的数学模型，通过计算机软件实现对无法直接测量的重要过程变量的估计。 软测量包括了辅助变量的选取、 测量数据的处理、 软测量模型的建立和 软仪表的在线校正等技术。 8.1.2 辅助变量选取 包括变量类型、数目的选择及测点位置的选择 变量类型往往从间接质量指标出发。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。 变量数目可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。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。 检测点的选择可采用奇异值分解确定或工业控制仿真软件确定。 8.1.2 辅助变量选取 选取原则 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。 8.1.3 测量数据处理 随机误差处理 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。 8.1.3 测量数据处理 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： (1)对各种可能导致过失误差的因素进行理论分析； (2)借助于多种测量手段对同一变量进行测量，然后进行比较； (3)根据测量数据的统计特性进行检验等。 8.1.3 测量数据处理 数据变换 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态特性的补偿。合理使用权函数有可能用稳态模型实现对过程的动态估计 8.1.4 软测量模型的建立 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。 软测量模型不同于一般意义下的数学模型，强调的是通过辅助变量获得对主导变量的最佳估计。 常用的建模方法有机理建模、统计回归建模和人工神经网络建模等 8.1.5 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。 8.1.6 软测量的工业应用 在过程操作和监控方面的作用 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