軟測(cè)量方法原理及實(shí)際應(yīng)用

1、編輯課件軟測(cè)量方法原理及實(shí)際應(yīng)用實(shí)例軟測(cè)量方法原理及實(shí)際應(yīng)用實(shí)例 專(zhuān)業(yè)：材料加工工程專(zhuān)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(cè)量介紹軟測(cè)量介紹 v2 軟測(cè)量技術(shù)的數(shù)學(xué)描述和結(jié)構(gòu)軟測(cè)量技術(shù)的數(shù)學(xué)描述和結(jié)構(gòu)v3 軟測(cè)量建模方法軟測(cè)量建模方法v4 影響軟測(cè)量性能的因素影響軟測(cè)量性能的因素v5 基于參數(shù)辨識(shí)的軟測(cè)量方法的實(shí)際應(yīng)用基于參數(shù)辨識(shí)的軟測(cè)量方法的實(shí)際應(yīng)用編輯課件1 軟測(cè)量介紹軟測(cè)量介紹1.1 軟測(cè)量技術(shù)軟測(cè)量技術(shù)v軟測(cè)量技術(shù)是一門(mén)有著廣闊發(fā)展前景的新興工業(yè)技軟測(cè)量技術(shù)是一門(mén)有著廣闊發(fā)展前景的新興工業(yè)技術(shù)，已成為過(guò)程檢測(cè)技術(shù)與儀表研究的主要方向之術(shù)，已成為過(guò)程檢測(cè)技術(shù)與儀表研究的

2、主要方向之一。一。v軟測(cè)量是在成熟的硬件傳感器基礎(chǔ)上，以計(jì)算機(jī)技軟測(cè)量是在成熟的硬件傳感器基礎(chǔ)上，以計(jì)算機(jī)技術(shù)為核心，通過(guò)軟測(cè)量模型運(yùn)算處理完成的。術(shù)為核心，通過(guò)軟測(cè)量模型運(yùn)算處理完成的。v軟測(cè)量技術(shù)主要由輔助變量的選擇、數(shù)據(jù)采集和處軟測(cè)量技術(shù)主要由輔助變量的選擇、數(shù)據(jù)采集和處理、軟測(cè)量模型及在線校正理、軟測(cè)量模型及在線校正 四個(gè)部分組成四個(gè)部分組成.編輯課件1.2 軟測(cè)量技術(shù)的提出軟測(cè)量技術(shù)的提出v在實(shí)際生產(chǎn)過(guò)程中，存在著許多因?yàn)榧夹g(shù)或經(jīng)濟(jì)原因無(wú)法通在實(shí)際生產(chǎn)過(guò)程中，存在著許多因?yàn)榧夹g(shù)或經(jīng)濟(jì)原因無(wú)法通過(guò)傳感器進(jìn)行直接測(cè)量的過(guò)程變量過(guò)傳感器進(jìn)行直接測(cè)量的過(guò)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(biāo)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(biāo)控制，如精餾塔靈敏板溫度控制、溫差控制等，存在的問(wèn)題是難以保精餾塔靈敏板溫度控制、溫差控制等，存在的問(wèn)題是難以保證最終質(zhì)量指標(biāo)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(biāo)的控制精度；二是采用在線分析儀表控制，但設(shè)備投資大、維護(hù)成本高、存在較大的滯后性，影響調(diào)節(jié)但設(shè)備投資大、維護(hù)成本高、存在較大的滯后性，影響調(diào)節(jié)效果效果v軟測(cè)量技術(shù)應(yīng)運(yùn)而生軟測(cè)量技術(shù)應(yīng)運(yùn)而生編輯課件1.3 軟測(cè)量技術(shù)的概念與思想軟測(cè)量技術(shù)的概念與思想v軟測(cè)量技術(shù)軟測(cè)量技術(shù)也稱(chēng)為也稱(chēng)為軟儀表技術(shù)軟儀表技

