过程控制系统第7章　软测量技术.pptxVIP

过程控制系统与装置第7章　软测量技术7.1　软测量技术的基本原理7.2　软测量模型7.1　软测量技术的基本原理7.1.1　软测量技术的基本思想7.1.2　软仪表的一般设计方法7.1.1　软测量技术的基本思想图7-1　软测量技术的基本思想7.1.2　软仪表的一般设计方法1.辅助变量的选取2.测量数据的处理3.软测量模型4.软仪表的维护1.辅助变量的选取1)适用性　辅助变量一定是在线可测的，而且相应的检测仪表应有较高的测量准确度。2)经济性　作为检测辅助变量的仪表价格是合理的，且使用成本不高。3)灵敏性　辅助变量应对主导变量的输出贡献较大，即主导变量对辅助变量有较高的灵敏度，同时对模型误差不敏感。2.测量数据的处理(1)误差处理(2)数据变换(1)误差处理根据误差出现的规律，测量数据可分为系统误差、随机误差和粗大误差三类。通常情况下检测仪表已将系统误差尽可能减到最小，在实际使用过程中主要是随机误差和粗大误差。随机误差是指在同一测量条件下，多次重复测量同一被测量时，其绝对值和符号以不可预见的方式变化，即具有随机性的误差。由于随机误差在多次重复测量中符合统计规律，因此可取多次重复测量的平均值或采用适当的数字滤波来减少或消除。(2)数据变换图7-2　标度变换框图测量数据的变换包括标度变换、转换和权函数3个方面。1)将各个具有不同性质、不同量级的辅助变量信号统一起来，进行规格化以满足软测量模型输入所需要的信号范围称为软测量的标度变换。2)有些辅助变量在进入软测量模型前除了要进行标度变换外还需进行其他变换，如按某个函数形式进行转换，通过对这些测量数据的转换，可以有效降低软测量模型的非线性特性，提高模型的性能。3)有些辅助变量对主导变量的动态响应与其他辅助变量有较大差异，为了提高软测量模型的整体动态特性，需要对某些辅助变量用权函数进行动态特性的补偿。3.软测量模型软测量模型表征辅助变量与主导变量之间的数学关系，它是软仪表的核心。构造软仪表实际上就是在选取合适的辅助变量后如何建立软测量模型。软测量的建模方法有很多，归纳起来可分为基于机理分析的软测量建模、基于统计分析的软测量建模和基于人工智能原理的软测量建模。4.软仪表的维护软仪表的维护包括对软仪表的评价和校正。对软仪表的维护实际上就是对软测量模型的维护。大多数的软测量系统中均设置一个软测量模型评价模块，该模块先根据软测量模型的输出和输入情况做出是否需要校正和进行何种校正的判断，然后再自动调用校正模块对软测量模型进行校正。7.2　软测量模型7.2.1　回归分析方法7.2.2　主元回归方法7.2.3　神经网络技术7.2.1　回归分析方法图7-3　逐步回归策略程序框图7.2.2　主元回归方法主元回归方法也称主成分回归或主成分分析方法，其基本思想是：先利用主元分析和矩阵变换，从数据矩阵中提取主元，这些主元是原有变量(即所有辅助变量)的线性组合，并且是彼此正交的。从主元中选择前k个主元作为新的自变量进行回归，获得新的回归模型。这样不仅可以减少自变量的个数，而且还能消除多元线性回归存在的问题。7.2.3　神经网络技术1.神经网络模型2.神经网络的训练3.神经网络在检测技术中的应用1.神经网络模型图7-4　典型神经元模型1.神经网络模型图7-5　激励函数的几种形式a)阶跃函数　b)符号函数　c)分段函数　d)Sigmoid函数1.神经网络模型图7-6　BP三层神经网络模型2.神经网络的训练(1)增量型学习算法(2)累积型学习算法2.神经网络的训练图7-7　神经网络训练框图(1)增量型学习算法(2)累积型学习算法3.神经网络在检测技术中的应用1)待测参数即为神经网络的输出。2)影响待测参数的各间接测量的参数为神经网络的输入。3)在检测技术中，神经网络的中间层一般采用一层，中间层的节点数和输入层的情况类似，并非越多越好，随着节点数的增加将大大增加神经网络的训练时间和收敛的难度，但节点数过少也会影响神经网络的准确度。4)神经网络在正式使用前要进行训练，即用一定数量的已知的待测参数值和与之对应的各输入参数的值分别作为神经网络的输出和输入对其进行训练，确定神经网络的各权函数和阈值。3.神经网络在检测技术中的应用5)如果设计的神经网络达不到预期的效果，要考虑重新调整神经网络的结构，包括输入节点数、中间层节点数的增加，采用其他形式的神经网络等。6)神经网络不是万能的，人们应努力去研究、发现新的传感器(传感技术)以实现对待测参数的直接测量。