PAI悅讀田洲-王振雷：化工過程動態(tài)軟儀表技術(shù)發(fā)展現(xiàn)狀及展望

PAI悅讀田洲,王振雷：化工過程動態(tài)軟儀表技術(shù)發(fā)展現(xiàn)狀及展望化工過程動態(tài)軟儀表技術(shù)發(fā)展現(xiàn)狀及展望作者簡介田洲（第一作者），男，博士，副教授，主要從事化工系統(tǒng)工程方向的研究，E-mail:tianzhou@王振雷（通信作者），男，博士，教授，主要從事智能建模、優(yōu)化與控制方向的研究，E-mail:wangzhen_l@摘要：軟儀表是解決化工過程中質(zhì)量變量難以實時測量的有效手段?；どa(chǎn)是動態(tài)生產(chǎn)過程，即產(chǎn)品指標不僅受到操作變量當前值的影響，而且受到變量歷史信息的影響。輔助變量時序長度的選擇通常依賴工程經(jīng)驗。近年來，以動態(tài)神經(jīng)網(wǎng)絡(luò)為載體的動態(tài)軟儀表技術(shù)憑借其可以反映過程變量增量間存在的動態(tài)關(guān)系的能力，成為軟儀表建模的重要研究方向。詳細介紹了動態(tài)軟儀表的主要結(jié)構(gòu)與工作原理，重點針對數(shù)據(jù)高維度、非線性和動態(tài)性等復(fù)雜過程的動態(tài)軟儀表發(fā)展現(xiàn)狀和建模方法進行了綜述與分析，并討論了動態(tài)軟儀表的在線實現(xiàn)方法，最后對動態(tài)軟儀表技術(shù)發(fā)展進行了展望。關(guān)鍵詞：動態(tài)軟儀表；長短時記憶；循環(huán)網(wǎng)絡(luò)；動態(tài)建模；在線校正0

引言在以大數(shù)據(jù)和智能制造為特征的工業(yè)4.0時代，對產(chǎn)品質(zhì)量、生產(chǎn)過程能耗以及環(huán)境保護等要求日益提高。達到上述要求往往取決于能否及時檢測并有效控制生產(chǎn)過程中的關(guān)鍵質(zhì)量變量。由于化工生產(chǎn)過程存在樣品現(xiàn)場取樣困難、分析儀器成本高、維護困難且分析時間滯后等問題，在實際生產(chǎn)過程中，往往難以使用在線分析儀表對質(zhì)量變量進行實時測量。同樣地，離線試驗分析的測量滯后性更大。為了在控制過程中提供有效的實時反饋信息，研究人員提出了一種估計過程變量和質(zhì)量變量之間關(guān)系的方法，即軟儀表技術(shù)。軟儀表技術(shù)的基本原理就是利用一些易于測量的過程變量（即輔助變量），建立可以表征輔助變量與質(zhì)量變量（即主導(dǎo)變量）之間關(guān)系的數(shù)學(xué)模型，從而實時、準確地預(yù)測質(zhì)量變量。構(gòu)建軟儀表通常包含4個基本步驟：輔助變量選擇、數(shù)據(jù)采集和預(yù)處理、軟測量模型建立、模型校正更新。其中，軟測量模型是軟儀表的核心。建立軟測量模型的方法按機制可以分為兩種：基于機理分析的建模和基于數(shù)據(jù)驅(qū)動的建模?；跈C理分析的建模方法往往需要對工藝過程內(nèi)部機理有充分的認識，因此對于很多機理復(fù)雜的過程難以實現(xiàn)。同時，過程的機理會隨著工況變化、催化劑失活等情況而改變。這導(dǎo)致了機理模型預(yù)測性能的下降?；跀?shù)據(jù)驅(qū)動的建模方法則不需要基于工藝的內(nèi)部機理的建模，只需要過程的輸入、輸出數(shù)據(jù)就可以建立反映過程特性的黑箱模型。因此，其在工業(yè)領(lǐng)域得到了廣泛應(yīng)用。早期的數(shù)據(jù)驅(qū)動軟儀表都是基于過程的靜態(tài)假設(shè)，認為過程生產(chǎn)處于穩(wěn)態(tài)，因此建模采用的樣本與時間是無關(guān)的[1]。但由于過程本身特性、反饋控制的應(yīng)用以及系統(tǒng)噪聲的動態(tài)特性等原因，實際生產(chǎn)過程都是動態(tài)的。過程的動態(tài)特性就是指過程變量存在事件相關(guān)性，即當前時刻的采樣值受到其前面若干個采樣值的影響。針對傳統(tǒng)靜態(tài)軟儀表建模方法的缺陷，研究者將對象的動態(tài)信息融合到模型中，構(gòu)建動態(tài)軟儀表來反映過程變量增量間存在的動態(tài)關(guān)系。這已經(jīng)逐漸成為軟測量建模的主要研究方向。本文對工業(yè)過程動態(tài)軟儀表技術(shù)的發(fā)展現(xiàn)狀進行了綜述與分析，并對其未來的發(fā)展趨勢進行了討論與展望。本文第1節(jié)介紹了三種常見的動態(tài)軟儀表方法，并分析各自的特點；第2節(jié)針對工業(yè)過程數(shù)據(jù)高維度、非線性等特點，闡述當前動態(tài)軟儀表建模過程中常用的研究方法；第3節(jié)針對過程操作點和運行工況變化，分析在線校正動態(tài)軟儀表模型參數(shù)的相關(guān)研究成果及應(yīng)用情況；第4節(jié)對動態(tài)軟儀表技術(shù)進行總體展望。1

動態(tài)軟儀表方法和特點本節(jié)將介紹三種常見的動態(tài)軟儀表方法：多輸入建模、動態(tài)神經(jīng)網(wǎng)絡(luò)建模和多模型建模。1.1

多輸入建模多輸入模型結(jié)構(gòu)按照輸入變量的類型（輔助變量或者輔助變量和主導(dǎo)變量）分為兩類：一類是多輸入自回歸各態(tài)歷經(jīng)(autoregressiveexogenous,ARX)模型，另一類是多輸入自回歸滑動平均(autoregressivemovingaverage,ARMA)模型。①多點輸入ARX模型。多點輸入ARX模型的結(jié)構(gòu)如圖1所示。圖1

