软测量技术
合集下载
第六章 软测量技术
三、软测量技术的建模
1．机理建模
• 根据化学反应方程式、能量平衡物料平衡方程式， 根据化学反应方程式、能量平衡物料平衡方程式，分 析生产工艺过程和各种变量之间的相互影响情况， 析生产工艺过程和各种变量之间的相互影响情况，从内在 的机理出发，找出主导变量（被测变量） 的机理出发，找出主导变量（被测变量）与有关辅助变量 之间的数学关系（模型），这种建模方法称为机理建模 ），这种建模方法称为机理建模。 之间的数学关系（模型），这种建模方法称为机理建模。 机理建模需要有扎实的物理、化学和生物方向面基础知 机理建模需要有扎实的物理、 对工艺过程十分清楚，各种工艺数据准确可靠。 识，对工艺过程十分清楚，各种工艺数据准确可靠。机理 可以采用仿真的方法。 建模可以采用仿真的方法 建模可以采用仿真的方法。 机理建模从事物的本质出发认识问题和解决问题， 机理建模从事物的本质出发认识问题和解决问题， 有优越性，对于较简单的生产工艺过程有实用性 实用性， 有优越性，对于较简单的生产工艺过程有实用性，对较 复杂的工艺过程则存在很大难度， 复杂的工艺过程则存在很大难度，和其它方法结合可以 产生更好的效果。 产生更好的效果。
二、软测量技术的内容
2．软测量模型的建立
一旦确定了辅助变量，软测量的核心工作就是建立软测 核心工作就是建立软测 一旦确定了辅助变量，软测量的核心工作 量模型，如下图所示： 量模型，如下图所示：
软测量最本质的技术 软测量最本质的技术是表征辅助变量和主导变量之间数 最本质的技术是表征辅助变量和主导变量之间数 学关系的软测量模型。与控制系统建模类似， 学关系的软测量模型。与控制系统建模类似，建立软测量 模型主要有机理建模 经验建模和 机理建模， 模型主要有机理建模，经验建模和机理与经验相结合的建 模。
软测量技术及其应用与发展
软测量技术的未来发展
在学术研究方面，未来软测量技术的研究将更加深入和系统化。研究人员将 通过跨学科的合作与交流，推动软测量技术的发展与创新。例如，将机器学习、 深度学习等先进的人工智能技术与软测量技术相结合，将有助于提高模型的自适 应能力和预测精度。此外，研究人员还将探索软测量技术在新能源、新材料等领 域的应用，为实现可持续发展提供新的解决方案。
软测量技术及其应用与发展
01 引言
目录
02 软测量技术
03 软测量技术的应用
04
软测量技术的未来发 展
05 结论
06 参考内容
引言
引言
随着科学技术的发展，测量技术的进步对各个领域的影响越来越深远。在众 多测量技术中，软测量技术以其非侵入性和灵活性而备受。软测量技术通过数学 模型和计算机模拟等方法，对无法直接测量或者测量难度较大的物理量进行估计 和预测，为工业生产、科学研究等众多领域提供了强有力的支持。
软测量技术
软测量技术
软测量技术的基本原理是利用已知信息，通过数学模型和计算机技术估计和 预测未知量。在软测量技术中，建立软测量模型是核心步骤。该模型利用输入信 号的特征，结合各种算法，估计和预测目标变量的值。软测量模型不仅可以根据 实际需求进行定制，还可以实现实时监测和在线优化。
软测量技术
在建立软测量模型时，需要选择合适的算法进行建模。常见的算法包括神经 网络、支持向量机、回归分析等。这些算法可以根据数据的特征和规律，实现高 精度的测量和估算。同时，借助计算机技术，软测量技术可以实现模型的在线优 化和实时更新，以适应不同环境和条件下的测量需求。
二、基于数据驱动的软测量建模 技术
1、数据采集
1、数据采集
在工业过程中，各种传感器会采集大量的数据，包括温度、压力、流量等。 这些数据需要通过一定的预处理和清洗，去除异常值和噪声，保证数据的准确性 和可靠性。
软测量技术
约。
对辅助变量的选择通常遵循如下原则： （1）灵敏性。能对过程输出（或不可测扰动）作出快速反应。 （2）特异性。能对过程输出（或不可测扰动）之外的干扰不敏感。 （3）工业适应性。工程上易于获得并达到一定的测量精度。 （4）精确性。构成的估计器达到要求的精度。 （5）鲁棒性。构成的估计器对模型误差不敏感。
传感检测技术基础
软测量技术
软测量技术主要包括四部分的内容：（1）辅助变量的选取；（2）数 据处理；（3）软测量模型的建立；（4）软测量模型的自校正及维护。
1.1 辅助变量的选择
辅助变量的选择非常重要，因为不可测的主导变量需要由这些辅助变 量推断出来；这其中包括辅助变量的类型、数目及测点位置三个关键点。 这三点是互相关联的，在实际中受到经济性、维护的难易等额外因素的制
（2）辨识建模方法
1）动态软测量模型的间接辨识 2）静态软测量模型的辨识——回归分析法 3）非线性软测量模型的建立
1.4 软测量模型的自校正及维护
工业生产过程的对象特征由于工艺改造、原料特性变化、操作条件改 变等原因都会发生变化。如果软测量模型不作修正，测量精度必然下降， 因此模型采用在线自校正和不定期更新的两级学习机制。 （1）在线自校正。根据对被测量参数的离线测量值（人工采样，实验室 分析）与软测量中主导变量估计值之间的偏差来对模型进行在线修正，使 软测量估计器能跟踪系统特性的变化，最简便的在线校正算法为常数项修 正法。 （2）模型更新。当对象特性发生较大变化，即使软测量估计器进行在线 学习也无法保证估计值的精度时，则必须使用已积累的历史数据进行模型
传感检测技术基础
软测量建模就是设法根据某种最优原则由可测变量得到无法直接测量 的主导变量的估计值。软测量模型的建立方法主要有机理建模方法和辨识
对辅助变量的选择通常遵循如下原则： （1）灵敏性。能对过程输出（或不可测扰动）作出快速反应。 （2）特异性。能对过程输出（或不可测扰动）之外的干扰不敏感。 （3）工业适应性。工程上易于获得并达到一定的测量精度。 （4）精确性。构成的估计器达到要求的精度。 （5）鲁棒性。构成的估计器对模型误差不敏感。
传感检测技术基础
软测量技术
软测量技术主要包括四部分的内容：（1）辅助变量的选取；（2）数 据处理；（3）软测量模型的建立；（4）软测量模型的自校正及维护。
1.1 辅助变量的选择
辅助变量的选择非常重要，因为不可测的主导变量需要由这些辅助变 量推断出来；这其中包括辅助变量的类型、数目及测点位置三个关键点。 这三点是互相关联的，在实际中受到经济性、维护的难易等额外因素的制
（2）辨识建模方法
1）动态软测量模型的间接辨识 2）静态软测量模型的辨识——回归分析法 3）非线性软测量模型的建立
1.4 软测量模型的自校正及维护
