CN1996192A - 基于仿生智能的工业软测量仪表及软测量方法 - Google Patents

Abstract

一种基于仿生智能的工业软测量仪表，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、径向基函数神经网络建模模块、基于混沌遗传算法的模型参数优选模块、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。本发明提供一种参数确定方便、适用范围广、软测量效果好、精度高的基于仿生智能的工业软测量系统及软测量方法。

Description

基于仿生智能的工业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，涉及一种基于仿生智能的工业软测量仪表及软测量方法。

(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，是进行软测量的一种有效手段和工具。

但是常见的大多数软测量仪表及方法，往往存在仪表参数确定难、适用性差和软仪表精度不高等问题，在高精度软测量工业过程难以适用。

(三)发明内容

为了克服已有的工业软测量仪表的参数确定困难、适用性差、精度不高的不足，本发明提供一种参数确定方便、适用范围广、软测量效果好、精度高的基于仿生智能的工业软测量系统及软测量方法。

本发明解决其技术问题所采用的技术方案是：

一种基于仿生智能的工业软测量仪表，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；

径向基函数神经网络建模模块，用于建立软测量模型RBF，采用如下过程：

1)选用高斯函数Φ(v)＝exp(-v²/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(4)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(4\right)$

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；

基于混沌遗传算法的模型参数优选模块，用于优化RBF模型参数，采用如下过程：

1)对待优化参数，记为x，进行二进制编码，生成初始群体，计算每个个体的适应度值；

2)根据选择概率pi＝fi/∑ifi(fi(fi为个体适应值)按规定的种群规模选择个体进入下一代；

3)以交叉概率按适当的交叉方式对选中的多对个体交叉；

4)以变异概率pm按适当的变异方式对选中的个体变异；

5)解码，计算各个体适应度值；

6)确定适应度中间值，对适应值比中间值大的个体不做混沌扰动，对其余的适应值比中间值小的个体做混沌扰动，混沌扰动的幅度控制参数随着迭代次数增加而变小；计算新个体的适应度值；混沌扰动按如下方法进行：

选用Logistic映射，其算式为(5)：

x_n+1＝4·x_n(1-x_n)             (5)

按照上式(5)得到的混沌变量通过变换映射到要优化的变量，变换公式如下(6)：

x_i＝c_i+d_ix_i                 (6)

7)重复步骤2至步骤6，直到终止条件得以满足，即计算得到的新个体的适应度值在5代之内保持不变；

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RBF模型，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RBF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。

一种用所述的基于仿生智能的工业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)、在基于混沌遗传算法的模型参数优选模块，设置混沌遗传算法的种群大小、最大代数、选择概率、交叉概率、变异概率参数，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)、建立径向基函数网络，具体步骤为：

4.1)选用高斯函数Φ(v)＝exp(-v²/α²)作为网络的激活函数，给定形状参数α；

4.2)用最小二乘学习算法确定RBF中心矢量C_i；

4.3)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(4)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(4\right)$

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；

(5)、用混沌遗传算法优化上述参数α，具体步骤为：

5.1)对待优化参数进行二进制编码，生成初始群体，计算每个个体的适应度值；

5.2)根据选择概率pi＝fi/∑ifi(fi(fi为个体适应值)按规定的种群规模选择个体进入下一代；

5.3)以交叉概率按适当的交叉方式对选中的多对个体交叉；

5.4)以变异概率pm按适当的变异方式对选中的个体变异；

5.5)解码，计算各个体适应度值；

5.6)确定适应度中间值，对适应值比中间值大的个体不做混沌扰动，对其余的适应值比中间值小的个体做混沌扰动，混沌扰动的幅度控制参数随着迭代次数增加而变小；计算新个体的适应度值；混沌扰动按如下方法进行：

选用Logistic映射，其算式为(5)：

α_n+1＝4·α_n(1-α_n)               (5)

按照上式得到的混沌变量通过变换映射到要优化的变量，变换公式如下(6)：

α_i＝c_i+d_iα_i                      (6)

5.7)重复5.2至5.6，直到终止条件得以满足，即计算得到的新个体的适应度值在5代之内保持不变；

(6)、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RBF模型，得到软测量函数值。

作为优选的一种方案：所述的软测量方法还包括：(7)、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：仿生智能如遗传算法等，能够模拟生物进化和生物群体的智能进化过程来根据检测过程的特点最优化软测量仪表的参数，从而有效解决常规软仪表参数确定难、适用性差和软仪表精度不高等问题，在高精度软测量工业过程难以适用等难关。

工业过程数据本身具有非常严重的非线性，RBF可以很好的逼近这种非线性关系；混沌遗传算法既保留了遗传算法的全局搜索能力，又能明显提高遗传算法的收敛速度，可以在较短时间内优化模型参数。