多輸入ARX模型結(jié)構(gòu)圖圖1中：x(k－d),x(k－d－1),…,x(k－d－n+1)為輸入變量；d為延時參數(shù)。該模型認為，當前時刻的主導(dǎo)變量僅與過渡過程輔助變量相關(guān)。文獻[2]提出了一種基于支持向量機的動態(tài)非線性ARX模型軟測量方法。該方法利用輸入輸出數(shù)據(jù)自動獲得最優(yōu)的時延和階數(shù)，準確預(yù)測了穩(wěn)態(tài)擠出過程中乙烯-醋酸乙烯酯聚合物的熔融指數(shù)。文獻[3]利用ARX模型，建立了2,2-二甲基丁烷、2,3-二甲基丁烷、2-甲基戊烷和3-甲基戊烷的動態(tài)軟測量模型。文獻[4]利用ARX模型，對脫異丁烷蒸餾塔的低溫異構(gòu)過程中關(guān)鍵組分的含量進行軟測量。文獻[5]利用ARX模型，建立了基于實際芳烴裝置數(shù)據(jù)的連續(xù)甲苯含量軟測量系統(tǒng)。為了克服窮盡試驗中選擇合適模型階數(shù)參數(shù)的困難和誤差傳遞，采用差分進化作為全局優(yōu)化方法。文獻[6]設(shè)計了一種數(shù)據(jù)驅(qū)動的氣舉油井井下壓力軟測量模型。其方法為：根據(jù)歷史數(shù)據(jù)離線建立多個離散時間ARX模型，模型的輸出通過一組相互作用的卡爾曼濾波器與當前測量數(shù)據(jù)（井下壓力以外的變量）相結(jié)合，以實現(xiàn)井下壓力的預(yù)測。文獻[7]將動態(tài)ARX與模糊C均值相結(jié)合，應(yīng)用于污水處理廠出水水質(zhì)組分濃度的軟測量。②多輸入ARMA模型。ARX模型的不足在于僅使用了歷史輸入信息。為了表征輸入與輸出間的動態(tài)關(guān)系，ARX模型往往需要較長時間的歷史數(shù)據(jù)作為輸入。這大大增加了模型的復(fù)雜度。為了減少輸入數(shù)據(jù)的長度，同時利用歷史輸入和輸出信息構(gòu)成輸入數(shù)據(jù)向量，建立的多輸入ARMA模型結(jié)構(gòu)如圖2所示。圖2

多輸入ARMA模型結(jié)構(gòu)圖文獻[8]提出了一種基于最小二乘向量機和ARMA時間序列預(yù)測模型的動態(tài)軟測量建模方法，準確預(yù)測了乙烯精餾過程中乙烷的濃度。其首先建立了基于最小二乘向量機的靜態(tài)軟測量模型，然后利用ARMA中預(yù)測誤差的動態(tài)估計對靜態(tài)模型進行動態(tài)校正，以改善動態(tài)響應(yīng)特性。文獻[9]提出了一種用于自回歸（autoregressive,AR）和ARMA過程的分布式功率譜檢測框架。為了降低模型的復(fù)雜度，文獻[10]將動態(tài)加權(quán)模型與ARMA模型相結(jié)合，有效提高了非線性時變化工過程的預(yù)測精度。文獻[11]提出了一種基于殘差預(yù)測補償?shù)淖兗せ詈瘮?shù)極限學(xué)習(xí)機學(xué)習(xí)算法，采用自回歸滑動平均模型對變激活函數(shù)極值學(xué)習(xí)機的實際值與預(yù)測值之間的殘差進行建模。殘差預(yù)測用于校正極值學(xué)習(xí)機的預(yù)測值。文獻[12]針對粉煤灰檢測中存在的問題，建立了基于粒子群支持向量機的軟測量模型，并在此基礎(chǔ)上提出了基于ARMA模型的偏差修正方法，利用離線分析得到的區(qū)間值對軟測量模型進行標定。1.2

動態(tài)神經(jīng)網(wǎng)絡(luò)建模動態(tài)神經(jīng)網(wǎng)絡(luò)即含有延時單元或反饋的神經(jīng)網(wǎng)絡(luò)。其反饋形式有兩種：第一種是外部反饋，將輸出層經(jīng)過延時單元反饋回輸入端，典型的網(wǎng)絡(luò)如NARX網(wǎng)絡(luò)；第二種是內(nèi)部反饋，將隱層的輸出通過延時單元反饋回隱層，典型的網(wǎng)絡(luò)如Elman網(wǎng)絡(luò)。文獻[13]利用遞歸神經(jīng)網(wǎng)絡(luò)，準確預(yù)測了下一次補料分批發(fā)酵過程在每個指定時間點的濕細胞總質(zhì)量。文獻[14]提出了一種新的遞歸神經(jīng)網(wǎng)絡(luò)軟測量方法，用于汽車輪胎與地面接觸面積的估計和預(yù)測。文獻[15]提出了一種基于核主成分分析和改進Elman神經(jīng)網(wǎng)絡(luò)的車輛狀態(tài)估計方法。為了預(yù)測浮選過程中的關(guān)鍵技術(shù)指標（精礦品位和尾礦回收率），文獻[16]提出了一種基于回聲狀態(tài)網(wǎng)絡(luò)（echostatenetwork,ESN）的融合軟測量模型。該模型采用改進的螢火蟲群優(yōu)化算法進行優(yōu)化。文獻[17]開發(fā)了基于奇異值分解的回聲狀態(tài)網(wǎng)絡(luò)軟測量建模方法，并應(yīng)用于高密度聚乙烯和精對苯二甲酸生產(chǎn)過程。文獻[18]提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)方法來估計車輛的瞬時油耗。文獻[19]提出了一種新的自組織遞歸區(qū)間II型模糊神經(jīng)網(wǎng)絡(luò)，用于建立復(fù)雜化工過程的軟測量模型。文獻[20]提出了一種基于回聲狀態(tài)網(wǎng)絡(luò)的軟測量建模方法，提高了聚氯乙烯聚合過程轉(zhuǎn)化率和反應(yīng)速率的預(yù)測精度。文獻[21]通過廣義動態(tài)模糊神經(jīng)網(wǎng)絡(luò)(generalizeddynamicfuzzyneuralnetwork,GDFNN)描述操作條件與分布函數(shù)參數(shù)之間的關(guān)系，建立了分子量分布預(yù)測的混合模型。1.3