4、術(shù)，就是利用易測(cè)過(guò)程變量（稱(chēng)，就是利用易測(cè)過(guò)程變量（稱(chēng)為輔助變量或二次變量），依據(jù)這些易測(cè)過(guò)程變量與難以直為輔助變量或二次變量），依據(jù)這些易測(cè)過(guò)程變量與難以直接測(cè)量的待測(cè)過(guò)程變量（稱(chēng)為主導(dǎo)變量）之間的數(shù)學(xué)關(guān)系接測(cè)量的待測(cè)過(guò)程變量（稱(chēng)為主導(dǎo)變量）之間的數(shù)學(xué)關(guān)系（軟測(cè)量模型），通過(guò)各種數(shù)學(xué)計(jì)算和估計(jì)方法，從而實(shí)現(xiàn)（軟測(cè)量模型），通過(guò)各種數(shù)學(xué)計(jì)算和估計(jì)方法，從而實(shí)現(xiàn)對(duì)待測(cè)過(guò)程變量的測(cè)量對(duì)待測(cè)過(guò)程變量的測(cè)量 v軟測(cè)量軟測(cè)量的的基本思想基本思想是把自動(dòng)控制理論與生產(chǎn)工藝過(guò)程知識(shí)有是把自動(dòng)控制理論與生產(chǎn)工藝過(guò)程知識(shí)有機(jī)結(jié)合起來(lái)，應(yīng)用計(jì)算機(jī)技術(shù)，對(duì)于一些難于測(cè)量或暫時(shí)不機(jī)結(jié)合起來(lái)，應(yīng)用計(jì)算機(jī)技術(shù)，對(duì)于一些難

5、于測(cè)量或暫時(shí)不能測(cè)量的重要變量（主導(dǎo)變量），選擇另外一些容易測(cè)量的能測(cè)量的重要變量（主導(dǎo)變量），選擇另外一些容易測(cè)量的變量（輔助變量），通過(guò)構(gòu)成某種數(shù)學(xué)關(guān)系來(lái)推斷和估計(jì)，變量（輔助變量），通過(guò)構(gòu)成某種數(shù)學(xué)關(guān)系來(lái)推斷和估計(jì)，以軟件來(lái)代替硬件功能以軟件來(lái)代替硬件功能編輯課件1.4 軟測(cè)量的意義與適用條件軟測(cè)量的意義與適用條件v軟測(cè)量的意義軟測(cè)量的意義：1.1.能夠測(cè)量目前由于技術(shù)或經(jīng)濟(jì)的原能夠測(cè)量目前由于技術(shù)或經(jīng)濟(jì)的原因無(wú)法或難以用傳感器直接檢測(cè)的重要的過(guò)程參數(shù)因無(wú)法或難以用傳感器直接檢測(cè)的重要的過(guò)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(cè)量的適用條件：軟測(cè)量的適用條件：1.1.

6、無(wú)法直接檢測(cè)被估計(jì)變量，或無(wú)法直接檢測(cè)被估計(jì)變量，或直接檢測(cè)被估計(jì)變量的自動(dòng)化儀器儀表較貴或維護(hù)困難；直接檢測(cè)被估計(jì)變量的自動(dòng)化儀器儀表較貴或維護(hù)困難；2.2.通過(guò)軟測(cè)量技術(shù)所得到的過(guò)程變量的估計(jì)值必須在工藝過(guò)程通過(guò)軟測(cè)量技術(shù)所得到的過(guò)程變量的估計(jì)值必須在工藝過(guò)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(guò)其他檢測(cè)手段根據(jù)過(guò)程變能通過(guò)其他檢測(cè)手段根據(jù)過(guò)程變量估計(jì)值對(duì)系統(tǒng)數(shù)學(xué)模型進(jìn)行校驗(yàn)；量估計(jì)值對(duì)系統(tǒng)數(shù)學(xué)模型進(jìn)行校驗(yàn)；4.4.被估計(jì)過(guò)程變量具有被估計(jì)過(guò)程變量具有靈敏性、精確性、魯棒性等特點(diǎn)靈敏性、精確性、魯棒性等特點(diǎn) 編輯課件2 軟測(cè)量技術(shù)的數(shù)學(xué)描述和結(jié)構(gòu)軟測(cè)量技術(shù)的數(shù)學(xué)描述和結(jié)

7、構(gòu)v軟測(cè)量的數(shù)學(xué)描述：軟測(cè)量的數(shù)學(xué)描述： 軟測(cè)量的目的就是利用所有可以獲得的信息求取主導(dǎo)變量軟測(cè)量的目的就是利用所有可以獲得的信息求取主導(dǎo)變量的最佳估計(jì)值，即構(gòu)造從可測(cè)信息集的最佳估計(jì)值，即構(gòu)造從可測(cè)信息集到到 的映射，其中可測(cè)的映射，其中可測(cè)信息集信息集包括所有的可測(cè)主導(dǎo)變量包括所有的可測(cè)主導(dǎo)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(cè)擾動(dòng)和可測(cè)擾動(dòng)d d ： = (d ,u ,(d ,u ,) ) 主導(dǎo)變量 輔助變量 干擾 控制變量 編輯課件 v 軟測(cè)量的結(jié)構(gòu)：軟測(cè)量的結(jié)構(gòu)：編輯課件3 軟測(cè)量建模方法的分類(lèi)軟測(cè)量建模方法的分類(lèi)v目前主要軟測(cè)量建模的方法目前主要軟測(cè)量

