軟測量方法原理及實際應用

1、編輯課件軟測量方法原理及實際應用實例軟測量方法原理及實際應用實例 專業(yè)：材料加工工程專業(yè)：材料加工工程編輯課件 主要內(nèi)容：主要內(nèi)容：v1 軟測量介紹軟測量介紹 v2 軟測量技術的數(shù)學描述和結構軟測量技術的數(shù)學描述和結構v3 軟測量建模方法軟測量建模方法v4 影響軟測量性能的因素影響軟測量性能的因素v5 基于參數(shù)辨識的軟測量方法的實際應用基于參數(shù)辨識的軟測量方法的實際應用編輯課件1 軟測量介紹軟測量介紹1.1 軟測量技術軟測量技術v軟測量技術是一門有著廣闊發(fā)展前景的新興工業(yè)技軟測量技術是一門有著廣闊發(fā)展前景的新興工業(yè)技術，已成為過程檢測技術與儀表研究的主要方向之術，已成為過程檢測技術與儀表研究的

2、主要方向之一。一。v軟測量是在成熟的硬件傳感器基礎上，以計算機技軟測量是在成熟的硬件傳感器基礎上，以計算機技術為核心，通過軟測量模型運算處理完成的。術為核心，通過軟測量模型運算處理完成的。v軟測量技術主要由輔助變量的選擇、數(shù)據(jù)采集和處軟測量技術主要由輔助變量的選擇、數(shù)據(jù)采集和處理、軟測量模型及在線校正理、軟測量模型及在線校正 四個部分組成四個部分組成.編輯課件1.2 軟測量技術的提出軟測量技術的提出v在實際生產(chǎn)過程中，存在著許多因為技術或經(jīng)濟原因無法通在實際生產(chǎn)過程中，存在著許多因為技術或經(jīng)濟原因無法通過傳感器進行直接測量的過程變量過傳感器進行直接測量的過程變量, ,如精餾塔的產(chǎn)品組分濃如精餾

3、塔的產(chǎn)品組分濃度度. .v傳統(tǒng)的解決方法有兩種：一是采用間接的質(zhì)量指標控制，如傳統(tǒng)的解決方法有兩種：一是采用間接的質(zhì)量指標控制，如精餾塔靈敏板溫度控制、溫差控制等，存在的問題是難以保精餾塔靈敏板溫度控制、溫差控制等，存在的問題是難以保證最終質(zhì)量指標的控制精度；二是采用在線分析儀表控制，證最終質(zhì)量指標的控制精度；二是采用在線分析儀表控制，但設備投資大、維護成本高、存在較大的滯后性，影響調(diào)節(jié)但設備投資大、維護成本高、存在較大的滯后性，影響調(diào)節(jié)效果效果v軟測量技術應運而生軟測量技術應運而生編輯課件1.3 軟測量技術的概念與思想軟測量技術的概念與思想v軟測量技術軟測量技術也稱為也稱為軟儀表技術軟儀表技

4、術，就是利用易測過程變量（稱，就是利用易測過程變量（稱為輔助變量或二次變量），依據(jù)這些易測過程變量與難以直為輔助變量或二次變量），依據(jù)這些易測過程變量與難以直接測量的待測過程變量（稱為主導變量）之間的數(shù)學關系接測量的待測過程變量（稱為主導變量）之間的數(shù)學關系（軟測量模型），通過各種數(shù)學計算和估計方法，從而實現(xiàn)（軟測量模型），通過各種數(shù)學計算和估計方法，從而實現(xiàn)對待測過程變量的測量對待測過程變量的測量 v軟測量軟測量的的基本思想基本思想是把自動控制理論與生產(chǎn)工藝過程知識有是把自動控制理論與生產(chǎn)工藝過程知識有機結合起來，應用計算機技術，對于一些難于測量或暫時不機結合起來，應用計算機技術，對于一些難