工业生产过程的对象特征由于工艺改造、原料特性变化、操作条件改 变等原因都会发生变化。如果软测量模型不作修正，测量精度必然下降， 因此模型采用在线自校正和不定期更新的两级学习机制。 （1）在线自校正。根据对被测量参数的离线测量值（人工采样，实验室 分析）与软测量中主导变量估计值之间的偏差来对模型进行在线修正，使 软测量估计器能跟踪系统特性的变化，最简便的在线校正算法为常数项修 正法。 （2）模型更新。当对象特性发生较大变化，即使软测量估计器进行在线 学习也无法保证估计值的精度时，则必须使用已积累的历史数据进行模型
传感检测技术基础
软测量建模就是设法根据某种最优原则由可测变量得到无法直接测量 的主导变量的估计值。软测量模型的建立方法主要有机理建模方法和辨识
软测量技术
– 采用人工神经网络进行软测量建模形式
对象
y e
对象
y
e
u
神经网络模型
ˆ y
u
神经网络模型
模型参数
常规模型
$ y
(a)
(b)
基于神经网络的软测量
• 软仪表的校正
– 软测量模型结构优化 – 模型参数修正
三、软测量技术应用举例 • 气力输送固相流量的软测量
– 差压-速度法
Vg DP
t
软测量 模型
差压-速度法技术路线
ms
– 差压-浓度法
DP Vg
输送气流速度
t
固相流量
ms
b
软测量模块
s
软测量模块
差压-浓度法技术路线
• 过程控制中的推断控制
d
Ysp
控制器
U
Yout
过程系统
+
_
ˆ 制系统
– 基于回归分析的软测量技术 • 回归分析是一种基于最小二乘原理的数据处理方法 • 有线性回归分析和非线性回归分析两大类 • 工程中最常用是多元线性回归 – 基于神经网络的软测量技术 • 基于人工神经网络的软测量可在不具备对象的先验
知识的条件下根据对象的输入输出数据直接建模 并能适用于高度非线性和严重不确定性系统
包括变量的类型、数目和测点位置等三个 相互关联的方面 辅助变量的选择要基于对对象的机理分析 和实际工况的了解
一般应符合如下若干原则
– 适用性 – 灵敏性 – 特异性 – 准确性 – 鲁棒性
• 测量数据的处理
测量数据的处理一般包括测量误差处理和 测量数据变换两部分 • 软测量模型的建模 表征辅助变量和主导变量之间的数学关系 称为软测量模型，它是软仪表的核心
软测量技术原理及应用
软测量技术原理及应用
软测量技术是一种基于数据驱动的测量方法，通过建立数学模型从实时过程中采集的数据中实时估计和预测相关过程变量，从而实现过程的监控、优化和控制。
它主要包括以下几个方面的原理和应用：
1. 原理：软测量技术基于统计学、数学建模和机器学习等方法，通过对大量历史过程数据的分析、建模和训练，构建出数学模型，并利用该模型对实时数据进行解析和预测。
常用的软测量方法有主成分分析、支持向量机、神经网络、模糊系统等。
2. 应用：软测量技术广泛应用于过程工业领域的监控、优化和控制。
例如，在化工工艺中，通过软测量技术可以实时估计关键的过程变量，如温度、压力、流量等，从而实现对生产过程的实时监控和优化控制。
在能源领域，软测量技术可以用于实时预测能源需求和优化能源供应链。
在制造业中，软测量技术可以用于产品质量监控和预测，从而提高生产效率和产品质量。
总之，软测量技术可以通过建立数学模型和分析实时数据，实现对过程的实时监控、预测和优化控制，具有广泛的应用前景。
第六章 软测量技术第四节软测量技术应用实例
四、软测量技术应用实例
1．软测量技术在啤酒发酵糖度测量中的应用
(4) 软测量BP模型
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。
四、软测量技术应用实例
2 ．软测量在常压塔筛料干点测量中的应用
四、软测量技术应用实例
2 ．软测量在常压塔筛料干点测量中的应用
(3) 回归分析建模
按回归方法建模需要大量的有效数据。辅助变量的 历史数据由DCS系统记录，筛料干点的化验分析每4 个小时完成一次。按照化验分析的采样时刻提取 DCS系统的记录，可获得主导变量与辅助变量对应 的一组组数据。进行数据处理，剔除个别坏的数据， 可获得n组有效数据。
四、软测量技术应用实例
1．软测量技术在啤酒发酵糖度测量中的应用
(2) 啤酒发酵
啤酒发酵设备
四、软测量技术应用实例
1．软测量技术在啤酒发酵糖度测量中的应用
(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。
第六章 软 测 量 技术
主要内容
一、软测量技术的意义 二、软测量技术的内容 三、软测量技术的建模 四、软测量技术应用实例
四、软测量技术应用实例
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。
软测量技术的发展与现状解读
软测量技术的发展与现状解读随着工业自动化和信息化的迅速发展，传统的连续控制系统已经无法满足复杂工业流程的控制要求。
为此，测量技术成为了自动化过程控制中的关键技术之一。
在工业自动化领域中，传统的硬测量仪器仍然占据了很大的市场。
然而，随着软测量技术的不断发展和成熟，其已广泛应用于各个领域，并逐渐成为工业自动化领域中不可或缺的技术手段之一。
软测量技术的概念及特点软测量技术是一种基于计算机仿真和数学建模的测量方法，它通过对相关数据进行处理、分析、检验和优化等操作，以提取被测对象所包含的信息并构建相应的模型。
与传统的硬件测量仪器相比，软测量技术具有以下特点：1.非侵入性：软测量技术不需要对被测对象进行物理干预，避免了对被测对象的影响。
2.灵活性：软测量技术可以根据需要灵活地选择不同的评估方法，对不同类别的数据进行处理。
3.经济性：软测量技术使用的仪器设备成本低，系统维护和更新也相对便宜。
软测量技术的发展历程软测量技术的发展历程可以分为以下几个阶段：第一阶段：传统算法法这一阶段的软测量技术主要使用传统的算法，并基于经验和知识获取方法对模型进行建立。
此方法的局限性在于无法准确预测复杂的过程和系统。
第二阶段：智能算法法由于传统算法的局限性，智能算法被引入到软测量技术中。
通过使用人工神经网络和遗传算法等智能算法，软测量技术取得了更好的应用效果。
第三阶段：混合算法法混合算法法是将传统算法和智能算法相结合的一种方法。
此方法可以克服传统算法的局限性，同时还可以减少智能算法的计算量，提高软测量技术的稳健性和适应性。
第四阶段：数据驱动模型法这一阶段的软测量技术主要使用数据驱动模型以实现在没有先验知识的情况下对过程建模。
数据驱动模型法通过对大量数据的收集和分析，并利用数据挖掘和机器学习技术构建出准确的系统模型。
