CN111898301A - 软测量系统的实现方法 - Google Patents
软测量系统的实现方法 Download PDFInfo
- Publication number
- CN111898301A CN111898301A CN202010764661.7A CN202010764661A CN111898301A CN 111898301 A CN111898301 A CN 111898301A CN 202010764661 A CN202010764661 A CN 202010764661A CN 111898301 A CN111898301 A CN 111898301A
- Authority
- CN
- China
- Prior art keywords
- soft measurement
- model
- measurement model
- soft
- selecting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
- C12Q1/06—Quantitative determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明提供了软测量系统的实现方法,适于不同研究对象的需求,提出软测量系统的通用实现过程。根据研究对象的工艺要求,选择可测变量与估计变量,采集与处理运行数据集;利用LabVIEW软件编写方法程序,同时完成多种建模方法的训练,根据判别规则,选取精度高的软测量模型,作为在线测试的候选模型;模拟实时采集数据,进行软测量计算,得到估计变量较准确的测量值;本发明根据研究对象的工艺变化,具有对软测量模型的校正功能,以保证估计变量软测量的精度要求尽量不受工艺条件变化的影响。发明提出一种通用的软测量系统实现方法,特别对过程控制领域分析组份的在线测量具有实际应用价值。
Description
技术领域
本发明涉及一种软测量系统的实现方法。
背景技术
软测量技术就是根据可以检测的过程变量推断某些难以检测或根本无法检测的工艺参数的方法。软测量技术现在正尝试应用于过程工业中,应用领域包括炼油、石化、聚合、造纸、采矿、食品、医药、精细化工、半导体、纺织及微电子行业等。其中,其在化工行业的理论研究和应用测试,涉及推断控制等高级算法、反馈控制、操作指导、质量管理、调度优化、决策支持等环节。
由于软测量技术在工业控制领域有着十分重要的影响和作用,所以近年来软测量技术得到了突飞猛进的发展,它已涉及到自动控制理论中的建模、系统辨识和数据处理等领域。目前,在炼油、冶金、采矿、精细化工和生物化工等工业生产过程中,都有成功的应用。如炼油厂硫化催化裂化装置实施软测量技术,在线计算裂化反应热、再生定碳、产率分布、粗汽油干点、轻柴油倾点等操作参数,完成硫化催化裂化工艺过程的稳定、协调、优化控制等任务。另外,还可在线计算精馏塔产品组分浓度和塔板效率,化学反应器中反应物浓度和催化剂活性,以及生物发酵罐中的生物量参数等方面。软测量技术应用已成为过程控制领域研究的一个重点方向。
发明内容
本发明的目的在于提供一种软测量系统的实现方法。
为解决上述问题,本发明提供一种软测量系统的实现方法,包括:
采用多种建模方法同时实现数据建模,根据判别准则选取精度大于预设阈值的模型作为软测量模型,基于所述软测量模型得到软测量系统。
进一步的,在上述方法中,根据判别准则选取精度大于预设阈值的模型作为软测量模型,包括:
通过LabVIEW软件,并根据判别准则选取精度大于预设阈值的模型作为软测量模型。
进一步的,在上述方法中,所述软测量系统为谷氨酸发酵过程菌体浓度的在线软测量系统。
进一步的,在上述方法中,采用多种建模方法同时实现数据建模,根据判别准则选取精度大于预设阈值的模型作为软测量模型,基于所述软测量模型得到软测量系统,包括:
采用谷氨酸发酵过程采集的运行数据,经过预处理作为样本数据,对神经网络模型进行多次训练,根据训练误差选取精度大于预设阈值的软测量模型,同时也选择其他建模方法获取软测量模型,多种软测量模型比较,根据判别准则,确定最好的软测量模型。
进一步的,在上述方法中,根据判别准则选取精度大于预设阈值的模型作为软测量模型,包括:
以神经网络算法训练软测量模型,根据判别准则选取精度大于预设阈值的模型作为软测量模型。
进一步的,在上述方法中,采用多种建模方法同时实现数据建模,根据判别准则选取精度大于预设阈值的模型作为软测量模型,基于所述软测量模型得到软测量系统,包括:
采用多种建模方法同时实现数据建模,得到初始的软测量模型;
根据研究对象的不同,先期选择辅助变量,通过工艺机理分析,确定最终的辅助变量个数;
基于所述辅助变量个数从研究对象运行状态中,采集样本数据,经预处理获得可以建模的数据集;