8、建模的方法: 機(jī)理建模、回歸分析、狀態(tài)估計(jì)、模式識(shí)別、機(jī)理建模、回歸分析、狀態(tài)估計(jì)、模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、基于支持向量機(jī)人工神經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、基于支持向量機(jī)(SVM)方法、過(guò)程層析成像、相關(guān)分析和方法、過(guò)程層析成像、相關(guān)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(jī)理分析的軟測(cè)量方法：基于工藝機(jī)理分析的軟測(cè)量方法： 主要是運(yùn)用物料平衡、主要是運(yùn)用物料平衡、 能量平衡、化學(xué)反應(yīng)動(dòng)力學(xué)等能量平衡、化學(xué)反應(yīng)動(dòng)力學(xué)等原理，通過(guò)對(duì)過(guò)程對(duì)象的機(jī)理分析，找出不可測(cè)主導(dǎo)變量與原理，通過(guò)對(duì)過(guò)程對(duì)象的機(jī)理分析，找出不可測(cè)主導(dǎo)變量與可測(cè)輔助變量之間的關(guān)系（建立機(jī)理

9、模型），從而實(shí)現(xiàn)對(duì)某可測(cè)輔助變量之間的關(guān)系（建立機(jī)理模型），從而實(shí)現(xiàn)對(duì)某一參數(shù)的軟測(cè)量。一參數(shù)的軟測(cè)量。 對(duì)于工藝機(jī)理較為清楚的工藝過(guò)程，該方法能構(gòu)造出性對(duì)于工藝機(jī)理較為清楚的工藝過(guò)程，該方法能構(gòu)造出性能良好的軟儀表；但是對(duì)于機(jī)理研究不充分、尚不完全清楚能良好的軟儀表；但是對(duì)于機(jī)理研究不充分、尚不完全清楚的復(fù)雜工業(yè)過(guò)程，則難以建立合適的機(jī)理模型。的復(fù)雜工業(yè)過(guò)程，則難以建立合適的機(jī)理模型。編輯課件 v基于回歸分析的軟測(cè)量方法：基于回歸分析的軟測(cè)量方法： 通過(guò)實(shí)驗(yàn)或仿真結(jié)果的數(shù)據(jù)處理，可以得到回歸模型通過(guò)實(shí)驗(yàn)或仿真結(jié)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(yīng)用范圍相當(dāng)經(jīng)

10、典的回歸分析是一種建模的基本方法，應(yīng)用范圍相當(dāng)廣泛。以最小二乘法原理為基礎(chǔ)的回歸技術(shù)目前已相當(dāng)成熟，廣泛。以最小二乘法原理為基礎(chǔ)的回歸技術(shù)目前已相當(dāng)成熟，常用于線性模型的擬合。對(duì)于輔助變量較多的情況，通常要常用于線性模型的擬合。對(duì)于輔助變量較多的情況，通常要借助機(jī)理分析，首先獲得模型各變量組合的大致框架，然后借助機(jī)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(cè)量模型。為簡(jiǎn)化模型，也可采再采用逐步回歸方法獲得軟測(cè)量模型。為簡(jiǎn)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(cè)量建模方法簡(jiǎn)單實(shí)用，但需要

11、足夠基于回歸分析的軟測(cè)量建模方法簡(jiǎn)單實(shí)用，但需要足夠有效的樣本數(shù)據(jù)，對(duì)測(cè)量誤差較為敏感。有效的樣本數(shù)據(jù)，對(duì)測(cè)量誤差較為敏感。編輯課件 v基于狀態(tài)估計(jì)的軟測(cè)量方法：基于狀態(tài)估計(jì)的軟測(cè)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(shí)或數(shù)據(jù)出發(fā)，估從已知的知識(shí)或數(shù)據(jù)出發(fā)，估計(jì)出過(guò)程未知結(jié)構(gòu)和結(jié)構(gòu)參數(shù)、計(jì)出過(guò)程未知結(jié)構(gòu)和結(jié)構(gòu)參數(shù)、 過(guò)程參數(shù)。對(duì)于數(shù)學(xué)模型過(guò)程參數(shù)。對(duì)于數(shù)學(xué)模型已知的過(guò)程或?qū)ο?，在連續(xù)時(shí)間過(guò)程中，從某一時(shí)刻的已知已知的過(guò)程或?qū)ο?，在連續(xù)時(shí)間過(guò)程中，從某一時(shí)刻的已知狀態(tài)狀態(tài)y(k)估計(jì)出該時(shí)刻或下一時(shí)刻的未知狀態(tài)估計(jì)出該時(shí)刻或下一時(shí)刻的未知狀態(tài)x(k)的過(guò)程就的過(guò)程就是狀態(tài)

