第7章软测量技术精品.pptVIP

软测量的工业应用 过程操作和监控： ◆ 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。 软测量的工业应用 过程控制：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。 软测量的工业应用 过程优化： ◆ 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。 7.4 软测量技术应用 1．软测量技术在啤酒发酵糖度测量中的应用 (1) 发酵 基本背景情况: 发酵是食品工业生产和医药工业生产的重要工艺方法。所谓发酵是指在合适的环境条件下，微生物经过特定的代谢方式将原料养分转换成所需生物产品的过程。发酵过程有复杂性、不确定性和生产过程生物参数检测的困难性。 啤酒发酵设备 (2) 啤酒发酵 (2) 啤酒发酵 啤酒发酵工艺要求发酵温度如图所示规律变化，要经过恒温、升温、再恒温、降温及最后恒温五个工艺阶段。不同啤酒品种，其发酵各阶段参数有所不同，但反映其温度变化规律的工艺阶段曲线形式是一样的。 发酵温度和发酵压力是进行发酵的基本条件，发酵介质的糖度才是发酵进程的决定因素。因此啤酒发酵生产需要在升温保温的各阶段在线检测发酵介质的糖度，并实现生产过程的自动控制，才能保证啤酒产品达到应有的质量。 经验说明，发酵介质糖度不仅与过程中的反应温度、压力有关，而且与酵母的数量、活性及原麦汁的浓度等初始条件有关。用 y表示发酵介质糖度，T表示发酵温度，P表示发酵中压力，N表示酵母数量，M表示酵母活性，y0表示麦汁浓度，可选择T、P、N、M和y0作为软测量辅助变量，糖度y是软测量的主导变量，并用下式表示主导变量和辅助变量的相关关系。 (3) 软测量及辅助变量选择 从温度曲线可以看出，A点和C点之前均为恒温阶段，因此可以将温度和压力作为稳态值处理，用静态建模代替动态建模。这样，A点的糖度主要取决于初始条件和该点之前的恒温温度和压力。设A点的糖度下降速率为y，则 (3) 软测量及辅助变量选择 C点的糖度不仅与初始条件有关，同时也与AB阶段的发酵进程有关，在AB段温度上升越快，发酵越厉害，糖度下降也越快。设AB段温度上升时间为tAB，则C点的糖度下降速率为: (4) 软测量BP模型 BP算法人工神经网络在非线性系统建模中得到了普遍应用，也被选为啤酒发酵糖度软测量的建模方法。 由上面两式知，在两个糖度软测量阶段，辅助变量都为4个，因此在三层BP网络糖度模型中，输入节点为4个，输出节点为1个，中间隐层节点选择9个，隐层及输出层节点的激发函数选择非线性Sigmoid函数(S形的生长曲线)。 所建立的BP 网络层与层之间的神经元全连接，而同一层的神经元之间无连接。 (4) 软测量BP模型 BP算法的学习过程包括正向传播和反向传播两个过程。正向传播过程中，输入信号从输入层传入隐层再传入输出层。如果输出层的输出不是期望的结果，网络将转入反向传播，将网络的期望输出与实际输出之差的误差信号由输出层经隐层传至输入层，逐层修正连接权重。正向传播和反向传播的反复交替进行，可使网络趋向收敛，形成网络的全局误差趋向极小值的学习收敛过程。 实际调试时，将一组丰富的数据样本构成训练集（输入—输出模式），送入BP网络进行训练，使网络按学习规则修正各层节点之间的连接权重。训练完成后，可得到一组固定的连接权重，用于网络的实际应用。 (4) 软测量BP模型 (4) 软测量BP模型 BP算法形成了有许多优点的前馈神经网络，但也存在收敛速率慢，容易陷入局部极小，训练初始值不容易定好等缺点，需要加以改进。 在啤酒糖度软测量的BP算法实施中安排了两处修改。一是采用了变学习速率的做法；二是当学习过程进入局部极小时，通过对权重的随机跳跃使其跳出局部极小区域。 选择30组典型数据构成训练集，经6328次迭代计算便建立了啤酒糖度软测量BP 模型。将模型的输出与实际的化验糖度比较，精度达到 0.1%。如下图所示。 (4) 软测量BP模型 第7章 软测量技术