软测量

1第五章软测量技术•软测量解决的问题：生产过程中一些被控变量（特别是质量参数）无法在线测量，而在线分析仪价格昂贵，不易维护，而且分析一般均存在滞后，那么在以这些参数为指标进行控制时就无法构成实时反馈回路，而不能保证对其很好的控制•软测量的基本思想是把自动控制理论与生产过程知识有机结合起来，应用计算机技术，对于难于测量或暂时不能测量的重要变量（或称之为主导变量）通过选择了另外一些容易测量的变量（或称为辅助变量）与之构成某种数学关系来推断和估计，以软件代替硬件（传感器）。•软测量技术往往与先进过程控制相伴。2•软测量解决的问题：生产过程中一些被控变量（特别是质量参数）无法在线测量，而在线分析仪价格昂贵，不易维护，而且分析一般均存在滞后，那么在以这些参数为指标进行控制时就无法构成实时反馈回路，而不能保证对其很好的控制•软测量的基本思想是把自动控制理论与生产过程知识有机结合起来，应用计算机技术，对于难于测量或暂时不能测量的重要变量（或称之为主导变量）通过选择了另外一些容易测量的变量（或称为辅助变量）与之构成某种数学关系来推断和估计，以软件代替硬件（传感器）。•软测量技术往往与先进过程控制相伴。3•软测量技术是利用可测过程变量、通过各种数学计算和估计方法推断待测过程变量的技术，从而达到了在不增加硬件的情况下用软件来估计重要质量参数的目的。•软测量举例：–延迟焦化装置的粗汽油干点和柴油95%点等；–催化裂化分馏塔的粗汽油干点和轻柴油凝固点等；–聚合物的浆液浓度、产率等。4软测量模型长期校正模块初始模型在线校正模块简单机理模型预处理模块测量数据历史数据历史数据修正的模型数据化验数据模型参数输出软测量结构图建立工业工程的可靠模型是核心5软仪表模型可测过程扰动可测过程输入可测过程输出辅助变量校正值主导变量估计值6软测量仪表的建模方法7软测量技术的优缺点优点：•软测量模型一般是通过历史数据建立的。•软测量模型易于维护。•软测量模型为进一步的过程优化和控制创造了条件。缺点：•软测量模型不能完全取代在线分析仪或实验室分析工作。•历史数据的质量直接影响软测量模型的精度。•过程操作条件发生变化后需要重新建立软测量模型。•软测量模型需要长期进行维护。85.1软测量技术概论•机理分析与辅助变量的选择•数据采集和处理•软测量模型的建立•软测量模型的在线校正95.1软测量技术概论5.1.1机理分析与辅助变量的选择•辅助变量的选择应符合关联性、特异性、过程适用性、精确性和鲁棒性等原则。•可以从系统的自由度出发，来确定辅助变量的最小数量。•5.1.2数据采集和处理•数据处理：换算和数据误差处理。•换算包括标度、转换和权函数三个方面（1）异常数据的剔除•测量者读数和记录的严重失误，或仪器仪表的突然波动，都会造成异常的观测结果，称这类数据叫异常数据。•样本数据是否是异常数据10如何判断？技术判别法：根据物理或化学性质进行技术分析，以判别偏差较大的数据是否为异常数据统计判别法：用数学的方法做出鉴别拉依达准则格拉布斯准则罗曼诺夫斯基准则方差比准则狄克逊准则过程数据预处理：•拉依达准则又称为3σ准则，以试验测试的次数充分多为前提，一般情况下，对一组样本数据，如果样本中存在随机误差，则根据随机误差的正态分布规律，其偏差落在±3σ以外的概率约为0.3%,所以在有限次数的样本中，如果发现偏差大于3σ的数值，则认为它是异常数据而予以剔除。•设样本数据位y1,y2,…yn,平均值为，偏差为•vi=yi-(i=1,2,…n)，按照Bessel公式计算出标准偏差：•11•如果某一样本数据yk的偏差vk(1≤k≤n)满足下式：则认为yk是异常数据，应予以剔除。12线性滑动平滑法：取第i点及附近若干点的数据，用最小二乘法拟合一条直线，用该直线方程计算出第i点的因变量作为平滑后的数据值（2）数据的平滑在建模前采集的样本数据中，需要的是被测样本的真实信号，所以要从采样数据中尽可能的排除噪声成分，一般采样数字滤波技术。