CN101017373A - 工业过程多分辨率软测量仪表及方法 - Google Patents

Abstract

一种工业过程多分辨率软测量仪表，包括与工业对象连接的现场智能仪表、用于存放历史数据的数据存储装置及上位机，智能仪表、数据存储装置及上位机依次相连，所述的上位机为软测量智能控制器，所述的软测量智能控制器包括标准化处理模块、偏最小二乘模块、多分辨率分解模块、径向基函数神经网络建模模块、多分辨率重构模块、信号采集模块以及软测量模块。以及提出了一种软测量方法。本发明提供一种同时考虑复共线性和非线性特性、多分辨率特性、能够得到良好的软测量效果的工业过程多分辨率软测量系统及方法。

Description

工业过程多分辨率软测量仪表及方法

(一)技术领域

本发明涉及工业过程软测量领域，特别地，涉及一种工业过程多分辨率软测量仪表和方法。

(二)背景技术

在现代流程工业中，大量关键性过程状态、产品质量等参数缺乏在线直接测量手段。这已成为制约生产安全、产品质量、产量及生产效益进一步提高的瓶颈。软测量技术正式解决此类问题的有效途径。

利用工业实测数据，采用统计的方法建立工业过程的软测量模型，避开了复杂的机理分析，模型对观测数据的拟和程度高，求解相对方便，是软测量建模的热点。常用的统计建模方法有系统辨识、回归分析、人工神经元网络、统计学习理论等。

但是目前常用的软测量仪表及方法，往往只考虑了数据的复共线性和非线性特性，而没有考虑到数据的多分辨率特性，对于复杂工业过程往往难以得到较好的软测量结果。而工业生产过程从本质上来说是具有多分辨率特性的：工业实测数据既有高频信号，又有低频信号；微观、宏观反应机理的多分辨率特性；过程变量总是在不同采样率下得到的；相应的控制或操作也是在不同分辨率下发生的。多分辨率分析可以充分利用数据中所包含的信息，在此基础上建立的模型更贴近实际工业过程，可以得到更好的软测量效果。

(三)发明内容

为了克服已有的工业过程软测量系统的没有考虑数据的多分辨率特性、不能得到良好的软测量效果的不足，本发明提供一种同时考虑复共线性和非线性特性、多分辨率特性、能够得到良好的软测量效果的工业过程多分辨率软测量系统及方法。

本发明解决其技术问题所采用的技术方案是：

一种工业过程多分辨率软测量仪表，包括与工业过程对象连接的现场智能仪表、用于存放历史数据的数据存储装置及上位机，智能仪表、数据存储装置及上位机依次相连，所述的上位机为软测量智能处理器，所述的软测量智能处理器包括：

标准化处理模块，用于对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right)$

2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_I-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_X}---\left(3\right)$

其中，TX为训练样本，N为训练样本数，

为训练样本的均值；

偏最小二乘模块，用于采用NIPALS算法提取偏最小二乘主成分，其具体过程如下：其算式为：(4)、(5)、(6)，

$t_j=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{x}_p{w}_{\mathrm{pj}}={\mathrm{Xw}}_j---\left(4\right)$

$u_j=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{y}_q{c}_{\mathrm{kj}}={\mathrm{Yc}}_j=---\left(5\right)$

$\widehat{u_j}=t_j{b}_j,j=\mathrm{1,2}...a---\left(6\right)$

载荷向量根据标准最小二乘回归计算，其算式为(7)、(8)：

$p_j^T=\frac{t_j^{T}X}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(7\right)$

$q_j^T=\frac{{\hat{u}}_j^{T}Y}{{\hat{u}}_j^T{\hat{u}}_j},j=\mathrm{1,2},...,a---\left(8\right)$

迭代的最后一步为计算残差矩阵，其算式为(9)、(10)：

$E=X-t_j{p}_j^T,j=\mathrm{1,2},...,a---\left(9\right)$

$F=Y-{\hat{u}}_j{q}_j^T,j=\mathrm{1,2}...,a---\left(10\right)$

列向量w和c分别为自变量和因变量提取主成分的权重向量，通过下式(11)、(12)计算：

$w_j^T=\frac{{\hat{u}}_j^{T}X}{{\hat{u}}_j^T\widehat{u_j}},=\mathrm{1,2},...,a---\left(11\right)$

$c_j^T=\frac{t_j^{T}Y}{t_j^T{t}_j},j=\mathrm{1,2},...,a\left(12\right)$

若主成分得分、权向量、载荷向量以及内模型回归系数均以矩阵形式表示为T、W、C、P、Q、B，同时定义：

R＝W(P^TW)^-1

则

T＝XR

$\hat{Y}=\hat{U}{Q}^T={\mathrm{TBQ}}^T={\mathrm{XRBQ}}^T;$

多分辨率分解模块，对数据进行多分辨率分解，充分利用数据的多分辨率特性，以获取更多信息。其具体过程如下：

原始信号空间V_O可以分解为一系列逼近空间V_J与细节空间W_j，其中J是最粗的尺度，空间V_J由尺度函数{_J，k(t)，k∈Z}张成，其算式为(13)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/2(2^-Jt-k)}    (13)