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

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

14、且難以用常規(guī)數(shù)學(xué)定量描述的場(chǎng)合。實(shí)際應(yīng)用中不確定性，且難以用常規(guī)數(shù)學(xué)定量描述的場(chǎng)合。實(shí)際應(yīng)用中常將模糊技術(shù)和其他人工智能技術(shù)相結(jié)合，例如將模糊數(shù)學(xué)常將模糊技術(shù)和其他人工智能技術(shù)相結(jié)合，例如將模糊數(shù)學(xué)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)，將模糊數(shù)學(xué)和模和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)，將模糊數(shù)學(xué)和模式識(shí)別相結(jié)合構(gòu)成模糊模式識(shí)別，這樣可互相取長(zhǎng)補(bǔ)短，以式識(shí)別相結(jié)合構(gòu)成模糊模式識(shí)別，這樣可互相取長(zhǎng)補(bǔ)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(shí)的軟測(cè)量方法：基于知識(shí)的軟測(cè)量方法： 基于基于模式識(shí)別模式識(shí)別的軟測(cè)量方法是采用模式識(shí)別的方法對(duì)工的軟測(cè)量方法是采用模式識(shí)別的方法對(duì)工業(yè)過(guò)

15、程的操作數(shù)據(jù)進(jìn)行處理，從中提取系統(tǒng)的特征，構(gòu)成以業(yè)過(guò)程的操作數(shù)據(jù)進(jìn)行處理，從中提取系統(tǒng)的特征，構(gòu)成以模式描述分類(lèi)為基礎(chǔ)的模式識(shí)別模型?；谀Ｊ阶R(shí)別方法建模式描述分類(lèi)為基礎(chǔ)的模式識(shí)別模型?；谀Ｊ阶R(shí)別方法建立的軟測(cè)量模型與傳統(tǒng)的數(shù)學(xué)模型不同，它是一種以系統(tǒng)的立的軟測(cè)量模型與傳統(tǒng)的數(shù)學(xué)模型不同，它是一種以系統(tǒng)的輸入、輸出數(shù)據(jù)為基礎(chǔ)，通過(guò)對(duì)系統(tǒng)特征提取而構(gòu)成的模式輸入、輸出數(shù)據(jù)為基礎(chǔ)，通過(guò)對(duì)系統(tǒng)特征提取而構(gòu)成的模式描述模型。該方法的優(yōu)勢(shì)在于它適用于缺乏系統(tǒng)先驗(yàn)知識(shí)的描述模型。該方法的優(yōu)勢(shì)在于它適用于缺乏系統(tǒng)先驗(yàn)知識(shí)的場(chǎng)合，可利用日常操作數(shù)據(jù)來(lái)實(shí)現(xiàn)軟測(cè)量建模。在實(shí)際應(yīng)用場(chǎng)合，可利用日常操作數(shù)據(jù)來(lái)實(shí)現(xiàn)軟

16、測(cè)量建模。在實(shí)際應(yīng)用中，這種軟測(cè)量建模方法常常和人工神經(jīng)網(wǎng)絡(luò)以及模糊技術(shù)中，這種軟測(cè)量建模方法常常和人工神經(jīng)網(wǎng)絡(luò)以及模糊技術(shù)等結(jié)合在一起使用。等結(jié)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(cè)量是利用易測(cè)過(guò)程信息（輔助變的軟測(cè)量是利用易測(cè)過(guò)程信息（輔助變量，它通常是一種隨機(jī)信號(hào)），采用先進(jìn)的信息優(yōu)化處理技量，它通常是一種隨機(jī)信號(hào)），采用先進(jìn)的信息優(yōu)化處理技術(shù)，通過(guò)對(duì)所獲信息的分析處理提取信號(hào)特征量，從而實(shí)現(xiàn)術(shù)，通過(guò)對(duì)所獲信息的分析處理提取信號(hào)特征量，從而實(shí)現(xiàn)某一參數(shù)的在線檢測(cè)或過(guò)程的狀態(tài)識(shí)別。某一參數(shù)的在線檢測(cè)或過(guò)程的狀態(tài)識(shí)別。編輯課件 v基于基于回歸支持向量機(jī)回歸支持向量機(jī)的方法的方

