CN102809966B - 基于半闭环的软测量仪表及其软测量方法 - Google Patents

Abstract

一种工业过程控制技术领域的基于半闭环的软测量仪表，包括用于测量辅助变量的智能仪表，存放数据的DCS数据库以及上位机，现场智能仪表与工业生产过程连接，上位机与DCS数据库及软测量显示仪连接，所述的上位机为软测量智能处理器，包括数据处理模块、测量模块、预估模块、补偿模块和存储模块；其中，数据处理模块对辅助变量和主导变量进行预处理，测量模块产生主导变量的初始测量值，预估模块预测下一时刻的辅助变量，而补偿模块利用预估模块的输出和实际辅助变量测量值的差对主导变量的初始测量值进行补偿。本发明实现了在线校正，有效地提高软测量的精度，具有数确定方便、使用范围广、软测量效果好、精度高的特点。

Description

基于半闭环的软测量仪表及其软测量方法

技术领域

本发明涉及工业过程中软测量技术，具体是一种基于半闭环的软测量仪表及其软测量方法。

背景技术

随着生产技术的发展和生产过程的日益复杂，在工业生产过程中，大量关键性过程状态、产品质量等参数由于技术和经济上的原因是很难或无法进行在线测量的，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升的瓶颈。近年来，研究者们开始利用生产过程中所测量到的大量数据建立测量模型，以实现对未知变量的间接测量，这类技术被称为软测量技术。其基本思想是通过测量辅助变量（易测变量）来估计主导变量的实际值。

过程设备实际上处于动态的系统环境下，然而传统的软测量模型是开环结构并且缺乏在线校正机制，因此当系统受外界干扰产生突然的扰动，原有的软测量模型的测量效果无法得到持续的保持，需要进行实时校正。而现有的软测量技术无法进行在线校正，只能定期的读取新数据并使用新的离线分析数据进行模型的更新和调整。显然，这种办法实现起来费时费力。

针对上述情况，设计一种半闭环的软测量仪表及软测量技术，对开环软测量的预估值进行补偿，以实现在线校正，可以获得更好的软测量效果。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种基于半闭环的软测量仪表及软测量方法，在实现在线校正的同时提高软测量的准确性，以满足工业生产的要求。

为实现上述目的，本发明采取以下技术方案实现：

一种基于半闭环的软测量仪表，包括用于测量辅助变量的智能仪表、存放数据的DCS数据库、用于显示主导变量输出值的软测量显示仪和上位机，所述的智能仪表与工业生产过程连接，所述的上位机分别与DCS数据库及软测量显示仪连接，其特点在于，所述的上位机为软测量智能处理器，该软测量智能处理器包括：

数据处理模块，用于对辅助变量进行归一化处理和对主导变量进行反归一化处理；

测量模块，用于产生主导变量的初始测量值；

预估模块，用于预测下一时刻的辅助变量；

补偿模块，利用预估模块输出的预测值和测量模块的实际辅助变量测量值的差对主导变量的初始测量值进行补偿；和

存储模块，用于存储辅助变量的预测值。

一种利用上述基于半闭环的软测量仪表的软测量方法，其特点在于，该软测量方法包括如下步骤：

步骤(1)设置测量辅助变量的智能仪表，将智能仪表测量到的数据传送到DCS实时数据库；

步骤(2)初始化k＝1，在当前时刻k从DCS实时数据库中得到最新的变量数据x(1)作为辅助变量并送入上位机的数据处理模块，数据处理模块对辅助变量x(1)进行归一化处理，公式如下：

x^*(k)=β+(x(k)-a)/(b-a)×(α-β)    (1)

其中，x(k)表示辅助变量的实际值，x^*(k)表示辅助变量归一化后的实际值，[a b]表示辅助变量的变化范围，[αβ]表示归一化范围，将归一化后的辅助变量x^*(1)送入测量模块，得到主导变量的预测值y^*＇(1)，同时当前时刻主导变量的软测量值y^*(1)=y^*＇(1)；

步骤(3)将当前时刻主导变量的软测量y^*(1)送入数据处理模块，经过公式(2)反归一化后，得到主导变量的实际输出值y(1)，

y(k)=(y^*(k)-β)/(α-β)×(b-a)+a        (2)

其中，y(k)表示主导变量的实际输出值，y^*(k)表示主导变量的软测量值；

步骤(4)将归一化后的辅助变量x^*(1)和主导变量的软测量值y^*(1)送入预估模块得到下一时刻(k＝2)辅助变量的预测值x^*＇(2)并在存储模块中保存，并置k=k+1；

步骤(5)在当前时刻k，从DCS实时数据库中得到最新的变量数据x(k)的在线实测数据送入上位机的数据处理模块，对其按(1)式进行归一化处理，将处理后的辅助变量x^*(k)送入测量模块，得到主导变量的预测值y^*＇(k)；

