04基于人工神经网络软测量方法.pptVIP

4.4.2 软测量通用模型 测量有效性确认程序： (a)来自过程仪表的测量值（输入）用于计算一组测量有效性确认值（输出）。因为没有仪表的失效测量被检出，测量有效性确认模型的输出等于输入测量值。（b）显示仪表测量失效时的情况，当仪表测量值T与相应的预估变量值T*的差值超出允许误差e时，失效测量值T被检出，之后，在（c）中，不正确的输入值被排除，网络根据其它的输入测量值自动生成T*作为有效测量向量中的元素 4.4.3 建立软测量通用模型的基本方法 数据采集： ◆ 根据过程历时数据和实验室数据建立软测量模型。过程数据来自过程控制系统或是信息存储系统，实验室数据由间歇采集到的数据集构成，来自实验室的分析系统或信息存储系统 ◆ 现场数据和实验室数据的采集总量要求覆盖典型操作期内软测量模型预期有效的整个测量范围，其中必须包括代表稳态行为的数据。几乎全部软测量模型都是一种准稳态的模型，即具有动态同步输入（延时输入）的动态模型 ◆ 典型的数据采集是一个迭代过程，首先使用第一个数据集建模，之后修改这个模型，即采集更多的数据用以改善软测量模型的测量精度或扩大它的测量范围 4.4.3 建立软测量通用模型的基本方法 格式化：所获得的数据的形式一般是未经组织的文本格式，格式化步骤就是将文本数据转换成易于编辑的表格形式。格式化不以任何方式改变数据文件，主要是重新组织数据集，以便对其进行有效的处理 预处理：即数据编辑步骤，由工程人员检查数据文件，移去无效数据（如过程系统紊乱时采集的数据），用插补法填补丢失数据，对数据进行滤波，以及对数据进行归一化处理等 4.4.3 建立软测量通用模型的基本方法 建模： ◆ 通过建模步骤，用经过预处理的数据集训练神经网络。在训练中，工程人员通常监视训练误差和观察测试误差收敛的情况 ◆ 用于软测量建模的数据集一般分成三组：训练集，测试集和确认集。训练集用于神经网络训练，建立网络模型；测试集用于周期性的测试网络模型对于未参与网络训练的数据的预估精度。当训练和测试误差极小化时，保存神经网络参数，即形成软测量模型。最后，需要使用确认集进行模型验证，观察软测量模型输出是否与由分析得出的实际测量值匹配 4.4.3 建立软测量通用模型的基本方法 模型分析：从工程意义的角度，通过检验参与网络训练的输入变量（即辅助变量），确认它们对于软测量建模的重要程度。这种重要程度可以通过输出变量对输入变量的敏感度反映。 左侧图指示输出变量对输入变量的敏感度，右侧表列出敏感度的数值 4.5 基于神经网络的软测量应用实例 由于多相流系统的复杂性和随机性，要建立过程激励，获得数学模型，并进行过程的控制或预测，首先需要解决多相流参数的检测问题。多相流检测，在不少情况下，已成为多相流系统研究中的一个制约性因素。因此，多相流检测技术成为了一个难度较大，在国内外都属于急待发展的研究领域。本节主要介绍多相流检测中通常涉及的分相流量和分相浓度的神经网络软测量方法。 4.5 基于神经网络的软测量应用实例 气固两相流中固相质量流量的软测量： ◆ 气固两相流中固相质量的在线测量，对气固两相流工业过程的检测和控制具有重要意义。以稀相气力输送粉料过程中的固相质量流量测量为例，介绍基于神经网络的固相质量流量的建模方法。 ◆在稀气力输送过程中，差压比和混合比的经验关系式通常表示如下： 其中: Δpt为管程总压降；Δpg为纯气相压降；ms为固相质量流量；mg为气相质量流量；k为比例系数。 4.5 基于神经网络的软测量应用实例 气固两相流中固相质量流量的软测量： ◆ 经验公式中的比例系数k受气固两相流所处的管径、固相颗粒摩擦系数、固/气相速度滑移比、悬浮速度等诸多因素的影响，因此其值一般是通过实验得到的经验值。这种经验值具有较大的局限性，即仅对特定的系统有效，难以适用于其他类型的两相流系统。神经网络可以通过对大量实验数据的自动学习，将这些难以确定的因素包含在权值中，从而简化了机理推导和数据分析的过程。 ◆ 由经验公式可知，固相质量流量的主要关联因素为管程总压降、纯气相压降及气相质量流量。又因纯气相压降可由气相质量流量推出，因此可将管程总压降及气相质量流量视为固相质量流量的主要关联因素，用作神经网络的输入，其他次要因素认为是常数，包括在网络权值中。 4.5 基于神经网络的软测量应用实例 气固两相流中固相质量流量的软测量： ◆ 所使用的神经网络是拓扑结构为2-3-1的多层前向网络，其中输入为气相质量流量mg 和管程总压降Δpt，输出为固相质量流量的估计值 。网络训练采用改进的BP算法。 4.5 基于神经网络的软测量应用实例 气固两相流中固相质