多模型建?；诙嗄Ｐ徒Y(jié)構(gòu)的建模是一種建立多個模型，由每個模型反映部分動態(tài)信息，然后將各模型融合來反映整體動態(tài)特性的建模方法?；诙嗄Ｐ徒Y(jié)構(gòu)建模主要分為兩種：基于聚類與集成學(xué)習(xí)。①基于聚類。基于聚類的多模型建模方法就是通過聚類算法將數(shù)據(jù)分類，對各類數(shù)據(jù)分別建立模型，最終建立整體模型。文獻[22]提出一種基于Gath-Geva聚類和核極限學(xué)習(xí)機的多模型軟測量方法。文獻[23]提出了一種基于狀態(tài)識別和軟過渡的多模型軟測量方法，用于氣墊爐內(nèi)帶鋼的浮動高度的預(yù)測。文獻[24]采用流形距離來代替歐氏距離，并引入局部密度用于確定聚類中心；對聚類后得到的各個子流形，分別采用核等距映射法進行特征提取；建立了基于高斯過程回歸的子模型。文獻[25]提出了一種多模型融合的軟測量建模方法，對回轉(zhuǎn)窯煅燒區(qū)溫度進行預(yù)測。文獻[26]提出了一種基于自適應(yīng)親和傳播（adaptiveaffinitypropagation,ADAP）聚類和貝葉斯濾波的多模型軟測量建模方法，建立了PX氧化副反應(yīng)中CO和CO2的軟測量模型。②集成學(xué)習(xí)。集成學(xué)習(xí)就是組合多個偏好的弱學(xué)習(xí)器（偏好指的是在某些方面表現(xiàn)的比較好），以期得到一個更好、更全面的強學(xué)習(xí)器。集成學(xué)習(xí)的基本思想是：即使某個弱學(xué)習(xí)器在某些方面表現(xiàn)的較差，其他的弱學(xué)習(xí)器也可以將較差的部分糾正。其與基于聚類的建模方法的主要區(qū)別在于：聚類建模的各子模型所使用的訓(xùn)練數(shù)據(jù)是獨立的；而在集成學(xué)習(xí)中，同一數(shù)據(jù)可能被多個弱學(xué)習(xí)器作為訓(xùn)練數(shù)據(jù)。文獻[27]提出了基于選擇性集成(selective

ensemble,SEN)核學(xué)習(xí)算法的DXN排放濃度軟測量方法。文獻[28]提出了一種集成即時學(xué)習(xí)（ensemblejust-in-timelearning,E-JITL）框架。在E-JITL中，樣本選擇采用不同的相似性度量。然后，構(gòu)造并訓(xùn)練局部預(yù)測模型，以估計與相似性度量相對應(yīng)的不同相關(guān)樣本組的查詢數(shù)據(jù)的輸出。最后，通過對每個局部模型的集成策略，得到最終的預(yù)測結(jié)果。文獻[29]提出了一種分層集成的高斯過程回歸軟測量建模方法。文獻[30]將bagging策略、即時學(xué)習(xí)方式和半監(jiān)督極限學(xué)習(xí)機集成到一個統(tǒng)一的軟測量框架中，用于預(yù)測工業(yè)高爐硅含量。文獻[31]提出了一種基于實時建模和AdaBoost集成學(xué)習(xí)的軟測量標定方法，構(gòu)造了由主部和副部組成的運動窗口。該文獻第一部分由目標變量一定數(shù)量的恒定反饋周期的歷史數(shù)據(jù)構(gòu)成；第二部分是在目標變量的最新反饋周期內(nèi)，通過實時建模初步估計出的一些粗略目標值。采用AdaBoost學(xué)習(xí)方法對整個運動窗口的數(shù)據(jù)集進行處理，建立輔助估計模型，然后對最新對應(yīng)反饋周期的目標變量值進行重新估計。文獻[32]在集成學(xué)習(xí)框架下建立了自適應(yīng)軟測量模型。該模型被應(yīng)用于盤尼西林生產(chǎn)過程。2

動態(tài)軟儀表構(gòu)建中的復(fù)雜過程數(shù)據(jù)處理2.1高維度數(shù)據(jù)高維度數(shù)據(jù)往往存在高度互相關(guān)性和冗余性。為此，需要對高維度數(shù)據(jù)進行降維處理，尋找數(shù)據(jù)之間的主要因果關(guān)系，并剔除其中的冗余信號和噪聲信號。對高維度數(shù)據(jù)進行降維，提取數(shù)據(jù)的低維特征，是大多數(shù)軟測量建模的主要任務(wù)。主元分析(principalcomponentanalysis,PCA)和偏最小二乘(partialleastsquare,PLS)是常用方法。PCA提取的主元實質(zhì)上是原始輔助變量的一種線性組合，且它們是互相正交的。PLS與PCA類似，但PCA僅對輸入空間進行信息提取，PLS則對輸入和輸出空間都進行主成分提取。文獻[33]針對造紙廢水處理過程的復(fù)雜特性，將PCA和人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetworks,ANN）相結(jié)合，實現(xiàn)了造紙廢水處理過程中出水化學(xué)需氧量和出水懸浮物濃度的預(yù)測。文獻[34]利用PCA，對隱馬爾可夫模型的輸入變量進行降維，并利用煙火算法進行參數(shù)優(yōu)化，成功預(yù)測了丙烯醛的轉(zhuǎn)化率。文獻[35]利用PCA，預(yù)測藥物熱熔性擠出過程中撲熱息痛的濃度。文獻[36]采用基于PCA和前饋神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動方法，對原始信號進行處理。文獻[37]提出了一種基于疊加自編碼和互信息加權(quán)PCA的特征提取與集成方法，用于提取不同深度原始變量的特征。文獻[38]采用局部加權(quán)偏最小二乘法（locallyweightedpartialleastsquare,LWPLS）作為軟測量建模方法，并結(jié)合粒子群優(yōu)化LWPLS的兩相帶寬，適用于數(shù)據(jù)密度變化的場合。文獻[39]提出了一種基于慢特征重構(gòu)與改進PLS的軟測量建模方法。文獻[40]將半監(jiān)督學(xué)習(xí)的思想與傳統(tǒng)的偏最小二乘建模方法相結(jié)合，提出了半監(jiān)督概率PLS模型。文獻[41]將非線性函數(shù)連接人工神經(jīng)網(wǎng)絡(luò)，并與傳統(tǒng)的偏最小二乘法相結(jié)合，提出了一種新的魯棒非線性偏最小二乘模型。2.2