步骤(6)调用存储模块中辅助变量的预测值x^*＇(k)，预测值x^*＇(k)与辅助变量归一化后的实际值x^*(k)之间形成差值Δx^*(k)=x^*(k)-x^*'(k)，将Δx^*(k)送入补偿模块；图1中+号表示Δx^*(k)=x^*(k)-x^*'(k)中x^*(k)的符号，-号为x^*＇(k)的符号;

步骤(7)通过补偿模块得到k时刻主导变量的补偿值Δy^*(k)，用k时刻主导变量的补偿值Δy^*(k)补偿主导变量的预测值y^*＇(k)得到主导变量的软测量值y^*(k)=y^*＇(k)+Δy^*(k)，

步骤(8)将主导变量的软测量值y^*(k)送入数据处理模块，经过公式(2)反归一化后得到主导变量的实际输出值y(k)。

步骤(9)将主导变量的实际输出值传给软测量显示仪进行显示。

步骤(10)将当前时刻k归一化后的辅助变量x^*(k)和主导变量的软测量值y^*(k)分别送入预估模块预测下一时刻(k+1时刻)的辅助变量的预测值x^*＇(k+1)并在存储模块中保存同时覆盖上一时刻辅助变量的预测值，此时置k＝k+1，返回步骤(5)继续进行后续的软测量。

本发明中的测量模块、预估模块、补偿模块的建立按照以下步骤完成：

步骤(1)从DCS历史数据库以及离线化验数据库中分析搜索相关的易测辅助变量与难测主导变量y(k)构成若干组数据样本用于半闭环软测量技术的训练，对数据进行归一化处理后，按采样时间递增的顺序形成下述相应的时间序列：

$x^{*}\left(k\right)=\left[\begin{array}{cccc}{x_1}^{*}\left(k\right)& {x_2}^{*}\left(k\right)& \·\·\·& {x_j}^{*}\left(k\right)\end{array}\right]\⇔y^{*}\left(k\right)$

k=1,2…M    j=1,2…N

步骤(2)建立测量模块：选取若干组样本，采用常用的映射技术(如，神经网络NN，支持向量机SVM等)并利用相关算法(BP算法，遗传算法GA)(参考《软测量技术原理与应用》，潘立登等编，中国电力出版社)训练得到映射组成测量模型，并送入到计算机中的测量模块中储存。

步骤(3)建立预估模块：类似于步骤(1)，选取若干组样本，采用常用的映射技术并利用相关算法训练得到映射组成预估模型，并送入到计算机中的预估模块中储存。

步骤(4)建立补偿模块：类似于步骤(1)，选取若干组样本，采用常用的映射技术并利用相关算法训练得到映射组成补偿模型，并送入到计算机中的补偿模块中储存。

与现有技术相比，本发明利用既有数据构造半闭环框架，对软测量结果进行了校正和补偿，具有以下优点：

(1)本发明通过半闭环结构实现了在线校正，可以有效提高软测量的精确度。

(2)本发明提供的是一种框架结构，在3个子模块中，具体采用哪种映射技术和训练算法不受限制，因此具有很强的扩展性。

附图说明

图1是半闭环软测量技术上位机功能结构图；

图2是三层前向神经网络框图；

图3是开环软测量和半闭环软测量模型的仿真结果。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例是对循环流化床锅炉中的烟气含氧量(FGOC)进行软测量。

由于三层以上结构的反向传播(BP，Back propagation)神经网络具有映射任意非线性函数的功能，这里，采用三层结构的BP神经网络来建立各子系统的软测量模块,如图2所示；将得到的子模块按图1的框架组合，就得到FGOC的半闭环软测量框架。

FGOC的软测量技术包括以下几个步骤：

步骤(1)辅助变量的选取和数据的预处理

通过分析系统流程，选取给煤量、一次风、二次风作为辅助变量来预测FGOC。在现场的DCS中，保存有大量的过程历史数据，从历史数据库中选取一天的数据用以建模，每十分钟计算一次平均值作为一个采样时刻的值。在经过滤波处理(参考《信号处理——模拟与数字信号系统及滤波器》，迈耶尔编，机械工业出版社)后，选取500组数据作为训练样本，100组数据作为测试样本。为了消除不同量纲数据对模型的影响，需要利用式(1)对所有数据进行归一化处理。

步骤(2)：构造FGOC的测量模块

FGOC的测量模块是三输入——单输出的，选取神经网络的隐层节点数n_h＝6。使用PSO算法对模型进行训练，PSO算法的迭代公式如下：

v_id=ωv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id)      (3)

x_id=x_id+v_id                                (4)