17、法 建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的支持向量機(jī)建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的支持向量機(jī)SVM (support vector machine)已成為當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)。已成為當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)。支持向量機(jī)采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，在有限樣本情況下，支持向量機(jī)采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)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(wú)窮大時(shí)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(wú)窮大時(shí)的最優(yōu)值，解決了一般學(xué)習(xí)方法難以解決的問(wèn)題。最優(yōu)值，解決了一般學(xué)習(xí)方法難以解決的問(wèn)題。 SVM的方法最早是針對(duì)模式識(shí)別問(wèn)題提出的，推廣應(yīng)用到非的方法最早是針對(duì)模式識(shí)別問(wèn)題提出的，推廣應(yīng)用

18、到非線性回歸估計(jì)中，得到了用于回歸估計(jì)的標(biāo)準(zhǔn)線性回歸估計(jì)中，得到了用于回歸估計(jì)的標(biāo)準(zhǔn)SVM方法，稱(chēng)方法，稱(chēng)之為回歸支持向量機(jī)之為回歸支持向量機(jī)SVR (support vector regressor）編輯課件 v基于基于過(guò)程層析成像過(guò)程層析成像的軟測(cè)量建模的軟測(cè)量建模 基于過(guò)程層析成像基于過(guò)程層析成像PT( process tomography)的軟測(cè)量建模的軟測(cè)量建模方法與其它軟測(cè)量建模方法不同，它是一種以醫(yī)學(xué)層析成像方法與其它軟測(cè)量建模方法不同，它是一種以醫(yī)學(xué)層析成像CT (computerized tomography)技術(shù)為基礎(chǔ)的在線獲取過(guò)技術(shù)為基礎(chǔ)的在線獲取過(guò)程參數(shù)二維或三維的實(shí)時(shí)

19、分布信息的先進(jìn)檢測(cè)技術(shù)，即一般程參數(shù)二維或三維的實(shí)時(shí)分布信息的先進(jìn)檢測(cè)技術(shù)，即一般軟測(cè)量技術(shù)所獲取的大多是關(guān)于某一變量的宏觀信息，而采軟測(cè)量技術(shù)所獲取的大多是關(guān)于某一變量的宏觀信息，而采用該技術(shù)可獲取關(guān)于該變量微觀的時(shí)空分布信息。用該技術(shù)可獲取關(guān)于該變量微觀的時(shí)空分布信息。v基于基于相關(guān)分析相關(guān)分析的軟測(cè)量建模的軟測(cè)量建模 基于相關(guān)分析的軟測(cè)量建模方法是以隨機(jī)過(guò)程中的相關(guān)分析基于相關(guān)分析的軟測(cè)量建模方法是以隨機(jī)過(guò)程中的相關(guān)分析理論為基礎(chǔ)，利用兩個(gè)或多個(gè)可測(cè)隨機(jī)信號(hào)間的相關(guān)特性來(lái)理論為基礎(chǔ)，利用兩個(gè)或多個(gè)可測(cè)隨機(jī)信號(hào)間的相關(guān)特性來(lái)實(shí)現(xiàn)某一參數(shù)的軟測(cè)量建模方法。目前這種方法主要應(yīng)用于實(shí)現(xiàn)某一參數(shù)的

20、軟測(cè)量建模方法。目前這種方法主要應(yīng)用于難測(cè)流體難測(cè)流體(即采用常規(guī)測(cè)量?jī)x表難以進(jìn)行有效測(cè)量的流體即采用常規(guī)測(cè)量?jī)x表難以進(jìn)行有效測(cè)量的流體)流流速或流量的在線測(cè)量和故障診斷。速或流量的在線測(cè)量和故障診斷。編輯課件4 影響軟測(cè)量性能的因素影響軟測(cè)量性能的因素v輔助變量的選擇輔助變量的選擇v測(cè)量數(shù)據(jù)的處理測(cè)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(cè)量的任務(wù)，確定主導(dǎo)變量。首先，明確軟測(cè)量的任務(wù)，確定主導(dǎo)變量。v 其次，深人了解和熟悉軟測(cè)量對(duì)象及有關(guān)裝置的工其次，深人了解和熟悉軟測(cè)量對(duì)象及有關(guān)裝置的工藝流程，通過(guò)機(jī)

21、理分析可以初步確定影響主導(dǎo)變量藝流程，通過(guò)機(jī)理分析可以初步確定影響主導(dǎo)變量的相關(guān)變量的相關(guān)變量輔助變量。輔助變量。v輔助變量的選擇包括變量類(lèi)型、變量數(shù)目和檢測(cè)點(diǎn)輔助變量的選擇包括變量類(lèi)型、變量數(shù)目和檢測(cè)點(diǎn)位置的選擇。這三個(gè)方面互相關(guān)聯(lián)、互相影響，由位置的選擇。這三個(gè)方面互相關(guān)聯(lián)、互相影響，由過(guò)程特性所決定的。在實(shí)際應(yīng)用中，還受經(jīng)濟(jì)條件、過(guò)程特性所決定的。在實(shí)際應(yīng)用中，還受經(jīng)濟(jì)條件、維護(hù)的難易程度等外部因素制約。維護(hù)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(biāo)出發(fā)輔助變量選擇的方法往往從間接質(zhì)量指標(biāo)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(guò)程適用性過(guò)程適用性