而Wj由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(14)：

W_j＝{ψ_j，k(t)ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (14)

其中j是尺度因子，k是平移因子；

根据上述描述，函数f(t)∈L²(R)可以分解，其算式为(15)：

其中，第一项代表近似信息，第二项为细节信息，逼近因子a_J，k与细节因子d_j，k通过Mallat算法计算；

近似信号A_Jf(t)与细节信号D_jf(t)(j＝1，2，...，J)的定义如下式(16)、(17)：

$D_{j}f\left(t\right)=\underset{k\∈Z}{\mathrm{\Σ}}{d}_{j,k}{\mathrm{\ψ}}_{j,k}\left(t\right)---\left(17\right)$

径向基函数神经网络建模模块，用于建立软测量模型，采用如下过程：

1)选用高斯函数Φ(ν)＝exp(-ν²/α²)作为网络的激活函数，给定形状参数α；

2)用最小二乘学习算法确定RBF中心矢量C_i；

3)正交优选确定最佳隐含层数目、网络输出权值得到软测量模型，其算式为(18)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(18\right)$

其中，X∈Rⁿ是输入向量；Φ(·)为从R⁺→R的一个非线性函数；C_i∈Rⁿ(1≤i≤N)为RBF中心；(ω)_i(1≤i≤N)为连接权值，ω₀为偏置量；N为隐含层的神经元数；‖·‖是欧氏范数；

多分辨率重构模块，用于将各分辨率下的软测量值相加得到总的软测量值；信号采集模块，用于依照设定的每次采样的时间间隔，从数据库中采集数据；软测量模块，用于对待检测数据VX用训练时得到的

和δ_x ²进行标准化处理，并将标准化处理后的数据依次进过训练得到的偏最小二乘模块和多分辨率分解模块处理后作为径向基函数神经网络建模模块的输入，将输入代入训练得到的径向基函数神经网络模型，再经过多分辨率重构模块得到软测量函数值。

作为优选的一种方案：所述的软测量智能处理器还包括：模型更新模块，用于定期将离线检测的实际数据加到训练集中，以更新径向基函数神经网络模型。

作为优选的再一种方案：所述的软测量仪表还包括DCS系统，所述的DCS系统由数据接口、控制站和历史数掘库构成，所述的数据存储装置为DCS系统的历史数据库，所述的软测量智能处理器还包括：结果显示模块，用于将软测量结果传给DCS系统，在DCS的控制站显示，并通过DCS系统和现场总线传递到现场操作站进行显示。

作为优选的另一种方案：所述的现场智能仪表、DCS系统、软测量智能处理器通过现场总线依次连接。

一种用所述的工业过程多分辨率软测量仪表实现的软测量方法，包括以下步骤：

(1)、确定软测量所用的关键变量，从历史数据库中采集系统正常时所述变量的数据作为训练样本TX；

(2)、设置偏最小二乘模块的提取隐变量个数、多分辨率分解模块的分解层数、径向基函数神经网络建模模块的核参数参数，并设定采样周期；

(3)、训练样本TX在软测量智能处理器中，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

3.2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，

为训练样本的均值；

(4)、采用NIPALS算法提取偏最小二乘主成分，在不损失过多信息的同时，降低系统维数，其具体过程如下：其算式为：(4)、(5)、(6)，

$t_j=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{x}_p{w}_{\mathrm{pj}}={\mathrm{Xw}}_j---\left(4\right)$

$u_j=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{y}_q{c}_{\mathrm{kj}}={\mathrm{Yc}}_j---\left(5\right)$

$\widehat{u_j}=t_j{b}_j,j=\mathrm{1,2},...a---\left(6\right)$

载荷向量根据标准最小二乘回归计算，其算式为(7)、(8)：

$p_j^T=\frac{t_j^{T}X}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(7\right)$

$q_j^T=\frac{{\hat{u}}_j^{T}Y}{{\hat{u}}_j^T{\hat{u}}_j},j=\mathrm{1,2},...,a\left(8\right)$

迭代的最后一步为计算残差矩阵，其算式为(9)、(10)：

$E=X-t_j{p}_j^T,j=\mathrm{1,2},...,a---\left(9\right)$

$F=Y-{\hat{u}}_j{q}_j^T,j=\mathrm{1,2},...,a---\left(10\right)$

列向量w和c分别为自变量和因变量提取主成分的权重向量，通过下式计算，其算式为(11)、(12)：

$w_j^T=\frac{{\hat{u}}_j^{T}X}{{\hat{u}}_j^T{\hat{u}}_j},j=\mathrm{1,2},...,a---\left(11\right)$

$c_j^T=\frac{t_j^{T}Y}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(12\right)$

