基于非线性和实时性软测量技术对葛根素浓度的预测修改3.doc

基于非线性和实时性软测量技术对葛根素浓度的预测摘 要本文介绍一种非线性和实时性软测量技术，利用该技术测试葛根素的浓度，这一技术的优势体现在将比重，浓度等相关的工艺参数有效地连接，同时配合单片机建模预算和智能检测控制的浓度检测设备，适应了我国现状需求，使之成功在化工液体物料浓度监测中发挥作用。关键词：非线性；实时性；建模；浓度检测ABSTRACTThis paper presents a non-linear and soft real-time measurement techniques, the use of the technology to test the concentration of puerarin advantage of this technology is reflected in the proportion of relevant process parameters such as the concentration of effective connection, in conjunction with the budget and intelligent single-chip modeling detection and control of the concentration of test equipment, adapted to the needs of our current situation, make it a success to play a role in monitoring the concentration of the chemical liquid materials.Keywords: Nonlinear; real-time; modeling; concentration detection引 言葛根素的主要成分黄酮苷，具有活血化瘀、改善微循环、扩张冠状动脉和脑血管、降低心肌耗氧量的药理优势。此外葛根素制剂早已用于临床，成为医疗手段中广受欢迎的注射剂，主治病症包括心脑血管疾病、视网膜血管病、眼底病及突发性耳聋等。软测量技术在化工业中的突出作用附着于葛根素浓度的检测研究，已经成为化工生产结果的初检和生产操控的手段。但是，国内的葛根素浓度检验技术起步较晚，检测设备昂贵，使用范围受到极大限制，所以对于国内众多的企业来言，电导类、超声波类的检测设备是更好的选择。两者比较得出，葛根素浓度检验设备花费昂贵、时效性不强，电导或者超声波类检测设备适用范围狭窄，结果存在偏差。因此需要对此进行改进，通过对基于非线性和实时性软测量技术进行研究，来满足对葛根素浓度的测量。一、基于非线性和实时性软测量技术的实用性当前国内的浓度分析检测技术相对薄弱，实际上，浓度检测设备与成分分析设备有着诸多差异。成分分析设备的着眼点在物料成成分的细分，检测过程中只要存在某种物质，那么，分析结果曲线上就会呈现“谱峰”，例如色谱仪。而浓度检测设备的着眼点在于某种物质在物料中所占的比例。成分分析设备与浓度检测设备的的关联就体现在成分分析设备不仅弄够将物料的质分辨出来，还能对物质的量作出分析，而浓度检测设备只限于物质的量，范围相对狭小。实践证明，成分分析主要的流程是先采集样品，接着对发生的化学反应，物理反应，所用试剂以及特殊材料色谱柱等环节实施对比、计算，最终获取实验数据。这一过程的实现，时效性较差，花费昂贵。但是多数化工生产过程，其物料是特定质的，是追求某一种特定质的量。基于非线性和实时性软测量技术的使用，能够迅速的将化工生产过程中葛根素的浓度情况显现出来，这种技术应用到生产实践，能够反映我国当前实际的需要 ，尤其是广大化工业生产中值得普及。二、软测量技术理论简介伴随着计算机技术的广泛运用，软测量技术作为一种先进的、重要的研究方法，同时也成为智能仪器仪表理论的基石，在过程控制领域发挥了极大地作用，著名的国际过程控制专家McaVoy教授的观点是，软测量技术在未来的发展中将会占据很大优势，前提需要将其列为控制领域研究中。软测量技术的概念涉及诸多学科研究，主要是将寻常检测与计算机信息处理和科学运算相结合，形成的一种集过程辨识、工艺规律和控制机理学习的间接监测技术。处于葛根素生产过程中比较容易实现实时检测的是温度、压力、物位、流量，而软测量技术就是将寻常的检测方法和计算联系到一起。软测量技术包含四个内容：分析过程机理、确定主导变量和辅助变量；计算机的采集、存储、数据处理；建立数学模型或经验模型；在线校正。就当前的计算机技术发展的趋势而言，各种能力都非常容易实现，理论上认为基于浓度检测的软测量技术能够将可控范围的物料中的成分检测出来。实施葛根素浓度检测，需要先将目标变量确定好，接着利用专项计算机采集器对面表变量实施监测，记录，储存，好比是飞机的黑匣子，只好连接好传感器，放在那里那么就能实现时、分、秒的参数记录。数据的记录总是呈现在一定的时间形式上，记录的同时还可以实现难以实时采集，难以实施人工取样化验室分析得出结论的都通过时间过渡记录下来，采取人工键盘或者是软键盘方式输入到计算机中。