5、于測量或暫時不能測量的重要變量（主導變量），選擇另外一些容易測量的能測量的重要變量（主導變量），選擇另外一些容易測量的變量（輔助變量），通過構成某種數(shù)學關系來推斷和估計，變量（輔助變量），通過構成某種數(shù)學關系來推斷和估計，以軟件來代替硬件功能以軟件來代替硬件功能編輯課件1.4 軟測量的意義與適用條件軟測量的意義與適用條件v軟測量的意義軟測量的意義：1.1.能夠測量目前由于技術或經(jīng)濟的原能夠測量目前由于技術或經(jīng)濟的原因無法或難以用傳感器直接檢測的重要的過程參數(shù)因無法或難以用傳感器直接檢測的重要的過程參數(shù),2.,2.有助有助于提高控制性能于提高控制性能v軟測量的適用條件：軟測量的適用條件：1.1.

6、無法直接檢測被估計變量，或無法直接檢測被估計變量，或直接檢測被估計變量的自動化儀器儀表較貴或維護困難；直接檢測被估計變量的自動化儀器儀表較貴或維護困難；2.2.通過軟測量技術所得到的過程變量的估計值必須在工藝過程通過軟測量技術所得到的過程變量的估計值必須在工藝過程所允許的精確度范圍內(nèi)；所允許的精確度范圍內(nèi)；3.3.能通過其他檢測手段根據(jù)過程變能通過其他檢測手段根據(jù)過程變量估計值對系統(tǒng)數(shù)學模型進行校驗；量估計值對系統(tǒng)數(shù)學模型進行校驗；4.4.被估計過程變量具有被估計過程變量具有靈敏性、精確性、魯棒性等特點靈敏性、精確性、魯棒性等特點 編輯課件2 軟測量技術的數(shù)學描述和結構軟測量技術的數(shù)學描述和結

7、構v軟測量的數(shù)學描述：軟測量的數(shù)學描述： 軟測量的目的就是利用所有可以獲得的信息求取主導變量軟測量的目的就是利用所有可以獲得的信息求取主導變量的最佳估計值，即構造從可測信息集的最佳估計值，即構造從可測信息集到到 的映射，其中可測的映射，其中可測信息集信息集包括所有的可測主導變量包括所有的可測主導變量y y 和和輔助變量輔助變量 、控制變量、控制變量u u 和可測擾動和可測擾動d d ： = (d ,u ,(d ,u ,) ) 主導變量 輔助變量 干擾 控制變量 編輯課件 v 軟測量的結構：軟測量的結構：編輯課件3 軟測量建模方法的分類軟測量建模方法的分類v目前主要軟測量建模的方法目前主要軟測量

8、建模的方法: 機理建模、回歸分析、狀態(tài)估計、模式識別、機理建模、回歸分析、狀態(tài)估計、模式識別、人工神經(jīng)網(wǎng)絡、模糊數(shù)學、基于支持向量機人工神經(jīng)網(wǎng)絡、模糊數(shù)學、基于支持向量機(SVM)方法、過程層析成像、相關分析和方法、過程層析成像、相關分析和現(xiàn)代優(yōu)化算法現(xiàn)代優(yōu)化算法等等多種建模方法。多種建模方法。編輯課件 v基于工藝機理分析的軟測量方法：基于工藝機理分析的軟測量方法： 主要是運用物料平衡、主要是運用物料平衡、 能量平衡、化學反應動力學等能量平衡、化學反應動力學等原理，通過對過程對象的機理分析，找出不可測主導變量與原理，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

9、模型），從而實現(xiàn)對某可測輔助變量之間的關系（建立機理模型），從而實現(xiàn)對某一參數(shù)的軟測量。一參數(shù)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(yè)過程，則難以建立合適的機理模型。的復雜工業(yè)過程，則難以建立合適的機理模型。編輯課件 v基于回歸分析的軟測量方法：基于回歸分析的軟測量方法： 通過實驗或仿真結果的數(shù)據(jù)處理，可以得到回歸模型通過實驗或仿真結果的數(shù)據(jù)處理，可以得到回歸模型 經(jīng)典的回歸分析是一種建模的基本方法，應用范圍相當經(jīng)