若主成分得分、权向量、载荷向量以及内模型回归系数均以矩阵形式表示为T、W、C、P、Q、B，同时定义：

R＝W(P^TW)^-1

则

T＝XR

$\hat{Y}=\hat{U}{Q}^T={\mathrm{TBQ}}^T={\mathrm{XRBQ}}^T;$

(5)、对数据进行多分辨率分解，充分利用数据的多分辨率特性，以获取更多信息。其具体过程如下：

原始信号空间V₀可以分解为一系列逼近空间V_J与细节空间W_j，其中J是最粗的尺度，也称为分解的尺度。空间V_J由尺度函数{_J，k(t)，k∈Z}张成，其算式为(13)：

V_J＝{_J，k(t)|J_，k(t)＝2^-J/2(2^-Jt-k)}    (13)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(14)：

W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (14)

其中j是尺度因子，k是平移因子；

根据上述描述，函数f(t)∈L²(R)可以分解为(15)：

其中，第一项代表近似信息，第二项为细节信息，逼近因子a_J，k与细节因子d_j，k通过Mallat算法计算；

近似信号A_Jf(t)与细节信号D_jf(t)(j＝1，2，...，J)的定义如下式(16)、(17)：

$D_{j}f\left(t\right)=\underset{K\∈Z}{\mathrm{\Σ}}{d}_{j,k}{\mathrm{\ψ}}_{j,k}\left(t\right)---\left(17\right);$

(6)、在各个分辨率上分别建立RBF模型，采用如下过程：

6、1)选用高斯函数Φ(ν)＝exp(-ν²/α²)作为网络的激活函数，给定形状参数α；

6、2)用最小二乘学习算法确定RBF中心矢量C_i；

6、3)正交优选确定最佳隐含层数目、网络输出权值得到软测量模型，其算式为(18)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(18\right)$

其中，X∈Rⁿ是输入向量；Φ(·)为从R⁺→R的一个非线性函数；C_i∈Rⁿ(1≤i≤N)为RBF中心；ω_i(1≤i≤N)为连接权值，ω₀为偏置量；N为隐含层的神经元数；‖·‖是欧氏范数；

(7)、将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待测量数据VX；对VX用训练时得到的

和δ_x ²进行标准化处理，并将标准化处理后的数据依次用训练时得到的偏最小二乘模块和多分辨率分解模块参数进行处理得到不同分辨率上的分解信号，作为对应各分辨率上径向基函数神经网络模型的输入，将输入代入训练得到的RBF模型，得到各分辨率上的软测量函数值；

(8)、将各分辨率下的软测量值相加得到总的软测量值；

作为优选的一种方案：所述的软测量方法还包括：(9)、定期将离线检测的实际数据加到训练集中，以更新径向基函数神经网络模型。

作为优选的再一种方案：所述的软测量仪表还包括DCS系统，所述的DCS系统由数据接口、控制站和历史数据库构成，所述的数据存储装置为DCS系统的历史数据库，在所述的(8)中计算得到软测量值，将结果传给DCS系统，在DCS的控制站显示，并通过DCS系统和现场总线传递到现场操作站进行显示。

本发明的技术构思为：本发明分别针对工业过程数据的复共线性、多分辨率特性和非线性特性，将偏最小二乘法、多分辨率分析和径向基函数神经网络三种方法相结合，建立工业过程软测量模型。

针对工业过程数据中的复共线性、多分辨率特性和非线性特性，充分利用了偏最小二乘法，多分辨率理论和神经网络各自的特点，将偏最小二乘法的解相关性能力，多分辨率分析对信息很强的分解与重构能力以及神经网络的多变量非线性映射能力很好地结合了起来，发挥了各自的优势。由此建立的工业过程软测量模型更符合过程的实际特性，可以得到更好的预测和泛化效果。

本发明的有益效果主要表现在：1、同时考虑了复共线性、多分辨率特性和非线性特性；2、建立的模型更贴近实际工业过程，可以得到更好的软测量效果。

(四)附图说明

图1是本发明所提出的软测量系统的硬件结构图；

图2是本发明所提出的软测量智能处理器的功能模块图；

(五)具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

实施例1

参照图1、图2，一种工业过程多分辨率软测量仪表，包括与工业过程对象1连接的现场智能仪表2、用于存放历史数据的数据存储装置5及上位机6，智能仪表1、数据存储装置5及上位机6依次相连，所述的上位机6包括：

标准化处理模块7，用于对数据库中采集系统正常时的数据进行标准化处理，各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，

为训练样本的均值；

偏最小二乘模块8，用于采用NIPALS算法提取偏最小二乘主成分，其具体过程如下：其算式为：(4)、(5)、(6)，

$t_j=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{x}_p{w}_{\mathrm{pj}}={\mathrm{Xw}}_j---\left(4\right)$

$u_j=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{y}_q{c}_{\mathrm{kj}}={\mathrm{Yc}}_j---\left(5\right)$

$\widehat{u_j}=t_j{b}_j,j=\mathrm{1,2},...a---\left(6\right)$

载荷向量根据标准最小二乘回归计算，其算式为(7)、(8)：

$p_j^T=\frac{t_j^{T}X}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(7\right)$

$q_j^T=\frac{{\hat{u}}_j^{T}Y}{{\hat{u}}_j^T\widehat{u_j}},j=\mathrm{1,2},...,a---\left(8\right)$

