軟測量技術(shù)研究

摘要：軟測量技術(shù)為工業(yè)生產(chǎn)中難以監(jiān)測的重要變量的實(shí)時(shí)測量提供了有效的手段。本文著重介紹了軟測量建模方法和輔助變量選擇方法，及探討了軟測量技術(shù)在工業(yè)生產(chǎn)中的應(yīng)用，同時(shí)分析了軟測量技術(shù)的不足，并對其發(fā)展進(jìn)行了展望。

關(guān)鍵詞：軟測量;輔助變量;工業(yè)應(yīng)用

引言

在工業(yè)生產(chǎn)中，為了提高生產(chǎn)質(zhì)量，降低生產(chǎn)成本及提高系統(tǒng)的可靠性，需要對生產(chǎn)過程中與生產(chǎn)質(zhì)量密切相關(guān)的過程變量進(jìn)行實(shí)時(shí)監(jiān)控。然而，有些生產(chǎn)數(shù)據(jù)難以在線實(shí)時(shí)測量，或者其硬件儀表價(jià)格昂貴，影響生產(chǎn)成本。如污水生產(chǎn)過程中重要水質(zhì)參數(shù)BOD5（五天生化量）直接反應(yīng)污水的受污染程度，但其難以用儀表進(jìn)行實(shí)時(shí)測量，無法保障安全生產(chǎn)。化工生產(chǎn)中精餾塔間苯二胺純度的實(shí)時(shí)測量也一直是一個(gè)難題。工業(yè)生產(chǎn)中，紙漿的Kappa值、高爐鐵水的含硅量等參數(shù)對保證產(chǎn)品質(zhì)量起到關(guān)鍵作用，也需要要對其進(jìn)行實(shí)時(shí)監(jiān)控。軟測量技術(shù)為這些重要變量的實(shí)時(shí)監(jiān)測提供了有效手段。近年來，軟測量的研究取得了較大突破并且被廣泛應(yīng)用于工業(yè)中[1-2]。

1 軟測量方法

軟測量技術(shù)是利用易以檢測的變量與目標(biāo)變量的關(guān)系，通過構(gòu)建數(shù)學(xué)模型來計(jì)算目標(biāo)變量的值，從而達(dá)到目標(biāo)變量測量的目的。軟測量技術(shù)最核心的問題是軟測量模型的構(gòu)建[3]，模型的預(yù)測精度直接影響工業(yè)生產(chǎn)。目前比較受認(rèn)可的軟測量建模方法主要有3種，一種是基于機(jī)理分析的軟測量建模，另一種是基于回歸分析的軟測量建模，還有基于人工智能的軟測量方法。也有部分學(xué)者對基于對象數(shù)學(xué)模型的軟測量建模和基于統(tǒng)計(jì)學(xué)習(xí)理論的軟測量建模進(jìn)行了研究。

（1）基于機(jī)理分析的軟測量建模方法

基于機(jī)理分析的方法是通過分析研究對象的內(nèi)部結(jié)構(gòu)，明白其工作機(jī)理，采用方程或數(shù)學(xué)模型來描述易測變量與目標(biāo)變量之間的關(guān)系。這種方法有較好的解釋性，能較科學(xué)的表達(dá)變量之間的關(guān)系，適用于研究對象較為簡單，機(jī)理明確的場合。但該類方法建模難度大[4-6]，要求工作人員有較為豐富的先驗(yàn)知識，對研究對象的內(nèi)部機(jī)理有深入的理解，否則所建模型將會有較大偏差。

（2）基于統(tǒng)計(jì)回歸分析的軟測量建模方法

該類方法主要有主元分析法（PCA）、偏最小二乘法回歸（PLS）以及在此方法基礎(chǔ)上的一些變形應(yīng)用[7-9]。如非線性PCA、非線性PLS等。這類建模方法是在大量數(shù)據(jù)的基礎(chǔ)上，通過數(shù)學(xué)或統(tǒng)計(jì)學(xué)提取中有用的信息，是一種基于豐富的歷史數(shù)據(jù)的過程建模方法。硬件儀表技術(shù)的發(fā)展為多數(shù)據(jù)的實(shí)時(shí)采集提供了基礎(chǔ)，因此此類方法也得到了較好的應(yīng)用。

（3）基于人工智能的軟測量建模

人工神經(jīng)網(wǎng)絡(luò)是目前發(fā)展較成熟的人工智能建模方法。人工神經(jīng)網(wǎng)絡(luò)是一種黑箱建模方法，該方法具有非常好的非線性擬合能力，適合非線性系統(tǒng)的建模。由于計(jì)算機(jī)硬件處理能力的增強(qiáng)，能提供海量的數(shù)據(jù)和實(shí)時(shí)有效的計(jì)算結(jié)果，使得神經(jīng)網(wǎng)絡(luò)等人工智能建模方法在近年來發(fā)展迅猛。