软测量技术的应用领域软测量技术的应用趋势与其发展历程相似，从简单到复杂、从单一到多远程、从一种到多种和灵活性等，并已广泛运用于各个领域，包括以下几个方面：化工软测量技术在化工行业中应用较为广泛，以化工过程控制中的反应温度、压力、PH值等为测量对象。
软测量技术及应用
（3）现场应用示图
4BF喷煤风口支管状态监测系统 监控界面
4BF喷煤风口支管状态监测系统 传感器安装图(CPFM-B)
铸坯表面温度测量及计算结果比较
编号 钢种 拉速 位置z（m） 测量值(℃) 校正前(℃) 校正后(℃)
1
2 3 4
C72DA
C72DA C82DA C82DA
1.9
2.0 1.9 1.9
10.5
10.5 8.0 10.5
1033.0
1038.0 1030.4 1015.3
823.4
847.9 769.5 806
（2）辐射测温
测量铸坯表面辐射温度。
（3）数据相关融合
用点测温度修正CCD温度值。
南京钢铁联合公司现场测量数据（一）
南京钢铁联合公司现场测量数据（二）
南京钢铁联合公司现场测量数据（三）
凝固传热方程和边界条件
传热方程:
c
T T T ( ) ( )S t x x y y
◆
测量数据变换不仅影响模型的精度和非线性映射能力，而且对数值算 法的运行效果也有重要作用。测量数据的变换包括标度、转换和权函 数三个方面。
◆
标度:实际测量数据可能有着不同的工程单位，各变量的大小间
在数值上可能相差几个数量级，直接使用原始测量数据进行计算可能 丢失信息和引起数值计算的不稳定，因此需要采用合适的因子对数据 进行标度，以改善算法的精度和计算稳定性。
三、软测量的数学模型
机理模型建模是基于对过程对象的深刻认识，运用 对象的平衡方程、动力学方程、物性参数方程和设 备特性方程，建立估计主导变量的精确数学模型。
由于实际工业过程的复杂性，难以完全通过机理分 析得到软测量模型。因此，基于机理分析的方法建 模非常困难，需要与其他方法配合使用。
6 第6章 软测量技术
第二节 基于机理分析的软测量
3. 机理分析软测量的应用
催化裂化装置反应-再生系统的催化剂循环量、 反应热、烧焦状况及产品分布
催化裂化装置主分馏塔的质量指标，如汽油 干点、柴油90%点等 精馏塔的产品组分浓度
第三节 基于状态估计的软测量
d2可测，将其扩展到输入变量中，对象动态模型为
~~ x Ax B u
Λ k diag 1
2
k ( 1 2 k 0 )
T T Pk X XP k Λ k
T T T
Λk 0
取T
XP k
可逆
T 为主元矩阵
第四节 基于回归分析的软测量 二.主元分析和主元回归
1. 主元分析
(1) 输入数据矩阵X (m×n)按列零均值化 (2) 计算XTX (3) 计算XTX 的特征值(λi )和特征向量(Pi )
遵守系统自由度原则，辅助变量数目的下限是 被估计的主导变量数数目 辅助变量数目最多不超过8 ~ 10个
选择辅助变量可以通过主元分析或机理分析的 方法，删除影响甚微的辅助变量
设计反馈增益阵L采用自适应策略，即根据工作点 的变化实时求取L ，使观测器在较大的工作范围内 始终按照要求的性能运行
第三节 基于状态估计的软测量
2. 不可测输入的观测 考虑系统
x f ( x , u, d ) y h( x)
d 为系统不可测输入向量，假设d 为某动态环节的 输出，将其扩展到原系统中
Y XB
B Pk B Pk ( T T ) T Y
T T 1
第四节 基于回归分析的软测量
例：催化裂化装置主分馏塔粗汽油干点的软测量 粗汽油干点与辅助变量的关系式
软测量技术
软测量技术
随机误差处理除了剔除跳变信号外，常采用递推数字滤波方法，如高 通滤波、低通滤波、移动平均滤波等。随着计算机优化控制系统的使用， 复杂的数字计算方法对数据的精确度提出了更高的要求，于是又提出了数 据协调技术。
过失误差出现的概率较小，但是它将严重影响输入数据的准确性和可 靠性，从而影响软测量模型的精度。因此，及时发现、剔除和校正含过失 误差的数据是误差处理的首要任务。
软测量技术
软测量技术是工业计算机优化控制的有力工具，在理论 研究和实际应用中已经取得了不少成果，其理论体系亦正在 逐步形成。软测量仅靠实验室分析仪表分析值进行校正而获 得很高精度是很困难的，是一种粗放型测量技术；软测量要 想获得高精度，必须要用在线分析仪表进行实时校正，这时 软测量主要是克服在线分析仪表纯滞后给控制带来的困难。 经过在线分析仪表进行实时校正后，软测量可应用于石油化 工中成品精馏塔如乙烯塔、丙烯塔等装置。
软测量技术
（3）基于状态估计的软测量建模。如果系统主导变量作为系统 的状态变量是完全可观的，那么软测量建模问题就转化为典型的状 态观测和状态估计问题。基于状态估计的软仪表由于可以反映主导 变量和辅助变量之间的动态关系，因而有利于处理各变量间动态特 性的差异和系统滞后等情况。这种软测量建模方法的缺点在于对于 复杂的工业过程，常常难以建立系统的状态空间模型，这在一定程 度上限制了该方法的应用。同时，在许多工业生产过程中，常常会 出现持续缓慢变化的不可测的扰动，在这种情况下，采用这种建模 方法可能会带来显著的误差。
软测量技术
近年来，在软测量方面，国内外有大量的研 究，Thomas J.McAvoy更是将软测量传感器（ soft sensor）列为几大研究之首，因为软测量方 法涉及自动控制的许多重要领域，如过程建模、 系统辨识、数据处理等。总体来说，软测量方法 的研究经历了从线性到非线性，从静态到动态， 从无校正功能到有校正功能的发展过程。
软测量技术及应用
软测量技术及应用软测量是一种利用数学模型和计算机技术来进行质量或过程特性监测、诊断、预测和控制的方法。
它是根据过程系统的输入和输出数据，通过构建数学模型对过程进行建模分析，实现对过程参数的实时估计和控制。
软测量技术的应用非常广泛，可以用于工业生产中的过程监测与控制、产品质量检测与控制、环境监测与控制等方面。
软测量技术主要包括数据采集、建模与估计、控制与优化等步骤。
首先，需要对过程进行数据采集，获取输入输出数据。
数据采集可以通过传感器等设备进行，也可以通过历史数据进行。
然后，需要进行数据的处理和分析，对数据进行预处理、特征提取等操作，以便构建数学模型。
接下来，根据建模分析的结果，可以对过程进行参数估计和预测，实现过程状态的实时监测和预测。
最后，可以通过控制算法对过程进行调节和优化，实现过程的自动控制。
软测量技术在工业生产中有着广泛的应用。
首先，在过程监测与控制方面，软测量技术可以对各种工业过程进行参数估计和状态监测，实现过程的实时监测和控制。
