软测量方法

目前这种方法主要应用于难测流体（即采用常规测量仪表难以 进行有效测量的流体）流速或流量的在线测量和故障诊断的 （例如流体输送管道泄漏的检测和定位）等。
➢ 9.基于现代非线性信息处理技术的软测量建模
基本思想与基于相关分析的软测量技术一致，所不同的是具体
信息处理方法不同。该建模方法的信息处理方法大多是各 种先进的非线性信息处理技术，例如小波分析、混沌和分 形技术等，适用于常规信号处理手段难以适应的复杂工业 系统。
多是关于某一变量的宏观信息，而用该技术可获取关于该变量 微观的时空分布信息。由于受到技术发展水平的限制，该种软 测量建模方法目前离工业实用化还有一段距离，在过程控制中 的直接应用还不多。
➢ 8.基于相关分析的软测量建模
基于相关分析的软测量建模方法是以随机过程中的相关分析理 论为基础，利用两个或多个可测随机信号的相关性来实现某一 参数的软测量建模方法。
➢ 软测量技术主要包括四个方面：
机理分析和辅助变量的选取
变量类型、数目、检测点位置
数据采集及处理
采集量多，数据覆盖面宽； 换算、误差处理
软测量模型的建立
机理建模、经验建模、机理建模与经验建模相结合
软测量模型的在线校正
自适应法，增量法和多时标法
第二节 软测量建模方法
2.1 软测量模型的数学描述 2.2 软测量模型的主要数学基础 2.3 软测量建模的主要方法
局部极小值
BP网络（Back-propgation Net）
输入层 隐含层 输出层
三层反向传播网络
优点： 网络实质上实现了一个从输入到输出的映射功能，数学 理论上已证明具有实现任何复杂非线性映射的功能，适合 求解内部机制复杂的问题 具有自学习能力 具有一定的推广、概括能力
不足： 收敛速度慢 网络训练失败的可能性较大 网络结构选择尚无一种统一而完整的理论指导，一般由 经验选定 新加入样本要影响已学习成功的网络
➢5.基于回归支持向量机的方法
建立在统计学习理论基础上的支持向量机SVM（support vector machine）已成为当前机器学习领域的一个研究热 点。 支持向量机采用结构风险最小化准则，在有限样本情况下， 得到现有信息下的最优解，而不仅仅是样本数趋于无穷大 时的最优值，解决了神经网络的局部最小问题、过学习以 及结构和类型的选择过度依赖于经验等固有的缺陷等问题， 提高了模型的泛化能力。 由于软测量建模与一般数据回归问题之间存在着共性，支 持向量机方法应用与回归估计问题上取得不错的效果应用， 因此提出了不少建立于回归支持向量机的软测量建模方法。
[5]Xiaoxin Zhang, Jinyu Teng. The investigation on soft sensor technique of sinter
mixture moisture[J].IEEE,2011
软测量方法
主讲：张红运 学号：11721307
第一节 引言
1.软测量技术的提出
现代工业生产目的：合格产品
➢ 经济：分析仪表（传感器）价格昂贵、维护保养复杂
➢ 技术：某些变量很难通过传感器直接进行测量。例如： 精馏塔的产品组分浓度、塔板效率，干点、闪点，反 应器中反应物浓度、转化率、催化剂活性，高炉铁水 中的含硅量，生物发酵罐中菌体浓度及产品的分布等。
RBF（ Radial basis function network）
优点： 具有唯一最佳逼近的特性，且无局部极小问题存在 具有较强的输入和输出映射功能，并且理论证明在前向网络 中RBF网络是完成映射功能的最优网络 网络连续权值与输出呈线性关系 分类能力好 学习过程收敛速度快
不足： 没有能力来解释自己的推理过程和推理依据 数据不充分时，神经网络就无法进行工作 将一切问题的特征都转变为数字，将一切推理都变为数值计 算，其结果势必会丢失信息 理论和学习算法还有待与进一步完善和提高
2.3 软测量建模的主要方法
➢ 1.基于工艺机理分析的软测量建模
运用化学反应动力学、物料平衡、能量平衡等原理，通过 对过程对象的机理分析，找出不可测主导变量与可测辅助 变量之间的关系（建立机理模型），从而实现对某一参数 的软测量。 优点：充分利用已知过程知识，从本质上认识外部特征， 使用范围大，操作条件变化可以类推。 不足：依赖于对工艺机理的了解程度，复杂过程难以建模， 需通过输入输出数据验证。
and Regressive, PCA,PCR） 部分最小二乘法（Partial Least Squares, PLS）
MLR 优点：模型物理意义明确，计算简单，适用于处理多因变量或多指标 的回归分析、方差分析。 不足：操作点变化范围较小的线性问题或非线性不太严重的问题，噪 声和干扰都可能导致模型失真，自变量增加，计算复杂度也相应增加。
用于离线辨识模型的参数，也用于软测量模型的在线校正。
软测量建模就是根据可测数据得到被估计变量x的最优估计：