读取数据集训练初始的软测量模型,实现多种初始的软测量模型的对比与筛选,根据判别条件,选取最准确的初始的软测量模型作为最终软测量模型;
在线采集可测变量的新数据,所述新数据经选取的最终软测量模型计算出估计变量的监测值,同时,对最终软测量模型实施在线校正。
与现有技术相比,本发明适于不同研究对象的需求,提出软测量系统的通用实现过程。根据研究对象的工艺要求,选择可测变量与估计变量,采集与处理运行数据集;利用LabVIEW软件编写方法程序,同时完成多种建模方法的训练,根据判别规则,选取精度高的软测量模型,作为在线测试的候选模型;模拟实时采集数据,进行软测量计算,得到估计变量较准确的测量值;本发明根据研究对象的工艺变化,具有对软测量模型的校正功能,以保证估计变量软测量的精度要求尽量不受工艺条件变化的影响。发明提出一种通用的软测量系统实现方法,特别对过程控制领域分析组份的在线测量具有实际应用价值。
附图说明
图1是本发明一种软测量系统的实现方法的工作流程图。
图2是本发明一种软测量系统的实现方法的框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和2所示,本发明提供一种软测量系统的实现方法,包括:
采用多种建模方法同时实现数据建模,根据判别准则选取精度大于预设阈值的模型作为软测量模型,基于所述软测量模型得到软测量系统。
在此,本发明的实现一种软测量系统的方法,具有对不同研究对象的通用性。在线软测量系统是根据所研究对象的工艺过程,找到对目标变量有直接影响并且容易测量的过程参量,将其作为模型的输入,目标变量作为模型的输出,选取多种建模方法来获取准确的软测量模型,就可在线计算出目标变量的估计值。如果模型准确,就能保证估计值准确。
本发明具有通用性,针对不同研究对象的需求,提出一种软测量系统通用的实现过程,采用多种建模方法同时实现数据建模,根据判别准则选取精度高的模型作为软测量模型,实现在线软测量测试,保证软测量变量的精度
本发明的软测量系统的实现方法一实施例中,根据判别准则选取精度大于预设阈值的模型作为软测量模型,包括:
通过LabVIEW软件,并根据判别准则选取精度大于预设阈值的模型作为软测量模型。
在此,通过LabVIEW软件实现一种软测量系统方法的工作流程,实现多种软测量模型在判别准则下的选取,实现软测量模型精度的比较。
本发明的软测量系统的实现方法一实施例中,所述软测量系统为谷氨酸发酵过程菌体浓度的在线软测量系统。
在此,本实施例实现谷氨酸发酵过程菌体浓度的在线软测量系统测试,得到满足工艺要求的菌体浓度的软测量结果。
本发明的软测量系统的实现方法一实施例中,采用多种建模方法同时实现数据建模,根据判别准则选取精度大于预设阈值的模型作为软测量模型,基于所述软测量模型得到软测量系统,包括:
采用谷氨酸发酵过程采集的运行数据,经过预处理作为样本数据,对神经网络模型进行多次训练,根据训练误差选取精度大于预设阈值的软测量模型,同时也选择其他建模方法获取软测量模型,多种软测量模型比较,根据判别准则,确定最好的软测量模型。
在此,验证过程采用谷氨酸发酵过程采集的运行数据,经过预处理作为样本数据,对神经网络模型进行多次训练,根据训练误差选取精度高的模型,同时也选择其他建模方法获取模型,多种模型比较,根据选取规则,确定最好的用于软测量的模型,用于实现在线对菌体浓度的准确监测。
本发明的软测量系统的实现方法一实施例中,根据判别准则选取精度大于预设阈值的模型作为软测量模型,包括:
以神经网络算法训练软测量模型,根据判别准则选取精度大于预设阈值的模型作为软测量模型。
在此,本发明以神经网络算法为例训练软测量模型,可以更换其他建模算法对比,以选取较准确的软测量模型,提供目标变量的准确估计。
本发明的软测量系统的实现方法一实施例中,采用多种建模方法同时实现数据建模,根据判别准则选取精度大于预设阈值的模型作为软测量模型,基于所述软测量模型得到软测量系统,包括:
采用多种建模方法同时实现数据建模,得到初始的软测量模型;
基于所述辅助变量个数根据研究对象的不同,先期选择辅助变量,通过工艺机理分析,确定最终的辅助变量个数;
从研究对象运行状态中,采集样本数据,经预处理获得可以建模的数据集;
读取数据集训练初始的软测量模型,实现多种初始的软测量模型的对比与筛选,根据判别条件,选取最准确的初始的软测量模型作为最终软测量模型;
在线采集可测变量的新数据,所述新数据经选取的最终软测量模型计算出估计变量的监测值,同时,对最终软测量模型实施在线校正。
在此,本发明要实现对不同研究对象的通用性。软测量技术原理是选择与被估计变量相关的一组可测变量,构造一种以可测变量为输入、被估计变量为输出的数学模型,用计算机软件编程实现重要过程变量的估计。这个过程包括辅助变量的选择、数据的采集和处理、软测量模型的建立和在线校正等部分。