例如，在炼油、化工等行业中，软测量技术可以对温度、压力、流量等重要参数进行实时估计和监测，可以及时发现过程异常，实现过程的及时调整和控制。
其次，在产品质量检测与控制方面，软测量技术可以对生产过程中的关键质量参数进行实时估计和控制，保证产品的质量稳定性和一致性。
例如，在电子制造、汽车制造等行业中，软测量技术可以对电子元件的质量、汽车零部件的性能等进行实时监测和控制，提高产品的质量和可靠性。
此外，软测量技术还可以应用于环境监测与控制方面，例如对水质、大气等环境参数进行实时监测和预测，优化环境控制策略，实现环境保护与资源利用的平衡。
软测量技术的应用还存在一些挑战和问题。
首先，软测量技术需要对过程进行准确的数学建模，但是过程的复杂性和不确定性往往导致建模的困难。
因此，如何选择合适的建模方法和优化算法，以及如何处理模型的不确定性是一个关键问题。
其次，软测量技术的应用需要大量的实时数据支持，但是数据采集和处理的成本往往很高。
软测量技术
k0
yk ) 2
最小
则根据偏差反向传播可求得权值修正值：
ij
wij
E ij
其中
N Ek E ij k 1 ij
E K ( f ' (net jk )) ij
15
软测量技术
一、基于统计建模的软测量技术
BP算法框图
初始化 给定样本集
求隐层、输出层各单元输出
Erms Emax
Erms
0.0046 0.0713
0.0048
0.0034 0.0526
0.0034
0.0018 0.0216
0.0019
Emax
0.0754
0.0530
0.0283
注：1. Erms为相对均方误差，Emax为最大相对误差 2. 检验样本与训练样本是内插关系。
20
软测量技术
相对均方误差 标准BP算法
x0 x0
1
-1
1 f ( x) 1
x0 x0
b.sgn函数
f ( x)
1 1 exp( x ) 0
9
c. S型函数
软测量技术
一、基于统计建模的软测量技术
大量的神经元按照不同的网络拓扑连 接起来形成不同的神经网络模型
目前已有神经网络模型有数十种
分为两大类：
10
软测量技术
一、基于统计建模的软测量技术
•相互连接型网络：任意两个神经元之间都可能有连
接，因此输入信号要在神经元之间反复往返传递，从某一始 状态开始，经若干次变化，趋于一新的稳态。
这类网络又可分为：反馈网络和自组织网络。
•常见的反馈网络：
Hopfield网络，用非线性微分方程描述 CG网络，1983 盒中脑模型，BSB（Brain－in－a－Box）
第六章 软测量技术 第三节软测量技术的建模
➢ 回归分析方法建模物理意义明确，能看出辅助变量与 主导变量的关系，外推能力强。例如选择辅变量并采集 一定数据后，经过线性回归分析，就可以看到所建立的 模型。
三、软测量技术的建模
4．人工神经网络建模
人工神经网络具有自学习能力，记忆联想能力，即自适应 能力；有很强的非线性逼近功能，适合进行建模工作；有并 行处理，分布式存储记忆的结构特点，能实时进行复杂的运 算。
第六章 软 测 量 技术
主要内容
一、软测量技术的意义 二、软测量技术的内容 三、软测量技术的建模 四、软测量技术应用实例
三、软测量技术的建模
1．机理建模
• 根据化学反应方程式、能量平衡物料平衡方程式，分析 生产工艺过程和各种变量之间的相互影响情况，从内在的 机理出发，找出主导变量（被测变量）与有关辅助变量之 间的数学关系（模型），这种建模方法称为机理建模。
机理建模需要有扎实的物理、化学和生物方向面基础知识 ，对工艺过程十分清楚，各种工艺数据准确可靠。机理建模 可以采用仿真的方法。 ➢ 机理建模从事物的本质出发认识问题和解决问题， 有优越性，对于较简单的生产工艺过程有实用性，对较 复杂的工艺过程则存在很大难度，和其它方法结合可以 产生更好的效果。
三、软测量技术的建模
人工神经网络建模包括用人工神经网络去描述辅助变量和 主导变量关系的直接建模；也可用于已建立软测量模型基本 框架的情况，对已建立的软测量模型进行在行校正。人工神 经网络建模对非线性问题特别有效，在建模方面是十分突出 的工具。
三、软测量技术的建模
4．人工神经网络建模
➢ 人工神经网络直接建立的模型是一个“黑箱”，看不出 辅助变量和主导变量之间的关系，且模型的精的建模
5．其它方法建模
虽然回归分析和人工神经网络是目前软测量建模的主要方 法，但是软测量的系统多种多样，分析识别的技术又相当丰 富，人们自然会研究试用其它形式的软测量建模方法。
三、软测量技术的建模
4．人工神经网络建模
人工神经网络具有自学习能力，记忆联想能力，即自适应 能力；有很强的非线性逼近功能，适合进行建模工作；有并 行处理，分布式存储记忆的结构特点，能实时进行复杂的运 算。
第六章 软 测 量 技术
主要内容
一、软测量技术的意义 二、软测量技术的内容 三、软测量技术的建模 四、软测量技术应用实例
三、软测量技术的建模
1．机理建模
• 根据化学反应方程式、能量平衡物料平衡方程式，分析 生产工艺过程和各种变量之间的相互影响情况，从内在的 机理出发，找出主导变量（被测变量）与有关辅助变量之 间的数学关系（模型），这种建模方法称为机理建模。
机理建模需要有扎实的物理、化学和生物方向面基础知识 ，对工艺过程十分清楚，各种工艺数据准确可靠。机理建模 可以采用仿真的方法。 ➢ 机理建模从事物的本质出发认识问题和解决问题， 有优越性，对于较简单的生产工艺过程有实用性，对较 复杂的工艺过程则存在很大难度，和其它方法结合可以 产生更好的效果。
三、软测量技术的建模
人工神经网络建模包括用人工神经网络去描述辅助变量和 主导变量关系的直接建模；也可用于已建立软测量模型基本 框架的情况，对已建立的软测量模型进行在行校正。人工神 经网络建模对非线性问题特别有效，在建模方面是十分突出 的工具。
三、软测量技术的建模
4．人工神经网络建模
➢ 人工神经网络直接建立的模型是一个“黑箱”，看不出 辅助变量和主导变量之间的关系，且模型的精的建模
5．其它方法建模
虽然回归分析和人工神经网络是目前软测量建模的主要方 法，但是软测量的系统多种多样，分析识别的技术又相当丰 富，人们自然会研究试用其它形式的软测量建模方法。
软测量技术
10
第3章 软测量技术
3.1 3.2 3.3 3.4 3.5 3.6 概述 辅助变量的选取 软测量模型的建立方法 软测量的在线校正 测量数据的预处理 软测量的工业应用
11
3.3 软测量模型的建立方法
3.3.1 软测量建模方法
过程建模方法主要有两大类： 过程建模方法主要有两大类： 机理建模方法 经验（黑箱）建模方法。 经验（黑箱）建模方法。 构造软仪表的方法也可分为两大类。 构造软仪表的方法也可分为两大类。 机理建模方法 经验（黑箱）建模方法。 经验（黑箱）建模方法。
