第六章-软测量技术.ppt

单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,第六章软 测 量 技 术,主讲：,李昌禧,教授,华中科技大学,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,一、,软测量技术的意义,许多被控对象属于,复杂系统,，具有非线性、时变性、不确定性等复杂特性，很难建模，许多人开始研究大规模复杂系统的性质、优化和控制问题，使复杂系统研究成为控制技术发展的一个重要领域。,为了使生产或实验达到某工艺设计要求，常要求对一些,生化参数,进行控制，例如对啤酒发酵时的糖度进行控制，对谷氨酸发酵过程中的浅糖浓度进行控制等等。这时，有没有,自动检测,这些生化参数的仪表就成了能否构成,自动控制系统的关键,。,成份量,和,生化量,的在线自动检测问题吸引了很多人投入研究与开发，成为测量技术与控制技术发展的一个重要交叉领域。,血脂生化检测仪,一、,软测量技术的意义,解决成分量、生化量在线自动检测问题有,两种方法,。,(1)研发一种,有单独传感器和仪表电路,（包括微机）等硬件及响应软件，,具有很好选择性,（对被测量敏感，对其它量不敏感）的在线检测仪表。这是一种传统的方法，需要花很长的时间研究测量机理，开发材料、结构、硬件和软件，还要下很大的功夫去试验、修改与标定。,(2),充分利用,其它测量仪表已获得的,工艺参数,，再增加一些容易获取的参数，按照这些参数与被测变量之间存在的关系（模型），通过计算,估计推断被测变量,。这就是方兴未艾的,软测量方法,，曾被国际著名控制专列为未来控制领域需要研究的几大方向之一。也被一些人们称为一种智能技术。,二、,软测量技术的内容,对难测量或暂时,不能用单独的仪表进行测量的被测变量,(,主导,变量)，选一些容易测量的变量(,二次,变量或,辅助,变量)，构成辅助变量与被测变量之间的,数学关系,，用数据处理软件代替单独的仪表这种硬件，通过推算确定被测变量。,软测量思想,早在复合测量上就有所体现，例如,用差压法测量气体质量流量,。人们通过研究找到了差压、气体压力、气体温度和气体质量流量之间的数学关系：,将差压、气体压力和气体温度三个容易测量的变量作为辅助变量进行测量，然后按数学关系便可计算确定气体质量流量,。,气体质量流量计,二、,软测量技术的内容,由于可直接用现有的仪表获取辅助变量，则不再需要研发专用仪表，投入少，周期短，维护简单，又可获得与单独专用仪表一样的快速响应及计量效果。所增加的用于计算确定气体质量流量的仪表被取名为,智能流量计,。,臭氧浓度分析仪,可作为体现,软测量思想,的例子。,用温度变送器和压力变送器测量样气的温度和压力，用光强仪测量样气对紫外光的吸收特性，按以下确定的数学模型进行计算，可测得臭氧浓度。,臭氧浓度分析仪,二、,软测量技术的内容,以上两例都存在一个起主要作用的,辅助变量,，即气体质量流量测量的差压和臭氧浓度测量的紫外光通过强度，其它辅助变量主要用于环境因素的,自动补偿,，以提高测量精度。这种补偿按照已知的机理模型用软件计算自动进行，通过多传感器的复合测量实现环境因素影响的自动补偿。但是，它们与,现代软测量技术,却有相当的差别。有的资料将,间接测量,都算为软测量是不合适的，大多数间接测量建立的是辅助变量与被测变量之间一对一的关系，可以用模拟硬件直接实现。,根据以上描述可以确定，,软测量技术的内容,应,包括,辅助变量的选择，软测量模型的建立，计算、估计、推断时的数据处理，和软测量模型的完善及在线校正,四大部分,。,二、,软测量技术的内容1,辅助变量的选择,辅助变量的选择与软测量模型是有联系的。确定辅助变量包括确定辅助变量的,类型,、,变量数目,及,变量检测的位置,。这三者之间相互关联、互相影响，实际应用中要根据对象情况、工厂条件等因素确定。辅助变量数目的下限为主导变量即被测变量的数目，辅助变量的最优数量尚无统一的说法。,选择辅助变量还应注意以下,原则,：,a)适当性：选择容易获取并有较高测量精度的变量；,b)灵敏性：对主导变量的影响快、作用大的变量；,c)特异性：对其它干扰不太敏感的变量；,选择辅助变量的结果在于形成软测量需要的可测变量集。,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,就是建立软测量模型，如下图所示：,软测量,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，建立软测量模型主要有,机理建模,，,经验建模,和,机理与经验相结合的建模,。,二、,软测量技术的内容,3,数据处理,为了建立比较准确的软测量模型，提高软测量的精度，有必要对软测量相关数据进行处理，以,提高数据的正确性和可靠性,。,数据处理包括,测量数据误差处理,和,测量数据变换处理,两大内容。数据误差主要有随机误差和过失误差。随机误差因噪声干扰、操作过程微小波动等随机因素引起，常用,数字滤波,的方法加以处理，如叠加平均滤波、中值滤波、程序控制滤波等方法都可以减小随机误差的影响。