迭代的最后一步为计算残差矩阵，其算式为(9)、(10)：

$E=X-t_j{p}_j^T,j=\mathrm{1,2},...,a---\left(9\right)$

$F=Y-\widehat{u_j}{q}_j^T,j=\mathrm{1,2},...,a---\left(10\right)$

列向量w和c分别为自变量和因变量提取主成分的权重向量，通过下式(11)、

(12)计算：

$w_j^T=\frac{{\hat{u}}_j^{T}X}{{\hat{u}}_j^T\widehat{u_j}},j=\mathrm{1,2},...,a\left(11\right)$

$c_j^T=\frac{t_j^{T}Y}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(12\right)$

若主成分得分、权向量、载荷向量以及内模型回归系数均以矩阵形式表示为T、W、C、P、Q、B，同时定义：

R＝W(P^TW)^-1

则

T＝XR

$\hat{Y}=\hat{U}{Q}^T={\mathrm{TBQ}}^T={\mathrm{XRBQ}}^T;$

多分辨率分解模块9，对数据进行多分辨率分解，充分利用数据的多分辨率特性，以获取更多信息。其具体过程如下：

原始信号空间V₀可以分解为一系列逼近空间V_J与细节空间W_j，其中J是最粗的尺度，空间V_J由尺度函数{_J，k(t)，k∈Z}张成，其算式为(13)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/2(2^-Jt-k)}    (13)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(14)：

W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (14)

其中j是尺度因子，k是平移因子；

根据上述描述，函数f(t)∈L²(R)可以分解，其算式为(15)：

其中，第一项代表近似信息，第二项为细节信息，逼近因子a_J，k与细节因子d_j，k通过Mallat算法计算；

近似信号A_Jf(t)与细节信号D_jf(t)(j＝1，2，...，J)的定义如下式(16)、(17)：

$D_{j}f\left(t\right)=\underset{k\∈Z}{\mathrm{\Σ}}{d}_{j,k}{\mathrm{\ψ}}_{j,k}\left(t\right)---\left(17\right)$

径向基函数神经网络(RBF)建模模块10，用于建立软测量模型，采用如下过程：

1)选用高斯函数Φ(ν)＝exp(-ν²/α²)作为网络的激活函数，给定形状参数α；

2)用最小二乘学习算法确定RBF中心矢量C_i；

3)正交优选确定最佳隐含层数目、网络输出权值得到软测量模型，其算式为(18)；

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(18\right)$

其中，X∈Rⁿ是输入向量；Φ(·)为从R⁺→R的一个非线性函数；C_i∈Rⁿ

(1≤i≤N)为RBF中心；ω_i(1≤i≤N)为连接权值，ω₀为偏置量；N为隐含层的神经元数；‖·‖是欧氏范数；

多分辨率重构模块11，用于将各分辨率下的软测量值相加得到总的软测量值；

信号采集模块12，用于依照设定的每次采样的时间间隔，从数据库中采集数据；

软测量模块13，用于对待检测数据VX用训练时得到的 和δ_x ²进行标准化处理，并将标准化处理后的数据依次进过训练得到的偏最小二乘模块和多分辨率分解模块处理后作为径向基函数神经网络建模模块的输入，将输入代入训练得到的径向基函数神经网络模型，再经过多分辨率重构模块得到软测量函数值。

所述的软测量智能处理器6还包括：模型更新模块14，用于定期将离线检测的实际数据加到训练集中，以更新径向基函数神经网络模型。

所述软测量仪表还包括DCS系统，所述的DCS系统由数据接口3、控制站4、数据库5构成；智能仪表2、DCS系统、上位机6通过现场总线依次相连；软测量智能处理器6还包括结果显示模块15，用于将软测量结果传给DCS系统，并在DCS的控制站显示过程状态，同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。

所述智能处理器6的硬件部分包括：I/O元件，用于数据的采集和信息的传递；数据存储器，存储运行所需的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数和运行结果。

当软测量仪表待检测过程已配有DCS系统时，样本实时动态数据的检测、存储利用DCS系统的实时和历史数据库，软测量功能主要在上位机上完成。

当软测量仪表待检测过程没有配备DCS系统时，采用数据存储器来替代DCS系统的实时和历史数据库的数据存储功能，并将软测量仪表制造成包括I/O元件、数据存储器、程序存储器、运算器、显示模块几大构件的不依赖于DCS系统的一个独立的完整的片上系统，在不管检测过程是否配备DCS的情况下，都能够独立使用，更有益于推广使用。

本实施例的工业过程多分辨率软测量仪表，包括与工业过程对象1连接的现场智能仪表2、DCS系统以及软测量智能处理器6，所述的DCS系统由数据接口3、控制站4、数据库5构成；智能仪表2、DCS系统、软测量智能处理器6通过现场总线依次相连，所述的软测量智能处理器6包括：

标准化处理模块7，用于对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，

为训练样本的均值

偏最小二乘(PLS)模块8，用于采用NIPALS算法提取偏最小二乘主成分，其具体过程如下：其算式为：(4)、(5)、(6)，

$t_j=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{x}_p{w}_{\mathrm{pj}}={\mathrm{Xw}}_j---\left(4\right)$