精馏塔产品的软测量一般采用塔板温度 化工反应器中产品的软测量采用反应器 管壁温度
7
2. 变量数目的选择
从过程机理入手分析， 从过程机理入手分析 ， 从影响被估计变量的变量 中去挑选主要因素， 中去挑选主要因素 ， 因为全部引入既不可能也没 必要。 必要。 如果缺乏机理知识， 如果缺乏机理知识 ， 则可用回归分析的方法找出 影响被估计变量的主要因素， 影响被估计变量的主要因素 ， 这需要大量的观测 数据。 数据。 辅助变量的个数不能小于被估计变量的个数。 辅助变量的个数不能小于被估计变量的个数。 至于辅助变量的最优数量问题， 至于辅助变量的最优数量问题 ， 目前尚无统一结 论。
17
根据最小二乘原理， 根据最小二乘原理，B的最小估计值为β = ( X T X ) −1 X T Y 则得软测量模型为
)
) ) ) ) y = β 0 + β1 x1 + ...... + β m xm
（3-3） ）
回归方程获得后， 回归方程获得后 ， 一般需要对回归方程和回归系数进行 显著性检验， 以评价线性拟合的品质和自变量 i 对因变量 的 显著性检验 ， 以评价线性拟合的品质和自变量x 对因变量y的 影响。 影响。 在多元回归分析中，自变量的恰当选择是确保获得有效回 在多元回归分析中， 归方程的关键。自变量选择得不好，不但影响回归函数的质量， 归方程的关键。自变量选择得不好，不但影响回归函数的质量， 也常常抵消具有显著作用的自变量在回归分析中的作用。因此， 也常常抵消具有显著作用的自变量在回归分析中的作用。因此， 剔去回归分析中作用不显著的自变量具有重要意义。 剔去回归分析中作用不显著的自变量具有重要意义。
第3章 软测量技术
3.1 3.2 3.3 3.4 3.5 3.6 概述 辅助变量的选取 软测量模型的建立方法 软测量的在线校正 测量数据的预处理 软测量的工业应用
11
3.3 软测量模型的建立方法
3.3.1 软测量建模方法
过程建模方法主要有两大类： 过程建模方法主要有两大类： 机理建模方法 经验（黑箱）建模方法。 经验（黑箱）建模方法。 构造软仪表的方法也可分为两大类。 构造软仪表的方法也可分为两大类。 机理建模方法 经验（黑箱）建模方法。 经验（黑箱）建模方法。
精馏塔产品的软测量一般采用塔板温度 化工反应器中产品的软测量采用反应器 管壁温度
7
2. 变量数目的选择
从过程机理入手分析， 从过程机理入手分析 ， 从影响被估计变量的变量 中去挑选主要因素， 中去挑选主要因素 ， 因为全部引入既不可能也没 必要。 必要。 如果缺乏机理知识， 如果缺乏机理知识 ， 则可用回归分析的方法找出 影响被估计变量的主要因素， 影响被估计变量的主要因素 ， 这需要大量的观测 数据。 数据。 辅助变量的个数不能小于被估计变量的个数。 辅助变量的个数不能小于被估计变量的个数。 至于辅助变量的最优数量问题， 至于辅助变量的最优数量问题 ， 目前尚无统一结 论。
17
根据最小二乘原理， 根据最小二乘原理，B的最小估计值为β = ( X T X ) −1 X T Y 则得软测量模型为
)
) ) ) ) y = β 0 + β1 x1 + ...... + β m xm
（3-3） ）
回归方程获得后， 回归方程获得后 ， 一般需要对回归方程和回归系数进行 显著性检验， 以评价线性拟合的品质和自变量 i 对因变量 的 显著性检验 ， 以评价线性拟合的品质和自变量x 对因变量y的 影响。 影响。 在多元回归分析中，自变量的恰当选择是确保获得有效回 在多元回归分析中， 归方程的关键。自变量选择得不好，不但影响回归函数的质量， 归方程的关键。自变量选择得不好，不但影响回归函数的质量， 也常常抵消具有显著作用的自变量在回归分析中的作用。因此， 也常常抵消具有显著作用的自变量在回归分析中的作用。因此， 剔去回归分析中作用不显著的自变量具有重要意义。 剔去回归分析中作用不显著的自变量具有重要意义。
6讲 软测量技术
2) 数据预处理
软测量技术
3）软测量建模
软测量模型是软测量技术的核心。 软测量建模就是建立工业过程控制对象的数学模型。
软测量建模方法主要有以下几类：
（1）基于机理分析的方法 特点：要求对过程工艺机理充分了解，微分方程或代数方程 为主要表达形式； 缺点：工业过程非线性、复杂性和不确定性的影响，难以进 行机理建模或完全的机理建模。
（2）基于回归分析的方法
特点：收集大量的过程参数和质量分析数据，运用统计方法建立主导 变量和辅助变量之间的数据模型。
缺点：模型准确性受到样本真实性的影响，适用范围受样本容量的影 响。 发展： 回归分析建模是目前实际应用中最常用的方法，各种算法及其改进 算法相应得到发展 多元线性回归（MLR） 递推最小二乘法（RLS）
最小二乘法（LS）
辅助变量法（I V） 广义最小二乘估计方法（GLS ） 基于核的递推最小二乘（KRLS）
主元回归（PCR）
动态主元分析方法 非线性因子PCA Principal Curve 算法 多路PCA （MPCA ） 加权的PCR 方法 二次型的PCR 方法 基于神经网络的非线性主元回归 鲁棒PLS 算法（ Robust PLS ） Kernel PLS 算法 指数加权因子的递推PLS 算法 内部非线性PLS( NPLS） 多分块PLS 方法（MBPLS） 多路PLS 方法（MPLS ）
随着对软测量预测精度要求的不断提高，基于 各种方法融合建模方法受到广泛重视。
例如： 先验知识与ANN 相结合 利用系统机理方程与ANN 相结合 采用多个子网络和进行局部训练的问题 基于模糊c均值聚类的多模型软测量建模方法 模糊神经网络（FNN） 遗传算法与ANN相结合 PCR与SVM相结合
过程控制系统第7章 软测量技术
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。
2.测量数据的处理
3.软测量模型 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。
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
软测量技术
传感器与检测技术（第2版）第16章软测量（知识点）知识点1 软测量的概念所谓软测量（Soft-sensing），就是依据某种最优化准则，选择与被估计变量相关的一组可测变量（称为辅助变量），构造某种以可测变量为输入、被估计变量为输出的数学模型，通过计算机软件实现对无法直接测量的重要过程变量（称为主导变量）的估计。