,过失误差,指测量的系统误差，过失误差的影响很大，必须在数据处理时进行判别和及时剔除。,二、,软测量技术的内容,3,数据处理,测量数据变换处理,还包括,标度变换,、,转移,和,权函数,三方面的内容。采集得到的数据需要按统一的单位制进行标度变换以后才能进一步应用。由于各种数据的数值相差很大，有的甚至相差几个数量级，也需要选用合适的因子进行转换，以便获得合理的映射能力和处理运算效果。,二、,软测量技术的内容,4,软测量模型的校正,软测量模型往往不够理想，软测量对象有非线性、时变性和不确定性，对已建立的软测量模型进行,在线校正,是很必要的。,校正包括软测量模型的结构优化和软测量模型的参数修正。,软测量模型的结构优化,需要大量的数据和较长的优化计算时间，实际上很难在线实施，可以安排长期学习的形式在线运行积累数据，等样本数据足够后离线优化，建立新的优化的软测量模型，置换原有的在线运行模型。,软测量模型的参数修正,可以通过短期的学习实现，其学习时间短，数据量小，计算量小，可以在线进行。,软测量模型在线校正应,注意,数据的时序对应关系,。否则在线校正将产生很大偏差，反而使软测量模型变坏。,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,2,机理建模与经验建模相结合,经验建模,依据工艺经验和数据积累，用数学回归、人工神经网络等方法建立软测量模型。其不注重事物的本质而关心事物的外部特征及因果关系。,有着和机理建模正好相反的优缺点,。,最好的方法是,机理建模和经验建模相结合,，可综合应用两种方法的长处和措施；通过机理分析和仿真，可确定数学模型的函数基本形式，通过经验总结和分析，可选择确定辅助变量，利用仿真和实践中获取的大量数据，就能用回归方法或神经网络方法最后,确定软测量模型,。,机理建模与经验建模相结合是一种互补的方法、实用的方法、目前,被实际广泛采用,的方法。,三、软测量技术的建模,3,回归分析建模,回归分析方法,是一种建模的基本方法，应用广泛。回归分析,以最小二乘法为基础,，发展了许多改进算法；常用的一元线性回归和多元线性回归技术已相当成熟；近年开始流行的,部分最小二乘回归法,（PLSR,partial least square regression）同时考虑了输入输出数据集，适合于非线性系统的建模。,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。,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。,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，且模型的精度和样本的数量及分布有很大的关系。,三、软测量技术的建模,4,人工神经网络建模,人们已开始尝试综合应用回归方法和人工神经网络方法进行建模。如下图所示，输出表达式为：,三、软测量技术的建模,4,人工神经网络建模,式中，,y,为综合模型的主导变量估计值，,y,R,为,RBF,人工神经网络的模型输出值，,y,L,为回归分析模型的输出值，,a,为,0-1,之间取值的系数。只要系数,a,取值得当，综合建模可获得比单一方法建模更好的效果。,三、软测量技术的建模,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。,如,基于状态估计的软测量建模,，主导变量作为系统的状态变量，当关于辅助变量是完全可观的时，就可以将建模转化为状态观测和状态估计。又如，,基于相关分析的建模方法,和,基于模式识别的建模方法,，其本质都是在利用这些方法对系统特性识别的能力进行建模。,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。,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,啤酒发酵设备,(2),啤酒发酵,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。,发酵温度,和,发酵压力,是进行发酵的,基本条件,，,发酵介质的糖度,才是发酵进程的,决定因素,。因此啤酒发酵生产需要在升温保温的各阶段在线检测发酵介质的糖度，并实现生产过程的自动控制，才能保证啤酒产品达到应有的质量。,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,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,(3),软测量及辅助变量选择,经验说明，发酵介质,糖度,不仅与过程中的反应温度、压力有关，而且与酵母的数量、活性及原麦汁的浓度等初始条件有关。用,y,表示发酵介质糖度，T表示发酵温度，P表示发酵中压力，N表示酵母数量，M表示酵母活性，y,0,表示麦汁浓度，可选择T、P、N、M和y,0,作为软测量辅助变量，,糖度y是软测量的主导变量,，并用下式表示主导变量和辅助变量的相关关系,。,糖度测量仪,从温度曲线可以看出，A点和C点之前均为恒温阶段，因此可以将温度和压力作为稳态值处理，用静态建模代替动态建模。