^
x f (d2 , u, y, x*, t)
其中： f (d 2 , u, y, x* , t ) 为动态软测量模型
它不仅反映被估计变量x与输入u和可测扰动的动态关系，还 包括了被估计量x与可测输出y（辅助变量）之间的动态联系， 其中表示软测量模型自校正。该动态模型一般具有非线性特性，
神经网络的分类：
根据结构：
➢ 前馈型 ➢ 反馈型 ➢ 全互联型
根据学习算法：
➢ 构造权值型 如Hopfield网络，早期的perceptron网络等
➢ 有教师训练学习 如多层前馈网络
➢ 无教师训练学习 如Hokonen, ART网络等
根据拓扑结构：
➢ 单层网络 ➢ 多层网络 ➢ 回归型网络（反馈型网络）
该方法发展较晚、研究比较分散，目前一般主要应用于系 统的故障诊断、状态检测和过失误差侦破等，并常常和人 工神经网络或模糊数学等人工智能技术相结合。
参考文献
[1]余金寿.软测量技术及其应用[J].自动化仪表，2008，29(1) [2]孙优贤，褚健.工业过程控制技术[M].化学工业出版社，2005，
基本步骤：
➢ 原始特征数据标准化 ➢ 建立标准化数据向量的协方差矩阵R ➢ 求R的特征根 ➢ 计算第i个主元贡献率ρ(i) ➢ 建立主元方程，确定主元值 ➢ 排序
2.2.3 人工神经元网络
神经网络模型
x1 x2 xi
加权和
W1 W2 Wi Wn
n
xiwi
i 1
f
输出，f
…… 机理分析给出，参数的估计也比较困难。
工程应用较广泛的是稳态软测量模型 f (d 2 , u, y, x* ) 反映被估计量x与可测数据的稳态关系。若在工作点附近 具有线性特性，则称为稳态线性软测量模型，参数的估计 相对比较方便。
2.2 软测量建模的主要数学基础
2.2.1 最小二乘参数估计
➢ 7.基于过程层析成像的软测量建模
基于过程层析成像PT(process tomography)的软测量建模方法 与其他软测量建模方法不同，它是一种以医学层析成像CT (computerized tomography)技术为基础的在线获取过程参数的 实时分布信息的先进检测技术，即一般软测量技术所获得的大
PCR 数据压缩和提取方法，通过对原始数据进行压缩，找出变量的线性组 合，从而将高维数据矩阵降维简化。
PLS 单步分解和回归的方法，特征向量与主元有直接关系，能用于非常复 杂的混合情况，预测没有出现在初始校准集合、含噪声的样本，非常 适合处理化工对象。 计算速度缓慢，模型抽象，难以理解和解释。
➢3.基于状态估计的软测量建模
354-383 [3]李修亮.软测量建模方法研究与应用：[博士论文].杭州：浙江
大学，2009 [4] Kishore Muvvala,V. Kumar,B. C. Meikap and Sudipto Chakraborty.
Development of Soft Sensor to Identify Flow Regimes in Horizontal Pipe UsingDigital Signal Processing Technique[J]. American Chemical Society,2010
2.1 软测量模型的数学描述
软测量模型的基本结构如图：
不可测扰动 d1 工
可测扰动 d2 业
对
u
象
x 被估计量
y
x*
^
x
软测量模型
其中：x为被估计变量集，d1为不可测扰动，d2为可测扰动，
x u为对象的控制输入，y为对象可测输出变量。 * 为可能有的离
线分析计算值或大采样间隔的测量值（如分析仪输出），一般
神经网络优点：
➢ 可以充分逼近任意复杂的非线性关系 ➢ 具有很强的鲁棒性和容错性 ➢ 并行处理方法，使得计算快速 ➢ 可以处理不确定或不知道的系统，因神经网络
具有自学习和自适应能力，可以根据一定的学 习算法自动地从训练实例中学习。 ➢ 具有很强的信息综合能力，能同时处理定量和 定性的信息，能很好的协调多种输入信息关系， 适用于多信息融合和多媒体技术。
➢4.基于人工神经网络的软测量建模
特点： 能够以任意精度逼近任意非线性映射 自适应能力，包括自学习能力、自组织推理能力等 并行结构和并行处理，处理速度快，能够实现大量复杂控
制算法，进行实时处理 能够同时融合定量与定性数据 所有定量和定性信息都能等势分布存储在网络内个神经元 不足： 网络结构、控制参数没有根本突破 泛化能力不足 黑箱式内部知识表达方式，不利于利用经验学习，易限于
2.软测量技术原理
➢基本思想：根据某种最优原则，应用计算机技术， 对于难以测量或暂时不能测量的重要变量（或称主 导变量），选择另外一些容易测量的变量（或称） 辅助变量，通过构成某种数学关系来实现对不易测 量的主要过程变量进行在线估计。
➢ 优点：响应迅速，连续给出主导变量信息，投资 低，维护保养简单