（4）基于對象數(shù)學(xué)模型的軟測量建模

在控制學(xué)中，常采用狀態(tài)空間方程來描述控制系統(tǒng)信息。該方程不僅描述能輸出與輸入之間的關(guān)系，還能顯示輸出與內(nèi)部狀態(tài)的關(guān)系。很多學(xué)者嘗試將控制學(xué)中狀態(tài)空間模型引入到軟測量中，將目標(biāo)變量作為狀態(tài)變量，易測變量作為輸出變量，則目標(biāo)變量的測量就轉(zhuǎn)變成了狀態(tài)變量的估計(jì)問題。基于卡爾曼濾波器，求出狀態(tài)估計(jì)值。子空間辨識建模屬于這類建模方法，該方法基于簡單的數(shù)學(xué)工具，所建模型的魯棒性很強(qiáng)[10]。

（5）基于統(tǒng)計(jì)學(xué)習(xí)理論的軟測量建模

統(tǒng)計(jì)學(xué)習(xí)是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論。該類方法中最有代表的支持向量機(jī)法（SVM）。支持向量機(jī)法的泛化能力比較強(qiáng)，從而得到了廣泛的應(yīng)用，如污水處理領(lǐng)域[11-12]。然而，SVM算法受到核函數(shù)必須滿足Mercer條件的限制，并且該算法的計(jì)算復(fù)雜度會隨著訓(xùn)練樣本數(shù)增加而快速增加。為了克服這些問題，Tipping[13]在SVM方法中引入了貝葉斯框架，進(jìn)而提出了相關(guān)向量機(jī)（ RVM）方法，該方法克服了 SVM必須要滿足Mercer 條件的局限，同時(shí)獲得了更高的預(yù)測精度和更短的預(yù)測時(shí)間[14]。有部分學(xué)者還提出了基于支持向量機(jī)的自適應(yīng)方法，克服了實(shí)時(shí)在線建模問題。綜上所述，基于機(jī)理分析的建模方法需要對研究對象有深刻的認(rèn)識，對其內(nèi)部特性完全理解，該方法具有較好的推理性，可解釋性。而現(xiàn)實(shí)工業(yè)生產(chǎn)一般是一個(gè)極其復(fù)雜的非線性系統(tǒng)，很難用機(jī)理建模方法去建模，建模難度較大。基于回歸分析的方法一般用于線性系統(tǒng)或近似線性系統(tǒng)建模中。基于對象數(shù)學(xué)模型的建模方法主要用于對象模型已知的測量。基于統(tǒng)計(jì)學(xué)習(xí)理論的建模方法適用于小樣本數(shù)據(jù)建模。基于人工神經(jīng)網(wǎng)絡(luò)利用海量數(shù)據(jù)進(jìn)行建模，適用于非線性和不確定系統(tǒng)中。

2 輔助變量選擇

輔助變量選擇不僅能降低模型的維度，而且可以有效去除噪聲等冗余數(shù)據(jù)，提高模型的預(yù)測精度。根據(jù)一定的搜索方法和評價(jià)準(zhǔn)則可以從易測變量集合中選出一些比較有效的變量子集。輔助變量選擇方法可以分為三大類：過濾式、包裹式和嵌入式變量選擇方法[15]。

（1）過濾式變量選擇法

該類方法通常根據(jù)輔助變量對目標(biāo)變量的重要性程度來選擇變量，再用“過濾”后的變量進(jìn)行建模。該類方法常見的有回歸系數(shù)法、變量重要性投影法。優(yōu)點(diǎn)是運(yùn)行高效。缺點(diǎn)是忽略了變量之間的相互依賴性，往往選出冗余變量。

（2）包裹式變量選擇法

包裹式變量選擇法以所設(shè)定的學(xué)習(xí)器的性能指標(biāo)作為評價(jià)標(biāo)準(zhǔn)，選出使學(xué)習(xí)器性能指標(biāo)較優(yōu)的子集作為輔助變量，然后利用選出的子集建立預(yù)測模型。在輔助變量的選擇過程中，不斷的搜索變量子集直至達(dá)到性能標(biāo)準(zhǔn)或停止準(zhǔn)則。常用的搜索策略有模擬退火算法、遺傳算法等。該類方法通常能選出性能較優(yōu)的子集，但需要進(jìn)行大量的計(jì)算，運(yùn)行時(shí)間較長，還有可能出現(xiàn)過擬合問題。

（3）嵌入式變量選擇法

嵌入式變量選擇法將變量選擇和模型訓(xùn)練融為一體，在建模的過程中進(jìn)行變量選擇。常見的嵌入式變量選擇方法有決策樹算法和壓縮系數(shù)變量選擇法。

3 軟測量在工業(yè)生產(chǎn)中的應(yīng)用流程

在工業(yè)生產(chǎn)中，用軟測量方法對難以測量的目標(biāo)變量進(jìn)行實(shí)時(shí)測量，其應(yīng)用流程如圖1所示。

第一步，根據(jù)工業(yè)生產(chǎn)系統(tǒng)的特點(diǎn)及實(shí)際情況，分析系統(tǒng)需要測量的變量，明確需要用軟測量技術(shù)測量的目標(biāo)變量，并列出與之相關(guān)的易測變量，準(zhǔn)備建模數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行歸一化處理。