根据研究对象的不同,先期选择辅助变量,通过工艺机理分析,确定最终的辅助变量个数。
然后,从研究对象运行状态中,采集样本数据,经预处理获得可以建模的数据集合。
接着,利用本发明的软测量系统方法,读取数据集训练模型,实现多种软测量模型的对比与筛选,根据判别条件,选取最准确的软测量模型作为在线测量的基础。
最后,在线采集可测变量的新数据,经软测量模型计算出估计变量的监测值,同时,方法在运行期间还可以对软测量模型实施在线校正,以适应研究对象在不同工况下带来的工艺变化,使其对估计变量监测值的影响最小。
本发明的软测量系统的实现方法一实施例中,所述数据集包括时间、PH值、温度、通分量和补糖量的可测参数。
在此,本发明的一种软测量系统实现方法,选择谷氨酸发酵过程菌体浓度作为测试对象,采用多种建模算法获取软测量模型,从中选取精度高的软测量模型实现菌体浓度的在线监测。方法利用LabVIEW软件实现软测量系统,设计通用程序完成对不同研究对象实施软测量系统需要的样本采集与处理过程,软测量模型训练与选择过程,在线测试与校正功能。方法选择谷氨酸发酵过程的可测参数,分别是时间、PH值、温度、通分量和补糖量,作为软测量模型的输入;而菌体浓度是软测量模型的输出。经测试,发明很好地实现了一种软测量系统应该具有的通用性功能,达到了对菌体浓度在线软测量的精度要求。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (6)
1.一种软测量系统的实现方法,其特征在于,包括:
采用多种建模方法同时实现数据建模,根据判别准则选取精度大于预设阈值的模型作为软测量模型,基于所述软测量模型得到软测量系统。
2.如权利要求1所述的软测量系统的实现方法,其特征在于,根据判别准则选取精度大于预设阈值的模型作为软测量模型,包括:
通过LabVIEW软件,并根据判别准则选取精度大于预设阈值的模型作为软测量模型。
3.如权利要求1所述的软测量系统的实现方法,其特征在于,所述软测量系统为谷氨酸发酵过程菌体浓度的在线软测量系统。
4.如权利要求3所述的软测量系统的实现方法,其特征在于,采用多种建模方法同时实现数据建模,根据判别准则选取精度大于预设阈值的模型作为软测量模型,基于所述软测量模型得到软测量系统,包括:
采用谷氨酸发酵过程采集的运行数据,经过预处理作为样本数据,对神经网络模型进行多次训练,根据训练误差选取精度大于预设阈值的软测量模型,同时也选择其他建模方法获取软测量模型,多种软测量模型比较,根据判别准则,确定最好的软测量模型。
5.如权利要求1所述的软测量系统的实现方法,其特征在于,根据判别准则选取精度大于预设阈值的模型作为软测量模型,包括:
以神经网络算法训练软测量模型,根据判别准则选取精度大于预设阈值的模型作为软测量模型。
6.如权利要求1所述的软测量系统的实现方法,其特征在于,采用多种建模方法同时实现数据建模,根据判别准则选取精度大于预设阈值的模型作为软测量模型,基于所述软测量模型得到软测量系统,包括:
采用多种建模方法同时实现数据建模,得到初始的软测量模型;
根据研究对象的不同,先期选择辅助变量,通过工艺机理分析,确定最终的辅助变量个数;
基于所述辅助变量个数从研究对象运行状态中,采集样本数据,经预处理获得可以建模的数据集;
读取数据集训练初始的软测量模型,实现多种初始的软测量模型的对比与筛选,根据判别条件,选取最准确的初始的软测量模型作为最终软测量模型;
在线采集可测变量的新数据,所述新数据经选取的最终软测量模型计算出估计变量的监测值,同时,对最终软测量模型实施在线校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010764661.7A CN111898301A (zh) | 2020-07-31 | 2020-07-31 | 软测量系统的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010764661.7A CN111898301A (zh) | 2020-07-31 | 2020-07-31 | 软测量系统的实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898301A true CN111898301A (zh) | 2020-11-06 |
Family