在对葛根素浓度进行检测时，需要经过与更精确化验分析的结果进行比对校定，建立于机理分析、予估计算基础上的软测量浓度仪的在线校正，是验证结果的最重要的环节。此时可以使用长期学习的方法，即要使软测量仪表能记忆在线运行一段时间数据，积累了足够的新样本模式后，重新建立软测量模型。另外智能化程度更强的仪表，还可以有自适应法，自校验的方式进行动态校正。下面对软测量浓度仪研制过程的技术工艺路线进行介绍，如图1所示：研究用户生产工艺条件确定量程范围研究取样管线、取样方式签约确定合作方式调研市场确定试验场所研制取样桶解决稳波问题研制数据库SQL研制二次仪表单片机系统改程序用样液试调研制传感器、变送器现场安装调试修订程序及数据库现场取得调试、标定数据正式投运现场调试现场鉴定、专家评审研定生产工艺方案确定专用软件包程序小批量生产样机制订质量检定标准，确定生产计划图1 技术工艺路线图三、基于非线性和实时性的软测量技术使用方法基于非线性和实时性的软测量技术需要使用到实时数据，因此在对葛根素浓度进行预测时，首先要对数据进行准确、实时的采集，在采集到数据之后对其进行分析，并通过数学建模方式来对其进行计算。在数学建模中存在多种方式，比较常见的有付氏变换多项式、最小二乘、曲线弥和或者作样条插值的曲线跟踪等等方法。建模时使用采集器对数据进行采集，然后录入计算机，使用付氏变换表达式来对其进行计算。在一般的建模中会使用到函数表达式，利用线性化分析进行计算，存在多元变量时，矩阵的计算会比较麻烦，而且得出的解会有多个，此时利用多次采集的数据进行综合计算，进而可以得出式子的唯一解。在对葛根素浓度进行检测时，需要对多次检测的结果比较，然后找出精确的测量数据，进而进行机理分析和在线矫正，这对葛根素浓度测量的准确性非常重要。对葛根素浓度的测量是实时性、非线性的，因此在建立模型时需要考虑时变和非线性问题，要对模型的参数和结构实行优化分析。在对数据进行获取时需要进行短期的校验，此时对采集的数据信息和仪器读取的信息进行对比，之后利用斜率增量和截距增量的方式来对数据进行精确化修改，这种方法获取的数据面相对较窄，不能够对数据进行长期的分析。如果想要对数据进行长期分析的话，需要设备有数据存储记忆能力，设备对读取的数据进行存储，在读取的数据量达到一定限度之后进行数学建模分析，此时可以计算出实时的葛根素浓度。通过数学建模和计算机的大量计算可以得到智能化检测设备，这种设备能够进行自我检验和实时读取数据，进而达到动态检测葛根素浓度的效果。在基于非线性和实时性软测量技术会使用到比重传感器和变送器。在这一功能中包含差动变送器电磁原理变送模块、CCD测位移的数字通讯模块和称重式测比重力学原理变送模块。差动变送器电磁原理变送模块可以利用磁芯比重浮子来对读取的数据信息线性化计算，并且使数据信号化输入到设备显示仪上。CCD测位移的数字通讯模块包含数字通讯功能，能够感知光线脉冲和像素唯一，利用数字通讯技术对数据进行传输。称重式测比重力学原理变送模块使用了高精度称重传感器，利用浮力原理对数据进行读取，然后将信号放大传输到显示仪上。传感器浮动或浸在流动的液体中测量，需要液体的流速相对稳定，我们研制的取样装置一般采用单桶结构受控、间断取样方式，如图2所示： 比重计 传感变送器 测温组件 流出 取样电磁阀流入 图2 受控稳流取样桶结构示意图此种方式应并接在工艺主线的旁路上进出液口有程控电磁阀，每一采样周期控制电磁阀关断使传感器所需液面是静止的，采样后再打开电磁阀置换进新的液体，对于极其特殊的负压生产，旁路取不出液体来，我们还可以增加附属设备取样泵来让液体不断加速置换。在对葛根素提取时需要建立软测量模型，下面对模型的建立进行介绍：第一，对辅助变量进行选择，植物药葛根在超声波提取过程中, 提取率通常可以写成:=f (1, 2, I2, I1, , T, t, n)。 在上式中， I1、I2为萃取中双频超声萃取的强度; 1, 2为双频超声频率; 为液固比; t 为萃取时间; T 为萃取温度; n 为萃取次数, 本课题中只需要 1 次超声波萃取, 因为葛根素在超声波强化萃取2050min后大部分成分就会渗透在萃取液中,所以 n=1。针对目前超声波萃取的都是单方药材, 本文萃取的药材是葛根中的葛根素, 采用正交试验设计对工艺参数进行优化后确定了最佳的双频超声波的频率分别为 20 kHz 和 28 kHz、液固比为 401、乙醇体积分数为 70%的萃取溶剂和超声占空比为4s1s。本文的易测变量选取萃取温度 T 和萃取时间 t, 建立待测的变量(提取率)和易测变量之间的回归数学模型。采用单片机实现基于支持向量机的软测量回归模型的计算。通过离线采集葛根素样本后进行吸光度测量, 对获取的数据通过支持向量机离线训练得到回归模型, 并将得到的回归模型通过在单片机中的实时计算, 实现植物根茎类药材提取率的在线检测。第二，基于粒子群优化算法的模型参数选择核函数是 SVM 的关键技术, 它的选择影响着模型的学习能力和泛化能力。与其他常用核函数相比,径向基(radial basis function, RBF)核函数参数数量少,具有较宽的收敛域, 易于掌握, 应用最广泛。其基本思想是通过群体中个体之间的信息传递及信息共享来寻找最优解。PSO 算法采用速度-位置搜索模型。每个粒子代表解空间一个候选解, 优劣程度由适应度函数决定。设初始粒子群为 P=pmI=1, m 为粒子群规模, 第i 个粒子 pi的位置为 x i=x i1, x i2, , xid,T, d 为待优化变量维数, 速度为vi=vi1, vi2, , xid, T, pi搜寻到的最优值为 pbesti=pbesti1, pbesti2, , pbestid, T, P 搜寻到的最优值为 gbesti=gbesti1, gbesti2, , gbestid, T。pi通过跟踪 pbesti和 gbesti来更新 xi和 vi, 从而不断向待优化变量的真正优化解进化。第三，SVM 软测量建模本文基于双向组合超声波湍动技术进行研制,通过超声萃取实验共采集了覆盖整个萃取过程的 25 组样本数据, 前 20 min 内每 2 min 采集 1 次样本, 在 2060 min 内样本每隔 4 min 采集 1次。对于样本数据通过型号为 UV-2012PC 的紫外分光光度计去测量吸光度, 利用线性回归计算得出吸光度A与萃取溶液浓度的关系, 然后根据溶液浓度、萃取溶液体积 V 和葛根的质量之间的关系, 最终得到提取率。采用粒子群算法对 SVM 算法的2个参数进行了优化选取。取能够直接反映SVM性能的均方差(mean squared error, MSE)评价每个粒子的适应度。通过 PSO 算法和 SVM 建立超声波萃取葛根饮片葛根素提取率的模型, 最终得到 SVM 参数:C=6.84, g=1.26, 并对得到的模型进行验证。运行回归建模程序后生成的 MODEL 中得到。SVs 里面包含了支持向量, sv_coef 是支持向量在决策函数中的系数。根据具体参数值, 可以得到软测量回归模型。对于构建的软测量模型进行了验证可以得到精度满足设计要求, 可以在硬件上进行在线检测系统的设计。在对基于非线性和实时性软测量技术需要同时使用到硬件和软件，下面对所使用到的硬件和软件进行介绍。智能浓度仪是由单片机嵌入式系统组成，MCU89C55内有16K Flash内存，地址译码和数据总线联接32K带电池保护非易失性RAM作为在线建模校正的数据记录体。设备通过模拟信号来对数据信息进行传输，在读取得数据之后利用A/D转换将数据信号化，然后传入到MCU，之后对传感信号进行检测，进而由仪器来对数据进行计算，在计算时需要对八位D/A转换的模拟量信号解析，然后利用控制信号对数据进行采样。在需要对数据进行打印时可以将打印机连接到设备上，通过并行LTP打印输出口将数据传输到打印机进行打印。软件方面将数据读取、传输、计算、显示等方面集中考虑联系到一起，采用了模块化分析，根据系统的实际需要将系统分为不同的模块，然后对这些模块进行实现，在模块功能实现的基础上将模块连接到一块，进而实现系统的整体功能。其中在系统的设计中使用到了数据读取、中断操作、数据通讯、信号输入等多个服务程序，系统个模块可以对这些服务程序进行调用，方便了系统的设计，便于系统的调整修改。四、葛根素浓度检测的实验投运数据记录：现场投运数据记录（表1）序号时 间浓度%比 重（密度）温度人 工比 重化验室结 果误差备 注131.61.15131.31.1510.07误差与人工推算比较的214：1531.781.15526.01.15631.650.13331.461.15030.91.1500.05误差是与人工推算比较的431.761.15428.31.1550.06517：2533.891.16625.71.17233.840.05631.871.15528.41.1540.07误差是与人工推算比较的732.001.15628.21.1540.0987：5034.601.16330.91.16534.580.02931.811.16022.91.1580.09误差是与人工推算比较的1031.961.15626.31.1520.13118：3033.331.16523.91.16233.20.131231.631.15128.01.1520.07误差是与人工推算比较的现场投运数据记录（表2）序号时 间浓度%比 重（密度）温度人 工比 重化验室结 果误 差备 注12/3 14：1699.82（1.）102830.91.113599.980.0012（1.）为省略显示.人工比重为温度修正后数值. 以20为标准修正的比重.例：1.1028+0.001（30.9-20）=1.1147误差是以修正后的比重计算：1.1147 - 1.1135 = 0.0012浓度不参加误差运算215：5099.82（1.）102231.71.113399.9910.0006321：4099.82（1.）104029.71.113799.992043/3 10：1099.83（1.）103331.01.113699.9850.0007521：0099.82（1.）104728.91.11320.000413/4 10：3099.911.097035.81.112899.9440根据现场调整计算公式：N213：0099.901.099533.41.113199.913-0.0002316：1099.901.104028.41.112899.932-0.000418/4 9：1099.931.104529.11.114099.942-0.0004因用户跑苯取样阀损坏.