推断控制和软测量技术.pptx

《推断控制和软测量技术.pptx》由会员分享，可在线阅读，更多相关《推断控制和软测量技术.pptx（43页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2023/3/161概述概念：推断控制是利用数学模型由可测信息将不可测的输出变量推算出来实现反馈控制，或将不可测扰动推算出来以实现前馈控制。背景：反馈控制中，有些被控变量难以直接测得；前馈控制中，扰动不可测。分类：简单推断控制、对不可测扰动的推断控制第1页/共43页2023/3/162概念基本涵义：推理控制或推断控制是指利用过程模型由可测输出变量将不可测的被控过程的输出变量推算出来，以实现反馈控制，或将不可测扰动推算出来，以实现前馈的一种控制系统1。第2页/共43页2023/3/163背景推理控制自从70年代被提出以来，便在化工过程控制中起着重要的作用。1992年的一份IFAC报告2中说明了这

2、一点。这份报告是由IFAC应用委员会化工过程控制工作组起草的，以提高过程控制技术基础和扫除技术障碍，最终实现商业应用为目标，提出了7项技术前沿，其中软传感器列在首位。30年来，在国内外学者的不断努力下，软传感器的理论基础及其应用已经成为过程控制中的一个较为活跃的领域。第3页/共43页2023/3/1641 简单推断控制基本思想：被控变量不可测时，采用可测的输入变量或其余辅助变量推算出不可测的被控变量。精熘塔的内回流控制精熘塔的热焓控制干燥器湿含量控制。第4页/共43页2023/3/165内回流控制概念：内回流通常是指精馏塔精馏段内上层塔板向下层塔板流动的液体流量。内回流控制是指在精馏过程中控制

3、内回流为恒定量和按某一规律而变化。内回流平稳是保证精馏塔操作良好的一个重要因素。内回流和外回流的区别影响因素：外回流流量、塔顶温度和外回流温度之差。背景：内回流因在塔内很难直接测得和控制。第5页/共43页2023/3/166内回流的数学模型第6页/共43页2023/3/167热焓控制概念：热焓是指单位质量的物料所积存的热量。热焓控制是保持某物料的热焓为定值或按一定的规律而变化。热焓是影响精馏塔平稳操作的扰动因素之一。背景：对于气液混相进料时，热焓与温度之间往往没有单值的对应关系，或者对应关系很不明显。目前还没有直接测量热焓的仪表。解决方案：热焓可以通过热量衡算关系间接得到，即载热体放出的热量等

4、于进料所取得的热量，从而间接计算出进料的热焓。热量衡算公式第7页/共43页2023/3/168流化床干燥器湿含量推断控制背景：流化床干燥器的主要控制质量指标是物料出口的湿含量。固体颗粒的湿含量难以直接测量，所以采用推断控制。解决方法：根据工艺得到关系式 湿球温度Tw测量也困难。可以针对特定的物料湿含量，建立ToTi的关系曲线。只要使To、Ti符合某条曲线关系，就可以得到湿含量。第8页/共43页2023/3/1692 推断控制系统推断控制系统的基本组成：信号分离估计器E(s)推断控制器GI(s)其实质是估计出不可测的扰动以实现前馈性质的控制，从这个意义上上讲它是开环的。因此必须要准确的知道过程数

5、学模型以及所有扰动特性。第9页/共43页2023/3/16103 推断反馈控制系统单纯的推断控制是开环的，且对模型要求较高。为克服模型误差以及其他扰动所导致的过程稳态误差，将推断控制与反馈控制结合起来，构成推断反馈控制系统。需要引入一个均衡环节。工程上常配合滤波器使用。第10页/共43页2023/3/16114 输出可测条件下的推断控制系统组成：模型误差对系统性能的影响：不管模型有什么样的误差，系统输出总是稳态无偏的。第11页/共43页2023/3/16125、软测量技术概论基本思想：软测量的基本思想是把自动控制理论与生产过程知识有机结合起来，应用计算机技术对于难于测量或暂时不能测量的重要变量

