2.软测量技术在石油化工中的应用

软测量概述

软测量的基本思想是把自动控制理论与生产工艺过程知识有机的结合起来，应用计算机技术，对于一些难于测量或者暂时不能测量的重要变量（称之为主导变量），选择另外的一些容易测量的变量（称之为辅助变量或二次变量），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，且投资低，维护保养简单等优点。

本文总结的重点是软测量的方法和工业应用，将软测量技术应用与催化裂化装置，加氢裂化装置，常减压装置，延迟焦化装置，乙烯裂解炉，精馏塔和反应器等工业过程

软测量的结构

软测量技术的核心是建立工业对象的数学模型，初始的软测量模型是通过对过程变量的历史数据进行辨识出来的，而现场测量的数据中可能存在各种误差，所以需要经过数据变换个数据校正等预处理，过滤掉其中的噪声信号，这样有助于提高辨识出来的模型的准确性。这些过程变量就是软测量的输入，软测量的输出就是对测量对象的实施估计值。而模型的结构不是一成不变的，是随着工况和草最点可能发生改变，需要对它进行在线或者离线修正。

影响软测量性能的因素

辅助变量的选择

辅助变量决定了软测量的暑促信息矩阵，决定了软测量模型的结构和输出。辅助变量的选择包含了变量类型，变量数量和检测点位置的选择

1. 变量类型的选择可以根据以下原则选择辅助变量

• 灵敏性：能对过程输出或不可测扰动作出快速反应；
• 特异性：对过程输出或不可测扰动之外的干扰不敏感；
• 过程适用性：工程上易于获得并能达到一定的测量精度；
• 精确性：构成的软测量估计器满足精度要求；
• 鲁棒性：构成的软测量估计器对模型误差不敏感

2. 变量数目的选择
   辅助变量可选数目的下限是被估计的变量数，而最佳数目则与过程的自由度，测量噪声以及模型的不确定性有关。Brosillow根据投影误差最小和过程增量矩阵的条件数最小的原则，认为辅助变量过多会增加估计器对模型误差的灵敏度，但如果模型结构合理辅助变量的增加则有助于克服模型对噪声的影响。

3. 检测点位置的选择（有待理解）
   检测点位置的选择方案十分灵活，最佳测量位置主要由过程的动态特性决定，装置实际情况不同，最佳测量点也会有所不同,根据已有过程变量选择最合理的监测点。

数据预处理

测量数据都不可避免含有误差，甚至严重的显著错误，如果将这些数据直接用于软测量，不但得不到正确的主导变量估计值，还可能误导操作，引起生产波动，导致系统整体性能下降，甚至整个生产过程失败。因此对原始工业数据进行预处理（数据校正和数据交换）以得到精确可靠的数据是软测量成败的关键，具有十分重要的意义。

1. 数据校正

• 随机误差的处理
• 显著误差的处理

2. 数据变换
   数据变换包括标度，转换，权函数三个方面。

• 标度：工业过程中出现的工程单位不同和数值上相差几个数量级的测量数据，利用合适的因子进行标度，不致因为机器字长而丢失有用的信息引发算法的不稳定。
• 转换：转换包括直接转换和寻找新变量代替原变量两方面，通过转换可有效地降低原对象的非线性特性。
• 权函数：权函数可实现对变量动态特性的补偿，使稳态模型实现对过程的动态估计成为可能。

软测量模型

软测量模型是软测量技术的核心，它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取主导变量的最佳估计。

机理方法

机理模型通常由代数方程组或微分方程组组成，通过对工业对象的物理化学过程清晰的认识后，列写平衡方程（如物料平衡，能量平衡，动量平衡，相平衡等），动力学方程，物性参数方程个设备特性方程等，确定辅助变量与主导变量之间的数学关系。

机理建模的应用受到模型准确程度的影响，而且由于要求解方程，计算量大，收敛慢，难以满足在线实时估计的要求。计算时间和精度之间的矛盾制约了机理建模的应用。由于化工过程存在严重的非线性和不确定性，难以单独采用机理方法，但可以用机理方法确定经验模型再配合经验方法确定具体的参数。这种方法目前应用最为广泛。

经验方法

由测量数据直接求取模型的方法称为系统辨识；根据既定模型由测量数据来确定参数的方法称为参数预估。

• 基于自适应推理模型方法
• 基于回归分析方法
• 基于人工智能分防范

软测量模型的在线校正

软测量在线校正必须注意的问题是过程测量数据与质量分析数据在时序上的匹配。对于配备在线成分分析仪的装置，系统主导变量的真可以连续得到（时间上存在一定的滞后），在校正时只需要相应的顺延相同的时间即可；对于主导变量真值依靠人工化验的情况，应特别注意保持两者时间上的对应关系，否则在线校正不但达不到目的，反而可能引起软测量精度的下降，甚至完全失败。

软测量建模方法研究——回归分析

回归分析是一种最常用的经验建模方法，为寻找多个变量之间的函数关系或者相关关系提供了有效的手段。经典回归分析方法是最小二乘法（LS），为了皮面矩阵求逆运算可以采用递推最小二乘法（RLS），为了防止数据饱和还可以采用带遗忘因子的最小二乘法。在最小二乘法的基础上又提出了很多改进算法。近年流行的方法是主元分析（PCA）和主元回归（PCR）以及部分最小二乘法（PLS）。主元回归可以解决共线性问题，部分最小二乘法同时考虑了输入输出数据集。

多元线性和逐步回归

多元线性回归（MLR）

多元线性回归基于最小二乘法。假设由因变量y和m个自变量\(x_1,x_2,\ldots,x_m\)，MLR的目标是建立一个从m个不相关变量\(x_i\)到估计量\(\widetilde{y}\)的线性映射

MLR问题是否有解取决于\((X^TX)^-1\)是否存在。当X中存在线性相关的变量时，X为病态矩阵，此时不能采用LS方法，只能采用PCR或PLS算法，多元线性回归问题可以转化为多元线性问题来解决

多元逐步回归（MSR）

主元分析和主元回归（PCA,PCR)

部分最小二乘法（PLS）

未完。。。
待续。。。