10、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回歸技術目前已相當成熟，廣泛。以最小二乘法原理為基礎的回歸技術目前已相當成熟，常用于線性模型的擬合。對于輔助變量較多的情況，通常要常用于線性模型的擬合。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和部分最小二乘回歸法等方法。用主元回歸分析法和部分最小二乘回歸法等方法。 基于回歸分析的軟測量建模方法簡單實用，但需要

11、足夠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(shù)據(jù)，對測量誤差較為敏感。有效的樣本數(shù)據(jù)，對測量誤差較為敏感。編輯課件 v基于狀態(tài)估計的軟測量方法：基于狀態(tài)估計的軟測量方法： 基于某種算法和規(guī)律，基于某種算法和規(guī)律， 從已知的知識或數(shù)據(jù)出發(fā)，估從已知的知識或數(shù)據(jù)出發(fā)，估計出過程未知結構和結構參數(shù)、計出過程未知結構和結構參數(shù)、 過程參數(shù)。對于數(shù)學模型過程參數(shù)。對于數(shù)學模型已知的過程或?qū)ο螅谶B續(xù)時間過程中，從某一時刻的已知已知的過程或?qū)ο?，在連續(xù)時間過程中，從某一時刻的已知狀態(tài)狀態(tài)y(k)估計出該時刻或下一時刻的未知狀態(tài)估計出該時刻或下一時刻的未知狀態(tài)x(k)的過程就的過程就是狀態(tài)

12、估計。如果系統(tǒng)的主導變量作為系統(tǒng)的狀態(tài)變量關于是狀態(tài)估計。如果系統(tǒng)的主導變量作為系統(tǒng)的狀態(tài)變量關于輔助變量是完全可觀的，那么軟測量問題就轉化為典型的狀輔助變量是完全可觀的，那么軟測量問題就轉化為典型的狀態(tài)觀測和狀態(tài)估計問題。態(tài)觀測和狀態(tài)估計問題。 采用采用Kalman濾波器和濾波器和Luenberger觀測器是解決問題的觀測器是解決問題的有效方法。前者適用于白色或靜態(tài)有色噪聲的過程，而后者有效方法。前者適用于白色或靜態(tài)有色噪聲的過程，而后者則適用于觀測值無噪聲且所有過程輸入均已知的情況。則適用于觀測值無噪聲且所有過程輸入均已知的情況。編輯課件 v基于知識的軟測量方法基于知識的軟測量方法： 基于

13、基于人工神經(jīng)網(wǎng)絡人工神經(jīng)網(wǎng)絡的軟測量建模方法是近年來研究最多、的軟測量建模方法是近年來研究最多、發(fā)展很快和應用范圍很廣的一種軟測量建模方法。由于能適發(fā)展很快和應用范圍很廣的一種軟測量建模方法。由于能適用于高度非線性和嚴重不確定性系統(tǒng)，因此它為解決復雜系用于高度非線性和嚴重不確定性系統(tǒng)，因此它為解決復雜系統(tǒng)過程參數(shù)的軟測量問題提供了一條有效途徑。統(tǒng)過程參數(shù)的軟測量問題提供了一條有效途徑。 基于基于模糊數(shù)學模糊數(shù)學的軟測量模型也是一種知識性模型。該方的軟測量模型也是一種知識性模型。該方法特別適合應用于復雜工業(yè)過程中被測對象呈現(xiàn)亦此亦彼的法特別適合應用于復雜工業(yè)過程中被測對象呈現(xiàn)亦此亦彼的不確定性，

14、且難以用常規(guī)數(shù)學定量描述的場合。實際應用中不確定性，且難以用常規(guī)數(shù)學定量描述的場合。實際應用中常將模糊技術和其他人工智能技術相結合，例如將模糊數(shù)學常將模糊技術和其他人工智能技術相結合，例如將模糊數(shù)學和人工神經(jīng)網(wǎng)絡相結合構成模糊神經(jīng)網(wǎng)絡，將模糊數(shù)學和模和人工神經(jīng)網(wǎng)絡相結合構成模糊神經(jīng)網(wǎng)絡，將模糊數(shù)學和模式識別相結合構成模糊模式識別，這樣可互相取長補短，以式識別相結合構成模糊模式識別，這樣可互相取長補短，以提高軟儀表的效能。提高軟儀表的效能。編輯課件 v基于知識的軟測量方法：基于知識的軟測量方法： 基于基于模式識別模式識別的軟測量方法是采用模式識別的方法對工的軟測量方法是采用模式識別的方法對工業(yè)過

15、程的操作數(shù)據(jù)進行處理，從中提取系統(tǒng)的特征，構成以業(yè)過程的操作數(shù)據(jù)進行處理，從中提取系統(tǒng)的特征，構成以模式描述分類為基礎的模式識別模型?；谀Ｊ阶R別方法建模式描述分類為基礎的模式識別模型。基于模式識別方法建立的軟測量模型與傳統(tǒng)的數(shù)學模型不同，它是一種以系統(tǒng)的立的軟測量模型與傳統(tǒng)的數(shù)學模型不同，它是一種以系統(tǒng)的輸入、輸出數(shù)據(jù)為基礎，通過對系統(tǒng)特征提取而構成的模式輸入、輸出數(shù)據(jù)為基礎，通過對系統(tǒng)特征提取而構成的模式描述模型。該方法的優(yōu)勢在于它適用于缺乏系統(tǒng)先驗知識的描述模型。該方法的優(yōu)勢在于它適用于缺乏系統(tǒng)先驗知識的場合，可利用日常操作數(shù)據(jù)來實現(xiàn)軟測量建模。在實際應用場合，可利用日常操作數(shù)據(jù)來實現(xiàn)軟

16、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(jīng)網(wǎng)絡以及模糊技術中，這種軟測量建模方法常常和人工神經(jīng)網(wǎng)絡以及模糊技術等結合在一起使用。等結合在一起使用。 基于基于現(xiàn)代優(yōu)化算法現(xiàn)代優(yōu)化算法的軟測量是利用易測過程信息（輔助變的軟測量是利用易測過程信息（輔助變量，它通常是一種隨機信號），采用先進的信息優(yōu)化處理技量，它通常是一種隨機信號），采用先進的信息優(yōu)化處理技術，通過對所獲信息的分析處理提取信號特征量，從而實現(xiàn)術，通過對所獲信息的分析處理提取信號特征量，從而實現(xiàn)某一參數(shù)的在線檢測或過程的狀態(tài)識別。某一參數(shù)的在線檢測或過程的狀態(tài)識別。編輯課件 v基于基于回歸支持向量機回歸支持向量機的方法的方

17、法 建立在統(tǒng)計學習理論基礎上的支持向量機建立在統(tǒng)計學習理論基礎上的支持向量機SVM (support vector machine)已成為當前機器學習領域的一個研究熱點。已成為當前機器學習領域的一個研究熱點。支持向量機采用結構風險最小化準則，在有限樣本情況下，支持向量機采用結構風險最小化準則，在有限樣本情況下，得到現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無窮大時的得到現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無窮大時的最優(yōu)值，解決了一般學習方法難以解決的問題。最優(yōu)值，解決了一般學習方法難以解決的問題。 SVM的方法最早是針對模式識別問題提出的，推廣應用到非的方法最早是針對模式識別問題提出的，推廣應用

18、到非線性回歸估計中，得到了用于回歸估計的標準線性回歸估計中，得到了用于回歸估計的標準SVM方法，稱方法，稱之為回歸支持向量機之為回歸支持向量機SVR (support vector regressor）編輯課件 v基于基于過程層析成像過程層析成像的軟測量建模的軟測量建模 基于過程層析成像基于過程層析成像PT( process tomography)的軟測量建模的軟測量建模方法與其它軟測量建模方法不同，它是一種以醫(yī)學層析成像方法與其它軟測量建模方法不同，它是一種以醫(yī)學層析成像CT (computerized tomography)技術為基礎的在線獲取過技術為基礎的在線獲取過程參數(shù)二維或三維的實時

19、分布信息的先進檢測技術，即一般程參數(shù)二維或三維的實時分布信息的先進檢測技術，即一般軟測量技術所獲取的大多是關于某一變量的宏觀信息，而采軟測量技術所獲取的大多是關于某一變量的宏觀信息，而采用該技術可獲取關于該變量微觀的時空分布信息。用該技術可獲取關于該變量微觀的時空分布信息。v基于基于相關分析相關分析的軟測量建模的軟測量建模 基于相關分析的軟測量建模方法是以隨機過程中的相關分析基于相關分析的軟測量建模方法是以隨機過程中的相關分析理論為基礎，利用兩個或多個可測隨機信號間的相關特性來理論為基礎，利用兩個或多個可測隨機信號間的相關特性來實現(xiàn)某一參數(shù)的軟測量建模方法。目前這種方法主要應用于實現(xiàn)某一參數(shù)的

20、軟測量建模方法。目前這種方法主要應用于難測流體難測流體(即采用常規(guī)測量儀表難以進行有效測量的流體即采用常規(guī)測量儀表難以進行有效測量的流體)流流速或流量的在線測量和故障診斷。速或流量的在線測量和故障診斷。編輯課件4 影響軟測量性能的因素影響軟測量性能的因素v輔助變量的選擇輔助變量的選擇v測量數(shù)據(jù)的處理測量數(shù)據(jù)的處理v軟儀表的在線校正軟儀表的在線校正編輯課件4.1 輔助變量的選擇輔助變量的選擇變量的選擇：變量的選擇：v首先，明確軟測量的任務，確定主導變量。首先，明確軟測量的任務，確定主導變量。v 其次，深人了解和熟悉軟測量對象及有關裝置的工其次，深人了解和熟悉軟測量對象及有關裝置的工藝流程，通過機

21、理分析可以初步確定影響主導變量藝流程，通過機理分析可以初步確定影響主導變量的相關變量的相關變量輔助變量。輔助變量。v輔助變量的選擇包括變量類型、變量數(shù)目和檢測點輔助變量的選擇包括變量類型、變量數(shù)目和檢測點位置的選擇。這三個方面互相關聯(lián)、互相影響，由位置的選擇。這三個方面互相關聯(lián)、互相影響，由過程特性所決定的。在實際應用中，還受經(jīng)濟條件、過程特性所決定的。在實際應用中，還受經(jīng)濟條件、維護的難易程度等外部因素制約。維護的難易程度等外部因素制約。v輔助變量選擇的方法往往從間接質(zhì)量指標出發(fā)輔助變量選擇的方法往往從間接質(zhì)量指標出發(fā)編輯課件 v輔助變量的選擇原則：輔助變量的選擇原則： 過程適用性過程適用性

22、：工程上易于在線獲取并有一定的測量精度：工程上易于在線獲取并有一定的測量精度 靈敏性靈敏性：對過程輸出或不可測擾動能做出快速反應：對過程輸出或不可測擾動能做出快速反應 特異性特異性：對過程輸出或不可測擾動之外的干擾不敏感：對過程輸出或不可測擾動之外的干擾不敏感 準確性準確性：構成的軟測量儀表應能夠滿足精度要求：構成的軟測量儀表應能夠滿足精度要求 魯棒性魯棒性：對模型誤差不敏感等：對模型誤差不敏感等編輯課件 v變量數(shù)目的選擇變量數(shù)目的選擇： 從過程機理入手分析，從影響被估計變量的變量中去挑從過程機理入手分析，從影響被估計變量的變量中去挑選主要因素，因為全部引入既不可能也沒必要。選主要因素，因為全

23、部引入既不可能也沒必要。 如果缺乏機理知識，則可用回歸分析的方法找出影響被如果缺乏機理知識，則可用回歸分析的方法找出影響被估計變量的主要因素，這需要大量的觀測數(shù)據(jù)。估計變量的主要因素，這需要大量的觀測數(shù)據(jù)。 受系統(tǒng)自由度的限制，輔助變量的個數(shù)不能小于被估計受系統(tǒng)自由度的限制，輔助變量的個數(shù)不能小于被估計變量的個數(shù)。輔助變量最佳數(shù)目的選擇與過程的自由度、測變量的個數(shù)。輔助變量最佳數(shù)目的選擇與過程的自由度、測量噪聲以及模型的不確定性有關，一般建議從系統(tǒng)的自由度量噪聲以及模型的不確定性有關，一般建議從系統(tǒng)的自由度出發(fā)，先確定輔助變量的最小個數(shù)，再結合實際過程中的特出發(fā)，先確定輔助變量的最小個數(shù)，再結

24、合實際過程中的特點適當增加，以便更好地處理動態(tài)特性的問題。點適當增加，以便更好地處理動態(tài)特性的問題。 編輯課件 v檢測點位置的選擇：檢測點位置的選擇： 對于許多工業(yè)工程，與各輔助變量相對應的檢測點位置的對于許多工業(yè)工程，與各輔助變量相對應的檢測點位置的選擇是相當重要的?？晒┻x擇的檢測點很多，而且每個檢測選擇是相當重要的?？晒┻x擇的檢測點很多，而且每個檢測點所能發(fā)揮的作用各不相同。一般情況下，輔助變量的數(shù)目點所能發(fā)揮的作用各不相同。一般情況下，輔助變量的數(shù)目和位置常常是同時確定的，用于選擇變量數(shù)目的準則往往也和位置常常是同時確定的，用于選擇變量數(shù)目的準則往往也被用于檢測點位置的選擇。被用于檢測點

25、位置的選擇。 檢測點的選擇方法：采用奇異值分解的確定；采用工業(yè)控檢測點的選擇方法：采用奇異值分解的確定；采用工業(yè)控制仿真軟件確定制仿真軟件確定 確定的檢測點往往需要在實際應用中加以調(diào)整確定的檢測點往往需要在實際應用中加以調(diào)整編輯課件4.2 測量數(shù)據(jù)的處理測量數(shù)據(jù)的處理v為了保證軟測量精度，數(shù)據(jù)的正確性和可靠性就十分重要。為了保證軟測量精度，數(shù)據(jù)的正確性和可靠性就十分重要。v采集采集 的的 數(shù)數(shù) 據(jù)必須進行處理，包含兩個方面，即換算據(jù)必須進行處理，包含兩個方面，即換算(sealing)和數(shù)據(jù)誤差處理。和數(shù)據(jù)誤差處理。v數(shù)據(jù)誤差主要分為隨機誤差和過失誤差兩類，前者是隨機因數(shù)據(jù)誤差主要分為隨機誤差和

26、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用濾波的方法來解決;后者包括儀表的系統(tǒng)誤差后者包括儀表的系統(tǒng)誤差(如堵塞、校如堵塞、校正不準等正不準等)以及不完全或不正確的過程模型以及不完全或不正確的過程模型(受泄漏、熱損失受泄漏、熱損失等不確定因素影響等不確定因素影響)。編輯課件4.3 軟測量模型的在線校正軟測量模型的在線校正v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。素，必須考慮模型的在

27、線校正，才能適應新工況。v軟測量模型的在線校正可表示為模型結構和模型參數(shù)的優(yōu)化軟測量模型的在線校正可表示為模型結構和模型參數(shù)的優(yōu)化過程，具體方法有自適應法、增量法和多時標法。過程，具體方法有自適應法、增量法和多時標法。v對模型結構的修正往往需要大量的樣本數(shù)據(jù)和較長的計算時對模型結構的修正往往需要大量的樣本數(shù)據(jù)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。的矛盾，提出了短期學習和長期學習的校正方法。v短期學習由于算法簡單、學習速度快而便于實時應用。長期短期學習由于算法簡單、學習速度

28、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。模式后，重新建立軟測量模型。編輯課件5 基于參數(shù)辨識的軟測量方法的實際應用基于參數(shù)辨識的軟測量方法的實際應用v基本原理基本原理v應用實例應用實例編輯課件 5.1 基本原理基本原理v基于基于辨識的軟測量方法辨識的軟測量方法就是把軟測量轉化為對對象的模就是把軟測量轉化為對對象的模型辨識，把可以獲知的參數(shù)作為輔助變量，在對象模型型辨識，把可以獲知的參數(shù)作為輔助變量，在對象模型結構已知的情況下，把對象模型參數(shù)作為主導變量，對結構已知的情況下，把對象模