6、（称之为主导变量），选择另外一些容易测量的变量（称之为辅助变量），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。组成：软测量技术主要由辅助变量的选择、数据采集和处理、软测量模型及在线校正组成。第12页/共43页2023/3/1613机理分析与辅助变量的选择首先明确软测量的任务，确定主导变量，在此基础上了解工艺，确定辅助变量。辅助变量的选择包括变量类型、变量数目和检测点位置的选择。由过程特性所决定，还受经济条件、维护的难易程度等因素制约。辅助变量的选择应符合关联性、特异性、过程适用性、精确性和鲁棒性原则。辅助变量数目的下限是被估计的主导变量数，最优数量目前尚无统一结论。第13

7、页/共43页2023/3/1614数据采集和处理实际需要采集的数据是与软测量主导变量对应时间的辅助变量的过程数据。为了保证软测量精度，数据正确性和可靠性十分重要，采集数据必须进行处理。数据处理包含换算和数据误差处理两个方面。尤其要注意过失误差的处理。如果辅助变量个数太多，为了实时运行方便需要对系统进行降维。第14页/共43页2023/3/1615软测量模型的建立机理建模从机理出发，通过物料平衡、能量平衡和动量平衡建立动态数学模型。优点是可充分利用已知的过程知识，从本质上认识事物。但对于复杂过程难以建模。经验建模通过实测或依据积累操作数据得到经验模型。优缺点与机理建模相反。机理建模和经验建模相结

8、合把二者结合起来，可兼容两者之长，补各自之短。第15页/共43页2023/3/1616软测量模型的在线校正模型的在线校正可表示为模型结构和模型参数的优化过程，具体方法有自适应法、增量法和多时标法。为解决模型结构修正耗时长和在线校正的矛盾，提出了以下两种校正方法：短期校正：以某时刻软测量对象的真实值与模型的预测值之差为动力，及时修正模型。算法简单，学习速度快，易于在线实现。长期校正：当软测量仪表在线运行了一段时间积累了足够的新样本数据后，重新建立软测量模型。第16页/共43页2023/3/16176、软测量建模方法回归分析回归分析是一种最常用的经验建模方法，为我们分析多个变量之间的函数关系或相互

9、关系提供了有效的手段。经典的回归分析方法：最小二乘法（LR）、递推最小二乘法（RLS）、带遗忘因子的最小二乘法、多元线性回归、逐步回归、主元分析和主元回归（PCA、PCR）、部分最小二乘法（PLS）。第17页/共43页2023/3/1618多元线性和逐步回归多元线性回归（MLR）MLR基于最小二乘法，其目标是建立从m个不相关变量到估计量的线性映射。定义了系数R、Vj作为评价指标。多元逐步回归（MSR）基本思想：将变量逐一引入回归方程。该算法对个输入变量的贡献程度进行检测，剔除输入信息中的不重要部分。第18页/共43页2023/3/1619主元分析和主元回归（PCA、PCR）基本思想：为解决线性

10、回归时由于数据共线性而导致病态协方差矩阵不可逆问题，并尽可能在保持原有信息的基础上减少变量个数、简化建模，对冗余和相关的数据进行压缩提取信息。PCA：通过累计方差贡献率实现Rm Rk的变换。PCR：利用主元矩阵的非病态性，对投影矩阵进行线性回归。第19页/共43页2023/3/1620部分最小二乘法（PLS）基本思想：PLS在PCA的基础上同时考虑了输入输出数据集，对X、Y同时进行正交分解，使PLS能从较少的负荷矢量中得到尽可能多的信息。特点：适用于复杂的混合情况，非常适合处理化工对象，但计算速度慢，模型抽象。第20页/共43页2023/3/1621各种算法的比较MLR：建立的模型意义明确，一