软测量是近年来检测和过程控制领域涌现出的一种新技术，为无法或难以用传感器直接检测变量的检测与控制提供了手段，对于生产自动化以及控制产品质量具有重要意义，是目前检测技术和过程控制研究发展的重要方向。
软测量估计值可以作为控制系统的被控变量或反映过程特征的工艺参数，为优化控制与决策提供必要的信息。
软测量的基本思想是把自动控制理论与生产工艺过程知识有机结合起来，应用计算机技术，对于一些难于测量或暂时不能测量的主导变量，选择另外一些容易测量的辅助变量，通过构成某种数学关系来推断和估计，以软件来代替硬件功能。
软测量是一种利用较易在线测量的辅助变量和离线分析信息去估计不可测或难测变量的方法。
知识点2 软测量的方法软测量的工程实现过程主要包括辅助变量选择、输入数据处理、软测量模型建立和软测量模型的校正等步骤。
16.2.1 选择辅助变量辅助变量的选择一般取决于工艺机理分析（如物料、能量平衡关系）。
通常首先从系统的自由度出发，确定辅助变量的最小数量，再结合具体过程的特点适当增加，以更好地处理动态性质等问题。
可以根据过程机理，在可测变量集中初步选择所有与被估计变量有关的原始辅助变量；在原始辅助变量中，找出相关的变量，选择响应灵敏、精度高的变量作为最终的辅助变量。
比较有效的方法是主元分析法，即利用现场的历史数据作统计分析计算，将原始辅助变量与被测变量的关联度进行排序，实现变量的精选确定。
辅助变量的选择包括变量的类型、变量的数目和检测点位置的选择三个方面，它们相互关联，并由过程特性所决定。
在选择辅助变量时，还要考虑经济性、可靠性、可行性、维护性等因素的影响。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
9.6 软测量技术
软测量就是依据可测、易测的过程变量(称为辅助变
量)与难以直接检测的待测变量(称为主导变量)的数 学关系，根据某种最优准则，采用各种计算方法，用
软件实现对待测变量的测量或估计。 软测量技术主要包括四个方面： (1)辅助变量的选取； (2)数据处理； (3)软测量模型的建立； (4)软测量模型的在线校正。
End the 9.6
模式识别方法
在缺乏系统先验知识的情况下，可以采用模式识 别的方法对系统的操作数据进行处理，从中提取 系统的特征，构成以模式描述分类为基础的模式 识别模型。
例如:
分别采用空间超盒和多中心模聚类方法建立了某催化裂
化装置粗汽油蒸汽压的软测量仪表；
采用基于Bayes序列分类器的模式识别方法进行精馏塔
9. 6. 2 测量数据的处理
1．误差处理 2．数据的变换
1．误差处理
从现场采集的测量数据，由于受仪表精度和测量环境
的影响，一般都不可避免地带有误差，有时甚至有严 重的过失误差。如果将这些现场测量数据直接用于软 测量，会导致软测量的精度降低，甚至完全失败。因 此，测量数据必须经过误差处理。
测量数据的误差：随机误差、系统误差和过失误差。
特异性：能对过程输出(或不可测扰动易于获得并达到一定的测量精度。
精确性：构成的估计器达到要求的精度。 鲁棒性：构成的估计器对模型误差不敏感。
软测量技术
9.6.1 9.6.2 9.6.3 9.6.4 9.6.5 辅助变量的选取 测量数据的处理 软测量模型的建立 软仪表的在线校正 软测量的工业应用
回归方法
基于最小二乘原理的一元、多元线性回归技术 已经非常成熟。
对于辅助变量较少的情况，利用多元线性回归中的
逐步回归技术可以得到较理想的软仪表模型。 对于辅助变量较多的情况，通常要借助机理方法， 得到变量组合的基本假定，然后再采用逐步回归的 方法排除不重要的变量组合，得到软仪表模型。也 可以采用主元分析等数学方法，对原问题进行降维 处理，然后进行回归。
9.6.4 软仪表的在线校正
由于装置操作条件及原料性质都会随时间而变化，软测量
模型只适用于一定的操作范围，因而需要不定期地对模型 进行修正，以适应工况的变化。 通常对软仪表的在线修正仅修正模型的参数
具体方法：自适应法、增量法和多时标法等。
对模型结构的修正需要大量的样本数据和耗费较长时间， 在线进行有困难。这可采用短期学习和长期学习的思路来 解决。
板效率的估计。
模糊数学的方法
模糊数学是人们处理复杂系统的一种有效手
段，在软测量中也有应用。
此外，模糊数学还与神经网络或模式识别技
术相结合，构成模糊神经网络和模糊模式识别 方法。
软测量技术
9.6.1 9.6.2 9.6.3 9.6.4 9.6.5 辅助变量的选取 测量数据的处理 软测量模型的建立 软仪表的在线校正 软测量的工业应用
进行比较； (iii)根据测量数据的统计特性进行检验等。
2．数据的变换
对数据的变换包括标度、转换和权函数三方面。
工业过程中的测量数据有着不同的工程单位，直接使用
这些数据进行计算，不能得到准确结果，甚至结果分散。 利用合适的因子对数据进行标度，能够改善算法的精度 和稳定性。 转换包含对数据的直接转换以及寻找新的变量替换原变 量两个含义。通过对数据的转换，可以有效地降低非线 性特性。 权函数则可实现对变量动态特性的补偿。合理使用权函 数使我们有可能用稳态模型实现对过程的动态估计。
构造良好的软仪表。
对复杂工业过程，其内在机理往往不十分清楚，完全依
赖机理分析建模比较困难，通常要选用其它方法，结合 机理知识构造软仪表。
系统辨识方法
辨识方法是将辅助变量和主导变量组成的系 统看成“黑箱”，以辅助变量为输入，主导变 量为输出，通过现场采集、流程模拟或实验测 试，获得过程输入、输出数据，以此为依据建 立软仪表模型。
软测量技术
9.6.1 9.6.2 9.6.3 9.6.4 9.6.5 辅助变量的选取 测量数据的处理 软测量模型的建立 软仪表的在线校正 软测量的工业应用
9.6.1 辅助变量的选取
1. 变量类型的选择 2. 变量数目的选择
3. 测点位置的选择
1. 变量类型的选择
选择的方法往往从间接质量指标出发。 例如：
状态估计方法
如果已知系统的状态空间模型，而主导变量作为系统状态变 量时辅助变量是可观测的，那么构造软仪表的问题可以转 化为状态观测或状态估计问题。假设已知对象的状态空间 模型为
x Ax Bu Ev
y Cx
C x w 辅助变量
如果系统的状态关于辅助变量完全可测，那么，软测量问题就 转化为典型的状态观测和状态估计问题，估计值就可以表示成 Kalman滤波器形式。 Kalman滤波器、 Luenberger观测器是解决上述问题的有效方法。
推断控制系统框图
过程优化中应用