22、：工程上易于在線獲取并有一定的測(cè)量精度：工程上易于在線獲取并有一定的測(cè)量精度 靈敏性靈敏性：對(duì)過(guò)程輸出或不可測(cè)擾動(dòng)能做出快速反應(yīng)：對(duì)過(guò)程輸出或不可測(cè)擾動(dòng)能做出快速反應(yīng) 特異性特異性：對(duì)過(guò)程輸出或不可測(cè)擾動(dòng)之外的干擾不敏感：對(duì)過(guò)程輸出或不可測(cè)擾動(dòng)之外的干擾不敏感 準(zhǔn)確性準(zhǔn)確性：構(gòu)成的軟測(cè)量?jī)x表應(yīng)能夠滿足精度要求：構(gòu)成的軟測(cè)量?jī)x表應(yīng)能夠滿足精度要求 魯棒性魯棒性：對(duì)模型誤差不敏感等：對(duì)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(guò)程機(jī)理入手分析，從影響被估計(jì)變量的變量中去挑從過(guò)程機(jī)理入手分析，從影響被估計(jì)變量的變量中去挑選主要因素，因?yàn)槿恳爰炔豢赡芤矝](méi)必要。選主要因素，因?yàn)槿?/p>

23、部引入既不可能也沒(méi)必要。 如果缺乏機(jī)理知識(shí)，則可用回歸分析的方法找出影響被如果缺乏機(jī)理知識(shí)，則可用回歸分析的方法找出影響被估計(jì)變量的主要因素，這需要大量的觀測(cè)數(shù)據(jù)。估計(jì)變量的主要因素，這需要大量的觀測(cè)數(shù)據(jù)。 受系統(tǒng)自由度的限制，輔助變量的個(gè)數(shù)不能小于被估計(jì)受系統(tǒng)自由度的限制，輔助變量的個(gè)數(shù)不能小于被估計(jì)變量的個(gè)數(shù)。輔助變量最佳數(shù)目的選擇與過(guò)程的自由度、測(cè)變量的個(gè)數(shù)。輔助變量最佳數(shù)目的選擇與過(guò)程的自由度、測(cè)量噪聲以及模型的不確定性有關(guān)，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(guān)，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(gè)數(shù)，再結(jié)合實(shí)際過(guò)程中的特出發(fā)，先確定輔助變量的最小個(gè)數(shù)，再結(jié)

24、合實(shí)際過(guò)程中的特點(diǎn)適當(dāng)增加，以便更好地處理動(dòng)態(tài)特性的問(wèn)題。點(diǎn)適當(dāng)增加，以便更好地處理動(dòng)態(tài)特性的問(wèn)題。 編輯課件 v檢測(cè)點(diǎn)位置的選擇：檢測(cè)點(diǎn)位置的選擇： 對(duì)于許多工業(yè)工程，與各輔助變量相對(duì)應(yīng)的檢測(cè)點(diǎn)位置的對(duì)于許多工業(yè)工程，與各輔助變量相對(duì)應(yīng)的檢測(cè)點(diǎn)位置的選擇是相當(dāng)重要的?？晒┻x擇的檢測(cè)點(diǎn)很多，而且每個(gè)檢測(cè)選擇是相當(dāng)重要的?？晒┻x擇的檢測(cè)點(diǎn)很多，而且每個(gè)檢測(cè)點(diǎn)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(diǎn)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(shí)確定的，用于選擇變量數(shù)目的準(zhǔn)則往往也和位置常常是同時(shí)確定的，用于選擇變量數(shù)目的準(zhǔn)則往往也被用于檢測(cè)點(diǎn)位置的選擇。被用于檢測(cè)點(diǎn)

25、位置的選擇。 檢測(cè)點(diǎn)的選擇方法：采用奇異值分解的確定；采用工業(yè)控檢測(cè)點(diǎn)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(cè)點(diǎn)往往需要在實(shí)際應(yīng)用中加以調(diào)整確定的檢測(cè)點(diǎn)往往需要在實(shí)際應(yīng)用中加以調(diào)整編輯課件4.2 測(cè)量數(shù)據(jù)的處理測(cè)量數(shù)據(jù)的處理v為了保證軟測(cè)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(cè)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(jìn)行處理，包含兩個(gè)方面，即換算據(jù)必須進(jìn)行處理，包含兩個(gè)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(jī)誤差和過(guò)失誤差兩類(lèi)，前者是隨機(jī)因數(shù)據(jù)誤差主要分為隨機(jī)誤差和

