1、第16章 软测量,16.1 概述,目前在实际生产过程中，存在着许多因为技术或经济原因无法通过传感器进行直接测量的过程变量，如精馏塔的产品组分浓度、生物发酵罐的菌体浓度、高炉铁水中的含硅量和化学反应器中反应物浓度、转化率、催化剂活性等 传统的解决方法有两种： 一是采用间接的质量指标控制，如精馏塔灵敏板温度控制、温差控制等，存在的问题是难以保证最终质量指标的控制精度； 二是采用在线分析仪表控制，但设备投资大、维护成本高、存在较大的滞后性，影响调节效果 软测量技术应运而生,软测量（soft-sensing）概念,选择与被估计变量相关的一组可测变量，构造某种以可测变量为输入、被估计变量为输出的数学模型
2、，通过计算机软件实现对无法直接测量的重要过程变量的估计 基本思想： 有机结合自动控制理论与生产工艺过程知识， 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（主导变量），选择另外一些容易测量的变量（辅助变量）， 通过构成某种数学关系来推断和估计， 以软件来代替硬件功能 软测量是一种利用较易在线测量的辅助变量和离线分析信息去估计不可测或难测变量的方法；以成熟的传感器检测为基础，以计算机技术为核心，通过软测量模型运算处理而完成,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
3、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。,16.2.1 选择辅助变量,变量数目的选择 辅助变量数量的下限是被估计的变量数。 应首先从系统的自由度出发，确定辅助变量的最小数量，再结合具体过程的特点适当增加，以更好地处理动态性质等问题。 一般是依据对过程机理的了解，在原始辅助变量中，找出相关的变量，选择响应灵敏度高、测量精度高的变量为最终的辅助变量
4、。 更为有效的方法是主元分析法，即利用现场的历史数据作统计分析计算，将原始辅助变量与被测量变量的关联度排序，实现变量精选。,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。,16.2.2处理输入数据,要建立软测量模型，需要采集被估计变量和原始辅助变量的历史数据，数据的数量越多越好。然而，测量数据一般都不可避免地带有误差，有时甚至带有严重的过
5、失误差。 软测量的输入数据处理包括换算和数据误差处理两个方面 换算不仅直接影响过程模型的精度和非线性映射能力，还影响着数值优化算法的运行效果。测量数据的换算包括标度、转换和权函数三个方面 数据误差处理主要针对随机误差和粗大误差,16.2.3建立软测量模型,软测量模型是在深入理解过程机理基础上，建立的适用于估计的模型，这是软测量的核心 软测量模型不同于一般意义下的数学模型，强调的是通过辅助变量来获得对主导变量的最佳估计 机理建模、统计回归建模和人工神经网络建模等,y：主导变量 y*：主导变量的离线分析值或大间隔测量值 d1、d2、u：辅助变量主导变量(y)的估计值,软测量模型原理分类,基于工艺机
6、理分析：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、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。 基于回归分析：简单实用，但需要足够有效的样本数据，对测量误差较为敏感。 主元回归 多元线性回归 偏最小二乘回归 基于状态估计 基于模式识别：适用于缺乏系统先验知识的场合 判别函数法、最近邻域法、非线性映射法、 特征分析法、主因子分析法等,软测量模型原理分类,基于模式识别:适用于缺乏系统先验知识的场合 统计模式识别：判别函数法、最近邻域法、非线性映射法、 特征分析法、主因子分析法等 基于人工神经网络：能适用于高度非线性和严重不确定性系统 基于模糊
7、数学：适用于复杂工业过程中被测对象呈现亦此亦彼的不确定性，且难以用常规数学定量描述的场合 基于过程层析成像：以医学层析成像技术为基础，可获取关于变量微观的时空分布信息。 基于相关分析：以随机过程中的相关分析理论为基础，利用多个可测随机信号间的相关特性来实现某一参数软测量的方法。主要应用于难测流体 基于非线性信息处理技术：小波分析、混沌和分形技术，适用于常规的信号处理手段难以适应的复杂工业系统。,16.2.4 软测量模型的在线校正,如上述软测量模型直接应用于工业生产过程的实时控制，由于过程的时变性，不可避免地要产生一定的偏差，这将造成软测量模型的估计偏差 必须对建立的软测量模型进行在线校正，以使
8、其适应过程操作特性的变化和生产工况的变迁 软测量模型的在线校正必须注意过程测量数据与实验室人工分析数据在时序上的匹配，根据实验室人工分析值对软测量模型进行校正，通过在线校正并不断与目标控制结果相比较，力争达到理想的控制效果 定时校正 满足一定条件的校正,16.3 软测量的意义,能够测量目前由于技术或经济的原因无法或难以用传感器直接检测的重要的过程参数 打破了传统单输入、单输出的仪表格局 能够在线获取被测对象微观的二维/三维时空分布信息，以满足许多复杂工业过程中场参数测量的需要。 可在同一仪表中实现软测量技术与控制技术的结合 便于修改 有助于提高控制性能,软测量的适用条件,无法直接检测被估计变量
9、，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,3. 实例：基于最小二乘法的糖液过饱和度软测量 1）Wright模型蔗糖的结晶过程，就是把糖浆浓缩至一定的过饱和状态，使之析出微小的晶核，控制糖液的过饱和系数在最适当的范围而使晶体长大的过程。在煮制过程中必须控制好过饱和系数在适当的范围。如果过大，将导致糖液自行析出微小结晶，即伪晶；如果过小，则无法使糖液中的糖分析
10、出结晶。由于煮糖过程存在着严重的非线性，因此数据的采集比较困难。,纯净的蔗糖溶液的溶解度与温度有关，并遵循Charles给出的计算公式：,定义变量X :,这个方程可以转化为蔗糖对水的质量比， 它仍然是同温度有关的。,纯净蔗糖溶液的过饱和系数定义为,在实际生产中，糖液中含有蔗糖外的多种杂质，这些杂质都将对糖液的过饱和度产生影响。因此，过饱和度定义为,其中，SC 为饱和系数，定义为含有杂质的蔗糖溶液的饱和浓度与纯净蔗糖溶液的饱和浓度的比值，即,Wright于1971年提出了计算过饱和度的模型：, = 0.088。,Wright的模型过于复杂，不适合作为过饱和度的软测量模型。而且在Wright模型中
11、，杂质是一个定值。在这里建模是将白噪声作为干扰， 并利用系统辨识的方法进行建模的。,2) 建立糖液过饱和度软测量模型及仿真结果(1) 煮糖过程分析。 传统的方法是用折光计测量糖液的锤度来间接地反映过饱和系数。由于锤度指的是糖液中固溶物的百分比含量， 因此用锤度反映过饱和度，在一定程度上忽略了杂质的影响。在建立软测量模型的时候，可把易测的量即锤度作为二次变量。 温度对过饱和度的影响也不容忽视，但因为在数据采集过程中，将温度固定在常规煮糖所用的温度上，所以在此没有将温度考虑进去。另外，粘度、真空度等对过饱和度也有一定的影响。粘度在生产中很难测量，因此，根据软测量选择二次变量的原则，它不适合作为二次变量。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：,其中： 过饱和系数；x 糖液的锤度。,（3） 仿真结果与分析。用试验数据得到的软测量模型计算出的过饱和度与用Wright模型计算出的过饱和度基准曲线随锤度变化的比较如图7-1所示。图7-2是过饱和系数的相对误差与锤度的关系。过饱和系数的相对误差的计算公式如下：,图7-1 过饱和度拟合曲线与基准随锤度变化的比较图,作业,P-350:16.1、16.3,