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。
2. 建模方法
过程建模方法主要有两大类：
机理建模方法
实验建模方法。
构造软仪表的方法也可分为两大类。
机理分析方法
建立在对过程工艺机理的深刻认识的基础上，运 用物料平衡、热量平衡和化学反应动力学等原理， 找出不可测主导变量与可测辅助变量之间的关系。
对于过程机理较为清楚的工业过程，基于机理模型可以
3. 测点位置的选择
对于许多工业过程，辅助变量的检测点的选择
是十分重要的，因为可供选择的检测点很多。
检测点的选择方法：
采用奇异值分解的确定， 采用工业控制仿真软件确定。
确定的检测点往往需要在实际应用中加以调整。
一种辅助变量的选择原则如下
灵敏性：能对过程输出(或不可测扰动)作出快速反应。
^ ^
干扰
主导变量
控制变量
辅助变量
软仪表
性能依赖于过程的描述、噪声和扰动的特性、辅 助变量的选取以及“最佳”的含义，即给定的某 种准则。 建立软仪表的过程就是构造一个数学模型。
在许多建立软仪表的方法中，要以一般意义下的数学模
型为基础。
软仪表与一般意义下的数学模型区别：
数学模型主要反映与或之间动态(或稳态)关系， 软仪表是通过求的估计值。
神经网络方法
以辅助变量为输入，待测变量为输出，形成足够 多的理想样本，通过学习可以得到软仪表的神经 网络模型。
理论上，神经网络不需要有过程的先验知识，学习非线
性特性的能力比较强，是解决软测量问题的较为理想的 方法。
实际应用中，样本的数量和质量在一定程度上决定了网
络的性能。另外，网络类型、结构和算法的选择对软仪 表的性能也有重要影响。
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。
过程控制应用
软仪表对过程控制也很重要，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。
短期学习是指以某辅助变量的采样化验分析值与软测量值之差为
依据，采用建模方法，修改模型系数。 长期学习是指当软测量模型在线运行一段时间后，逐步积累了足 够的新样本时，根据新样本，采用建模方法，重建软测量模型。
值得注意的问题：
在配备在线分析仪表的场合，系统的主导变量的真值
可以连续得到，此时采用校正方法不会有太大问题。 在主导变量的真值仅能来源于离线人工化验的场合， 通常取样周期为数小时或更长，样本密度稀疏。此时， 采用何种校正方法值得研究。 样本数据与过程数据在时序上的配合，尤其在人工分 析情况下，从辅助变量即时反映的产品质量状态到取 样位置需要一定的取样时间，取样后直到产品质量数 据返回现场又要耗费很长时间。因此，在利用分析值 与与辅助变量进行软仪表的校正时，应特别注意保持 两者在时间上的对应关系。
过失误差处理
含有过失误差的数据出现的机率较小，但是，一 旦出现则可能严重破坏数据的统计特性，导致软 测量的失败。 提高测量数据质量的关键：及时侦测、剔除和校 正含有过失误差的数据。 侦测过失误差的方法：
(i)对各种可能导致过失误差的因素进行理论分析； (ii)借助于多种测量手段对同一变量进行测量，然后
随机误差的处理
符合统计规律，工程上多采用数字滤波算法。
如：中位值滤波、算术平均滤波和一阶惯性滤波等。
随着计算机优化控制系统的使用，复杂的数值计算
方法对数据的精确度提出了更高的要求，于是出现 了数据一致性处理技术。
基本思想：
根据物料或能量平衡等建立精确的数学模型，以估计值
与测量值的方差最小为优化目标，构造一个估计模型， 为测量数据提供一个最优估计。
软测量技术
9.6.1 9.6.2 9.6.3 9.6.4 9.6.5 辅助变量的选取 测量数据的处理 软测量模型的建立 软仪表的在线校正 软测量的工业应用
9. 6. 3 软测量模型的建立
1．软仪表的描述 2. 建模方法
1．软仪表的描述
软仪表的目的：利用所有可获得的信息，求取主 导变量的“最佳”估计值 y ，即构造从可测信息 ^ 集 到 y 的映射。
软测量技术
9.6.1 9.6.2 9.6.3 9.6.4 9.6.5 辅助变量的选取 测量数据的处理 软测量模型的建立 软仪表的在线校正 软测量的工业应用
软测量就是依据可测、易测的过程变量(称为辅助变
量)与难以直接检测的待测变量(称为主导变量)的数 学关系，根据某种最优准则，采用各种计算方法，用
软件实现对待测变量的测量或估计。 软测量技术主要包括四个方面： (1)辅助变量的选取； (2)数据处理； (3)软测量模型的建立； (4)软测量模型的在线校正。
End the 9.6
模式识别方法
在缺乏系统先验知识的情况下，可以采用模式识 别的方法对系统的操作数据进行处理，从中提取 系统的特征，构成以模式描述分类为基础的模式 识别模型。
例如:
分别采用空间超盒和多中心模聚类方法建立了某催化裂
化装置粗汽油蒸汽压的软测量仪表；
采用基于Bayes序列分类器的模式识别方法进行精馏塔
9. 6. 2 测量数据的处理
1．误差处理 2．数据的变换
1．误差处理
从现场采集的测量数据，由于受仪表精度和测量环境
的影响，一般都不可避免地带有误差，有时甚至有严 重的过失误差。如果将这些现场测量数据直接用于软 测量，会导致软测量的精度降低，甚至完全失败。因 此，测量数据必须经过误差处理。
测量数据的误差：随机误差、系统误差和过失误差。
特异性：能对过程输出(或不可测扰动易于获得并达到一定的测量精度。
精确性：构成的估计器达到要求的精度。 鲁棒性：构成的估计器对模型误差不敏感。
软测量技术
9.6.1 9.6.2 9.6.3 9.6.4 9.6.5 辅助变量的选取 测量数据的处理 软测量模型的建立 软仪表的在线校正 软测量的工业应用
回归方法
基于最小二乘原理的一元、多元线性回归技术 已经非常成熟。
对于辅助变量较少的情况，利用多元线性回归中的
逐步回归技术可以得到较理想的软仪表模型。 对于辅助变量较多的情况，通常要借助机理方法， 得到变量组合的基本假定，然后再采用逐步回归的 方法排除不重要的变量组合，得到软仪表模型。也 可以采用主元分析等数学方法，对原问题进行降维 处理，然后进行回归。
9.6.4 软仪表的在线校正
由于装置操作条件及原料性质都会随时间而变化，软测量
模型只适用于一定的操作范围，因而需要不定期地对模型 进行修正，以适应工况的变化。 通常对软仪表的在线修正仅修正模型的参数
具体方法：自适应法、增量法和多时标法等。
对模型结构的修正需要大量的样本数据和耗费较长时间， 在线进行有困难。这可采用短期学习和长期学习的思路来 解决。