$u_j=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{y}_q{c}_{\mathrm{kj}}={\mathrm{Yc}}_j---\left(5\right)$

${\hat{u}}_j=t_j{b}_j,j=\mathrm{1,2},...a---\left(6\right)$

载荷向量根据标准最小二乘回归计算，其算式为(7)、(8)：

$p_j^T=\frac{t_j^{T}X}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(7\right)$

$q_j^T=\frac{{\hat{u}}_j^{T}Y}{{\hat{u}}_j^T\widehat{u_j}},j=\mathrm{1,2},...,a---\left(8\right)$

迭代的最后一步为计算残差矩阵，其算式为(9)、(10)：

$E=X-t_j{p}_j^T,j=\mathrm{1,2},...,a---\left(9\right)$

$F=Y-\widehat{u_j}{q}_j^T,j=\mathrm{1,2},...,a---\left(10\right)$

列向量w和c分别为自变量和因变量提取主成分的权重向量，通过下式(11)、(12)计算：

$w_j^T=\frac{{\hat{u}}_j^{T}X}{{\hat{u}}_J^T\widehat{u_j}},j=\mathrm{1,2},...,a\left(11\right)$

$c_j^T=\frac{t_j^{T}Y}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(12\right)$

若主成分得分、权向量、载荷向量以及内模型回归系数均以矩阵形式表示为T、W、C、P、Q、B，同时定义：

R＝W(P^TW)^-1

则

T＝XR

$\hat{Y}=\hat{U}{Q}^T={\mathrm{TBQ}}^T={\mathrm{XRBQ}}^T;$

多分辨率分解(MR)模块9，对数据进行多分辨率分解，充分利用数据的多分辨率特性，以获取更多信息。其具体过程如下：

原始信号空间V₀可以分解为一系列逼近空间V_J与细节空间W_j，其中J是最粗的尺度，空间V_J由尺度函数{_J，k(t)，k∈Z}张成，其算式为(13)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/(2^-Jt-k)}    (13)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(14)：

W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (14)

其中j是尺度因子，k是平移因子；

根据上述描述，函数f(t)∈L²(R)可以分解，其算式为(15)：

其中，第一项代表近似信息，第二项为细节信息，逼近因子a_J，k与细节因子d_j，k通过Mallat算法计算；

近似信号A_Jf(t)与细节信号D_jf(t)(j＝1，2，...，J)的定义如下式(16)、(17)：

$D_{j}f\left(t\right)=\underset{k\∈Z}{\mathrm{\Σ}}{d}_{j,k}{\mathrm{\ψ}}_{j,k}\left(t\right)---\left(17\right)$

径向基函数神经网络建模(RBF)模块10，用于用于建立软测量模型，采用如下过程：

1)选用高斯函数Φ(ν)＝exp(-ν²/α²)作为网络的激活函数，给定形状参数α；

2)用最小二乘学习算法确定RBF中心矢量C_i；

3)正交优选确定最佳隐含层数目、网络输出权值得到软测量模型，其算式为(18)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(18\right)$

其中，X∈Rⁿ是输入向量；Φ(·)为从R⁺→R的一个非线性函数；C_i∈Rⁿ(1≤i≤N)为RBF中心；ω_i(1≤i≤N)为连接权值，ω₀为偏置量；N为隐含层的神经元数；‖·‖是欧氏范数；

多分辨率重构模块11，将各分辨率下的软测量值相加得到总的软测量值；

信号采集模块12，用于设定每次采样的时间间隔，从数据库中采集数据；

软测量模块13，用于对待检测数据VX用训练时得到的 和δ_x ²进行标准化处理，并将标准化处理后的数据依次进过训练得到的PLS和MR模块处理后作为RBF建模模块的输入，将输入代入训练得到的RBF模型，再经过多分辨率重构模块得到软测量函数值。

所述的软测量智能处理器还包括：模型更新模块14，用于定期将离线检测的实际数据加到训练集中，以更新RBF模型。

所述的软测量智能处理器还包括：结果显示模块15，用于将软测量结果传给DCS系统，在DCS的控制站显示，并通过DCS系统和现场总线传递到现场操作站进行显示。

实施例2

参照图1、图2，一种工业过程多分辨率软测量仪表实现的软测量方法，所述的软测量方法包括以下步骤：

(1)、确定软测量所用的关键变量，从历史数据库中采集系统正常时所述变量的数据作为训练样本TX；

(2)、设置偏最小二乘模块的提取隐变量个数、多分辨率分解模块的分解层数、径向基函数神经网络建模模块的核参数参数，并设定采样周期；

(3)、训练样本TX在软测量智能处理器中，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_{i,}---\left(1\right)$

3.2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，

为训练样本的均值；

(4)、采用NIPALS算法提取偏最小二乘主成分，在不损失过多信息的同时，降低系统维数，其具体过程如下：其算式为：(4)、(5)、(6)，

$t_j=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{x}_p{w}_{\mathrm{pj}}={\mathrm{Xw}}_j---\left(4\right)$

