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
3. 基于偏最小二乘法（PLS）的软测 量建模方法
偏最小二乘法（PLS）是一种经典的回归分析建模方法，
最初由S. Wold和C. Albano等人于1983年首次提出。
特点： PLS 算法同时考虑了输入输出数据集，是一种单步分解
和回归方法，通过将可测变量映射到低维空间以避免多
元共线性问题，能用于非常复杂的混合情况，以及对含 噪声的样本进行回归。
X TP Ek ti pi Ek
通过上述 迭代得：
Y UQ Fk ui qi Fk
i 1
i 1 k
U F (T ) R f1 rr 1 2
rk
非线性PLS算法，其内部关系的表达式为：
催化裂化装置主分馏塔粗汽油干点的软测量；
常减压装置常压塔柴油凝固点的软测量； 加氢裂化装置塔柴油倾点的软测量； 延迟焦化装置分馏塔粗汽油干点的软测量； 乙烯精馏塔塔底乙烯浓度的软测量； 聚丙烯腈粘度的软测量等。
软测量模型结构
选择与主导变量密切相关的二次变量，构造某种数学 关系，对主导变量进行估计。其原理结构图如下：
OSA Int ' l Operation Analysis 公司推出的软件包，采用最
新的统计理论、人工智能方法、混沌理论等用于过程的动态模 拟。
国内高等院校、科研院所和企业等自行开发了不少软测量
技术的应用。
例如：
甲醇生产过程中烃类转化反应器出口气中CH 含量的软测量；
气分装置丙烯丙烷塔塔顶丙烯成分的软测量； 催化裂化装置分馏塔轻柴油凝固点的软测量；
偏最小二乘法（PLS）
各种改进算法都有其一定的适用范围，应根据实际工况选 择不同的算法。
（3）基于状态估计与辨识的方法
特点：用控制科学的建模或辨识的方法建立软测量模型； 方法：对象为稳态模型→ Brosillow 估计器建模 对象为动态模型→自适应估计建模
（4）基于人工智能的建模方法
特点：利用所允许的不精确性、不确定和部分真实性以得到 易于处理、鲁棒性强的解决问题的方法；更适 用于处 理高度复杂性的问题。 缺点：算法复杂，局限于工业现场的硬件条件，实际实施困 难； 方法：基于人工神经网络（ANN）的方法； 基于支持向量机SVM的软测量建模方法 基于模式识别的方法； 基于模糊逻辑的方法等。
Ei1
外 部 关 系
Fi1 ti
内部关系
求 t i pi ui qi
Ei Ei 1 ti piT
Fi Fi 1 u i qiT
Ei Fi
多项式拟合
ui
样条拟合
BP网络
RBF网络
TSK模型
QPLS
SPLS
NNPLS
RBFPLS
FPLS
基于线性PLS的软测量建模应用实例
对象：催化裂化主分馏塔流程见图如下：
将在线校正算法实现；
建立友好的用户界面； 进行现场实验和软仪表调试等。
软测量与控制
软测量技术已经在过程控制与优化中得到了广泛的应用，其中报 道最多的是推断控制 ，基于软仪表的反馈控制系统 一般结构图
如下：
Yr 为主导变量设定值，开关K代表成分分析仪的采样输出或长周
期的人工分析取样 ； 控制器和软仪表是相互独立，如果软测量满足精度要求，则可 以为控制提供反馈信号。
被估计量 不可测扰动d1 可测扰动d 2 控制输入u 工 业 对 象 可测输出y 可能有的离线分析计算值x*
估计值x 软测量 数学模型
软测量模型基本结构
软测量技术包括以下几方面：
变量类型的选择 1) 辅助变量选择 变量数据的选择 检测点位置的选择 数据校正 随机误差处理 显著误差处理 标度 数据变换 转换 权函数 数据处理还应考虑稳态数据判别、数据范围、时序匹配等 问题
软测量技术
4）软测量模型在线校正
必要性 软测量应用多采用静态模型；工艺改造、原料改变、操作条件变化