本发明的有益效果主要表现在：1、适用范围广，能广泛运用于各种工业过程；2、软测量效果好；3、运算效率高，模型可以在线更新；4、使用简单，容易在现有DCS系统上实现，也可构成一个独立的系统。

(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2，一种基于仿生智能的工业软测量仪表，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5，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；

径向基函数神经网络建模模块(RBF模块)8，用于建立软测量模型RBF，采用如下过程：

1)选用高斯函数Φ(v)＝exp(-v²/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(4)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(4\right)$

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；

基于混沌遗传算法的模型参数优选模块(CGA)9，用于优化RBF模型参数，采用如下过程：

1)对待优化参数，记为x，进行二进制编码，生成初始群体，计算每个个体的适应度值；

2)根据选择概率pi＝fi/∑ifi(fi(fi为个体适应值)按规定的种群规模选择个体进入下一代；

3)以交叉概率按适当的交叉方式对选中的多对个体交叉；

4)以变异概率pm按适当的变异方式对选中的个体变异；

5)解码，计算各个体适应度值；

6)确定适应度中间值，对适应值比中间值大的个体不做混沌扰动，对其余的适应值比中间值小的个体做混沌扰动，混沌扰动的幅度控制参数随着迭代次数增加而变小；计算新个体的适应度值；混沌扰动按如下方法进行：

选用Logistic映射，其算式为(5)：

x_n+1＝4·x_n(1-x_n)             (5)

按照上式(5)得到的混沌变量通过变换映射到要优化的变量，变换公式如下(6)：

x_i＝c_i+d_ix_i                    (6)

7)重复步骤2至步骤6，直到终止条件得以满足，即计算得到的新个体的适应度值在5代之内保持不变；

信号采集模块10，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11，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12，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。

软测量仪表还包括与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，所述的上位机还包括：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。

本实施例的基于仿生智能的工业软测量仪表，包括与工业过程对象1连接的现场智能仪表2、DCS系统以及智能元件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为输入样本，N为训练样本数，

为训练样本的均值；

径向基函数神经网络建模模块8，用于建立软测量模型，采用如下过程：

1)选用高斯函数Φ(v)＝exp(-v²/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(4)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(4\right)$

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；

基于混沌遗传算法的模型参数优选模块9，用来优化RBF模型参数，提升建模效果，采用如下过程：

1)对待优化参数(记为x)进行二进制编码，生成初始群体，计算每个个体的适应度值；

2)根据选择概率pi＝fi/∑ifi(fi(fi为个体适应值)按规定的种群规模选择个体进入下一代；

3)以交叉概率按适当的交叉方式对选中的多对个体交叉；

4)以变异概率pm按适当的变异方式对选中的个体变异，经过计算机仿真表明：若算法迭代次数不多(50次以内)，有了混沌扰动，此步骤可以省略，从而可节约大量的时间；

5)解码，计算各个体适应度值；

6)对适应值较大的个体不做混沌扰动，只对其余的适应值较小的个体做混沌扰动，混沌扰动的幅度控制参数随着迭代次数增加而变小。计算新个体的适应度值。混沌扰动按如下方法进行：

选用Logistic映射，其算式为(5)：

x_n+1＝4·x_n(1-x_n)            (5)

按照上式得到的混沌变量通过变换映射到要优化的变量，以免在不必要的空间搜索，变换公式如下(6)：

x_i＝c_i+d_ix_i                   (6)

7)重复步骤2至步骤6，直到终止条件得以满足，即计算得到的新个体的适应度值在5代之内保持不变；

信号采集模块10，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11，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作为RBF建模模块的输入，将输入代入训练得到的RBF模型，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RBF模型。结果显示模块13，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2，一种基于仿生智能的工业软测量方法，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)、在基于混沌遗传算法的模型参数优选模块，设置混沌遗传算法的种群大小、最大代数、选择概率、交叉概率、变异概率参数，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)、建立径向基函数网络，具体步骤为：

4.1)选用高斯函数Φ(v)＝exp(-v²/α²)作为网络的激活函数，给定形状参数α；

4.2)用最小二乘学习算法确定RBF中心矢量C_i；

4.3)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(4)：

$f\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(4\right)$

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；

(5)、用混沌遗传算法优化上述参数α，具体步骤为：

5.1)对待优化参数进行二进制编码，生成初始群体，计算每个个体的适应度值；

5.2)根据选择概率pi＝fi/∑ifi(fi(fi为个体适应值)按规定的种群规模选择个体进入下一代；

5.3)以交叉概率按适当的交叉方式对选中的多对个体交叉；

5.4)以变异概率pm按适当的变异方式对选中的个体变异；

5.5)解码，计算各个体适应度值；

5.6)确定适应度中间值，对适应值比中间值大的个体不做混沌扰动，对其余的适应值比中间值小的个体做混沌扰动，混沌扰动的幅度控制参数随着迭代次数增加而变小；计算新个体的适应度值；混沌扰动按如下方法进行：