第二步，對易測變量進(jìn)行輔助變量選擇，選出與目標(biāo)變量密切相關(guān)的部分易測變量，減少數(shù)據(jù)量，降低后期模型的復(fù)雜度。

第三步，采用適合生產(chǎn)特點(diǎn)的軟測量方法進(jìn)行建模，建立系統(tǒng)模型。

第四步，在投入生產(chǎn)前進(jìn)行仿真實(shí)驗(yàn)，不斷改進(jìn)優(yōu)化軟測量模型，直至達(dá)到預(yù)測精度為止。

第五步，投入生產(chǎn)實(shí)踐。

4 總結(jié)與展望

在國內(nèi)外學(xué)者的共同努力下，軟測量理論研究取得了較大進(jìn)展，在許多工業(yè)生產(chǎn)中得到了廣泛應(yīng)用。軟測量技術(shù)是硬件傳感器不足的重要補(bǔ)充，減少了設(shè)備成本。很多學(xué)者結(jié)合優(yōu)化算法、控制學(xué)理論、統(tǒng)計(jì)學(xué)等相關(guān)知識對軟測量建模進(jìn)行了研究，取得了較好成績，但是軟測量模型的精度仍需進(jìn)一步提高。軟測量模型的在線校正仍存在不足，如何根據(jù)生產(chǎn)工況變化自適應(yīng)調(diào)整軟測量模型，這是目前需要迫切解決的問題。到目前為止，軟測量技術(shù)的理論研究多于實(shí)踐應(yīng)用，將軟測量技術(shù)開發(fā)成專業(yè)軟件應(yīng)用于生產(chǎn)是企業(yè)的需要。軟測量技術(shù)具有廣闊的發(fā)展空間，相信隨著軟測量技術(shù)的不斷發(fā)展完善，其將在工業(yè)生產(chǎn)中發(fā)揮更大作用，為工業(yè)安全生產(chǎn)提供更加強(qiáng)有力的技術(shù)保障。

參考文獻(xiàn)

[1]俞金壽.軟測量技術(shù)及其應(yīng)用[J].自動化儀表，2008，29（1）： 1-7.

[2]曹鵬飛，羅雄麟. 化工過程軟測量建模方法研究進(jìn)展[J].化工學(xué)報(bào)，2013，64（3）： 788-800.

[3]陳兆波，任月明.污水處理廠、測量、自動控制與故障診斷[M].北京：化學(xué)工業(yè)出版社，2008：62-80.

[4]Corrious J. P.，Pons M. N. Model predictive control of wastewater treatment plants application to the BSM1 benchmark[J].Computer Aided Chem.Eng.，2004，18（14）：625-630.

[5]Vrecko D.，Hvala N.，Carlsson B. Feedforward-feedback control of an activated sludge process： a simulation study.[J]. Water Science & Technology，2003，47（12）：19-26.

[6]Benedetti L.，De Baets B.，Nopens I.，et al. Multi-criteria analysis of wastewater treatment plant design and control scenarios under uncertainty[J]. Environmental Modelling & Software，2010，25（5）：616-621.

[7]Ferrer A.，Aguado D.，Vidal-Puig S.，et al. PLS： A versatile tool for industrial process improvement and optimization[J]. Applied Stochastic Models in Business & Industry，2008，24（6）：551-567.

[8]Durante C.，Cocchi M.，Grandi M.，et al. Application of N-PLS to gas chromatographic and sensory data of traditional balsamic vinegars of modena[J]. Chemometrics & Intelligent Laboratory Systems，2006，83（1）：54-65.

[9]Bonté S. L.，Potier O.，Pons M. Toxic event detection by respirometry and adaptive principal components analysis[J]. Environmetrics，2005，16（6）：589-601.

[10]羅小鎖. 基于子空間辨識的預(yù)測控制方法研究[D]. 重慶大學(xué)，2011.

[11]Gu F. G.，Chen Z. B.，Wang H. C.，et al. The Application of Support Vector Regression Models which Based on MATLAB on the Simulation of Wastewater Treatment Plant[J]. Environmental & Materials Engineering，2013，664（197）：197-201.

[12]Chen Z. M.，Hu J. Wastewater treatment prediction based on chaos-GA optimized LS-SVM[C]// Control and Decision Conference，2011 Chinese. IEEE，2011：4013 - 4016.

[13]Tipping M E. Sparse Bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research，2001，（1）：211-244.

[14]Ge Z Q，Song Z H. Nonlinear soft sensor development based on relevance vector machine[J]. Industrial & Engineering Chemistry Research，2010，49（18）： 8685-8693.

[15]簡葳玙. 軟測量模型的變量選擇方法研究[D].浙江大學(xué)，2017.

資助項(xiàng)目：海口經(jīng)濟(jì)學(xué)院校級科研重點(diǎn)項(xiàng)目HJKY（ZD）20-10;2021年度海口經(jīng)濟(jì)學(xué)院科研課題HJKY（ZD）21-01。

作者簡介：李明珠（1983-），女，高級工程師，研究方向：智能檢測與智能控制。