其中，每一个粒子代表神经网络的一个连接权值，因此将权值编码为粒子，粒子在D维搜索空间中位置表示为:X_i＝(x_i1,x_i2,..,x_iD)，第i个粒子经历过的最好位置记为P_i=(p_i1,p_i2,...,p_iD)，每个粒子的飞行速度为V_i=(v_i1,v_i2,...v_iD),i=1,2,...,m,在整个群体中，所有粒子经历过的最好位置为P_g=(p_i1,p_i2,...p_iD)，每一代粒子根据式(3)、(4)来更新自己的速度和位置。PSO的参数设置：种群数目N为30，学习因子C₁=C₂=1.49,权重因子ω=0.73。

适应值函数选为：

$f=\frac{1}{1+\mathrm{err}}---\left(5\right)$

训练误差err由下式给出：

测试误差err由下式给出：

最大适应值计算次数为2000，算法运行50次，选择最优适应值对应的神经网络作为映射关系，建立FGOC的测量模块，并送入到计算机中的测量模块中储存。

步骤(3)：构造FGOC的预估模块

FGOC的预估模块是四输入——三输出的，选取神经网络的隐层节点数n_h＝8。适应值函数的选取和算法参数的设置同步骤(2)。使用PSO算法对模型进行训练，最大适应值计算次数为2000，算法运行50次，选择最优适应值对应的神经网络作为映射关系，建立FGOC的预估模块，并送入到计算机中的预估模块中储存。

步骤(4)：构造FGOC的补偿模块

FGOC的补偿模块是三输入——单输出的，选取神经网络的隐层节点数n_h＝6。适应值函数的选取和算法参数的设置同步骤(2)。使用PSO算法对模型进行训练，最大适应值计算次数为2000，算法运行50次，选择最优适应值对应的神经网络作为映射关系，建立FGOC的补偿模块，并送入到计算机中的补偿模块中储存。

步骤(5)：通过测量、预估、补偿3个模块来构造FGOC的半闭环软测量技术:

1)设置给煤量、一次风和二次风的数据采集设备，将采集到的数据传送到DCS实时数据库。在每个定时周期k从DCS的实时数据库中得到最新的变量数据x(k)作为辅助变量并送入上位机，所述上位机内部预设有数据处理模块、测量模块、预估模块、存储模块和补偿模块。

2)初始化：在k＝1时，辅助变量x(1)的在线实测数据送入上位机的数据处理模块，对(1)式进行归一化处理。将处理后的辅助变量x^*(1)送入测量模块，得到FGOC的预测值y^*＇(1)，同时FGOC的软测量值y^*(1)=y^*＇(1)。经过(2)式反归一化后得到FGOC的实际输出值y(1)。将x^*(1)和y^*(1)送入预估模块得到下一时刻(k＝2)辅助变量的预测值x^*＇(2)并在存储模块中保存，置k＝k+1。

3)当k≥2时，将辅助变量x(k)的在线实测数据送入上位机的数据处理模块，对其按(1)式进行归一化处理。将处理后的辅助变量x^*(k)送入测量模块，得到FGOC在k时刻的预测值y^*＇(k)。

4)调用存储模块中辅助变量的预测值x^*＇(k)，它与辅助变量归一化后的实际值x^*(k)之间形成差值Δx^*(k)=x^*(k)-x^*'(k)，将Δx^*(k)送入补偿模块。

5)Δx^*(k)进入补偿模块，得到k时刻FGOC的补偿值Δy^*(k)，用Δy^*(k)补偿预测值y^*＇(k)得到FGOC软测量值y^*(k)=y^*＇(k)+Δy^*(k)。将y^*(k)送入数据处理模块，经过(2)式反归一化后得到FGOC的实际输出值y(k)。

6)将FGOC的实际输出值传给软测量显示仪进行显示。

7)将x^*(k)和y^*(k)送入计算机内部预设的预估模块预测下一时刻(k+1时刻)的辅助变量的预测值x^*＇(k+1)并在存储模块中保存同时覆盖上一时刻辅助变量的预测值。此时置k＝k+1，返回步骤3)继续进行后续的软测量。

图3给出开环软测量和半闭环软测量模型的仿真结果，表1为两种方法的比较，可见，采用本发明进行在线软测量，其测量精度于鲁棒性与开环软测量相比有较大提高。

表1开环软测量和半闭环软测量模型的比较

Claims (6)

1.一种基于半闭环的软测量仪表，包括用于测量辅助变量的智能仪表、存放数据的DCS数据库、用于显示主导变量输出值的软测量显示仪和上位机，所述的智能仪表与工业生产过程连接，所述的上位机分别与DCS数据库及软测量显示仪连接，其特征在于，所述的上位机为软测量智能处理器，该软测量智能处理器包括：