选用Logistic映射，其算式为(5)：

α_n+1＝4·α_n(1-α_n)             (5)

按照上式得到的混沌变量通过变换映射到要优化的变量，变换公式如下(6)：

α_i＝c_i+d_iα_i                     (6)

5.7)重复5.2至5.6，直到终止条件得以满足，即计算得到的新个体的适应度值在5代之内保持不变；

(6)、将采集的数据传送到数据存储装置的实时数据库中，在每个定时周期从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RBF模型，得到软测量函数值。

所述的软测量方法还包括：(7)、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、一种基于仿生智能的工业软测量仪表，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： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(T{X}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

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；径向基函数神经网络建模模块，用于建立软测量模型RBF，采用如下过程：

1)选用高斯函数Φ(v)＝exp(-v²/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(4)：

$\left(X\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(4\right)$

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；

基于混沌遗传算法的模型参数优选模块，用于优化RBF模型参数，采用如下过程：

1)对待优化参数，记为x，进行二进制编码，生成初始群体，计算每个个体的适应度值；

2)根据选择概率pi＝fi/∑ifi(fi(fi为个体适应值)按规定的种群规模选择个体进入下一代；

3)以交叉概率按适当的交叉方式对选中的多对个体交叉；

4)以变异概率pm按适当的变异方式对选中的个体变异；

5)解码，计算各个体适应度值；

6)确定适应度中间值，对适应值比中间值大的个体不做混沌扰动，对其余的适应值比中间值小的个体做混沌扰动，混沌扰动的幅度控制参数随着迭代次数增加而变小；计算新个体的适应度值；混沌扰动按如下方法进行：

选用Logistic映射，其算式为(5)：

x_n+1＝4·x_n(1-x_n)               (5)

按照上式(5)得到的混沌变量通过变换映射到要优化的变量，变换公式如下(6)：

x_i＝c_i+d_ix_i    (6)

7)重复步骤2至步骤6，直到终止条件得以满足，即计算得到的新个体的适应度值在5代之内保持不变；

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RBF模型，得到软测量函数值。

2、如权利要求1所述的基于仿生智能的工业软测量仪表，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RBF模型。

3、如权利要求1或2所述的基于仿生智能的工业软测量仪表，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所述的基于仿生智能的工业软测量仪表，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所述的基于仿生智能的工业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)、在基于混沌遗传算法的模型参数优选模块，设置混沌遗传算法的种群大小、最大代数、选择概率、交叉概率、变异概率参数，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)、建立径向基函数网络，具体步骤为：

4.1)选用高斯函数Φ(v)＝exp(-v²/α²)作为网络的激活函数，给定形状参数α；

4.2)用最小二乘学习算法确定RBF中心矢量C_i；

4.3)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(4)：

$f\left(x\right)={\mathrm{\ω}}_0+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\Φ}\left(\right||X-C_i|\left|\right)---\left(4\right)$

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；

(5)、用混沌遗传算法优化上述参数α，具体步骤为：

5.1)对待优化参数进行二进制编码，生成初始群体，计算每个个体的适应度值；

5.2)根据选择概率pi＝fi/∑ifi(fi(fi为个体适应值)按规定的种群规模选择个体进入下一代；

5.3)以交叉概率按适当的交叉方式对选中的多对个体交叉；

5.4)以变异概率pm按适当的变异方式对选中的个体变异；

5.5)解码，计算各个体适应度值；

5.6)确定适应度中间值，对适应值比中间值大的个体不做混沌扰动，对其余的适应值比中间值小的个体做混沌扰动，混沌扰动的幅度控制参数随着迭代次数增加而变小；计算新个体的适应度值；混沌扰动按如下方法进行：

选用Logistic映射，其算式为(5)：

α_n+1＝4·α_n(1-α_n)                (5)

按照上式得到的混沌变量通过变换映射到要优化的变量，变换公式如下(6)：

α_i＝c_i+d_iα_i    (6)

5.7)重复5.2至5.6，直到终止条件得以满足，即计算得到的新个体的适应度值在5代之内保持不变；

(6)、将采集的数据传送到数据存储装置的实时数据库中，在每个定时周期从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RBF模型，得到软测量函数值。

6、如权利要求5所述的基于仿生智能的工业软测量方法，其特征在于：所述的软测量方法还包括：(7)、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所述的基于仿生智能的工业软测量方法，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(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。

Images