29、型參數(shù)作為主導變量，對其進行參數(shù)辨識，辨識結果就是參數(shù)軟測量值。其進行參數(shù)辨識，辨識結果就是參數(shù)軟測量值。v假設過程數(shù)學模型為：假設過程數(shù)學模型為：v對于大多數(shù)過程模型，模型參數(shù)對于大多數(shù)過程模型，模型參數(shù) 不一定有明確的物理意義，但是它們和特定的或難測的不一定有明確的物理意義，但是它們和特定的或難測的物理參數(shù)有著一定的隱含關系，從而為軟測量提供了間物理參數(shù)有著一定的隱含關系，從而為軟測量提供了間接途徑。接途徑。(1)( )(1)()101( )( ).( )( )( ).( )nmnmy ta yta ytb u tbutb ut1201,.,.,nma aa b bb編輯課件系統(tǒng)辨識過程框

30、圖系統(tǒng)辨識過程框圖編輯課件 v設模型參數(shù)和物理參數(shù)的間接關系為：設模型參數(shù)和物理參數(shù)的間接關系為： 辨識獲得模型參數(shù)的估計值辨識獲得模型參數(shù)的估計值 ，求取對應的被測參數(shù)，求取對應的被測參數(shù) 。基本過程如下圖所示：。基本過程如下圖所示：( )g p1( )pg編輯課件 v基于辨識的軟測量過程實際就是在常規(guī)的參數(shù)辨基于辨識的軟測量過程實際就是在常規(guī)的參數(shù)辨識的識的 基礎上，把待辨識模型參數(shù)通過理論模型建基礎上，把待辨識模型參數(shù)通過理論模型建立與已知物理參數(shù)的關系，從而達到間接測量的立與已知物理參數(shù)的關系，從而達到間接測量的目的。目的。v基于辨識的軟測量方法的優(yōu)點：基于辨識的軟測量方法的優(yōu)點： 不

31、需要確切的過程模型不需要確切的過程模型 選擇模型方案多選擇模型方案多 模型辨識可以離線進行模型辨識可以離線進行 模型辨識較為簡單模型辨識較為簡單編輯課件5.2 應用實例應用實例鋁電解生產(chǎn)過程陽極效鋁電解生產(chǎn)過程陽極效應的判定應的判定v問題分析：問題分析：陽極效應是電解法生產(chǎn)過程中的常見現(xiàn)象，陽極效應是電解法生產(chǎn)過程中的常見現(xiàn)象，出現(xiàn)陽極效應是，電解電流效率下降，耗能急劇增大。出現(xiàn)陽極效應是，電解電流效率下降，耗能急劇增大。但多數(shù)情況下，從主要儀表參數(shù)電流和電壓上看，測量但多數(shù)情況下，從主要儀表參數(shù)電流和電壓上看，測量值并無太大變化，因此無法及時檢測陽極效應的發(fā)生。值并無太大變化，因此無法及時檢測陽極效應的發(fā)生。陽極效應的生產(chǎn)并不都能從電壓和電流等常規(guī)參數(shù)反映陽極效應的生產(chǎn)并不都能從電壓和電流等常規(guī)參數(shù)反映出來，但它和電解槽槽電阻及槽電阻變化率有密切關系。出來，但它和電解槽槽電阻及槽電阻變化率有密切關系。如果能建立槽電阻變化的數(shù)學模型，就能利用基于辨識如果能建立槽電阻變化的數(shù)學模型，就能利用基于辨識的軟測量方法檢測陽極效應，即通過對電解模型的參數(shù)的軟測量方法檢測陽極效應，即通過對電解模型的參數(shù)辨識，獲得與陽極效應相關的槽電阻變化率參數(shù)，進而辨識，獲得與陽極效應相關的槽電阻變化率參數(shù)，進而檢測判定是