非線性數(shù)據(jù)大多數(shù)工業(yè)過程具有復(fù)雜的內(nèi)部結(jié)構(gòu)和物化反應(yīng)機理，導(dǎo)致過程變量之間存在較強的非線性關(guān)系。對于非線性過程，傳統(tǒng)的線性軟測量方法（如PCA、PLS等）不再直接適用，而是需要采用非線性方法對過程進行建模。①核方法。核方法是統(tǒng)計學(xué)習(xí)中以結(jié)構(gòu)風(fēng)險最小化理論為基礎(chǔ)的數(shù)據(jù)建模方法。其主要思想是將原始變量空間通過非線性函數(shù)投影到高維空間，在高維空間采用線性PCA和PLS等方法進行特征提取與數(shù)據(jù)建模。核方法建模示意圖如圖3所示。圖3

核方法建模示意圖圖3中,利用核方法將原始數(shù)據(jù)從二維空間映射到三維空間。文獻[42]提出了一種基于核主成分回歸（kernelprincipalcomponentanalysis,KPCA）的軟傳感器，并應(yīng)用于水泥球磨機水泥比表面積的預(yù)測。文獻[43]通過分析技術(shù)指標與邊界變量之間的關(guān)系，建立了基于核主成分分析的技術(shù)指標軟測量模型。該模型可應(yīng)用于某赤鐵礦選礦廠的浮選過程。文獻[44]采用KPCA方法對高維數(shù)據(jù)進行降維，并利用極限學(xué)習(xí)機建立軟測量模型，解決了磨礦生產(chǎn)過程中粒度和礦石含量的預(yù)測問題。文獻[45]針對未觀測多模態(tài)非線性過程的軟測量建模問題，提出了一種結(jié)合潛在因子聚類的改進核偏最小二乘（kernelpartialleastsquare,KPLS）算法。文獻[46]針對多相間歇過程，提出了一種基于多相實時學(xué)習(xí)的KPLS方法。文獻[47]利用集成經(jīng)驗?zāi)B(tài)分解，將信號分解為具有不同物理解釋的多個時標子信號；然后，將這些子信號轉(zhuǎn)換成頻譜，利用KPLS算法提取其核特征。結(jié)合基于互信息的特征選擇方法，文獻[4]提出了一種新的定義指標來自適應(yīng)地選擇重要子信號及其潛在特征。文獻[48]提出了一種基于自組織模型和條件概率密度分析的非線性多模過程軟測量方法。其中，自組織模型基于多核偏最小二乘模型，每個KPLS模型與特定的模式相關(guān)聯(lián)。②局部建模。局部建模方法通過對數(shù)據(jù)關(guān)系進行局部線性化處理，從而建立多個局部模型來近似擬合過程變量的非線性關(guān)系。局部建模方法可以保留整體數(shù)據(jù)。如出現(xiàn)新預(yù)測樣本，則通過在該樣本工況周圍選定若干樣本建立局部模型，從而達到較精確的預(yù)測。文獻[49]將具有非線性特征的核函數(shù)引入LWPLS模型，提出了局部加權(quán)核偏最小二乘模型。文獻[50]提出了一種改進的基于LWPLS的即時學(xué)習(xí)(just-in-timelearning,JITL)算法，即集成局部加權(quán)獨立分量核偏最小二乘。文獻[51]采用局部加權(quán)和（localweightedsum,LWS）方法將數(shù)據(jù)轉(zhuǎn)換為近似高斯分布，并提出了基于LWS子空間的PCA集成建模方法。子空間PCA可以選擇每個子空間中的重要變量進行集成建模。文獻[52]提出了一種非線性貝葉斯加權(quán)回歸（nonlinearbayesianweightedregression,NBWR）局部模型訓(xùn)練算法。在NBWR中，首先利用自動編碼器提取過程數(shù)據(jù)的非線性特征，然后給出一個查詢樣本，在特征空間上選取一個局部數(shù)據(jù)集，建立了一個具有不同樣本權(quán)的完全貝葉斯回歸模型。③深度神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)可以反映系統(tǒng)輸入與輸出之間的非線性動態(tài)關(guān)系，是一種常見的構(gòu)建非線性映射的方法。由于1.2節(jié)已經(jīng)對淺層遞歸網(wǎng)絡(luò)進行了詳細討論，故本節(jié)僅對深層遞歸網(wǎng)絡(luò)進行闡述。為了學(xué)習(xí)高復(fù)雜性、高非線性數(shù)據(jù)的特征，往往需要增加神經(jīng)網(wǎng)絡(luò)的層數(shù)。傳統(tǒng)的淺層遞歸網(wǎng)絡(luò)隨著層數(shù)的增加，由于梯度消失等問題，存在訓(xùn)練困難的問題，所以在過程軟測量領(lǐng)域，深度學(xué)習(xí)方法得到了越來越多的應(yīng)用。其中，長短期記憶（longshort-termmemory,LSTM）神經(jīng)網(wǎng)絡(luò)是一種典型的基于記憶門控的深度神經(jīng)網(wǎng)絡(luò)，有利于解決梯度消失等問題。LSTM結(jié)構(gòu)如圖4所示。圖4

