淺析軟測量技術及其應用
在過程控制中，若要使生產裝置處于最佳運行工況、實現卡邊控制、多產高價值產品，從而提高裝置的經濟效益，就必須要對產品質量或與產品質量密切相關的重要過程變量進行嚴格控制。在線分析儀表(傳感器)不僅價格昂貴、維護保養復雜，而且由于分析儀表滯后大等原因，最終將導致控制質量的性能下降，難以滿足生產要求。還有部分產品質量目前無法測量，這種情況在工業生產中實例很多，例如某些精(分)餾塔產品成分，塔板效率，干點、閃點，反應器中反應物濃度、轉化率、摧化劑活性。高爐鐵水中的含硅量，生物發酵罐中的生物量參數等。為了解決這類變量的測量問題，出現了不少方法，目前應用較廣泛的是軟測量方法。
軟測量的基本思想是把自動控制理論與生產過程知識有機結合起來，應用計算機技術，針對難于測量或暫時不能測量的重要變量(或稱之為主導變量)，選擇另外一些容易測量的變量(或稱之為輔助變量)，通過構成某種數學關系來推斷和估計，以軟件來代替硬件(傳感器)功能。這類方法響應迅速，能夠連續給出主導變量信息，且具有投資低、維護保養簡單等優點。
近年來，國內外對軟測量技術進行了大量的研究。著名國際過程控制專家MCavoy教授將軟測量技術列為未來控制領域需要研究的幾大方向之一，具有廣闊的應用前景。
一、軟測量技術概論
軟測量技術主要由輔助變量的選擇、數據采集和處理、軟測量模型及在線校正四個部分組成。
1.1機理分析與輔助變量的選擇
首先明確軟測量的任務，確定主導變量。在此基礎上深入了解和熟悉軟測量對象及有關裝置的工藝流程，通過機理分析可以初步確定影響主導變量的相關變量輔助變量。輔助變量的選擇包括變量類型、變量數目和檢測點位置的選擇。這三個方面互相關聯、互相影響，由過程特性所決定的。在實際應用中，還受經濟條件、維護的難易程度等外部因素制約。
1.2數據采集和處理
從理論上講，過程數據包含了工業對象的大量相關信息，因此，數據采集量多多益善，不僅可以用來建模，還可以檢驗模型。實際需要采集的數據是與軟測另量主導變量對應時間的輔助變量的過程數據。其次，數據覆蓋面在可能條件下應寬一些，以便軟測量具有較寬的適用范圍。為了保證軟測量精度，數據的正確性和可靠性十分重要。
采集的數據必須進行處理，數據處理包含兩個方面，即換算(scaling)利數據誤差處理。數據誤差分為隨機誤差和過失誤差兩類，前者是隨機因素的影響，如操作過程微小的波動或測量信號的噪聲等，常用濾波的方法來解決；后者包括儀表的系統誤差(如堵塞、校正不準等)以及不完全或不正確的過程模型(受泄漏、熱損失等不確定因素影響)。過失誤差出現的幾率較小，但它的存在會嚴重惡化數據的品質，可能會導致軟測量甚至整個過程優化的失效。因此，及時偵破、剔除和校正這類數據是誤差處理的首要任務。
1.3軟測量模型的建立
軟測量模型是軟測量技術的核心。建立的方法有機理建模、經驗建模以及兩者相結合的建模。
1.3.1機理建模
從機理出發，也就是從過程內在的物理和化學規律出發，通過物料平衡與能量平衡和動量平衡建立數學模型。對于簡單過程可以采用解析法，而對于復雜過程，特別是需要考慮輸入變量大范圍變化的場合，采用仿真方法。典型化工過程的仿真程序已編制成各種現成軟件包。
機理模型優點是可以充分利用已知的過程知識，從事物的本質上認識外部特征；有較大的適用范圍，操作條件變化可以類推。但它亦有弱點，對于某些復雜的過程難于建模，必須通過輸入/輸出數據驗證。
1.3.2經驗建模
通過實測或依據積累操作數據，用數學回歸方法、神經網絡方法等得到經驗模型來進行測試，理論上有很多實驗設計方法，如常用的正交設計等。有一種辦法是吸取調優操作經驗，即逐步向更好的操作點移動，這樣可一舉兩得，既擴大了測試范圍，又改進了工藝操作。測試中另一個問題是穩態是否真正建立，否則會帶來較大誤差。還有數據采樣與產品質量分析必須同步進行。最后是模型檢驗，檢驗分為自身檢驗與交叉檢驗。我們建議和提倡交叉檢驗。經驗建模的優點與弱點與機理建模正好相反，特別是現場測試，實施中有一定難處。
1.3.3機理建模與經驗建模相結合
把機理建模與經驗建模結合起來，可兼容兩者之長，補各自之短。機理與經驗相結合建模是一個較實用的方法，目前被廣泛采用。
1.4軟測量模型的在線校正
由于軟測量對象的時變性、非線性以及模型的不完整性等因素，必須考慮模型的在線校正，才能適應新工況。軟測量模型的在線校正可表示為模型結構和模型參數的優化過程，具體方法有自適應法、增量法和多時標法。
對模型結構的修正往往需要大量的樣本數據和較長的計算時間，難以在線進行。為解決模型結構修正耗時長和在線校正的矛盾，提出了短期學習和長期學習的校正方法。短期學習由于算法簡單、學習速度快而便于實時應用。長期學習是當軟測量儀表在線運行一段時間積累了足夠的新樣本模式后，重新建立軟測量模型。
二、軟測量建模的方法
軟測量的核心問題是其模型的建立，也即建立待估計變量與其它直接測量變量間的關聯模型。軟測量建模的方法多種多樣，且各種方法互有交叉，且有相互融合的趨勢，因此很難有妥當而全面的分類方法。目前，軟測量建模方法一般可分為:機理建模、回歸分析、狀態估計、模式識別、人工神經網絡、模糊數學、基于支持向量機(SVM)和核函數的方法、過程層析成像、相關分析和現代非線性系統信息處理技術等。這些方法都不同程度地應用于軟測量實踐中，均具有各自的優缺點及適用范圍，有些方法在軟測量實踐中己有許多成功的應用，后面幾種建模方法限于技術發展水平，目前在過程控制中還應用較少。
2.1基于工藝機理分析的軟測量建模
基于工藝機理分析的軟測量建模主要是運用化學反應動力學、物料平衡、能量平衡等原埋，通過對過程對象的機理分析，找出不可測主導變量與可測輔助變量之間的關系(建立機理模型)，從而實現對某一參數的軟測量。對于工藝機理較為清楚的工藝過程，該方法能構造出性能良好的軟儀表。但是對于機理研究不充分、尚不完全清楚的復雜工業過程，難以建立合適帆機理模型。此時該方法就需要與其它參數估計方法相結合才能構造軟儀表。這種軟測量建模方法是工程中常用的方法，其特點是簡單、工程背景清晰，便于實際\"應用，但應用效果依賴于對工藝機理的了解程度，因為這種軟測量方法是建立在對工藝過程機理深刻認識的基礎上，建模的難度較大。
2.2基于回歸分析的軟測量建模
經典的回歸分析是一種建模的基本方法，應用范圍相當廣泛。以最小二乘法原理為基礎的一元和多元線性回歸技術目前已相當成熟，常用于線性模型的擬合。對于輔助變量較少的情況，一般采用多元線性回歸中的逐步回歸技術以獲得較好的軟測量模型。對于輔助變量較多的情況，通常要借助機理分析，首先獲得模型各變量組合的大致框架，然后再采用逐步回歸方法獲得軟測量模型。為簡化模型，也可采用主元回歸分析法PCR(Principalcomponentregression)和部分最小二乘回歸法PLSR(principalcomponentregression)等方法。基于回歸分析的軟測量建模方法簡單實用，但需要足夠有效的樣本數據，對測量誤差較為敏感且模型物理量概念不明了。
2.3基于狀態估計的軟測量建模
如果系統主導變量作為系統的狀態變量是完全可觀的，那么軟測量建模問題就轉化為典型的狀態觀測和狀態估計問題。基于狀態估計的軟儀表由于可以反映主導變量和輔助變量之間的動態關系，因此，有利于處理各變量間動態特性的差異和系統滯后等情況。這種軟測量建模方法的缺點在于對復雜的工業過程，常常難以建立系統的狀態空間模型，這在一定程度上限制了該方法的應用。同時在許多工業生產過程中，常常會出現持續緩慢變化的不可測的擾動，在這種情況下采用這種建模方法可能會帶來顯著的誤差。
2.4基于模式識別的軟測量建模
這種軟測量建模方法是采用模式識別的方法對工業過程的操作數據進行處理，從中提取系統的特征，構成以模式描述分類為基礎的模式識別模型，如空間超盒等。基于模式識別方法建立的軟測量模型與傳統的數學模型不同，它是一種以系統的輸入/輸出數據為基礎，通過對系統特征提取而構成的模式描述模型。該方法的優勢在于它適用于缺乏系統先驗知識的場合，可利用日常操作數據來實現軟測量建模。在實際應用中，這種軟測量建模方法常常和人工神經網絡以及模糊技術等技術結合在一起使用。中國糧油儀器網 http://www.pc256.com/