ID=73183978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010764661.7A Pending CN111898301A (zh) | 2020-07-31 | 2020-07-31 | 软测量系统的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898301A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630376A (zh) * | 2009-08-12 | 2010-01-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
CN103500280A (zh) * | 2013-09-30 | 2014-01-08 | 沈阳化工大学 | 谷氨酸发酵过程菌体浓度在线软测量方法 |
CN107341359A (zh) * | 2017-08-11 | 2017-11-10 | 江苏科海生物工程设备有限公司 | 秸秆发酵生产乙醇过程关键参量的软测量方法 |
-
2020
- 2020-07-31 CN CN202010764661.7A patent/CN111898301A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630376A (zh) * | 2009-08-12 | 2010-01-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
CN103500280A (zh) * | 2013-09-30 | 2014-01-08 | 沈阳化工大学 | 谷氨酸发酵过程菌体浓度在线软测量方法 |
CN107341359A (zh) * | 2017-08-11 | 2017-11-10 | 江苏科海生物工程设备有限公司 | 秸秆发酵生产乙醇过程关键参量的软测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Solle et al. | Between the poles of data‐driven and mechanistic modeling for process operation | |
CN109884892B (zh) | 基于交叉相关时滞灰色关联分析的流程工业系统预测模型 | |
CN109710636A (zh) | 一种基于深度迁移学习的无监督工业系统异常检测方法 | |
CN105300923A (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
CN101246369B (zh) | 一种汽车零部件尺寸质量控制系统和方法 | |
CN105868164B (zh) | 一种基于有监督的线性动态系统模型的软测量建模方法 | |
Pani et al. | A survey of data treatment techniques for soft sensor design | |
CN103500280A (zh) | 谷氨酸发酵过程菌体浓度在线软测量方法 | |
CN117312816A (zh) | 一种特种钢材的冶炼效果评估方法及系统 | |
CN116985183A (zh) | 一种近红外光谱分析仪质量监测管理方法及系统 | |
CN117491586B (zh) | 一种水质检测方法及系统 | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
CN113420500B (zh) | 智能常减压系统 | |
CN201330211Y (zh) | 污水处理厂运行参数自寻优模拟系统 | |
CN109960146A (zh) | 提高软测量仪表模型预测精度的方法 | |
CN111898301A (zh) | 软测量系统的实现方法 | |
CN103344740A (zh) | 基于多输入维纳模型的谷氨酸产物浓度在线软测量方法 | |
CN110931085B (zh) | 一种连续重整催化剂结焦炭含量在线预测和优化方法 | |
CN106647285A (zh) | 一种基于软测量技术的催化剂活性检测方法 | |
CN111142488A (zh) | 基于工况比对驱动的流程工业优化方法 | |
CN109933031A (zh) | 一种根据化验数据自动校正软测量仪表的系统及方法 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN113988311B (zh) | 质量变量的预测方法、装置、终端及存储介质 | |
CN102419593A (zh) | 基于数据挖掘的传感器故障诊断方法 | |
CN115201408A (zh) | 一种全工况下脱硫出口二氧化硫浓度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |