CN1987698A - 聚丙烯生产多分辨率软测量仪表及软测量方法 - Google Patents

Abstract

一种聚丙烯生产多分辨率软测量仪表，包括与聚丙烯生产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、主元分析模块、多分辨率分解模块、支持向量机建模模块、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数据的复共线性、非线性特性和多分辨率特性，测量精度高的聚丙烯生产多分辨率软测量仪表及软测量方法。

Description

聚丙烯生产多分辨率软测量仪表及软测量方法

(一)技术领域

本发明涉及工业过程软测量领域，特别地，涉及一种聚丙烯生产多分辨率软测量仪表及软测量方法。

(二)背景技术

聚丙烯是以丙烯单体为主聚合而成的一种合成树脂，是塑料工业中的重要产品。由于聚丙烯具有比重轻、耐抗冲、耐腐蚀、高透明、无毒性、强度好、电绝缘性能好且易于加工等优良性能，因而被广泛应用于轻工、化工、化纤、建材、家电、包装、汽车等领域，在目前我国的聚烯烃树脂中，成为仅次于聚乙烯和聚氯乙烯的第三大塑料。

在工业化的聚丙烯生产过程中，熔融指数(MI)是反映产品质量的一个重要指标，在生产过程中，常规检测和控制的指标就是MI。通常根据生产牌号的不同，MI每1h或每2h检测一次，生产过程中MI的调整要根据化验数据进行，从而导致工业化生产装置的MI总是处于波动之中。因此，如果能建立实时反映MI的软测量模型，并应用于生产过程中，则对平稳操作、提高产品质量均有益处。在此基础上，可以对产品牌号切换过程进行优化控制，大大提高装置的经济效益。

利用工业实测数据，采用统计的方法建立熔融指数的软测量模型，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。但是目前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，所检测的MI软测量值往往精度不高。因为，丙烯聚合过程从本质上来说是具有多分辨率特性的：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或分辨率下得到的，相应的控制或操作也是在不同分辨率下发生的。如果将多分辨率分析用于过程数据分析，能更充分的利用过程的内在信息，从而更本质地描述过程特征，对过程的建模更准确、更可靠。

(三)发明内容

为了克服已有的聚丙烯生产多分辨率软测量仪表的只考虑了数据的复共线性和非线性特性，没有考虑到数据的多分辨率特性、精度不高的不足，本发明提供一种同时考虑数据的复共线性、非线性特性和多分辨率特性，测量精度高的聚丙烯生产多分辨率软测量仪表及软测量方法。

本发明解决其技术问题所采用的技术方案是：

一种聚丙烯生产多分辨率软测量仪表，包括与聚丙烯生产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；

主元分析模块，用于依照提取主元个数，提取主成分，其具体过程如下：

记X是一个有n个样本和p个变量的数据集，设X的协方差阵为∑_X；

1)对∑_X进行奇异值分解，得到特征根λ₁，λ₂...，...，不妨假设λ₁≥λ₂≥...λ_p，对应的特征向量矩阵为U；

2)计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

3)特征向量矩阵U的前k列即为变换系数矩阵T，变换后的矩阵F＝T×X；

多分辨率分解模块，用于依照分解层数，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(4)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/2(2^-Jt-k)}              (4)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(5)：

W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}          (5)

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)分解，其算式为(6)：

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：

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

支持向量机建模模块，用于建立软测量模型，采用如下过程：求解如下二次规划问题，其算式为(7)：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max \{}{L}_D=-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(7\right)$

$s.t.\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

由此计算w和待估计函数f(x)，其算式为(8)：

多分辨率重构模块，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主元分析模块和多分辨率分解模块处理后作为支持向量机建模模块的输入，将输入代入训练得到的软测量模型，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，以更新软测量模型。

作为优选的另一种方案：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，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。

作为优选的再一种方案：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。

一种用如所述的聚丙烯生产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)、设置主元分析模块的提取主元个数、多分辨率分解模块的MR分解层数、支持向量机建模模块的核参数等参数，并设定DCS中的采样周期；

(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)、主元分析提取主成分，其具体过程如下：

记X是一个有n个样本和p个变量的数据集，设X的协方差阵为∑_X；

4.1)对∑_X进行奇异值分解，得到特征根λ₁，λ₂，...，λ_p，不妨假设λ₁≥λ₂≥...λ_p，对应的特征向量矩阵为U；

4.2)计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

4.3)特征向量矩阵U的前k列即为变换系数矩阵T，变换后的矩阵F＝T×X；(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，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(4)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/2-(2^-Jt-k)}    (4)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(5)：