修复后调整零位重新投运210：2099.921.104828.51.113299.9130.0001313：3099.921.103929.31.113199.8910.0001五、基于非线性和实时性的软测量技术对葛根素浓度预测的意义基于非线性和实时性的软测量技术是工业计算机优化控制的有利工具，在理论研究和实际应用中已经取得了不少成果，其理论体系亦正在逐步形成。通过计算机的高速运算技术来对葛根素的浓度进行预测，不仅可以可以快速的对葛根素浓度进行预测，还可以提高预测的精度，软测量仅靠实验室分析仪表分析值进行校正要获得很高精度是很困难的，是一种粗放型测量技术，它需要对实际数据进行读取，并且通关传感器对数据进行传输，由高速运转计算机对其进行计算。基于非线性和实时性的软测量技术可以解决传统的葛根素浓度预测难问题，在学术和实际生产中都具有非常重要的意义。参考文献1 尚宝霞.  重油催化装置干气纯度的软测量J. 化工自动化及仪表. 2001(06)2 孙自强,顾幸生,党晓恒,俞金寿.  连续催化重整装置辛烷值软测量研究J. 系统仿真学报. 2001(S1)3 王东风,宋之平.  基于神经元网络的制粉系统球磨机负荷软测量J. 中国电机工程学报. 2001(12)4 杨慧中,陶振麟,张素贞,顾文兰,黄翔宇.  聚丙烯腈质量指标软测量模型的数据动态校核J. 华东理工大学学报. 2001(05)5 李向阳,朱学峰,刘焕彬.  制浆蒸煮过程中基于预测误差估计器的软测量方法研究与应用J. 控制理论与应用. 2001(05)6 靳其兵,谢祖嵘,彭月祥.  基于神经网络的软测量技术及其应用J. 冶金自动化. 2001(05)7 曹柳林,陶斌军.  基于对角递归神经网络的粘度软测量模型J. 北京化工大学学报(自然科学版). 2001(02)8 李向阳,朱学峰,黄道平,刘焕彬.  间歇制浆蒸煮终点预测方法J. 计算机与应用化学. 2001(02)9 韩璞,王东风,翟永杰.  基于神经网络的火电厂烟气含氧量软测量J. 信息与控制. 2001(02)10 田荣海,陈国礼,吴俊生,张素贞,顾文兰,刘国跃,黄翔宇,任国强.  五效蒸发装置软测量模型的建立J. 化工自动化及仪表. 2000(06)11 Brosillow,Inferential Control of Process,AIChE. J . 197812 Brambilla A,Trivella F.Estimate product quality with ANNs. H P . 199613 Tham M T,Montague G A.Soft_sensors for process estimation and inferential control. Journal of Process Control . 199114 Lorena J S,Biegler T.Data reconciliation and gross error detection for dynamic systems. American Institute of Chemical Engineers Journa . 199615 Savkovice J.Neural networks for process analysis and optimization: modeling and applications. Computers and Chemical Engineering . 199416 Chen Yi,Karjala T W.Resolving problems in closed loop nonlinear process identification using IRN. Computers and Chemical Engineering . 199617 Michael L,Mark A.Modeling chemical processes using prior knowledge and neural networks. American Institute of Chemical Engineers Journal . 199418 Gonzalez G D.Issues in soft_sensor applications in industrial plants. Proceedings of 1994 IEEE International Symposium on Industrial Electronics . 199419 WangYong_sheng,ShaoHui_he.Softsensorsinfluidcatalyticcracking. Proceedingsofthe3rdWorldCongressonIntelligentControlandAutomation . 200220 TakagiH,HayashiI.NN_drivenfuzzyreasoning. IntJournalofApproximateReasoning . 199111