LSTM結(jié)構(gòu)示意圖圖4中：第一個開關(guān)（遺忘門）控制上一時刻長期狀態(tài)ct-1對當前狀態(tài)ct的影響；第二個開關(guān)（輸入門）控制即時狀態(tài)c′t（該項取決于上一時刻的輸出與當前輸入）對當前長期狀態(tài)ct的影響；第三個開關(guān)（輸出門）控制了長期狀態(tài)ct對當前輸出ht的影響。由于遺忘門和輸入門的作用，LSTM可以長期保留過去的關(guān)鍵信息，所以在動態(tài)建模中得到廣泛應(yīng)用。文獻[53]提出了一種基于多層雙LSTM網(wǎng)絡(luò)的多模態(tài)傳感器融合框架。文獻[54]提出了一種基于深度學(xué)習(xí)的軟測量技術(shù)，用于地鐵車站多變量室內(nèi)空氣品質(zhì)數(shù)據(jù)的檢測。該方法是基于記憶門控遞歸神經(jīng)網(wǎng)絡(luò)的自編碼（memory-gatedrecurrentneuralnetworks-basedautoencoders,MG-RNN-AE）方法，能夠處理連續(xù)和動態(tài)的信息。文獻[55]提出了一種有監(jiān)督LSTM網(wǎng)絡(luò)。該網(wǎng)絡(luò)用于學(xué)習(xí)與質(zhì)量相關(guān)的隱藏動態(tài)。在基本的LSTM單元中，質(zhì)量和輸入變量同時被用來學(xué)習(xí)動態(tài)隱藏狀態(tài)。研究者在青霉素發(fā)酵過程和工業(yè)脫丁烷塔上驗證了該網(wǎng)絡(luò)的有效性。此外，還有許多其他的深度學(xué)習(xí)方法也被應(yīng)用于軟儀表中。文獻[56]提出了一種基于深度學(xué)習(xí)的軟測量方法，對苯二甲酸生產(chǎn)裝置的乙酸消耗量進行預(yù)測。文獻[57]提出了一種利用新型動態(tài)特征自動提取器提取具有可轉(zhuǎn)移和魯棒動態(tài)特征的集成樹模型，用于脫丁烷塔精餾過程。首先，具有編解碼結(jié)構(gòu)的動態(tài)特征提取器可以提供有效的動態(tài)特征，相當于在解碼器的監(jiān)督下對序列進行交叉和非線性映射。同時，提出了一種新的基于注意權(quán)的平滑動態(tài)特征的正則化方法，以消除和減輕加入新特征后回歸函數(shù)的過度擬合。然后，將提取的動態(tài)特征轉(zhuǎn)化為具有較強泛化能力的回歸器。該回歸器考慮了深網(wǎng)絡(luò)的特征提取和強模型的泛化。文獻[58]基于深度學(xué)習(xí)的思想，提出一種遞階遞歸傳感網(wǎng)絡(luò)估計接觸壓力的大小。文獻[59]基于棧式自編碼，構(gòu)建了一種深層神經(jīng)網(wǎng)絡(luò)，用于污水處理過程中多個目標變量的同步在線預(yù)測。文獻[60]提出了一種用于軟測量的深度學(xué)習(xí)結(jié)構(gòu)和相應(yīng)的訓(xùn)練算法，稱為概率序貫網(wǎng)絡(luò)。該模型主要是基于高斯-伯努利約束Boltzmann機和遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將無監(jiān)督特征提取和有監(jiān)督動態(tài)建模方法相結(jié)合，提高了預(yù)測性能。為了避免深度學(xué)習(xí)算法訓(xùn)練過程中的過擬合問題，采用了L2正則化和輟學(xué)技術(shù)。3

動態(tài)軟儀表在線實現(xiàn)方法離線完成軟測量建模后，可以轉(zhuǎn)入在線應(yīng)用。由于過程的非線性，工作點、原料、催化劑活性、反應(yīng)器運行特性以及環(huán)境因素等的時變性軟測量儀表的預(yù)測精度逐漸降低。如果不及時更新模型，模型預(yù)測的輸出值與實際值之間的誤差會逐漸增大。因此，需要定期對軟測量模型進行自適應(yīng)較正和更新。常用的模型更新方法有移動窗模型(movingwindow,MV)和JITL模型。3.1移動窗模型移動窗的基本原理為：利用一定長度的窗體沿著采樣數(shù)據(jù)序列移動時，代表當前狀態(tài)的新的數(shù)據(jù)樣本將被包含進新窗體；同時，隸屬于過去狀態(tài)的樣本被移除，從而使模型在新窗體中得到更新。文獻[61]提出了一種結(jié)合先驗知識的移動窗口軟測量方法，可應(yīng)用于精餾塔。該方法適用于訓(xùn)練樣本少且含有測量誤差的情況。文獻[62]比較了五種具有兩種更新條件的軟測量方法。所研究的軟傳感器包括移動窗口偏最小二乘回歸、移動窗口隨機森林回歸、基于輸出的平均移動窗口和一種新的隨機森林偏最小二乘回歸集成（combiningrandomforestwithpartialleastsquaresregression,RF-PLS）。在所研究的兩個數(shù)據(jù)集中，小窗口尺寸導(dǎo)致所研究的所有移動窗口方法的預(yù)測誤差最低。在所研究的大多數(shù)數(shù)據(jù)集上，與其他方法相比，RF-PLS校正方法提供了最低的一步預(yù)測誤差，并且在較大的時間延遲下顯示出比單獨的移動窗口PLS更高的預(yù)測穩(wěn)定性。隨機森林法和RF-PLS法都能很好地模擬不具有純單調(diào)屬性值增長特征的數(shù)據(jù)集，但這兩種方法在具有純單調(diào)屬性值數(shù)據(jù)集上的表現(xiàn)都比移動窗口PLS模型差。文獻[63]提出了一種基于局部時延重構(gòu)和移動窗口時差的高斯過程回歸軟測量方法，應(yīng)用于硫磺回收裝置和工業(yè)脫丁烷塔。針對時滯問題，文獻[63]提出了一種基于模糊曲線分析的局部時滯參數(shù)提取方法和一種移動窗口策略，同時捕捉過程的時變特征。然后，根據(jù)下一采樣時刻設(shè)置的時延參數(shù)，重構(gòu)本地窗口訓(xùn)練數(shù)據(jù)集和新的查詢樣本。最后，利用時間差高斯過程回歸，處理局部重建數(shù)據(jù)集的漂移特征。文獻[64]提出了一種基于多模移動窗口高斯過程回歸（multimodalmovingwindowGaussianprocessregression,MWGPR）的ARX建模方法，有效地捕捉了過程非線性和動力特征。文獻[65]將移動窗口方法引入有監(jiān)督的潛在因素分析模型中，以捕捉過程的狀態(tài)轉(zhuǎn)移特征。為了提高移動窗口策略的效率，采用了監(jiān)督潛因子分析法的加權(quán)形式。文獻[66]提出了一種基于加權(quán)監(jiān)督潛因子分析的自適應(yīng)軟測量建模方法。在傳統(tǒng)的基于運動窗口的自適應(yīng)軟測量系統(tǒng)中，預(yù)測模型是利用最新的過程信息建立的。為了充分利用過去的窗口，采用Bayes準則對一組最近的局部模型進行質(zhì)量估計。3.2

即時學(xué)習(xí)模型雖然移動窗可在一定程度上解決過程時變問題，但是無法用于突變過程的自適應(yīng)更新。同時，當過程運行較窄的工況范圍時，由于無法從過程采集足夠的樣本用于模型的自適應(yīng)更新，兩種方法的自適應(yīng)能力將受到限制。為此，即時學(xué)習(xí)作為一種替代的自適應(yīng)建模算法，通過從歷史樣本庫中選擇相似樣本，并訓(xùn)練得出在線局部模型，對新樣本進行預(yù)測。即時學(xué)習(xí)建模流程如圖5所示。圖5

即時學(xué)習(xí)建模流程圖文獻[67]采用自適應(yīng)差分進化算法（adaptivedifferentialevolutionalgorithm,JADE）對JITL的參數(shù)進行了優(yōu)化。利用WM技術(shù)，進一步將基于JAED-JITL的軟測量增強為自適應(yīng)格式。將該方法應(yīng)用于污水處理廠關(guān)鍵變量的預(yù)測。文獻[68]利用MW算法，根據(jù)虛擬/真實概念漂移調(diào)整窗口大小，結(jié)合JITL模型，使用適當?shù)臍v史數(shù)據(jù)區(qū)域構(gòu)建，并針對每個查詢點調(diào)整MW和JITL模型的集成權(quán)重。文獻[69]提出了一種基于變分自適應(yīng)編碼器的JITL框架。該方法采用變分自編碼器從含噪聲的輸入數(shù)據(jù)集中提取特征。然后，針對每個特征變量的分布，利用Kullback-Leibler散度來評價歷史樣本和查詢樣本之間的相似性。文獻[70]提出了一種基于數(shù)據(jù)密度估計的實時軟測量校準方法。其以改進的JITL方法為核心，通過對歷史數(shù)據(jù)庫數(shù)據(jù)密度的估計來實現(xiàn)。文獻[71]將基于完全貝葉斯Dirichlet過程混合模型的馬氏距離作為JITL樣本選擇策略，使得標記樣本和未標記樣本都能被利用。文獻[72]在選擇建模數(shù)據(jù)時加入了對輸入變量和輸出變量之間關(guān)系的考量，提出了基于改進的局部加權(quán)偏最小二乘法的JITL建模方法。文獻[73]提出了一種基于移動窗口和JITL技術(shù)的時空自適應(yīng)軟測量建?？蚣?。4

結(jié)論軟儀表建模方法經(jīng)歷了從機理模型到數(shù)據(jù)驅(qū)動模型，從靜態(tài)模型到動態(tài)模型的發(fā)展歷程。目前，數(shù)據(jù)驅(qū)動建模已成為軟測量建模的主流，建立動態(tài)模型是軟儀表建模的發(fā)展趨勢。本文對動態(tài)軟儀表的主要結(jié)構(gòu)與工作原理進行了詳細介紹，重點對數(shù)據(jù)驅(qū)動背景下的高維度、非線性和動態(tài)性等復(fù)雜過程的動態(tài)軟儀表發(fā)展現(xiàn)狀和建模方法進行了綜述與分析，討論了動態(tài)軟儀表的在線實現(xiàn)方法。雖然動態(tài)建模方法在理論研究和工程應(yīng)用中也得到了較好的發(fā)展和應(yīng)用，但有些問題需要進一步探討和研究。①動態(tài)軟儀表是一種數(shù)據(jù)驅(qū)動模型，僅利用過程輸入、輸出數(shù)據(jù)就可以建立模型，無需準確認識工藝機理。而實際工業(yè)工程雖然其內(nèi)部機理可能無法準確獲得，但卻可以得到一些先驗知識，多數(shù)動態(tài)軟儀表忽視了已知的工藝先驗知識。為獲得更加精確、實用的軟測量模型，應(yīng)該研究機理與輸入融合的動態(tài)軟儀表建模方法。②由于主導(dǎo)變量的采樣周期通常遠大于輔助變量的采樣周期，僅利用慢采樣周期對應(yīng)的主導(dǎo)變量和輔助變量數(shù)據(jù)建立的慢采樣頻率軟測量模型并不能完全反映對象特性。因此，如何充分利用輔助變量信息提高預(yù)測性能是一個重要的研究課題。③動態(tài)軟儀表將靜態(tài)信息和動態(tài)信息的處理過程融為一體，這是限制模型精度進一步提高的主要原因之一。由于實際過程無法獲得準確的穩(wěn)態(tài)點，所以無法剝離出變量增量數(shù)據(jù)間蘊含的動態(tài)關(guān)系，只能利用實測變量數(shù)據(jù)建立動態(tài)關(guān)系。如何分離靜態(tài)信息和動態(tài)信息并分別處理，再將得到的靜態(tài)關(guān)系和動態(tài)關(guān)系融合，將是軟儀表建模的另一發(fā)展方向。參考文獻：

[1]曹鵬飛,羅雄麟.化工過程軟測量建模方法研究進展[J].化工學(xué)報,2013,64(3):788-800.[2]CHITRALEKHASB,SHAHSL.Applicationofsupportvectorregressionfordevelopingsoftsensorsfornonlinearprocesses[J].TheCanadianJournalofChemicalEngineering,2010,88(5):696-709.[3]HERCEGS,ANDRIJIU,BOLFN.Continuousestimationofthekeycomponentscontentintheisomerizationprocessproducts[J].ChemicalEngineeringTransactions,2018,69:79-84.[4]HERCEGS,ANDRIJIU,BOLFN.Developmentofsoftsensorsforisomerizationprocessbasedonsupportvectormachineregressionanddynamicpolynomialmodels[J].ChemicalEngineeringResearchandDesign,2019,149:95-103.[5]MOHLERI,UJEVIANDRIJI,BOLFN.Softsensorsapplicationfortherefineryreal-timepredictionoftoluenecontent[J].ChemicalEngineeringCommunications,2018,205(3):52-63.[6]RICCIOBF,TEIXEIRAAF,TEIXEIRABOS.Downholepressuresoft-sensingusinginteractingmultiplemodeling[J].IFAC-PapersOnLine,2015,48(6):298-303.[7]ZHAO

LJ，XIAO

H，DIAOXK,etal.Nonlineardynamicsoftsensermodelingofwastewatertreatmenteffluentquality[C]//InternationalConferenceonAdvancedComputerControl.2010:413-417.[8]DUW,GUANZ,QIANF.Dynamicsoftsensormodelingbasedontimeserieserrorcompensation[J].CIESCJournal,2010(2):439-443.[9]KONARA,SIDIROPOULOSND.Parametricfrugalsensingforautoregressiveandautoregressivemovingaveragepowerspectra[J].IEEETransactionsonSignalProcessing,2016,64(20):5353-5366.[10]LIL,DAIY.Dynamicsoftsensordevelopmentfortime-varyingandmultiratedataprocessesbasedondiscountandweightedARMAmodels[J].Symmetry,2019,11(11):1414.[11]WANGG,LIP,CAOJ.Variableactivationfunctionextremelearningmachinebasedonresidualpredictioncompensation[J].SoftComputing,2012,16(9):1477-1484.[12]YANG

X,YANG

W.ThemethodofsoftsensormodelingforflyashcarboncontentbasedonARMAdeviationprediction[C]//AdvancesinMaterials,Machinery,Electronics.AdvancesinMaterials,Machinery,Electronics(AMME2017),2017:060025.[13]BEIROTIA,AGHASADEGHIMR,HOSSEINISN,etal.ApplicationofrecurrentneuralnetworkforonlinepredictionofcelldensityofrecombinantPichiapastorisproducingHBsAg[J].PreparativeBiochemistry&Biotechnology,2019,49(4):352-359.[14]DUCHANOYCA,MORENO-ARMENDáRIZMA,URBINAL,etal.Anovelrecurrentneuralnetworksoftsensorviaadifferentialevolutiontrainingalgorithmforthetirecontactpatch[J].Neurocomputing,2017,235(4):71-82.[15]LIUH,YANGJ,YANGH,etal.SoftsensorofvehiclestateestimationbasedonthekernelprincipalcomponentandImprovedneuralnetwork[J].JournalofSensors,2016,16(2):1-8.[16]WANGJ-S,HANS,SHENN-N.ImprovedGSOoptimizedESNsoft-sensormodelofflotationprocessbasedonmultisourceheterogeneousinformationfusion[J].TheScientificWorldJournal,2014(s):1-8.[17]HEYL,TIANY,XUY,etal.Novelsoftsensordevelopmentusingechostatenetworkintegratedwithsingularvaluedecomposition:applicationtocomplexchemicalprocesses[J].ChemometricsandIntelligentLaboratorySystems,2020,200(5):24-32.[18]KANARACHOSS,MATHEWJ,FITZPATRICKME.Instantaneousvehiclefuelconsumptionestimationusingsmartphonesandrecurrentneuralnetworks[J].ExpertSystemswithApplications,2019,120(4):436-447.[19]TZ,PL,JC.Softsensormodelingofchemicalprocessbasedonself-organizingrecurrentintervaltype-2fuzzyneuralnetwork[J].ISATransactions,2019,84:237-246.[20]CUIWH,WANGJS,LISX.KPCA-ESNSoft-SensorModelofpolymerizationprocessoptimizedbybiogeography-basedoptimizationalgorithm[J].MathematicalProblemsinEngineering,2015,7(2):1-10.[21]安許鋒,田洲,錢鋒.基于廣義動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的聚乙烯分子量分布軟測量[J].華東理工大學(xué)學(xué)報(自然科學(xué)版),2018,44(4):529-534.[22]張雷,張小剛,陳華.基于Gath-Geva算法和核極限學(xué)習(xí)機的多階段間歇過程軟測量[J].化工學(xué)報,2018,69(6):2576-2585.[23]HOUS,ZHANGX,DAIW,etal.Multi-modelandsoft-transitionbasedheightsoftsensorforanaircushionfurnace[J].Sensors,2020(3):926.[24]吉文鵬,楊慧中.基于改進擴張搜索聚類算法的多流形軟測量建模[J].化工學(xué)報,2019,70(2):723-729.[25]TIANZ,LIS,WANGY,etal.Amulti-modelfusionsoftsensormodellingmethodanditsapplicationinrotarykilncalcinationzonetemperatureprediction[J].TransactionsoftheInstituteofMeasurementandControl,2016,38(1):110-124.[26]RANRANL,ZHENGMINGL,TIANHONGP.Researchonsoftsensingmodelingmethodbasedonthealgorithmofadaptiveaffinitypropagationclusteringandbayesiantheory[J].Sensors&Transducers,2013,21(5):211-217.[27]湯健,喬俊飛.基于選擇性集成核學(xué)習(xí)算法的固廢焚燒過程二噁英排放濃度軟測量[J].化工學(xué)報,2019,70(2):696-706.[28]YUANX,ZHOUJ,WANGY,etal.Multi-similaritymeasurementdrivenensemblejust-in-timelearningforsoftsensingofindustrialprocesses[J].JournalofChemometrics,2018,32(9):30-40.[29]趙帥,史旭東,熊偉麗.一種分層集成的高斯過程回歸軟測量建模方法[J].系統(tǒng)仿真學(xué)報,2019,31(10):2042-2051.[30]HEX,JIJ,LIUK,etal.Softsensingofsiliconcontentviabagginglocalsemi-supervisedmodels[J].Sensors,2019,19(17):3814.[31]MINH,LUOX.CalibrationofsoftsensorbyusingJust-in-timemodelingandAdaBoostlearningmethod[J].ChineseJournalofChemicalEngineering,2016,24(8):1038-1046.[32]邵偉明,田學(xué)民,宋執(zhí)環(huán).基于集成學(xué)習(xí)的多產(chǎn)品化工過程軟測量建模方法[J].化工學(xué)報,2018,69(6):222-230,477.[33]劉鴻斌,李祥宇,楊沖.基于PCA降維模型的造紙廢水處理過程軟測量建模[J].中國造紙學(xué)報,2018,33(4):50-57.[34]LIUS,GAOX,HEH,etal.SoftsensormodelingofacroleinconversionbasedonhiddenMarkovmodelofprinciplecomponentanalysisandfireworksalgorithm[J].TheCanadianJournalofChemicalEngineering,2019,97(12):3052-3062.[35]TAHIRF,ISLAMMT,MACKJ,etal.Processmonitoringandfaultdetectiononahot-meltextrusionprocessusingin-lineRamanspectroscopyandahybridsoftsensor[J].ComputersandChemicalEngineering,2019,125(9):400-414.[36]TRONCIS,NEERPV,GILINGE,etal.In-Linemonitoringandcontrolofrheologicalpropertiesthroughdata-drivenultrasoundsoft-sensors[J].Sensors(Basel,Switzerland),2019,19(22):5009.[37]WANGJ,YANX.MutualInformation-weightedprinciplecomponentsidentifiedfromthedepthfeaturesofstackedautoencodersandoriginalvariablesforoildrypointsoftsensor[J].IEEEAccess,2019,7:1981-1990.[38]RENM,SONGY,CHUW.AnimprovedlocallyweightedPLSbasedonparticleswarmoptimizationforindustrialsoftsensormodeling[J].Sensors(Basel),2019,19(19):4099.[39]蔣昕祎,李紹軍,金宇輝.基于慢特征重構(gòu)與改進DPLS的軟測量建模[J].華東理工大學(xué)學(xué)報(自然科學(xué)版),2018,44(4):535-542.[40]ZHENGJ,SONGZ.Mixturemodelingforindustrialsoftsensorapplicationbasedonsemi-supervisedprobabilisticPLS[J].JournalofProcessControl,2019,84(11):46-55.[41]ZHUB,CHENZ,HEY,etal.AnovelnonlinearfunctionalexpansionbasedPLS(FEPLS)anditssoftsensorapplication[J].ChemometricsandIntelligentLaboratorySystems,2017,161:108-117.[42]KAVITHA