W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (5)

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)分解，其算式为(6)：

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：

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

(6)、在各个分辨率上分别建立SVM模型，采用如下过程：

求解如下二次规划问题，其算式为(7)：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{L_D=-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(7\right)$

$s.t.\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

由此计算w和待估计函数f(x)，其算式为(8)：

(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主元分析模块和多分辨率分解模块的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软测量模型的输入，将输入代入训练得到的软测量模型，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，以更新软测量模型。

作为优选的另一种方案：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(6)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：本发明分别针对聚丙烯生产过程数据的复共线性、多分辨率特性和非线性特性，将主元分析、多分辨率分析和支持向量机三种方法相结合，建立聚丙烯生产熔融指数软测量模型。

将主元分析的解相关性能力，多分辨率分析对信息很强的分解与重构能力以及支持向量机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。由此建立的熔融指数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、同时考虑数据的复共线性、非线性特性和多分辨率特性；2、得到更好的预测和泛化效果；3、控制精度高。

(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2，一种聚丙烯生产多分辨率软测量仪表，包括与聚丙烯生产过程对象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2、数据存储装置5及上位机6依次相连，所述的上位机6为软测量智能处理器，所述的软测量智能处理器包括包括：

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；

主元分析模块8，用于依照提取主元个数，提取主成分，其具体过程如下：

记X是一个有n个样本和p个变量的数据集，设X的协方差阵为∑_X；

1)对∑_X进行奇异值分解，得到特征根λ₁，λ₂，...，λ_p，不妨假设λ₁≥λ2≥...λp，对应的特征向量矩阵为U；

2)计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

3)特征向量矩阵U的前k列即为变换系数矩阵T，变换后的矩阵F＝T×X；

多分辨率分解模块9，用于依照分解层数，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(4)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/2(2^-Jt-k)}    (4)

而W_j由小波函数{ψ_j，k，(t)，j＝1，...，J，k∈Z}张成，其算式为(5)：

W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (5)

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)分解，其算式为(6)：

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：

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

支持向量机建模模块(SVM模块)10，用于建立软测量模型，采用如下过程：求解如下二次规划问题，其算式为(7)：

$\underset{\mathrm{\α}{,\mathrm{\α}}^{*}}{\max }\{L_D=-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(7\right)$

$s.t.$ $\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

由此计算w和待估计函数f(x)，其算式为(8)：

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主元分析模块和多分辨率分解模块处理后作为支持向量机建模模块的输入，将输入代入训练得到的软测量模型，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12，用于定期将离线检测的实际数据加到训练集中，以更新软测量模型。

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6还包括：结果显示模块13，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。

本实施例的聚丙烯生产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：

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为输入样本，N为训练样本数， 为训练样本的均值；

主元分析(PCA)模块8，提取主成分，在不损失过多信息的同时，降低系统维数，其具体过程如下：

记X是一个有n个样本和p个变量的数据集，设X的协方差阵为∑_X；

1)对∑_X进行奇异值分解，得到特征根λ₁，λ₂，...，λ_p，不妨假设λ₁≥2≥...λp，对应的特征向量矩阵为U；

2)计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k。

3)特征向量矩阵U的前k列即为变换系数矩阵T，变换后的矩阵F＝T×X。

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，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(4)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/2^-Jt-k)}    (4)

而W_j由小波函数{ψ_j，k(t)，j＝1,...，J，k∈Z}张成，其算式为(5)：

W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (5)

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(6)：

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可以通过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：

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

支持向量机建模(SVM)模块10，用于建立软测量模型，采用如下过程：求解如下二次规划问题，其算式为(7)：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{L_D=-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(7\right)$

$s.t.\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i，≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

由此可得w和待估计函数f(x)，其算式为(8)：

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PCA和MR模块处理后作为SVM建模模块的输入，将输入代入训练得到的SVM模型，再经过多分辨率重构模块得到软测量函数值。

实施例2

参照图1、图2，一种用聚丙烯生产多分辨率软测量方法，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)、设置主元分析模块的提取主元个数、多分辨率分解模块的MR分解层数、支持向量机建模模块的核参数等参数，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： ${\mathrm{\σ}}_x^{\text{2}}\text{=}\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

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)、主元分析提取主成分，其具体过程如下：

记X是一个有n个样本和p个变量的数据集，设X的协方差阵为∑_X；

4.1)对∑_X进行奇异值分解，得到特征根λ₁，λ₂，...，λ_p，不妨假设λ₁≥λ2≥...λp，对应的特征向量矩阵为U；

4.2)计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

4.3)特征向量矩阵U的前k列即为变换系数矩阵T，变换后的矩阵F＝T×X；

(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，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(4)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/2^-Jt-k)}    (4)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(5)：

