8621213

随着生产技术的发展和生产过程的日益复杂，为确保生产装置安全、高效地运行，需对与系统的稳定及产品质量密切相关的重要过程变量进行实时控制和优化控制。可是在许多生产装置的这类重要过程变量中，存在着一大部分由于技术或是经济上的原因，很难通过传感器进行测量的变量，如精馏塔的产品组分浓度，生物发酵罐的菌体浓度和化学反应器的反应物浓度及产品分布等。为了解决此类过程的控制问题，以前往往采用两种方法：一种方法是采用间接的质量指标控制，如：精馏塔灵敏板温度控制、温差控制等，但此法难以保证最终质量指标的控制精度；另一种方法是采用在线分析仪表，设备投资较大，维护成本高，并因较大的测量滞后而使得调节品质下降。为了解决这些问题，逐步形成了软测量方法及其应用技术。
    软测量就是选择与被估计变量相关的一组可测变量，构造某种以可测变量为输入、被估计变量为输出的数学模型，用计算机软件实现重要过程变量的估计。软测量估计值可作为控制系统的被控变量或反映过程特征的工艺参数，为优化控制与决策提供重要信息。软测量技术主要包括辅助变量选择、输入数据处理、软测量模型建立和在线校正等步骤。目前软测量技术在石化工业生产过程参数测量中正逐步得到应用，并具有广泛的应用前景。
    1、 辅助变量的选择
        辅助变量的选择一般是根据工艺机理分析（如物料、能量平衡关系），在可测变量集中，初步选择所有与被估计变量有关的原始辅助变量，这些变量中部分可能是相关变量。在此基础上进行精选，确定最终的辅助变量个数。
        辅助变量数量的下限是被估计的变量数，然而最优数量的确定目前都无统一的结论。文献指出：应首先从系统的自由度出发，确定辅助变量的最小数量，再结合具体过程的特点适当增加，以更好地处理动态性质等问题。一般是依据对过程机理的了解，在原始辅助变量中，找出相关的变量，选择响应灵敏、测量精度高的变量为最终的辅助变量，如在相关的气相温度变量、压力变量之间选择压力变量。更为有效的方法是主元分析法，即利用现场的历史数据作统计分析计算，将原始辅助变量与被测量变量的关联度排序，实现变量精选。
    2、 输入数据的处理
        要建立软测量模型，需要采集被估计变量和原始辅助变量的历史数据，数据的数量越多越好。这些数据的可靠性对于软测量的成功与否至关重要。然而，测量数据一般都不可避免地带有误差，有时甚至带有严重的过失误差。因此，输入数据的处理在软测量方法中占有十分重要的地位。
    输入数据的处理包含两个方面，即换算（scaling）和数据误差处理（Date error processing）。换算不仅直接影响着过程模型的精度和非线性映射能力，而且影响着数值优化算法的运行效果。数据误差分为随机误差（Random errors）和过失误差（Gross errors）两类，前者受随机因素的影响，如操作过程的微小波动或检测信号的噪声等；后者包括仪表的系统偏差（如填空、校正不准或基准漂移以及热电偶偏量管结法碳而产生绝热等），以及不完全或不正确的过程模型（泄漏、热损失和非定态等）。
    对于随机误差，工程上除了剔除跳变信号之外，一般都采用递推数字滤波的方法，如：变通滤波、低通滤波、移动平均滤波等。随着计算机优化控制系统的使用，复杂的数字计算方法对数据的精确度提出了更高的要求，于是出现了数据校核技术（Date reconciliation techniques），其基本思想是：利用精确的数学模型为测量数据提供软冗余（估计值），它可以表示为一个以估计值与测量值之差最小为目标，以过程模型为约束条件的估计值的优化计算过程，然而，由于真正"精确"的过程模型是不存在的，所以还在进一步研究该方法的工程适用性。
    虽然过程数据中含有过失误差的情况出现的机率较小，但一旦出现则会使软测量、乃至过程优化全盘失败。因此，及时侦破、剔除和校正含过失误差的数据是至关重要的。文献中提出了基于统计假设检验的过失误差处理方法，如残差分析法（Analysis of residuals）、校正量分析法（Analysis of adjustment）等，同时指出：并非所有的过失误差均能由统计假设检验的方法处理。最近人们又提出了基于神经网络的过失误差检测方法，这些方法在理论上都是可行的，但距工程实用尚需做许多工作。一个比较现实的方法是：对重要的输入数据采用硬件冗余，如：用相似的检测元件或采用不同的检测原理对同一数据进行检测，以提高该数据的可信度。
    3、 软测量模型的建立
    软测量模型是研究者在深入理解过程机理的基础上，开发出的适用于估计的模型，它是软测量方法的核心。
    （1） 线性软测量模型
        人们已提出了一种建立在Kalman滤波理论基础之上的线性软测量方法，它通过建立过程输出模型和辅助测量变量模型，并进行一系列的线性运算，得到输出变量与辅助变量之间的关系。这类方法被许多研究者认为是不实用的，它对模型误差和测量误差都很敏感，实施过程比较繁琐，最关键的是这种方法很难处理非线性严重的过程。针对该问题，文献中又提出了在线适应软测量方法，其独到之处在于采用人工分析值对软测量模型进行在线校正，以使它能克服时变等因素的影响。虽然其模型结构是线性的（形式上类似于ARMAX模型），但它在适用范围和动态信息的引入方面都有所改善。