板效率的估计。
模糊数学的方法
模糊数学是人们处理复杂系统的一种有效手
段，在软测量中也有应用。
此外，模糊数学还与神经网络或模式识别技
术相结合，构成模糊神经网络和模糊模式识别 方法。
软测量技术
9.6.1 9.6.2 9.6.3 9.6.4 9.6.5 辅助变量的选取 测量数据的处理 软测量模型的建立 软仪表的在线校正 软测量的工业应用
进行比较； (iii)根据测量数据的统计特性进行检验等。
2．数据的变换
对数据的变换包括标度、转换和权函数三方面。
工业过程中的测量数据有着不同的工程单位，直接使用
这些数据进行计算，不能得到准确结果，甚至结果分散。 利用合适的因子对数据进行标度，能够改善算法的精度 和稳定性。 转换包含对数据的直接转换以及寻找新的变量替换原变 量两个含义。通过对数据的转换，可以有效地降低非线 性特性。 权函数则可实现对变量动态特性的补偿。合理使用权函 数使我们有可能用稳态模型实现对过程的动态估计。
构造良好的软仪表。
对复杂工业过程，其内在机理往往不十分清楚，完全依
赖机理分析建模比较困难，通常要选用其它方法，结合 机理知识构造软仪表。
系统辨识方法
辨识方法是将辅助变量和主导变量组成的系 统看成“黑箱”，以辅助变量为输入，主导变 量为输出，通过现场采集、流程模拟或实验测 试，获得过程输入、输出数据，以此为依据建 立软仪表模型。
软测量技术
9.6.1 9.6.2 9.6.3 9.6.4 9.6.5 辅助变量的选取 测量数据的处理 软测量模型的建立 软仪表的在线校正 软测量的工业应用
9.6.1 辅助变量的选取
1. 变量类型的选择 2. 变量数目的选择
3. 测点位置的选择
1. 变量类型的选择
选择的方法往往从间接质量指标出发。 例如：
状态估计方法
如果已知系统的状态空间模型，而主导变量作为系统状态变 量时辅助变量是可观测的，那么构造软仪表的问题可以转 化为状态观测或状态估计问题。假设已知对象的状态空间 模型为
x Ax Bu Ev
y Cx
C x w 辅助变量
如果系统的状态关于辅助变量完全可测，那么，软测量问题就 转化为典型的状态观测和状态估计问题，估计值就可以表示成 Kalman滤波器形式。 Kalman滤波器、 Luenberger观测器是解决上述问题的有效方法。
推断控制系统框图
过程优化中应用
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。
2. 建模方法
过程建模方法主要有两大类：
机理建模方法
实验建模方法。
构造软仪表的方法也可分为两大类。
机理分析方法
建立在对过程工艺机理的深刻认识的基础上，运 用物料平衡、热量平衡和化学反应动力学等原理， 找出不可测主导变量与可测辅助变量之间的关系。
对于过程机理较为清楚的工业过程，基于机理模型可以
3. 测点位置的选择
对于许多工业过程，辅助变量的检测点的选择
是十分重要的，因为可供选择的检测点很多。
检测点的选择方法：
采用奇异值分解的确定， 采用工业控制仿真软件确定。
确定的检测点往往需要在实际应用中加以调整。
一种辅助变量的选择原则如下
灵敏性：能对过程输出(或不可测扰动)作出快速反应。
^ ^
干扰
主导变量
控制变量
辅助变量
软仪表
性能依赖于过程的描述、噪声和扰动的特性、辅 助变量的选取以及“最佳”的含义，即给定的某 种准则。 建立软仪表的过程就是构造一个数学模型。
在许多建立软仪表的方法中，要以一般意义下的数学模
型为基础。
软仪表与一般意义下的数学模型区别：
数学模型主要反映与或之间动态(或稳态)关系， 软仪表是通过求的估计值。
神经网络方法
以辅助变量为输入，待测变量为输出，形成足够 多的理想样本，通过学习可以得到软仪表的神经 网络模型。
理论上，神经网络不需要有过程的先验知识，学习非线
性特性的能力比较强，是解决软测量问题的较为理想的 方法。
实际应用中，样本的数量和质量在一定程度上决定了网
络的性能。另外，网络类型、结构和算法的选择对软仪 表的性能也有重要影响。
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。
过程控制应用
软仪表对过程控制也很重要，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。
短期学习是指以某辅助变量的采样化验分析值与软测量值之差为
依据，采用建模方法，修改模型系数。 长期学习是指当软测量模型在线运行一段时间后，逐步积累了足 够的新样本时，根据新样本，采用建模方法，重建软测量模型。
值得注意的问题：
在配备在线分析仪表的场合，系统的主导变量的真值
可以连续得到，此时采用校正方法不会有太大问题。 在主导变量的真值仅能来源于离线人工化验的场合， 通常取样周期为数小时或更长，样本密度稀疏。此时， 采用何种校正方法值得研究。 样本数据与过程数据在时序上的配合，尤其在人工分 析情况下，从辅助变量即时反映的产品质量状态到取 样位置需要一定的取样时间，取样后直到产品质量数 据返回现场又要耗费很长时间。因此，在利用分析值 与与辅助变量进行软仪表的校正时，应特别注意保持 两者在时间上的对应关系。
过失误差处理
含有过失误差的数据出现的机率较小，但是，一 旦出现则可能严重破坏数据的统计特性，导致软 测量的失败。 提高测量数据质量的关键：及时侦测、剔除和校 正含有过失误差的数据。 侦测过失误差的方法：
(i)对各种可能导致过失误差的因素进行理论分析； (ii)借助于多种测量手段对同一变量进行测量，然后
随机误差的处理
符合统计规律，工程上多采用数字滤波算法。
如：中位值滤波、算术平均滤波和一阶惯性滤波等。
随着计算机优化控制系统的使用，复杂的数值计算
方法对数据的精确度提出了更高的要求，于是出现 了数据一致性处理技术。
基本思想：
根据物料或能量平衡等建立精确的数学模型，以估计值
与测量值的方差最小为优化目标，构造一个估计模型， 为测量数据提供一个最优估计。
软测量技术
9.6.1 9.6.2 9.6.3 9.6.4 9.6.5 辅助变量的选取 测量数据的处理 软测量模型的建立 软仪表的在线校正 软测量的工业应用
9. 6. 3 软测量模型的建立
1．软仪表的描述 2. 建模方法
1．软仪表的描述
软仪表的目的：利用所有可获得的信息，求取主 导变量的“最佳”估计值 y ，即构造从可测信息 ^ 集 到 y 的映射。
软测量技术
9.6.1 9.6.2 9.6.3 9.6.4 9.6.5 辅助变量的选取 测量数据的处理 软测量模型的建立 软仪表的在线校正 软测量的工业应用