SP,GURUPRASATHM,TANGIRALAAK.Developingasoftsensorforfinenessinacementballmill[J].IFACProceedingsVolumes,2014,47(1):1019-1025.[43]李海波,柴天佑,岳恒.浮選工藝指標KPCA-ELM軟測量模型及應(yīng)用[J].化工學(xué)報,2012,63(9):2892-2898.[44]XIEW,WANGJS,XINGC,etal.Extremelearningmachinesoft-sensormodelwithdifferentactivationfunctionsongrindingprocessoptimizedbyimprovedblackholealgorithm[J].IEEEAccess,2020,25084-25110.[45]DENGX,CHENY,WANGP,etal.Softsensormodelingforunobservedmultimodenonlinearprocessesbasedonmodifiedkernelpartialleastsquareswithlatentfactorclustering[J].IEEEAccess,2020,35864-35872.[46]JINH,XIANGGC,YANGJ,etal.Adaptivesoftsensormodelingframeworkbasedonjust-in-timelearningandkernelpartialleastsquaresregressionfornonlinearmultiphasebatchprocesses[J].ComputersandChemicalEngineering,2014,71(12):77-93.[47]TANGJ,LIUZ,ZHANGJ,etal.Kernellatentfeaturesadaptiveextractionandselectionmethodformulti-componentnon-stationarysignalofindustrialmechanicaldevice[J].Neurocomputing,2016,216(11):296-309.[48]WANGL,ZENGJ,LIANGX,etal.Softsensingofanonlinearmultimodeprocessusingaselforganizingmodelandconditionalprobabilitydensityanalysis[J].IndustrialandEngineeringChemistryResearch,2019,58(31):14267-14274.[49]YEOWS,SAPTOROA,KUMARP.Developmentofadaptivesoftsensorusinglocallyweightedkernelpartialleastsquaremodel[J].ChemicalProductandProcessModeling,2017(4):969-982.[50]YEOWS,SAPTOROA,KUMARP.Adaptivesoftsensordevelopmentfornon-gaussianandnonlinearprocesses[J].Industrial&EngineeringChemistryResearch,2019,58(45):20680-20691.[51]SHIX,XIONGW.LWSbasedPCAsubspaceensemblemodelforsoftsensordevelopment[J].IFAC-PapersOnLine,2018,51(18):649-654.[52]LIUK,SHAOW,CHENG.Autoencoder-basednonlinearBayesianlocallyweightedregressionforsoftsensordevelopment[J].ISATransactions,2020(3):1-13.[53]LIH,SHRESTHAA,HEIDARIH,etal.Bi-LSTMnetworkformultimodalcontinuoushumanactivityrecognitionandfalldetection[J].IEEESensorsJournal,2020,20(3):1191-1201.[54]LOY-BENITEZJ,HEOS,YOOC.Softsensorvalidationformonitoringandresilientcontrolofsequentialsubwayindoorairqualitythroughmemory-gatedrecurrentneuralnetworks-basedautoencoders[J].ControlEngineeringPractice,2020,97(4):104330.[55]YUANX,LIL,WANGY.Nonlineardynamicsoftsensormodelingwithsupervisedlongshort-termMemorynetwork[J].IEEETransactionsonIndustrialInformatics,2020,16(5):3168-3176.[56]耿志強，徐猛，朱群雄，等.基于深度學(xué)習(xí)的復(fù)雜化工過程軟測量模型研究與應(yīng)用[J].化工學(xué)報,2019,70(2):564-571.[57]ZHANGX,GEZ.Automaticdeepextractionofrobustdynamicfeaturesforindustrialbigdatamodelingandsoftsensorapplication[J].IEEETransactionsonIndustrialInformatics,2020,16(7):4456-4467.[58]HANS,KIMT,KIMD,etal.Useofdeeplearningforcharacterizationofmicrofluidicsoftsensors[J].IEEERoboticsandAutomationLetters,2018,3(2):873-880.[59]邱禹，劉乙奇，吳菁，等.基于深層神經(jīng)網(wǎng)絡(luò)的多輸出自適應(yīng)軟測量建模[J].化工學(xué)報,2018,69(7):304-316.[60]SUNQ,GEZ.Probabilisticsequentialnetworkfordeeplearningofcomplexprocessdataandsoftsensorapplication[J].IEEEtransactionsonindustrialinformatics,2019,15(5):2700-2709.[61]TORGASHOVA,SKOGESTADS.Theuseoffirstprinciplesmodelforevaluationofadaptivesoftsensorformulticomponentdistillationunit[J].ChemicalEngineeringResearchandDesign,2019,151(9):70-78