11、次完成算法；但仅限于线性问题或非线性不严重的问题。MSR：可以剔除输入信息的不重要部分，但决算时间较长。PCA和PCR：能简化模型，但只考虑了输入矩阵，没有充分利用所有的信息。PLS：同时考虑了输入输出数据集，但计算速度慢，模型抽象。第21页/共43页2023/3/1622软测量建模方法ANNANN可以在不需要了解过程稳态和动态的先验知识的情况下很方便的建立软测量模型。而且随着工业过程内部特性的变化，软测量模型可以通过学习及时的得到修正。ANN的主要吸引力学习能力目前的研究已有停滞不前的趋势的原因黑箱，泛化能力第22页/共43页2023/3/1623BP网络BP网络是采用反向传播（BP）算法进

12、行学习的多层神经网络。BP算法有四部分组成：模式顺传播、误差反传播、记忆训练、学习收敛。BP学习规则也称为广义Delta规则，是一种使平方误差最小的迭代梯度下降方法。先计算输出误差，然后根据Sigmoid函数的梯度及输出误差产生新的权重值。第23页/共43页2023/3/1624RBF网络RBF网络只有一个隐层，中间层选取基函数作为转移函数，从输入层到隐层空间的变换是非线性的，隐层到输出层是线性的。输出层和隐含层所完成的任务不同，因而学习策略也不同。输出层是对线性权进行调整，采用的是线性优化策略，学习速度较快。隐含层是对作用函数的参数进行调整，采用的是非线性优化策略，速度较慢，因此RBF的学习

13、一般分为两个层次。训练方法：Poggio训练方法、局部训练方法、监督训练方法、正交最小二乘训练方法。第24页/共43页2023/3/16257、软测量工程设计软测量的设计步骤：针对软测量对象进行机理分析，选择辅助变量(三个方面，即变量类型、变量个数和检测点)数据采集和预处理建立软测量模型设计模型校正模块在实际工业装置上实现软测量软测量的评价第25页/共43页2023/3/1626选择辅助变量变量类型的选择 一般来说，选择二次变量应遵循下列若干原则：高灵敏性、特异性、过程适用性、高精确性、强鲁棒性、小滞后性、良好的实时性等。对于一个具体的过程，其选择范围就是可测变量集合，可供变量类型的选择是十分

14、有限的。变量个数的选择 二次变量可选个数的下限是被估计的变量数。而最佳变量个数则与过程的自由度、测量噪声以及模型的不确定性有关。常用的方法是从系统的自由度出发确定二次变量的最小数量，结合具体过程的特点适当增加，以更好地处理动态性能等问题。第26页/共43页2023/3/1627选择辅助变量检测点的选择 检测点的选择方案十分灵活，一般采用单值分解SVD（Singular Value Decomposition）原则，选择检测点位置的方法具有定量比和精确度高的特点，能适应操作点的变化。实际应用证明了该方法的可行性。有的也可根据投影误差最小原则去选择检测点的位置3。第27页/共43页2023/3/1

15、628过程数据预处理异常数据的剔除技术判别法统计判别法（拉依达准则）数据的平滑从采样数据中去除噪音成分，保留真实信号，一般采用数字滤波的方法。数字滤波中消去或滤除高频噪音，保留或突出低频信号，这类方法成为数据的平滑或修匀。线性滑动平滑法第28页/共43页2023/3/1629数据校正概念：针对随机误差和显著误差进行的数据协调和显著误差检测。数据校正技术可分三步进行：变量分类显著误差的检测（统计检验法最为常用）参数估计和数据协调动态过程数据校正：滤波方法和以模型为基础的非线性规划技术第29页/共43页2023/3/1630软测量实例烧成带温度Burning Zone Temperature，BZ

16、T立升重要求控制在130075g/L BZT 立升重145050 130075g/L第30页/共43页2023/3/1631软测量实例辅助变量二次风温Ts窑尾烟室温度Te大窑电流IyTsTeIy第31页/共43页2023/3/1632软测量实例数据预处理拉以达准则去除测量数据中含有的显著误差，而传统统计判别方法对于测量数据中存在的输入输出数据失配误差却显得无能为力 模糊聚类显著误差侦破 第32页/共43页2023/3/1633软测量实例模型建立支持向量机，新兴的机器学习方法，相比神经网络具有全局优化、泛化能力强等优点最小二乘支持向量机(LSSVM)，是支持向量机的一种扩展，只求解线性方程，其求

