软测量技术原理及应用.pptVIP

软测量技术原理及应用报告人：马登龙报告内容：1.软测量技术概述1.1辅助变量选择：1.2软测量数据选择与处理：（1）对采集来的数据在选择数据时，要注意数据的“信息”量，均匀分配采样点，尽力拓宽数据的涵盖范围，减少信息重叠，避免信息冗余；（2）对输入数据测预处理：包括数据变换和误差处理a)数据变换包括标度、转换和权函数三部分：标度用于克服测量数据的数值关系数量级太大的问题，以改善算法的精度和稳定性。转换用于降低对象的非线性特性，其方法有直接转换和寻找新变量代替原变量。权函数则用于实现对变量动态特性的补偿。误差处理时保证输入数据准确、有效地必要手段。b)误差可分为随机误差和过失误差两大类，随机误差受随机因素影响，一般不可避免，但符合一定的统计规律，可采用数字滤波的方法来消除，例如算术平均滤波、中值滤波和阻尼滤波等。过失误差将极大地影响软测量在线运行精度，为此及时检测和校正这类数据是十分必要的，常用方法有随机搜索法、神经网络等。1.3软测量模型辨识和验证2.软测量数据处理方法在实际测量中，由于测量者读数据或记录数据的错误，或由于检测仪器受到随机干扰，都会造成异常的结果，这类数据称为异常数据。判断样本数据是否为异常数据，并将它们去除，对于建模来说非常重要。本节主要介绍小波分析（waveletanalysis）、数据校正（datarectification）和传统的主元分析法（principalcomponentanalysis，PCA）。2.1小波分析用于数据处理：2.1小波分析用于数据处理：2.1小波分析用于数据处理：小波变换继承和发展了短时傅里叶变换的局部化思想，克服了其窗口大小和形状固定不变的缺点。它不但可以同时从时域和频域观测信号的局部特征，而且时间分辨率和频率分辨率都是可以变化的，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，被誉为“数字显微镜”。小波变换的原理为：2.1.1小波分析用于数据处理：对应的逆变换为：a为尺度因子，b为位移因子。与短时傅里叶的时频窗口不一样，小波变换的窗口形状为两个矩形，b仅仅影响窗口在相平面时间轴上的位置，而a不仅影响窗口在频率轴上的位置，也影响窗口的形状。小波分析可以用来分析信号的奇异性检测。信号中不规则的突变部分和奇异点是信号的一个重要特征，往往包含着比较重要的信息，在故障诊断中故障点，例如机械故障、电力系统故障，都对应于测试信号的突变点。小波变换因为具有时频局部化的性质能够很好的描述信号的局部奇异性。另外，小波分析可以用来对信号进行压缩，分辨染噪信号的发展趋势，进行信号的自相似性检测等等。2.1小波分析用于数据处理：举例1：基于小波的输油管道泄漏信号去噪处理2.1小波分析用于数据处理：2.2多变量统计建模方法2.2多变量统计建模方法2.2多变量统计建模方法可以采用一些典型的非线性化形式来做相关分析，用于非线性关系线化，如：。根据相关分析的结果，对每一个变量选择相关系数较大的几种形式作为初步的模型结构，再通过回归法，从而确定比较合适的模型结构。2.2多变量统计建模方法2.2多变量统计建模方法2.2多变量统计建模方法举例2：常三线油闪点软测量模型2.2多变量统计建模方法2.2多变量统计建模方法2.2多变量统计建模方法2.2多变量统计建模方法经过主元分析的时候，将原始数据的p个相关向量变换成一组相互无关的正交变量（即主成分之间的协方差等于零）。这种变量系统的正交性在实际应用中是十分有益的。由于各个变量中所含的信息都是互补的，并且在信息中间没有交叉重叠，这将进一步开展其他方面的统计分析带来很大的便利。近年来又发展除多尺度主元分析（MultiscalePCA，MSPCA），将单尺度建模方法推广到多尺度，将PCA去线性变量相关性的能力以及小波变换提取变量局部特征和近似分解变量自相关性的能力综合起来。另外为了适应工业过程的动态变化，改进了固定模型的一次计算PCA算法，提出了递推主元分析方法，使PCA方法在在线动态监测中得以应用。2.2多变量统计建模方法5部分最小二乘法（PartialLeastSquares,PLS）2.2多变量统计建模方法1）设有q个因变量和p个自变量，为了研究自变量和因变量之间的统计关系，观测n