Wj＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (5)

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)分解，其算式为(6)：

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：

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

(6)、在各个分辨率上分别建立SVM模型，采用如下过程：

求解如下二次规划问题，其算式为(7)：

$\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\{L_D=-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\}---\left(7\right)$

$s.t.\underset{i=1}{\overset{M}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0$

0≤α_i≤γ

$0\≤{\mathrm{\α}}_i^{*}\≤\mathrm{\γ}$

由此计算w和待估计函数f(x)，其算式为(8)：

(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主元分析模块和多分辨率分解模块的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软测量模型的输入，将输入代入训练得到的软测量模型，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，以更新软测量模型。

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、一种聚丙烯生产多分辨率软测量仪表，包括与聚丙烯生产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： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(T{X}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

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；

主元分析模块，用于依照提取主元个数，提取主成分，其具体过程如下：

记X是一个有n个样本和p个变量的数据集，设X的协方差阵为∑_x；

1)对∑_X进行奇异值分解，得到特征根λ₁，λ₂，...，λ_p，不妨假设λ₁≥λ₂≥...λ_p，对应的特征向量矩阵为U；

2)计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

3)特征向量矩阵U的前k列即为变换系数矩阵T，变换后的矩阵F＝T×X；

多分辨率分解模块，用于依照分解层数，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V_J由尺度函数{_J，k(t)，k∈Z}张成，其算式为(4)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/2(2^-Jt-k)}    (4)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(5)：

W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (5)

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)分解，其算式为(6)：

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：

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

支持向量机建模模块，用于建立软测量模型，采用如下过程：求解如下二次规划问题，其算式为(7)：

$\underset{a,a^{*}}{\max }\{L_D=-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}(a_i-a_i^{*})(a_j-a_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}(a_i+a_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i(a_i-a_i^{*})\}---\left(7\right)$

$s.t.\underset{i=1}{\overset{M}{\mathrm{\Σ}}}(a_i-a_i^{*})=0$

0≤α_i≤γ

0≤a_i ^*≤γ

由此计算w和待估计函数f(x)，其算式为(8)：

多分辨率重构模块，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主元分析模块和多分辨率分解模块处理后作为支持向量机建模模块的输入，将输入代入训练得到的软测量模型，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所述的聚丙烯生产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，以更新软测量模型。

3、如权利要求1或2所述的聚丙烯生产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所述的聚丙烯生产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所述的聚丙烯生产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)、设置主元分析模块的提取主元个数、多分辨率分解模块的MR分解层数、支持向量机建模模块的核参数等参数，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： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}T{X}_i,---\left(1\right)$

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

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)、主元分析提取主成分，其具体过程如下：

记X是一个有n个样本和p个变量的数据集，设X的协方差阵为∑_x；

4.1)对∑_x进行奇异值分解，得到特征根λ₁，λ₂，...，λ_p，不妨假设λ₁≥λ₂≥...λ_p，对应的特征向量矩阵为U；

4.2)计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

4.3)特征向量矩阵U的前k列即为变换系数矩阵T，变换后的矩阵F＝T×X；(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，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(4)：

V_J＝{_J，k(t)|_J，k(t)＝2^-J/2(2^-Jt-k)}    (4)

而W_j由小波函数{ψ_j，k(t)，j＝1，...，J，k∈Z}张成，其算式为(5)：

W_j＝{ψ_j，k(t)|ψ_j，k(t)＝2^-j/2ψ(2^-jt-k)}    (5)

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)分解，其算式为(6)：

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：

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

(6)、在各个分辨率上分别建立SVM模型，采用如下过程：

求解如下二次规划问题，其算式为(7)：

$\underset{a,a^{*}}{\max }\{L_D=-\frac{1}{2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}(a_i-a_i^{*})(a_j-a_j^{*})K(x_i,x_j)-\mathrm{\ϵ}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}(a_i+a_i^{*})+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i(a_i-a_i^{*})\}---\left(7\right)$

$s.t.\underset{i=1}{\overset{M}{\mathrm{\Σ}}}(a_i-a_i^{*})=0$

0≤α_i≤γ

0≤α_i ^*≤γ

由此计算w和待估计函数f(x)，其算式为(8)：

(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主元分析模块和多分辨率分解模块的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软测量模型的输入，将输入代入训练得到的软测量模型，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所述的聚丙烯生产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，以更新软测量模型。

7、如权利要求5或6所述的聚丙烯生产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