等，使模型适应性下降，不满足要求；
软测量模型的在线校正就是对模型结构和模型参数的动态优化过程， 一般分为短期校正和长期校正。
短期校正
修正模型的参数和常数项； 方法：自适应法，增量法和多时标法等 ；
ˆ hj ( i ) ) PRESS ( yij y
j 1 i 1
p
n
也可以根据需要的模型精度来选取 。
PLS算法发展
线性PLS算法不能满足非线性严重的应用场合，各种非线性算 法相继提出 非线性PLS算法可以分为两类： 1）外部非线性，即对辅助变量进行非线性变换； 2）内部非线性，即PLS内部关系采用非线性算法； 目前工业应用普遍采用第二种非线性方法。
u1 f1 (t1 ) e1
其中函数 f1 () 可以是任意连续且对 w1 非可导的非线性函数。
PLS基本算法计算过程：
内部关系: 外部关系:
U F (T ) R
F(· ) 为线性函数→线性PLS,
X TP Ek Y UQT Fk
T
F(· )为非线性函数→非线性PLS
基于支持向量机（SVM）的软测 量建模方法
1963年，Vapnik提出支持向量方法； 1995年，Vapink提出了统计学习理论，奠定了SVM的理论基础 1997年，Vapink等人介绍了SVM方法的回归算法（SVM）和信号处理 方法；
第六讲 软测量技术
主要内容
1. 引言
2. 软测量技术研究现状
3. 基于PLS的软测量建模方法
4.
5.
基于SVM的软测量建模方法
软测量技术面临问题及展望
1.
引 言
为了提高产品质量和产量，获得更大的经济效益，先进 控制和优化控制在生产过程中的应用受到重视。 问题:产品质量或与其密切相关的重要过程变量难以在 线测量。
长期校正
对模型结构进行修正 ，一般采用离线方法从新训练模型；
典型的软测量模型在线校正结构：
图 Z 1 中项，代表了软测量在线校正式过程测量数据与质量 分析数据在时序上匹配项。
软测量技术
5）软测量工程实施
实际运行即工程实现方法也是软测量技术的一个重要组
成部分。 软测量的现场实施过程主要包括： 系统的硬件组成； 将数据预处理算法和软测量模型在现场控制设备上实现；
建模及预测拟合效果
模型误差测度：预报误差指标RMSPE（Root Mean Square Predictive Error）
1 n ˆi yi ) 2.2475 RMSPE (y n i 1
2
最大预测误差MAEmax
ˆi yi 8.524 MAEmax max y
4）设计软测量模型在线校正模块
背景： 粗汽油干点采用人工化验方法得到，每2个小时一 次；无法实现闭环控制； 常规操作是控制塔顶温度来间接控制质量；无法实 现“卡边”控制，不能获得最大经济效益； 目标： 建立粗汽油干点软测量模型为实现先进控制提供反 馈信号；
软测量设计步骤
1）机理分析，确定辅助变量
2）数据采集及预处理
如：分馏塔粗汽油干点、柴油凝点等
解决问题两种方法： 间接质量指标控制；缺点：无法实现卡边控制 在线分析仪表； 缺点：维护昂贵，存在滞后 软测量技术是解决这一问题的有效途径。
2.
理论根源
软测量技术概述
软测量技术的理论根源是20世纪70年代Brosillow 提出的推断控制。 基本思想 对于一些难于测量或暂时不能测量的重要变量 (主导变量)，选择另外一些容易测量的变量（辅助
软测量模型是静态模型，设计在线校正模块以适应工况变化；
5）软测量在线实现
确定了粗汽油干点软测量模型和校正方法后，应在 DCS上实现。
6）软测量评价 指软测量模型投运后，将模型计算值与化验值进行
比较，评价软测量是否满足精度要求。
满足精度的软测量模型输出计算值作为先进控制的 反馈信号。
4.
发展：
XNM
YNQ
计算内部关系式（Inner Relation）：