先进控制技术及应用

二、软测量技术
由于在线分析仪表（传感器）不仅价格昂贵，维护保养复杂，而且由于分析仪表滞后大，最终将导致控制质量的性能下降，难以满足生产要求。还有部分产品质量目前无法测量，这在工业生产中实例很多，例如精（分）馏塔产品成分；塔板效率；干点、闪点；反应器中反应物浓度、转化率、催化剂活性；高炉铁水中的含硅量；生物发酵罐中的生物量参数等。近年来，为了解决这类变量的测量问题，各方面在深入研究，目前应用较广泛的是软测量方法。

软测量的基本思想是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），选择另外一些容易测量的变量（或称之为辅助变量），通过构成某种数学关系来推断和估计，以软件来代替硬件（传感器）功能。这类方法具有响应迅速，连续给出主导变量信息，且具有投资低、维护保养简单等优点。

近年来，国内外对软测量技术进行了大量研究。著名国际过程控制专家McaVoy教授将软测量技术列为未来控制领域需要研究的几大方向之一，具有广阔的应用前景。

软测量技术主要内容有：机理分析与辅助变量选择，数据采集和预处理，软测量模型建立，在线校正，实施及评价。

（一）软测量建模方法
软测量的核心问题是其模型的建立，也即建立待估计变量与其他直接测量变量间的关联模型。软测量建模的方法多种多样，且各种方法互有交叉，且有相互融合的趋势，因此很难有妥当而全面的分类方法。目前，软测量建模方法一般可分为：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（SVMs）和核函数的方法、过程层析成像、相关分析和现代非线性系统信息处理技术等。这些方法都不同程度地应用于软测量实践中，均具有各自的优缺点及适用范围，有些方法在软测量实践中己有许多成功的应用，后面几种建模方法限于技术发展水平，在过程控制中目前还应用较少。

1．基于工艺机理分析的软测量建模
基于工艺机理分析的软测量建模主要是运用化学反应动力学、物料平衡、能量平衡等原理，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），从而实现对某一参数的软测量。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，难以建立合适的机理模型。
2．基于回归分析的软测量建模
经典的回归分析是一种建模的基本方法，应用范围相当广泛。以最小二乘法原理为基础的回归技术目前已相当成熟，常用于线性模型的拟合。对于辅助变量较多的情况，通常要借助机理分析，首先获得模型各变量组合的大致框架，然后再采用逐步回归方法获得软测量模型。为简化模型，也可采用主元回归分析法（Principal Component Regression，PCR）和部分最小二乘回归法（Partial-Least-Squares Regression，PLSR）等方法。基于回归分析的软测量建模方法简单实用，但需要足够有效的样本数据，对测量误差较为敏感。

3．基于人工神经网络的软测量建模
基于人工神经网络（Artificial Neural Network，ANN）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泛的一种软测量建模方法。能适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。采用人工神经网络进行软测量建模有两种形式：一种是利用人工神经网络直接建模，用神经网络来代替常规的数学模型描述辅助变量和主导变量间的关系，完成由可测信息空间到主导变量的映射；另一种是与常规模型相结合，用神经网络来估计常规模型的模型参数，进而实现软测量。

4．基于模式识别的软测量建模
这种软测量建模方法是采用模式识别的方法对工业过程的操作数据进行处理，从中提取系统的特征，构成以模式描述分类为基础的模式识别模型。基于模式识别方法建立的软测量模型与传统的数学模型不同，它是一种以系统的输入、输出数据为基础，通过对系统特征提取而构成的模式描述模型。该方法的优势在于它适用于缺乏系统先验知识的场合，可利用日常操作数据来实现软测量建模。在实际应用中，这种软测量建模方法常常和人工神经网络以及模糊技术等技术结合在一起使用。

5．基于模糊数学的软测量建模
模糊数学模仿人脑逻辑思维特点，是处理复杂系统的一种有效手段，在过程软测量建模中也得到了应用。基于模糊数学软测量模型是一种知识性模型。该法特别适合应用于复杂工业过程中被测对象呈现亦此亦彼的不确定性，难以用常规数学定量描述的场合。实际应用中常将模糊技术和其他人工智能技术相结合，例如模糊数学和人工神经网络相结合构成模糊神经网络，将模糊数学和模式识别相结合构成模糊模式识别，这样可互相取长补短以提高软仪表的效能。