26、過(guò)失誤差兩類(lèi)，前者是隨機(jī)因素的影響，如操作過(guò)程微小的波動(dòng)或測(cè)量信號(hào)的噪聲等，常素的影響，如操作過(guò)程微小的波動(dòng)或測(cè)量信號(hào)的噪聲等，常用濾波的方法來(lái)解決用濾波的方法來(lái)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(zhǔn)等正不準(zhǔn)等)以及不完全或不正確的過(guò)程模型以及不完全或不正確的過(guò)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(cè)量模型的在線校正軟測(cè)量模型的在線校正v由于軟測(cè)量對(duì)象的時(shí)變性、非線性以及模型的不完整性等因由于軟測(cè)量對(duì)象的時(shí)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(yīng)新工況。素，必須考慮模型的在

27、線校正，才能適應(yīng)新工況。v軟測(cè)量模型的在線校正可表示為模型結(jié)構(gòu)和模型參數(shù)的優(yōu)化軟測(cè)量模型的在線校正可表示為模型結(jié)構(gòu)和模型參數(shù)的優(yōu)化過(guò)程，具體方法有自適應(yīng)法、增量法和多時(shí)標(biāo)法。過(guò)程，具體方法有自適應(yīng)法、增量法和多時(shí)標(biāo)法。v對(duì)模型結(jié)構(gòu)的修正往往需要大量的樣本數(shù)據(jù)和較長(zhǎng)的計(jì)算時(shí)對(duì)模型結(jié)構(gòu)的修正往往需要大量的樣本數(shù)據(jù)和較長(zhǎng)的計(jì)算時(shí)間，難以在線進(jìn)行。為解決模型結(jié)構(gòu)修正耗時(shí)長(zhǎng)和在線校正間，難以在線進(jìn)行。為解決模型結(jié)構(gòu)修正耗時(shí)長(zhǎng)和在線校正的矛盾，提出了短期學(xué)習(xí)和長(zhǎng)期學(xué)習(xí)的校正方法。的矛盾，提出了短期學(xué)習(xí)和長(zhǎng)期學(xué)習(xí)的校正方法。v短期學(xué)習(xí)由于算法簡(jiǎn)單、學(xué)習(xí)速度快而便于實(shí)時(shí)應(yīng)用。長(zhǎng)期短期學(xué)習(xí)由于算法簡(jiǎn)單、學(xué)習(xí)速度

28、快而便于實(shí)時(shí)應(yīng)用。長(zhǎng)期學(xué)習(xí)是當(dāng)軟測(cè)量?jī)x表在線運(yùn)行一段時(shí)間積累了足夠的新樣本學(xué)習(xí)是當(dāng)軟測(cè)量?jī)x表在線運(yùn)行一段時(shí)間積累了足夠的新樣本模式后，重新建立軟測(cè)量模型。模式后，重新建立軟測(cè)量模型。編輯課件5 基于參數(shù)辨識(shí)的軟測(cè)量方法的實(shí)際應(yīng)用基于參數(shù)辨識(shí)的軟測(cè)量方法的實(shí)際應(yīng)用v基本原理基本原理v應(yīng)用實(shí)例應(yīng)用實(shí)例編輯課件 5.1 基本原理基本原理v基于基于辨識(shí)的軟測(cè)量方法辨識(shí)的軟測(cè)量方法就是把軟測(cè)量轉(zhuǎn)化為對(duì)對(duì)象的模就是把軟測(cè)量轉(zhuǎn)化為對(duì)對(duì)象的模型辨識(shí)，把可以獲知的參數(shù)作為輔助變量，在對(duì)象模型型辨識(shí)，把可以獲知的參數(shù)作為輔助變量，在對(duì)象模型結(jié)構(gòu)已知的情況下，把對(duì)象模型參數(shù)作為主導(dǎo)變量，對(duì)結(jié)構(gòu)已知的情況下，把對(duì)象模