而在数字滤波中用于消去频率较高的噪声，保留或突出频率较低的信号，这类方法称为数据的平滑。1314Yi的平滑值155.1.3软测量模型的建立1机理建模—从过程内置的物理或化学规律出发，通过物料平衡、能量平滑和动量平衡建立数学模型。简单过程可以用解析法；复杂过程，特别是输入变量大范围变化的场合，则采用仿真法。优点：从事物的本质上认识外部特征；有较大的适用范围，操作条件变化可以类推。缺点：复杂过程难以建模。2经验建模—通过实测或依据积累的操作数据，用数学回归、神经网络等方法得到经验模型。优点：不需了解过程内部机理缺点：需进行工程测试获得样本数据。数据变化区域选择过窄，稳态是否真正建立。165.1.3软测量模型的建立3机理建模和经验建模相结合（目前应用广泛）结合方法有：•主体用机理建模，部分参数通过实测得到•通过机理分析，把变量适当结合，得出数学模型函数形式，使模型结构有了着落，估计参数就比较容易，且可使自变量数减少。•由机理出发，通过仿真或计算，得到大量输入输出数据，再用回归或神经网络方法得到模型。175.2软测量建模方法-回归分析5.2.1多元线性和逐步回归(1)多元线性回归（MLR）基于最小二乘法假设有因变量y和m个自变量x1,x2,…xn,MLR的目标是建立一个从m个不相关自变量xi到估计量的线性映射：式中y是估计量，xi是互不相关变量，bi为回归系数，b0是偏置常数。用矩阵可以表示为：Y=XB+b0如果nm，则上式的解为：B=(XTX)-1XTYX=[x1,x2,..xm]n*m维过程输入数据矩阵（n为测量次数，m为自变量数）Y=[Y1,Y2,…Yn]’,n*1维的过程输出数据矩阵B=[b1,b2,…bm]’,m*1维的系数矩阵…x1xmy18（2）多元逐步回归（MSR）该算法综合了对各输入变量的贡献程度进行检测的过程，可以剔除输入信息中的不重要部分。•当X中存在线性相关的变量时，X为病态矩阵，此时不能用LS方法，只能用主元回归或者部分最小二乘法。复相关系数R：R越接近于1，表明方程拟合得越好偏相关系数Vj:Vj越大，表示xi对于y的作用越显著，该变量不能剔除。195.2.2主元分析和主元回归（PCA，PCR）在研究工业过程时，为了全面了解和分析问题，通常记录了许多与之相关的变量。这些变量虽然不同程度反映了过程的部分信息，但某些变量之间可能存在相关性。为解决线性回归时由于施工线下而导致病态协方差矩阵不可逆的问题以及在尽可能保持原有信息的基础上减少变量个数，简化建模，可以采用数据压缩和信息提取方法，PCA和PCR都是统计学中较为成熟的方法，在软测量中得到广泛的应用。PCR算法步骤205.2.3部分最小二乘法（PLS）PLS是对冗余的、高度相关的数据进行压缩、提取信息的有力工具。PLS与PCA非常相似，但在PCA的基础上考虑了输入输出数据集，通过将可测变量映射到低维空间来避免多元共性问题。但与经典方法比较，PLS计算速度慢，而且由于PLS得到的模型是抽象的，人们难以理解和解释。•以上方法可以轻松地采用Matlab实现。215.3软测量建模方法-人工神经网络•人工神经网络（ANN）可以在不了解过程稳态和动态的情况下，建立模型，同时随着工业过程内部特性的变化，软测量模型可以通过学习及时得到修正。•能够以任意精度逼近任意非线性映射。•具有自适应能力，包括自学习能力、自组织推理能力等•并行结构和并行处理•分布式信息存储与处理结构，具有独特的容错性缺点：近年对ANN本身结构的研究没有根本突破•网络本身的黑箱结构使其不能利用经验进行学习，易陷入局部极小值225.3.1BP网络•反向传播算法（BackpropagationAlgorithm)是D.Rumellart等人提出的一种有导师学习算法。•由四部分构成：•输入模式是中间层向输出层的模式顺传播过程•网络的期望输出与网络实际输出之差的误差信号由输出层逐层修正连接权的误差反传播过程•由模式顺传播与误差反传播的反复交替进行的网络记忆训练过程•网络趋向收敛即网络的全局误差趋向极小值的学习收敛过程模式顺传播误差反传播记忆训练学习收敛23IjI1ILvL1v1mv11v1jvLjvLmw11w1nwm1wmnCCCABC三层反向传播网络•BP学习规则有时也称为广义δ规则，采用梯度法使目标函数最小：•广义δ规则算法是一种用平方误差最小的迭代梯度下降方法，它采用一种动量的方法来加速训练，动量是一种加到已调整的权重因子上的额外权重，通过加速权重因子的变化来提高训练速度。•广义δ规则采用偏置函数代替内部阈值，在进行节点求和的时候，加上偏置函数。24BP学习算法的步骤如下：Step1在（-1,1）之间给权重vij和wij随机赋值Step2将输入矢量Ii送入神经元网络，根据下式计算一层的输出xi=Ii-T1I=Ii-0=IiStep3已知一层的输出，用下式计算2层的输出25式中，f()为Sigmoid函数Step4：已知2层的输出，根据下式计算输出层的结果：Step5：对于送入输出层的M个训练模式继续Step1-Step4,根据下式计算总的平方误差E:26•Step6已知第m个模式，用下式计算，即前隐含层（第2层）第j个处理单元的梯度下降项：Sigmoid函数的偏微分27•Step7已知隐含层的和输出层的，用下式计算权重变化：••式中：η为学习效率；α为动量系数，0α128•Step8已知权重变化，根据下式计算权重：•对所有训练模式，重复Step2-Step8,直至平方误差为0或充分小为止。29•5.3.2RBF网络305.4软测量建模方法-基于核函数方法核函数方法是一类较新的机器学习方法，它们在模式识别领域获得了成功应用。几种典型的核函数方法：支持向量机（SVMs,supportvectormachine),核主元回归（Kernel,PCR),核偏最小二乘法（KernelPLS)在软测量建模中的应用。315.4.1支持向量机软测量建模32支持向量机与神经网络等常用方法相比，其具有泛化性好、建模所需学习数据较少等优点见支持向量机PPT5.5软测量工程设计•5.5.1软测量的设计步骤33机理分析、选择辅助变量数据采集和预处理建立软测量模型设计校正模块在装置上实现软测量评价软测量1了解工艺流程和控制系统2明确软测量任务，确定主导变量3分析变量的可观、可控性4初步选择辅助变量1确定辅助变量2选择软测量模型结构3确定软测量模型系4模型交叉验证1选择短期校正方法2选择长期校正方法1在DCS上实现软测量的数据处理、模型计算和在线校正模块2设计工艺员修改参数界面和操作员观测、输入化验值界面3设计模型报警模块1采集辅助变量的测量数据和主导变量的化验数据2数据校正3数据变换4数据相关性分析5主元分析•1针对软测量对象进行机理分析，选择辅助变量•了解和熟悉软测量对象以及装置的工艺流程，明确软测量任务•2数据采集和预处理•用统计假设检验剔除有显著误差的数据后，再用平均滤波的方法来去除随机误差•3建立软测量模型•用回归分析或者人工神经网络的方法•4设计模型校正模块•5在实际工业装置上实现软测量•将离线采集的软测量模型和数据采集及预处理模块，模型校正模块以软件的形式嵌入到装置的DCS上34•6软测量的评价•在软测量运行期间，采集软测量对象的实测值和模型估计值，根据比较结果评价该软测量模型是否满足工艺要求，如果不满足，要利用过程数据分析原因，判断是模型选择不当，参数选择不当还是该时间段内的工况远离模型的预测范围。35•5.5.4模型的校正•受生产原料性质、产品品质需求、生产量甚至环境气候等诸多因素的影响，操作点会发生相应的改变，偏离了建立软测量模型时的工作点，就需要对其进行适当的修正，以适应工况的变化。•软测量模型的在线校正分为短期校正和长期校正，短期校正是以某时刻软测量对象的真实值于模型的预测值之差为动力，及时修正模型常数项（回归模型）或采用RLS更新输出层权值（ANN模型）•5.6工业应用实例36•5.5.2过程数据预处理•5.5.3数据校正