数据处理模块，用于对辅助变量进行归一化处理和对主导变量进行反归一化处理；

测量模块，用于产生主导变量的初始测量值；

预估模块，用于预测下一时刻的辅助变量；

补偿模块，利用预估模块输出的预测值和测量模块的实际辅助变量测量值的差对主导变量的初始测量值进行补偿；和

存储模块，用于存储辅助变量的预测值。

2.根据权利要求1所述的基于半闭环的软测量仪表，其特征在于，所述的数据处理模块的归一化处理具体是：从DCS历史数据库以及离线化验数据库中分析搜索相关的易测辅助变量与难测主导变量y(k)构成若干组数据样本用于半闭环软测量技术的训练，对最新在线实测数据x(k)进行归一化处理后，按采样时间递增的顺序形成下述相应的时间序列：

$x^{*}\left(k\right)=\left[\begin{array}{cccc}{x_1}^{*}\left(k\right)& {x_2}^{*}\left(k\right)& ...& {x_j}^{*}\left(k\right)\end{array}\right]\⇔y^{*}\left(k\right)$

k＝1,2…M   j＝1,2…N。

3.根据权利要求1所述的基于半闭环的软测量仪表，其特征在于，所述的测量模块的建立具体是：选取若干组样本，采用映射技术并利用BP算法或者遗传算法GA训练得到映射根据得到的映射组成测量模型并储存于测量模块。

4.根据权利要求1所述的基于半闭环的软测量仪表，其特征在于，所述的预估模块的建立具体是：选取若干组样本，采用映射技术并利用BP算法或者遗传算法GA训练得到映射根据得到的映射组成预估模型，并储存于预估模块中。

5.根据权利要求1所述的基于半闭环的软测量仪表，其特征在于，所述的补偿模块的建立具体是：选取若干组样本，采用映射技术并利用BP算法或者遗传算法GA训练得到映射根据得到的映射组成补偿模型，并储存于补偿模块中。

6.一种利用权利要求1-5任一项所述的基于半闭环的软测量仪表的软测量方法，其特征在于，该软测量方法包括如下步骤：

步骤(1)设置测量辅助变量的智能仪表，将智能仪表测量到的数据传送到DCS实时数据库；

步骤(2)初始化k＝1，在当前时刻k从DCS实时数据库中得到最新的变量数据x(1)作为辅助变量并送入上位机的数据处理模块，数据处理模块对辅助变量x(1)进行归一化处理，公式如下：

x^*(k)＝β+(x(k)-a)/(b-a)×(α-β)   (1)

其中，x(k)表示辅助变量的实际值，x^*(k)表示辅助变量归一化后的实际值，[a b]表示辅助变量的变化范围，[α β]表示归一化范围，将归一化后的辅助变量x^*(1)送入测量模块，得到主导变量的预测值y^*′(1)，同时当前时刻主导变量的软测量y^*(1)＝y^*′(1)；

步骤(3)将当前时刻主导变量的软测量y^*(1)送入数据处理模块，经过公式(2)反归一化后，得到主导变量的实际输出值y(1)，

y(k)＝(y^*(k)-β)/(α-β)×(b-a)+a   (2)

其中，y(k)表示主导变量的实际值，y*(k)表示主导变量的软测量值；

步骤(4)将归一化后的辅助变量x^*(1)和主导变量的软测量值y^*(1)送入预估模块得到下一时刻(k＝2)辅助变量的预测值x^*′(2)并在存储模块中保存，并置k＝k+1；

步骤(5)在当前时刻k，从DCS实时数据库中得到最新的变量数据x(k)的在线实测数据送入上位机的数据处理模块，对其按(1)式进行归一化处理，将处理后的辅助变量x^*(k)送入测量模块，得到主导变量的预测值y^*′(k)；

步骤(6)调用存储模块中辅助变量的预测值x^*′(k)，预测值x^*′(k)与辅助变量归一化后的实际值x^*(k)之间形成差值Δx*(k)＝x*(k)-x*'(k)，将Δx^*(k)送入补偿模块；步骤(7)通过补偿模块得到k时刻主导变量的补偿值Δy^*(k)，用k时刻主导变量的补偿值Δy^*(k)补偿主导变量的预测值y^*′(k)得到主导变量的软测量值y^*(k)＝y^*′(k)+Δy^*(k)，

步骤(8)将主导变量的软测量值y*(k)送入数据处理模块，经过公式(2)反归一化后得到主导变量的实际输出值y(k)；

步骤(9)将主导变量的实际输出值传给软测量显示仪进行显示；

步骤(10)将当前时刻k归一化后的辅助变量x^*(k)和主导变量的软测量值y^*(k)分别送入预估模块预测下一时刻(k+1时刻)的辅助变量的预测值x^*′(k+1)并在存储模块中保存同时覆盖上一时刻辅助变量的预测值，此时置k＝k+1，返回步骤(5)继续进行后续的软测量。