    （2） 非线性软测量模型
         为了更好地处理非线性问题，人们又提出了非线性的软测量方法。其主要的进步在于采用了非线性形式的估计模型，目前较常用的方法主要有统计回归方法和机理建模方法。如采用主元回归法所建立的软测量模型，已在一个实验精馏塔上进行了成功的应用，机理建模方法是基于对生产过程物理化学过程的深刻认识直接找出被估计变量与可测变量之间的定量关系，以数学形式表达出来。如对一个二元精馏过程，首先根据物料平衡和能量平衡建立严格的非线性汽液平衡模型，然后根据检测到的塔板温度和进料流量，估算出全塔的浓度分布（包括进料成份）。这种方法的有效性在实验装置上得到证实。然而该方法仅适用于比较简单的生产过程，而对于很复杂的生产过程，则可采用简化非线性软测量方法，即：通过对严格机理模型进行简化，同时结合现场测试，得到简化非线性估计模型。该方法在工业应用中取得了比较好的结果。
        此外，人们还采用模糊模式识别的方法来建立软测量模型，该方法脱离了传统数学方程式的模型结构，以系统输入输出数据为基础，通过对系统特征的提取构成以模式识别描述分类方法为基础的模式描述模型。它几乎不需要有关系统的先验知识，可直接利用系统日常操作相关数据，因此适用于非线性系统软测量模型的建立。该方法已被成功地应用于某催化裂化装置汽油压的在线软测量。
    （3） 基于神经网络的软测量模型
        神经网络方法已经引起了学术界的极大兴趣，其优良的性质，如：并行计算、可学习、容错等等，可以用来解决控制工程中广泛存在的建模问题和模型校正问题。神经网络是根据对象输入输出数据直接建模的，无需对象的先验知识，而且其较强的学习能力对模型的在线校正十分有利。现在已将神经元网络理论应用于软测量，并指出：神经元网络能够有效地处理过程的非线性和动态滞后，以神经元网络构成的软测量模型已在一个工业脱甲烷塔上获得了成功的应用（神经元网络的输出通过一个一阶低通滤波器做为产品成分的估计值），而且以这种估计器的输出做为产品成分反馈信号，对一个10层塔盘的甲醇一水精馏塔（实验装置）进行了质量闭环控制。结果表明：这种控制系统至少在动态时滞方面好于由在线分析仪构成的成分控制系统。
    虽然具有两个隐含层的神经网络已经被证明可以用来逼近任意精度的非线性函数，但对于非线性严重的过程，如精密精馏过程，若用一个整体网络来映射全部的初始样本空间，就必然导致网络神经元数目较大，网络的运算和学习速度变慢，从而给模型的在线运行带来不利的影响；而且不同样本间的学习过程往往相互干扰，顾此失彼。近来有人采用多个网络（Multinetwork）和局部训练（Local Training）的方法来处理复杂动态系统的控制和学习，其基本思路是：
    1） 对初始样本空间进行聚类分析，将其分为具有不同特征值的多个子空间，用不同的子网络分别进行学习，得到一个分布式子网络；
    2） 对于每一个学习样本，通过分类决策确定其类属，分别用相应的分布式子网络对其进行局部学习，这样可以避免不同子网络之间学习的相互干扰。为了克服因局部模型硬划分而引起的不同网络之间的跳出跳变和学习跳变，文献中又提出了模糊神经网络方法。运用模糊集合论的知识对非线性对象进行局部模型的划分。值得注意的是：虽然神经网络有着较强的学习能力，但其泛化能力却因训练方法的不同而有较大的差别，现在文献中已出现了一些能够有效提高网络泛化能力的训练算法。此外，训练样本的分布和数量对泛化能力也有很大影响。
    4、 软测量模型的在线校正
    由于过程的时变性，软测量模型的在线校正是必要的。尤其对于复杂工业过程，很难想象软测量模型能够"一次成型"、"一劳永逸"。
    对软测量模型进行在线校正一般采用下列两种方法之一，即定时校正和满足一定条件时校正。定时校正是指软测量模型在线运行一段时间后，用积累的新样本采用某一算法对软测量模型进行校正，以得到更适合于新情况的软测量模型。满足一定条件时校正则是指以现有的软测量模型来实现被估计量的在线软测量，并将这些软测量值和相应的取样分析数据进行比较，若误差小于某一阈值，则仍采用该软测量模型；否则，则用累积的新样本对软测量模型进行在线校正。
    软测技术在石化生产过程中正逐步得到应用。意大利Pisa大学和Adicon先进蒸馏控制公司将人工神经网络应用于预估催化重整生成油辛烷值和汽油分离塔产品性质。阿布扎比国家石油公司也将神经网络模型用于估算原油分馏中间产品的质量，取得了良好的精度。清华大学也用RBF神经网络，对原油蒸馏塔常三线柴油90%点质量在线估计进行了研究，取得了满意的结果。虽然软测量在很大程度上能够解决过程变量不可测问题，但这一问题的根本出路仍然在于检测方法的改进和检测仪表性能的提高，不能将软测量提到一个不切合实际的高度。在许多情况下，软测量作为一种冗余手段是可行的，如同时结合仪表的维修和检测方法的改进，则往往能够大幅度提高测量数据的精度和可靠性。