推断控制和软测量技术.ppt

* * 软测量实例——辅助变量 二次风温Ts 窑尾烟室温度Te 大窑电流Iy Ts Te Iy * * 软测量实例——数据预处理 拉以达准则 去除测量数据中含有的显著误差，而传统统计判别方法对于测量数据中存在的输入输出数据失配误差却显得无能为力 模糊聚类 显著误差侦破 * * 软测量实例——模型建立 支持向量机，新兴的机器学习方法，相比神经网络具有全局优化、泛化能力强等优点 最小二乘支持向量机(LSSVM)，是支持向量机的一种扩展，只求解线性方程，其求解速度快，在函数逼近、建模等领域得到了广泛应用 * * 软测量实例——结果 * * 软测量实例——结果 训练样本 数 测试样本 数 LS-SVM RBF 训练均方差 测试均方差 训练均方差 测试均方差 模糊聚类 50 61 0.0035 0.0053 0.0017 0.0195 拉依达准则 80 95 0.0171 0.1233 0.0062 0.2052 表1 数据处理与建模方法性能比较 * * 软测量实例——结果 由表1可知，通过模糊聚类方法获得的样本数据的适应性明显优于拉依达准则方法获得的数据，原因在于模糊聚类方法去除了原始数据中含有的失配误差，而拉依达准则方法却没能去除；同时比较发现，LSSVM的训练均方差虽然大于RBF网络的训练方差，但其泛化均方差却小于RBF的泛化均方差，因而获得了更好的结果。 * * 8、软传感器技术存在的问题及展望  ①最佳软传感器设计问题 软传感器的研究依赖于实际工程背景，并且随着过程控制的不断进步而发展的。冶金过程中存在诸如被控输出采样、测量、分析困难的问题，连续轧钢机钢带厚度控制问题，转炉定碳控制问题等。实际应用中，往往只是简单地采用预估函数或多次迭代卡尔曼滤波的预测法以及数值拟合等方法，没有把辅助输出快速采样的优势及其所含丰富的信息与控制策略结合起来，因而具有一定的局限性。对不同的过程来讲，总有最佳的软传感器存在，究竟怎样设计，要视被控过程的特点而定。 * * 8、软传感器技术存在的问题及展望  ②有效输入输出模型 由于被控变量在大部分时间得不到采样值，一般输入输出模型对系统的描述是无效的，故出现了如多率数据采样系统、周期性时变系统，同时提出了许多软传感器设计方案。但是如果能找到这样的输入输出模型，它能恰当地描述系统特性，又能把软传感器和推理控制器的设计有机地结合起来，则可把许多成熟的设计方法巧妙地“移植”到推理控制系统的设计中来，在这方面进行研究，可以得出有益的结果。 * * 8、软传感器技术存在的问题及展望  ③最优化方法的选择 H∞最优化方法比H2最优化方法更加直接地提高软传感器的鲁棒性，更方便地进行鲁棒性分析。目前，H∞最优化设计技术中比较成熟的方法有状态空间法、多项式法。具有鲁棒性的辨识方法也可提高软传感器的鲁棒性，把H∞优化法和鲁棒辨识法融合于软传感器的设计中，是很有意义的探索。 * * 8、软传感器技术存在的问题及展望  ④人工智能方法的思考 人工智能方法在软传感器方面的应用方兴未艾，如神经元网络、模糊规则、遗传算法等。尽管它们在理论上还不完善，但在实际应用中已有成功的例子。因此，我们有理由相信，，在众多的解决方案中，人工智能方法将是很重要的一种。 * * 8、软传感器技术存在的问题及展望  ⑤软传感器技术的讨论 软传感器技术是工业过程优化和分析的有力工具，在测控理论研究和实践中取得了广泛的成果，其理论体系正在逐渐形成。由于工业过程的复杂性决定了不可能只采用一种技术就可完美地解决建模和控制问题，因此，要将各种技术有机地结合起来，已成为今后研究和应用的潮流。一揽子解决复杂工业过程测控、建模、在线校正比较困难。数据处理是软传感器设计中的一个十分重要的问题，尤其是对过失误差的处理，在理论研究方面已取得不少成果，但距实际应用还有一些差距，应进一步深入研究，应用于实际过程。此外，现有的在线校正方法十分有限，应该发展更多更新的方法，以适应复杂工业对象的要求。 * * Inter Process Communication * 假若不可测的被控变量，只需要采用可测的输入变量或其余辅助变量即可推算出来，这是推断控制中最简单的情况，习惯上称之为“采用计算指标的控制系统”，即简单推断控制；如热焓控制、内回流控制、湿含量、转化率控制等； 对不可测扰动的推断控制是美国学者Brosilow于1978年提出的，它是利用过程的辅助输出，如温度、压力、流量等测量信息，来推断不可直接测量的扰动对过程主要输出（如产品质量、成分等）的影响，然后基于这些推断估计量来确定控制输入，以消除不可直接测量的扰动对过程主要输出的影响，改善控制品质。 Inter Process Communication * 推断控制系统的成功与否，在于是否有