29、型參數(shù)作為主導(dǎo)變量，對(duì)其進(jìn)行參數(shù)辨識(shí)，辨識(shí)結(jié)果就是參數(shù)軟測(cè)量值。其進(jìn)行參數(shù)辨識(shí)，辨識(shí)結(jié)果就是參數(shù)軟測(cè)量值。v假設(shè)過(guò)程數(shù)學(xué)模型為：假設(shè)過(guò)程數(shù)學(xué)模型為：v對(duì)于大多數(shù)過(guò)程模型，模型參數(shù)對(duì)于大多數(shù)過(guò)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(cè)的不一定有明確的物理意義，但是它們和特定的或難測(cè)的物理參數(shù)有著一定的隱含關(guān)系，從而為軟測(cè)量提供了間物理參數(shù)有著一定的隱含關(guān)系，從而為軟測(cè)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(shí)過(guò)程框

30、圖系統(tǒng)辨識(shí)過(guò)程框圖編輯課件 v設(shè)模型參數(shù)和物理參數(shù)的間接關(guān)系為：設(shè)模型參數(shù)和物理參數(shù)的間接關(guān)系為： 辨識(shí)獲得模型參數(shù)的估計(jì)值辨識(shí)獲得模型參數(shù)的估計(jì)值 ，求取對(duì)應(yīng)的被測(cè)參數(shù)，求取對(duì)應(yīng)的被測(cè)參數(shù) 。基本過(guò)程如下圖所示：?；具^(guò)程如下圖所示：( )g p1( )pg編輯課件 v基于辨識(shí)的軟測(cè)量過(guò)程實(shí)際就是在常規(guī)的參數(shù)辨基于辨識(shí)的軟測(cè)量過(guò)程實(shí)際就是在常規(guī)的參數(shù)辨識(shí)的識(shí)的 基礎(chǔ)上，把待辨識(shí)模型參數(shù)通過(guò)理論模型建基礎(chǔ)上，把待辨識(shí)模型參數(shù)通過(guò)理論模型建立與已知物理參數(shù)的關(guān)系，從而達(dá)到間接測(cè)量的立與已知物理參數(shù)的關(guān)系，從而達(dá)到間接測(cè)量的目的。目的。v基于辨識(shí)的軟測(cè)量方法的優(yōu)點(diǎn)：基于辨識(shí)的軟測(cè)量方法的優(yōu)點(diǎn)： 不

31、需要確切的過(guò)程模型不需要確切的過(guò)程模型 選擇模型方案多選擇模型方案多 模型辨識(shí)可以離線進(jìn)行模型辨識(shí)可以離線進(jìn)行 模型辨識(shí)較為簡(jiǎn)單模型辨識(shí)較為簡(jiǎn)單編輯課件5.2 應(yīng)用實(shí)例應(yīng)用實(shí)例鋁電解生產(chǎn)過(guò)程陽(yáng)極效鋁電解生產(chǎn)過(guò)程陽(yáng)極效應(yīng)的判定應(yīng)的判定v問(wèn)題分析：?jiǎn)栴}分析：陽(yáng)極效應(yīng)是電解法生產(chǎn)過(guò)程中的常見(jiàn)現(xiàn)象，陽(yáng)極效應(yīng)是電解法生產(chǎn)過(guò)程中的常見(jiàn)現(xiàn)象，出現(xiàn)陽(yáng)極效應(yīng)是，電解電流效率下降，耗能急劇增大。出現(xiàn)陽(yáng)極效應(yīng)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(cè)量但多數(shù)情況下，從主要儀表參數(shù)電流和電壓上看，測(cè)量值并無(wú)太大變化，因此無(wú)法及時(shí)檢測(cè)陽(yáng)極效應(yīng)的發(fā)生。值并無(wú)太大變化，因此無(wú)法及時(shí)檢測(cè)陽(yáng)極效應(yīng)的發(fā)生。陽(yáng)極效應(yīng)的生產(chǎn)并不都能從電壓和電流等常規(guī)參數(shù)反映陽(yáng)極效應(yīng)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(lái)，但它和電解槽槽電阻及槽電阻變化率有密切關(guān)系。出來(lái)，但它和電解槽槽電阻及槽電阻變化率有密切關(guān)系。如果能建立槽電阻變化的數(shù)學(xué)模型，就能利用基于辨識(shí)如果能建立槽電阻變化的數(shù)學(xué)模型，就能利用基于辨識(shí)的軟測(cè)量方法檢測(cè)陽(yáng)極效應(yīng)，即通過(guò)對(duì)電解模型的參數(shù)的軟測(cè)量方法檢測(cè)陽(yáng)極效應(yīng)，即通過(guò)對(duì)電解模型的參數(shù)辨識(shí)，獲得與陽(yáng)極效應(yīng)相關(guān)的槽電阻變化率參數(shù)，進(jìn)而辨識(shí)，獲得與陽(yáng)極效應(yīng)相關(guān)的槽電阻變化率參數(shù)，進(jìn)而檢測(cè)判定是