这样，,A点的糖度,主要取决于初始条件和该点之前的恒温温度和压力。设,A点的糖度下降速率,为y，则,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,(3),软测量及辅助变量选择,C点的糖度,不仅与初始条件有关，同时也与,AB阶段的发酵进程有关,，在AB段温度上升越快，,发酵越厉害，糖度下降也越快,。设AB段温度上升时间为t,AB,，则C点的糖度下降速率为:,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,BP算法,人工神经网络在非线性系统建模中得到了普遍应用，也被选为啤酒发酵糖度软测量的建模方法。,由上面两式知，,在两个糖度软测量阶段,，辅助变量都为4个，因此在三层BP网络糖度模型中，输入节点为4个，输出节点为1个，中间隐层节点选择9个，隐层及输出层节点的,激发函数,选择非线性Sigmoid函数。,所建立的BP 网络层与层之间的神经元全连接，而同一层的神经元之间无连接。,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,BP算法的,学习过程,包括,正向传播,和,反向传播,两个过程。正向传播过程中，输入信号从输入层传入隐层再传入输出层。如果输出层的输出不是期望的结果，网络将转入反向传播，将网络的期望输出与实际输出之差的误差信号由输出层经隐层传至输入层，逐层修正连接权重。正向传播和反向传播的,反复交替进行,，可使网络趋向收敛，形成网络的全局误差,趋向极小值,的学习收敛过程。,实际调试时，将一组丰富的数据样本,构成训练集,（输入输出模式），送入BP网络进行训练，使网络,按学习规则,修正各层节点之间的连接权重。训练完成后，,可得到一组固定的连接权重,，用于网络的实际应用。,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,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,BP,算法形成了有许多,优点,的前馈神经网络，但也存在收敛速率慢，容易陷入局部极小，训练初始值不容易定好等,缺点,，需要加以改进。,在啤酒糖度软测量的BP算法实施中,安排了两处修改,。,一是,采用了变学习速率的做法；,二是,当学习过程进入局部极小时，通过对权重的随机跳跃,使其跳出,局部极小区域。,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。,1,软测量技术在啤酒发酵糖度测量中的应用,四、软测量技术应用实例,(4),软测量BP模型,2,软测量在常压塔筛料干点测量中的应用,在石化生产中，分子筛料是蒸馏生产的重要中间产品，是后续生产装置分子筛的生产原料。,(1),筛料干点测量,干点,是,分子筛料的重要产品质量指标,，对分子筛料装置的生产有很大影响，按工艺要求应控制在290300之间。然而，由于多种因素的影响，分子筛料的干点波动很大，致使1/3的产品因干点超差而不合格。测量干点不仅对分析指导生产有重要意义，也是控制干点使其达到工艺要求的先决条件。干点属于化工品的质量参数，目前,无法在线连续检测,，软测量是唯一可行的技术措施。,四、软测量技术应用实例,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,常压塔,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,(2),辅助变量选择,根据生产工艺机理分析和经验总结，可以初定影响分子筛料干点的,主要可测量辅助变量有13个,。将分子筛料干点y与辅助变量之间的相关关系写成如下形式：,(3),回归分析建模,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,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,。,按多元线性回归建模，则主导变量与辅助变量的数学关系式应为:,求解、确定参数b,i,，就可确定回归模型。,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,(3),回归分析建模,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,但实际问题表现出,较强的非线性,，分析后决定在线性回归的基础上,引入三项非线性项,，以提高模型的精度。,令,并删除一些辅助变量，可得实际的,非线性回归模型,式为,经过复杂的,非线性回归处理,，确定筛料干点软测量模型为:,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,非线性回归模型有较好的拟合效果，再用70组数据比较拟合的均方误差MSE=2.0257，如下图所示。,四、软测量技术应用实例,(3),回归分析建模,2,软测量在常压塔筛料干点测量中的应用,谢 谢 ！,