软测量
软测量技术研究及其工业应用的开题报告
软测量技术研究及其工业应用的开题报告一、选题背景及意义软测量（Soft Measurement）是一种在没有显式传感器或者信号处理器的情况下实现过程变量测量，通过数学模型和统计学方法获取产品质量和过程状态的技术。
在实际生产过程中，由于现场仪表的不足或者过程变量的复杂性，传统的硬测量方法无法满足实际需求。
软测量技术的出现，填补了这一空白，可广泛应用于化工、能源、冶金、食品、医药等领域中的过程控制和质量检测。
软测量技术的研究和应用有着广泛的现实意义和应用前景，是目前工业自动化控制和智能制造中不可缺少的一部分。
二、研究内容及目标本课题旨在研究软测量技术及其在工业应用中的具体实现。
具体包括以下内容：1. 研究软测量技术的基本原理和方法，包括数学模型的建立和参数辨识、软测量模型的建立和优化算法等。
2. 分析软测量技术在过程控制和质量检测等方面的应用情况，探讨其优缺点。
3. 探究软测量技术在化工、能源、冶金、食品、医药等领域的应用案例，总结实践经验。
4. 基于MATLAB等工具，设计并实现软测量模型，验证其在工业应用中的效果和可行性。
通过以上研究，旨在实现以下目标：1. 深入了解软测量技术的基本原理和方法，具备相应的理论基础。
2. 掌握软测量技术在工业应用中的优缺点及其应用情况，具备分析应用场景的能力。
3. 能够设计并实现软测量模型，验证其在实际工业应用中的可行性和效果。
三、研究方法本课题采用以下方法进行研究：1. 文献调研法：收集相关文献，了解软测量技术的基本原理、应用情况和研究进展。
2. 实验研究法：结合工业应用场景，选取典型案例，设计并实现软测量模型，验证其在实际应用中的效果。
3. 经验总结法：总结软测量模型的应用经验，探讨其实现过程中的难点和解决方法。
四、预期成果通过本课题的研究，期望可以实现以下成果：1. 深入了解软测量技术的基本原理和方法，明确软测量技术在工业应用中的优缺点。
2. 尝试应用软测量技术解决工业化应用问题，例如过程控制和质量检测等问题，取得良好效果。
软测量
16.2.1 选择辅助变量
检测点位置的选择
对于许多工业工程，与各辅助变量相对应的检 测点位置的选择是相当重要的。典型的例子就是精 馏塔，因为精馏塔可供选择的检测点很多，而且每 个检测点所能发挥的作用各不相同。一般情况下， 辅助变量的数目和位置常常是同时确定的，用于选 择变量数目的准则往往也被用于检测点位置的选择 。
软测量的适用条件
无法直接检测被估计变量，或直接检测被估计变量的 自动化仪器仪表较贵或维护困难；
通过软测量技术所得到的过程变量的估计值必须在工 艺过程所允许的精确度范围内；
能通过其他检测手段根据过程变量估计值对系统数学 模型进行校验，并根据两者偏差确定数学模型是否需 要校正；
被估计过程变量应具有灵敏性、精确性、鲁棒性等特 点
16.2 软测量的方法 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
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
16.2.1 选择辅助变量
变量类型的选择原则 过程适用性，易于在线获取并有一定的测量 精度。 灵敏性，对过程输出或不可测扰动能做出快 速反应。 特异性，对过程输出或不可测扰动之外的干 扰不敏感。 准确性，构成的软测量仪表应能够满足精度 要求。 鲁棒性，对模型误差不敏感等。
所以在这里应用的是锤度和过饱和度之间的关系。
(2) 系统辨识方法得出的过饱和度模型。建立过饱和度软测量模型时选用了 501组数据，用系统辨识的方法得到过饱和度和锤度的关系如下：
y ˆ ( 0 . 4x 5 2 1 . 6 8 x 4 4 7 2 . 5 4 x 3 2 6 1 . 9 3 x 2 5 4 0 . 7 3 x 4 0 . 8 1 2 ) 1 1 9 4
软测量技术
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
软测量心得体会-V1
软测量心得体会-V1软测量是一种基于数学模型的过程，它可以在工业生产中实现对重要参数的预测和监测。
作为一名在这个领域进行研究的内容创作者，我对软测量有着深刻的认识，今天我来和大家分享一下我对软测量的心得体会。
一、软测量的概念软测量是指通过使用建立在数据采集、处理、分析和建模等技术之上的算法模型，来监测和预测生产过程中的关键参数。
这些参数可能对产品的质量、效率、经济性等方面均有直接或间接的影响。
因此，软测量在工业生产中有着广泛的应用。
二、软测量的优势相比传统测量方法，软测量有以下优势：1. 更高的准确性。
软测量使用的数学模型可以更加精细地描述生产过程中的复杂关系，因此具有更高的准确度。
而传统方法受到测量误差、数据采集不全等因素的影响，难以实现高精度的监测和预测。
2. 更加灵活。
软测量的算法模型可以针对不同行业、不同生产过程和不同产品进行调整和优化。
而传统方法往往需要重新设计测量方案，难以实现灵活应变。
3. 更低的成本。
软测量需要的设备成本相对低廉，而传统方法需要专门的测量设备，成本较高。
三、软测量的应用软测量在工业生产中有着广泛的应用，以下是软测量的几个典型应用场景：1. 化工生产中的软测量。
在化工生产中，使用软测量可以实现对温度、压力、流量等关键参数的预测和监测，有助于提高产品质量和生产效率，降低生产成本。
2. 食品加工中的软测量。
在食品加工过程中，使用软测量可以实现对物料质量、温度、搅拌速度等参数的精确预测和监测，有助于提高产品质量和生产效率。
3. 制药生产中的软测量。
在制药生产中，使用软测量可以实现对药品质量、反应速率、温度等参数的预测和监测，有助于保证产品质量和生产效率。
四、软测量的未来发展方向随着人工智能、大数据等技术的不断发展，软测量的应用将会更加广泛和深入。
未来软测量的发展方向有以下几个方面：1. 智能化发展。
软测量会结合智能化技术，通过对数据的分析和判断，在生产过程中实现自主决策和控制。
软测量
1.软测量建模方法：为机理建模、数据驱动建模和混合建模（1）机理建模通过分析化工过程反应机理,利用一些已知的方程、定理、原理等建立模型,只适用于一些过程简单、机理明确的化工过程。
缺点在于实际工业工程中,过程复杂且为了方便处理,往往进行了合理的假设简化,而假设不一定准确将直接影响模型的准确性,另外还存在着建模难度相对较大的局限（2）数据驱动建模利用大量的输出、输入数据建立模型,适用于具有大量准确数据的化工过程。
优点需要采集大量的样本数据,根据样本数据建立模型,基本无需分析反应机理和工艺过程特点,且具有开发周期短,非线性逼近能力强等特点。
{回归分析，支持向量机，人工神经网络} 回归分析:用于具体判定相关变量间的数值变化关系,利用大量生产数据,基于数理统计方法提取数据中的有用信息,最终建立数学模型;支持向量机SVM基于结构风险最小化原则提出的一种新兴学习机,在有限的数据中寻找学习能力和学习精度之间的平衡,不存在局部最小问题且推广能力较强; 人工神经网络特征取决于单个神经元和其连接方式,它的智能取决于它的结构和学习规则。
神经网络的常见的两种拓扑结构前馈网络(BP,RBF,多层感知机网络)和反馈网络（Hopfiled,Boltzmann）（3）混合建模将机理建模和数据驱动建模结合,用机理已知部分采用机理建模,少量未知参数釆用数据驱动建模,适用于部分机理己知且具有大量数据的化工过程.。
混合建模的模型结构可分为并联结构和串联结构,并联结构是将两种模型的输出相融合,作为混合模型的输出。
2.软测量技术的核心是以软件替代硬件的思想,测量速度快、投资低,能连续给出主导变量的信息更加直观且可以在线工艺离线进行校正。
3.软测量技术的实施步骤通常分为四步:辅助变量选择、数据采集和预处理、建模、模型校正与应用,(1) 辅助变量选择三大基本原则：变量类型选择，变量数目的选择，检测点位置的选择（2）数据采集与预处理：原始辅助变量选定后,从DCS中采集大量的辅助变量数据,通过人工离线分析得到主导变量数据。
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。
软测量技术
算、分析、处理等功能的计算机仪器系统。
以个人计算机为核心 通过测量软件支持 具有虚拟仪器面板功能 具有仪器硬件
具有通信功能
虚拟仪器检测技术
虚拟仪器的构成
显示记录仪表与装置
在测量中，人们需要将被测参数转变为容易识别的方式表现出来：指 针的位移，光柱（条）的长短、数码、图形、图像等。具有这类功能 的仪 表及装置，称为显示记录仪表。 与测量压力、物位、流量和温度的仪表不同，显示记录仪表属于二次 仪表的范畴。 二次仪表：不直接用于测量被测对象如温度、压力等物理量，而主 要 用于测量由一次仪表得到的电压、电阻或电流的变化量。 使用时配以相应的一次仪表或变送器，可以实现对各种生产参数的 显 示与记录。
显示记录仪表与装置
显示记录仪表与装置
显示记录仪表与装置
数字显示仪表的组成： A/D转换器：把连续变化的模拟量变换成数字量，完成这个功能的装 置称为模数转换装置。
近年来随着超大规模集成电路的开发和利用，数字显示仪表又 进入了一个微机化、智能化显示仪表的阶段。
显示记录仪表与装置
三、屏幕显示仪表和虚拟显示：在数字仪表的基础上增强CPU、ROM、 RAM、CRT和其它元件及功能的新型仪表。
输送气流速度
t
固相流量
ቤተ መጻሕፍቲ ባይዱ
ms
b
软测量模块
s
软测量模块
差压-浓度法技术路线
软测量技术
过程控制中的推断控制
d
Ysp
控制器
U
Yout
过程系统
+
_
ˆ Y
软仪表 (估计器)
校正
k
反馈推断控制系统
虚拟仪器检测技术
虚拟仪器（Virtual Instrument）是指在通用计算机上由 用户设计定义，利用计算机显示器（CRT）的现实功能来 模拟传统仪器的控制面板，以完成信号的采集、测量、运
软测量原理及应用
软测量原理及应用软测量是指通过数学建模和算法模拟等方法对无法直接测量的系统变量进行估算或预测的技术。
软测量技术具有较强的灵活性和实时性，可以更好地满足工业过程中对关键过程变量的监测和控制需求。
本文将介绍软测量的原理和应用，并从实际案例中解释其作用。
软测量的原理包括建模、辨识、优化和实现四个步骤。
首先，需要对要估计的系统变量进行建模，在建模过程中需要选择合适的变量进行测量，并根据实际情况进行变量筛选。
其次，通过系统辨识技术从已有的数据中提取有效信息，建立起系统的数学模型。
然后，通过优化算法对模型进行参数估计和优化，以提高模型的准确性和可靠性。
最后，将优化后的模型实施到实际过程中，并进行实时更新和运行。
软测量技术在工业过程中有广泛应用。
其中，化工过程是应用软测量的典型领域之一。
在化工过程中，很多关键过程变量无法直接测量，例如反应器中的反应物浓度、温度和压力等。
软测量技术可以通过对流体动力学和传热传质等原理的建模和优化，对这些变量进行准确估计。
软测量的应用可以提高生产过程的稳定性和可靠性，保证产品质量。
另外，软测量技术在制造业中也有广泛应用。
例如，在汽车制造过程中，很多关键参数如车身刚度、车辆噪音和燃油消耗等无法直接测量。
软测量技术可以通过对汽车制造过程中的关键参数及其之间的关系建立模型，实时监测和优化关键参数，提高汽车制造过程的效率和质量。
此外，软测量在能源领域也有重要的应用。
例如，在电网管理中，精确测量电网的负荷、电压和频率等是保证电网稳定运行的关键。
然而，由于电网非线性和复杂性，直接测量这些变量是困难的。
软测量技术可以通过对电网中各个关键节点的电流、电压等参数进行建模和优化，估计和预测电网的负荷和稳定运行情况。
在实际应用中，软测量技术可以与传统测量方法相结合，实现对系统变量的全面监测。
例如，在化工生产过程中，可以结合传感器测量和软测量技术，对关键变量进行实时监测。
软测量可以弥补传感器测量的不足，提高系统的监测精度和实时性。
软测量方法原理及实际应用
主导变量：
3 软测量建模方法的分类 软测量建模方法的
目前主要软测量建模的方法: 目前主要软测量建模的方法
机理建模、回归分析、状态估计、模式识别、 机理建模、回归分析、状态估计、模式识别、 人工神经网络、模糊数学、基于支持向量机(SVM) 人工神经网络、模糊数学、基于支持向量机 方法、过程层析成像、相关分析和现代优化算法 现代优化算法等 方法、过程层析成像、相关分析和现代优化算法等 多种建模方法。 多种建模方法。
◆
基于知识的软测量方法：
基于人工神经网络的软测量建模方法是近年来研究最多、 基于人工神经网络的软测量建模方法是近年来研究最多、 人工神经网络的软测量建模方法是近年来研究最多 发展很快和应用范围很广的一种软测量建模方法。 发展很快和应用范围很广的一种软测量建模方法。由于能适 用于高度非线性和严重不确定性系统， 用于高度非线性和严重不确定性系统，因此它为解决复杂系 统过程参数的软测量问题提供了一条有效途径。 统过程参数的软测量问题提供了一条有效途径。
基于工艺机理分析的软测量方法： 基于工艺机理分析的软测量方法：
◆
主要是运用物料平衡、 能量平衡、 主要是运用物料平衡、 能量平衡、化学反应动力学等
原理，通过对过程对象的机理分析， 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 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。 一参数的软测量。 对于工艺机理较为清楚的工艺过程， 对于工艺机理较为清楚的工艺过程，该方法能构造出性 能良好的软仪表；但是对于机理研究不充分、 能良好的软仪表；但是对于机理研究不充分、尚不完全清楚 的复杂工业过程，则难以建立合适的机理模型。 的复杂工业过程，则难以建立合适的机理模型。
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。
- 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)。
数据采集和预处理
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
建立软测量模型
设计校正模块
1选择短期校正方法 2选择长期校正方法
在置上实现软测量
评价软测量
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 33
6
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。
5.1.3 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。
Step3已知一层的输出，用下式计算2层的输出
式中，f( )为Sigmoid函数
25
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 计算权重变化： •
和输出层的
，用下式
• 式中： η 为学习效率； α 为动量系数，0< α <1
28
• Step 8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
• 5.3.2 RBF网络
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。
• 软测量技术往往与先进过程控制相伴。
1
• 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。
7
5.1 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
8
5.1 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。
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。
24
BP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=Ii
30
5.4 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,support vector machine),核主元回归（Kernel,PCR),核偏最小 二乘法（Kernel PLS)在软测量建模中的应用。
16
5.2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） xm 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： x1 y
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n>m，则上式的解为：B=(XTX)-1XTY
3
历史数据 初始模型
建立工业 工程的可 靠模型是 核心
测量数据
预 处 理 模 块
简 单 机 理 模 型
模型参数 软测量模型 修正的模型数据 长期校正模块 历史数据 在线校正模块 化验数据
输出
软测量结构图
4
校正值 辅助变量
可测过程扰动 可测过程输入 可测过程输出
软仪表模型
主导变量估计值
5
软测量仪表的建模方法
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
21
5.3.1 BP网络
• 反向传播算法（Back propagation Algorithm)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 学习收敛 • 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 记忆训练 • 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
技术判别法：根据 拉依达准则 物理或化学性质进 格拉布斯准则 行技术分析，以判 罗曼诺夫斯基准则 别偏差较大的数据 方差比准则 是否为异常数据
10
• 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： •
• 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
• 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
9
过程数据预处理：
（1）异常数据的剔除 狄克逊准则 • 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 统计判别法：用数 数据叫异常数据。 如何判断？ 学的方法做出鉴别 • 样本数据是否是异常数据
31
5.4.1 支持向量机软测量建模
见支持向量机PPT
32
5.5软测量工程设计
• 5.5.1软测量的设计步骤
机理分析、选择辅助变量
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
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）。
•以上方法可以轻松地采用Matlab实现。
20
5.3 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
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。
（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。
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
12
13
Yi的平滑值
14
5.1.3 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。 15