$u_j=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{y}_q{c}_{\mathrm{kj}}={\mathrm{Yc}}_j---\left(5\right)$

$\widehat{u_j}=t_j{b}_{j,}j=\mathrm{1,2},...a---\left(6\right)$

载荷向量根据标准最小二乘回归计算，其算式为(7)、(8)：

$p_j^T=\frac{t_j^{T}X}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(7\right)$

$q_j^T=\frac{{\hat{u}}_j^{T}Y}{{\hat{u}}_j^T\widehat{u_j}},j=\mathrm{1,2},...,a---\left(8\right)$

迭代的最后一步为计算残差矩阵，其算式为(9)、(10)：

$E=X-t_j{p}_j^T,j=\mathrm{1,2},...,a---\left(9\right)$

$F=Y-\widehat{u_j}{q}_j^T,j=\mathrm{1,2},...,a---\left(10\right)$

列向量w和c分别为自变量和因变量提取主成分的权重向量，通过下式计算，其算式为(11)、(12)：

$w_j^T=\frac{{\hat{u}}_j^{T}X}{{\hat{u}}_j^T\widehat{u_j}},j=\mathrm{1,2},...,a---\left(11\right)$

$c_j^T=\frac{t_j^{T}Y}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(12\right)$

若主成分得分、权向量、载荷向量以及内模型回归系数均以矩阵形式表示为T、W、C、P、Q、B，同时定义：

R＝W(P^TW)^-1

则

T＝XR

$\hat{Y}=\hat{U}{Q}^T={\mathrm{TBQ}}^T={\mathrm{XRBQ}}^T;$

(5)、对数据进行多分辨率分解，充分利用数据的多分辨率特性，以获取更多信息。其具体过程如下：

原始信号空间V₀可以分解为一系列逼近空间V_J与细节空间W_j，其中J是最粗的尺度，也称为分解的尺度。空间V_J由尺度函数{_J，k(t)，k∈Z}张成，其算式为(13)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/2(2^-Jt-k)}    (13)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(14)：

W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (14)

其中j是尺度因子，k是平移因子；

根据上述描述，函数f(t)∈L²(R)可以分解为(15)：

其中，第一项代表近似信息，第二项为细节信息，逼近因子a_J，k与细节因子d_j，k通过Mallat算法计算；

近似信号A_Jf(t)与细节信号D_jf(t)(j＝1，2，...，J)的定义如下式(16)、(17)：

$D_{j}f\left(t\right)=\underset{K\∈Z}{\mathrm{\Σ}}{d}_{j,k}{\mathrm{\ψ}}_{j,k}\left(t\right)---\left(17\right);$

(6)、在各个分辨率上分别建立RBF模型，采用如下过程：

6、1)选用高斯函数Φ(ν)＝exp(-ν²/α²)作为网络的激活函数，给定

形状参数α；

6、2)用最小二乘学习算法确定RBF中心矢量C_i；

6、3)正交优选确定最佳隐含层数目、网络输出权值得到软测量模型，

其算式为(18)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(18\right)$

其中，X∈Rⁿ是输入向量；Φ(·)为从R⁺→R的一个非线性函数；C_i∈Rⁿ(1≤i≤N)为RBF中心；ω_i(1≤i≤N)为连接权值，ω₀为偏置量；N为隐含层的神经元数；‖·‖是欧氏范数；

(7)、将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待测量数据VX；对VX用训练时得到的

和δ_x ²进行标准化处理，并将标准化处理后的数据依次用训练时得到的偏最小二乘模块和多分辨率分解模块参数进行处理得到不同分辨率上的分解信号，作为对应各分辨率上径向基函数神经网络模型的输入，将输入代入训练得到的RBF模型，得到各分辨率上的软测量函数值；

(8)、将各分辨率下的软测量值相加得到总的软测量值；

所述的软测量方法还包括：(9)、定期将离线检测的实际数据加到训练集中，以更新径向基函数神经网络模型。

所述的数据存储装置5为DCS系统的历史数据库，所述的DCS系统由数据接口3、控制站4和历史数据库5构成，智能仪表2、DCS系统、软测量智能处理器6通过现场总线依次相连；在所述的(8)中计算得到软测量值，将结果传给DCS系统，在DCS的控制站显示，并通过DCS系统和现场总线传递到现场操作站进行显示。

Claims (7)

1、一种工业过程多分辨率软测量仪表，包括与工业过程对象连接的现场智能仪表、用于存放历史数据的数据存储装置及上位机，智能仪表、数据存储装置及上位机依次相连，其特征在于：所述的上位机为软测量智能处理器，所述的软测量智能处理器包括：

标准化处理模块，用于对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}T{X}_i---\left(1\right)$

2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}---\left(3\right)$

其中，TX为训练样本，N为训练样本数，

为训练样本的均值；

偏最小二乘模块，用于采用NIPALS算法提取偏最小二乘主成分，其具体过程如下：其算式为：(4)、(5)、(6)，

$t_j=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{x}_p{w}_{\mathrm{pj}}={\mathrm{Xw}}_j---\left(1\right)$

