第7章软测量技术课案.pptVIP

第7章 软测量技术 ;在实际生产过程中，存在着许多因为技术或经济原因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. 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，存在的问题是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 ;三、 软测量技术的概念与思想;软测量的基本思想是把自动控制理论与生产工艺过程知识有机结合起来，应用计算机技术，对于一些难于测量或暂时不能测量的重要变量（主导变量），选择另外一些容易测量的变量（辅助变量），通过构成某种数学关系来推断和估计，以软件来代替硬件功能。 ;四、 软测量的意义与适用条件;7.2 软测量技术的数学描述;　软测量的结构;1）辅助变量的选择——确定软测量的输入信息，直接决定软测量模型的结构和输出。 2）数据的预处理——精确可靠的数据是软测量成败的关键。 3）软测量模型的建立——软测量技术的核心任务。 4）模型的在线校正——能进一步提高软测量的准确程度。; 1 辅助变量的选择;辅助变量的选择原则： ◆ 过程适用性：工程上易于在线获取并有一定的测量精度 ◆ 灵敏性：对过程输出或不可测扰动能做出快速反应 ◆ 特异性：对过程输出或不可测扰动之外的干扰不敏感 ◆ 准确性：构成的软测量仪表应能够满足精度要求 ◆ 鲁棒性：对模型误差不敏感等 ;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。 ◆ 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。辅助变量最佳数目的选择与过程的自由度、测量噪声以及模型的不确定性有关，一般建议从系统的自由度出发，先确定辅助变量的最小个数，再结合实际过程中的特点适当增加，以便更好地处理动态特性的问题。 ;检测点位置的选择?? ◆ 对于许多工业工程，与各辅助变量相对应的检测点位置的选择是相当重要的。可供选择的检测点很多，而且每个检测点所能发挥的作用各不相同。一般情况下，辅助变量的数目和位置常常是同时确定的，用于选择变量数目的准则往往也被用于检测点位置的选择。 ◆ 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 ;2 测量数据的处理;◆ 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：中值滤波、算术平均滤波和程序控制滤波等方法都可以减小随机误差的影响等。 ◆ 过失误差的处理： 对各种可能导致过失误差的因素进行理论分析； 借助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。 ;◆ 测量数据变换不仅影响模型的精度和非线性映射能力，而且对数值算法的运行效果也有重要作用。测量数据的变换包括标度、转换和权函数三个方面。  ◆标度:实际测量数据可能有着不同的工程单位，各变量的大小间在数值上可能相差几个数量级，直接使用原始测量数据进行计算可能丢失信息和引起数值计算的不稳定，因此需要采用合适的因子对数据进行标度，以改善算法的精度和计算稳定性。 ;◆转换:包括对数据的直接换算和寻找新的变量替换原变换变量两个方面，通过对数据的转换，可有效地降低非线性特性。 ◆ 权函数: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。;3. 软测量模型的在线校正;表征辅助变量和主导变量之间的数学关系称为软测量模型。 建立软测量模型的方法多种多样，且各种方法互有交叉和融合。各种方法可以分为两类： 机理方法 经验方法;1．机理建模 ; 2．机理建模与经验建模相结合 ;基于回归分析方法 基于人工智能方法 基于状态估计方法 ; 一种经典的建模方法，应用范围相当广泛。 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，运用统计方法建立软测量数学模型。 1. 线性回归 最小二乘法 主元回归法 部分最小二乘法 2. 非线性回归;人工神经网络（ANN）——具有自学习能力，记忆联想能力，即自适应能力；有很强的非线性逼近功能，适合进行建模工作；有并行处理，分布式存储记忆的结构特点，能实时进行复杂的运算。 ; 模糊技术——模糊技术模仿人脑的逻辑思维，用于处理模型未知或不精确的控制问题。 通常将模糊逻辑与神经网络相结合 ，形成模糊神经网络，适用于处理非线性的、复杂的系统。 ; 人们已开始尝试综合应用回归方法和