17、解速度快，在函数逼近、建模等领域得到了广泛应用 第33页/共43页2023/3/1634软测量实例结果第34页/共43页2023/3/1635软测量实例结果训练样本数测试样本数LS-SVMRBF训练均方差测试均方差训练均方差测试均方差模糊聚类50610.00350.00530.00170.0195拉依达准则80950.01710.12330.00620.2052表1 数据处理与建模方法性能比较第35页/共43页2023/3/1636软测量实例结果由表1可知，通过模糊聚类方法获得的样本数据的适应性明显优于拉依达准则方法获得的数据，原因在于模糊聚类方法去除了原始数据中含有的失配误差，而拉依达准则方

18、法却没能去除；同时比较发现，LSSVM的训练均方差虽然大于RBF网络的训练方差，但其泛化均方差却小于RBF的泛化均方差，因而获得了更好的结果。第36页/共43页2023/3/16378、软传感器技术存在的问题及展望软传感器技术存在的问题及展望 最佳软传感器设计问题 软传感器的研究依赖于实际工程背景，并且随着过程控制的不断进步而发展的。冶金过程中存在诸如被控输出采样、测量、分析困难的问题，连续轧钢机钢带厚度控制问题，转炉定碳控制问题等。实际应用中，往往只是简单地采用预估函数或多次迭代卡尔曼滤波的预测法以及数值拟合等方法，没有把辅助输出快速采样的优势及其所含丰富的信息与控制策略结合起来，因而具有一

19、定的局限性。对不同的过程来讲，总有最佳的软传感器存在，究竟怎样设计，要视被控过程的特点而定。第37页/共43页2023/3/16388、软传感器技术存在的问题及展望软传感器技术存在的问题及展望 有效输入输出模型 由于被控变量在大部分时间得不到采样值，一般输入输出模型对系统的描述是无效的，故出现了如多率数据采样系统、周期性时变系统，同时提出了许多软传感器设计方案。但是如果能找到这样的输入输出模型，它能恰当地描述系统特性，又能把软传感器和推理控制器的设计有机地结合起来，则可把许多成熟的设计方法巧妙地“移植”到推理控制系统的设计中来，在这方面进行研究，可以得出有益的结果。第38页/共43页2023/

20、3/16398、软传感器技术存在的问题及展望软传感器技术存在的问题及展望 最优化方法的选择 H最优化方法比H2最优化方法更加直接地提高软传感器的鲁棒性，更方便地进行鲁棒性分析。目前，H最优化设计技术中比较成熟的方法有状态空间法、多项式法。具有鲁棒性的辨识方法也可提高软传感器的鲁棒性，把H优化法和鲁棒辨识法融合于软传感器的设计中，是很有意义的探索。第39页/共43页2023/3/16408、软传感器技术存在的问题及展望软传感器技术存在的问题及展望 人工智能方法的思考 人工智能方法在软传感器方面的应用方兴未艾，如神经元网络、模糊规则、遗传算法等。尽管它们在理论上还不完善，但在实际应用中已有成功的例

21、子。因此，我们有理由相信，在众多的解决方案中，人工智能方法将是很重要的一种。第40页/共43页2023/3/16418、软传感器技术存在的问题及展望软传感器技术存在的问题及展望 软传感器技术的讨论 软传感器技术是工业过程优化和分析的有力工具，在测控理论研究和实践中取得了广泛的成果，其理论体系正在逐渐形成。由于工业过程的复杂性决定了不可能只采用一种技术就可完美地解决建模和控制问题，因此，要将各种技术有机地结合起来，已成为今后研究和应用的潮流。一揽子解决复杂工业过程测控、建模、在线校正比较困难。数据处理是软传感器设计中的一个十分重要的问题，尤其是对过失误差的处理，在理论研究方面已取得不少成果，但距实际应用还有一些差距，应进一步深入研究，应用于实际过程。此外，现有的在线校正方法十分有限，应该发展更多更新的方法，以适应复杂工业对象的要求。第41页/共43页2023/3/1642第42页/共43页2023/3/1643谢谢您的观看！第43页/共43页