$u_j=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{y}_q{c}_{\mathrm{kj}}={\mathrm{Yc}}_j---\left(5\right)$

$\widehat{u_j}=t_j{b}_j,j=\mathrm{1,2},...a---\left(6\right)$

载荷向量根据标准最小二乘回归计算，其算式为(7)、(8)：

$p_j^T=\frac{t_j^{T}X}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(7\right)$

$q_j^T=\frac{\widehat{u_j^T}Y}{\widehat{u_j^T}\widehat{u_j}},j=\mathrm{1,2},...,a---\left(8\right)$

迭代的最后一步为计算残差矩阵，其算式为(9)、(10)：

$E=X-t_j{p}_j^T,j=\mathrm{1,2},...,a---\left(9\right)$

$F=Y-\widehat{u_j}{q}_j^T,j=\mathrm{1,2},...,a---\left(10\right)$

列向量w和c分别为自变量和因变量提取主成分的权重向量，通过下式(11)、(12)计算：

$w_j^T=\frac{{\hat{u}}_j^{T}X}{{\hat{u}}_j^T{\hat{u}}_j},j=\mathrm{1,2},...a---\left(11\right)$

$c_j^T=\frac{t_j^{T}Y}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(12\right)$

若主成分得分、权向量、载荷向量以及内模型回归系数均以矩阵形式表示为T、W、C、P、Q、B，同时定义：

R＝W(P^TW)^-1

则

T＝XR

$\hat{Y}=\hat{U}{Q}^T={\mathrm{TBQ}}^T={\mathrm{XRBQ}}^T;$

多分辨率分解模块，对数据进行多分辨率分解；其具体过程如下：

原始信号空间V₀可以分解为一系列逼近空V_J与细节空间W_j，其中J是最粗的尺度，空间V_J由尺度函数{_J，k(t)，k∈Z}张成，其算式为(13)：

     V_J＝{_J，k(t)|_J，k(t)＝2^-J/2(2^-Jt-k)}    (13)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(14)：

     W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (14)

其中j是尺度因子，k是平移因子；

根据上述描述，函数f(t)∈L²(R)可以分解，其算式为(15)：

其中，第一项代表近似信息，第二项为细节信息，逼近因子a_J，k与细节因子d_j，k通过Mallat算法计算；

近似信号A_Jf(t)与细节信号D_jf(t)(j＝1，2，...，J)的定义如下式(16)、(17)：

$D_{j}f\left(t\right)=\underset{k\∈Z}{\mathrm{\Σ}}{d}_{j,k}{\mathrm{\ψ}}_{j,k}\left(t\right)---\left(17\right)$

径向基函数神经网络建模模块，用于建立软测量模型，采用如下过程：

1)选用高斯函数Φ(ν)＝exp(-ν²/α²)作为网络的激活函数，给定形状参数α：

2)用最小二乘学习算法确定RBF中心矢量C_i；

3)正交优选确定最佳隐含层数目、网络输出权值得到软测量模型，其算式为(18)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(18\right)$

其中，X∈Rⁿ是输入向量；Φ(·)为从R⁺→R的一个非线性函数；C_i∈Rⁿ(1≤i≤N)为RBF中心；ω_i(1≤i≤N)为连接权值，ω₀为偏置量；N为隐含层的神经元数；‖·‖是欧氏范数；

多分辨率重构模块，用于将各分辨率下的软测量值相加得到总的软测量值；

信号采集模块，用于依照设定的每次采样的时间间隔，从数据库中采集数据；

软测量模块，用于对待检测数据VX用训练时得到的 和δ_x ²进行标准化处理，并将标准化处理后的数据依次进过训练得到的偏最小二乘模块和多分辨率分解模块处理后作为径向基函数神经网络建模模块的输入，将输入代入训练得到的径向基函数神经网络模型，再经过多分辨率重构模块得到软测量函数值。

2、如权利要求1所述的工业过程多分辨率软测量仪表，其特征在于：所述的软测量智能处理器还包括：模型更新模块，用于定期将离线检测的实际数据加到训练集中，以更新径向基函数神经网络模型。

3、如权利要求1或2所述的工业过程多分辨率软测量仪表，其特征在于：所述的软测量仪表还包括DCS系统，所述的DCS系统由数据接口、控制站和历史数据库构成，所述的数据存储装置为DCS系统的历史数据库，所述的软测量智能处理器还包括：结果显示模块，用于将软测量结果传给DCS系统，在DCS的控制站显示，并通过DCS系统和现场总线传递到现场操作站进行显示。

4、如权利要求3所述的工业过程多分辨率软测量仪表，其特征在于：所述的现场智能仪表、DCS系统、软测量智能处理器通过现场总线依次连接。

5、一种用如权利要求1所述的工业过程多分辨率软测量仪表实现的软测量方法，其特征在于，所述的软测量方法包括以下步骤：

(1)、确定软测量所用的关键变量，从历史数据库中采集系统正常时所述变量的数据作为训练样本TX；

(2)、设置偏最小二乘模块的提取隐变量个数、多分辨率分解模块的分解层数、径向基函数神经网络建模模块的核参数参数，并设定采样周期；

(3)、训练样本TX在软测量智能处理器中，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成，其算式为(1)、(2)、(3)：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

3.2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，

为训练样本的均值；(4)、采用NIPALS算法提取偏最小二乘主成分，在不损失过多信息的同时，降低系统维数，其具体过程如下：其算式为：(4)、(5)、(6)，

$t_j=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{x}_p{w}_{\mathrm{pj}}={\mathrm{Xw}}_j---\left(4\right)$

$u_j=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{y}_q{c}_{\mathrm{kj}}={\mathrm{Yc}}_j---\left(5\right)$

$\widehat{u_j}=t_j{b}_j,j=\mathrm{1,2},...a---\left(6\right)$

载荷向量根据标准最小二乘回归计算，其算式为(7)、(8)：

$P_j^T=\frac{t_j^{T}X}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(7\right)$

$q_j^T=\frac{{\hat{u}}_j^{T}Y}{{\hat{u}}_j^T{\hat{u}}_j},j=\mathrm{1,2},...,a---\left(8\right)$

迭代的最后一步为计算残差矩阵，其算式为(9)、(10)：

$E=X-t_j{p}_j^T,j=\mathrm{1,2}...,a---\left(9\right)$

$F=Y-\widehat{u_j}{q}_j^T,j=\mathrm{1,2},...,a---\left(10\right)$

列向量w和c分别为自变量和因变量提取主成分的权重向量，通过下式计算，其算式为(11)、(12)：

$w_j^T=\frac{{\hat{u}}_j^{T}X}{{\hat{u}}_j^T{\hat{u}}_j},j=\mathrm{1,2},...,a---\left(11\right)$

$c_j^T=\frac{t_j^{T}Y}{t_j^T{t}_j},j=\mathrm{1,2},...,a---\left(12\right)$

若主成分得分、权向量、载荷向量以及内模型回归系数均以矩阵形式表示为T、W、C、P、Q、B，同时定义：

                R＝W(P^TW)^-1

则

T＝XR

$\hat{Y}=\hat{U}{Q}^T={\mathrm{TBQ}}^T={\mathrm{XRBQ}}^T;$

(5)、对数据进行多分辨率分解，充分利用数据的多分辨率特性，以获取更多信息。其具体过程如下：

原始信号空间V₀可以分解为一系列逼近空间V_J与细节空间W_j，其中J是最粗的尺度，也称为分解的尺度。空间V_J由尺度函数{_J，k(t)，k∈Z}张成，其算式为(13)：

      V_J＝{_J，k(t)|_J，k(t)＝2^-J/2(2^-Jt-k)}    (13)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(14)：

      W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-Jt-k)}    (14)

其中j是尺度因子，k是平移因子；

根据上述描述，函数f(t)∈L²(R)可以分解为(15)：

其中，第一项代表近似信息，第二项为细节信息，逼近因子a_J，k与细节因子d_j，k通过Mallat算法计算；

近似信号A_Jf(t)与细节信号D_jf(t)(j＝1，2，...，J)的定义如下式(16)、(17)：

$D_{j}f\left(t\right)=\underset{k\∈Z}{\mathrm{\Σ}}{d}_{j,k}{\mathrm{\ψ}}_{j,k}\left(t\right)---\left(17\right);$

(6)、在各个分辨率上分别建立RBF模型，采用如下过程：

6、1)选用高斯函数Φ(ν)＝exp(-ν²/α²)作为网络的激活函数，给定形状参数α；

6、2)用最小二乘学习算法确定RBF中心矢量C_i；

6、3)正交优选确定最佳隐含层数目、网络输出权值得到软测量模型，其算式为(18)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(18\right)$

其中，X∈Rⁿ是输入向量；Φ(·)为从R⁺→R的一个非线性函数；C₁∈Rⁿ(1≤i≤N)为RBF中心；ω_i(1≤i≤N)为连接权值，ω₀为偏置量；N为隐含层的神经元数；‖·‖是欧氏范数；

(7)、将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待测量数据VX；对VX用训练时得到的

和δ_x ²进行标准化处理，并将标准化处理后的数据依次用训练时得到的偏最小二乘模块和多分辨率分解模块参数进行处理得到不同分辨率上的分解信号，作为对应各分辨率上径向基函数神经网络模型的输入，将输入代入训练得到的RBF模型，得到各分辨率上的软测量函数值；

(8)、将各分辨率下的软测量值相加得到总的软测量值；

6、如权利要求5所述的工业过程多分辨率软测量方法，其特征在于：所述的软测量方法还包括：(9)、定期将离线检测的实际数据加到训练集中，以更新径向基函数神经网络模型。

7、如权利要求5或6所述的工业过程多分辨率软测量方法，其特征在于：所述的数据存储装置为DCS系统的历史数据库，所述的DCS系统由数据接口、控制站和历史数据库构成，在所述的(8)中计算得到软测量值，将结果传给DCS系统，在DCS的控制站显示，并通过DCS系统和现场总线传递到现场操作站进行显示。

Images