本发明属于工业测量领域，特别涉及用于非线性和随机过程的软测量方法。
背景技术：
软测量是把自动控制理论与生产过程知识有机的结合起来，应用计算机技术对难以测量或者不能测量的重要变量，选择另外一些容易测量的变量，通过构建某种数学关系来推断或者估计，以软件来替代硬件(主要指在线检测仪表)的功能。软测量通常包括预测和校正两部分。在实际工业过程控制系统中，被控对象或过程大部分呈现非线性特征，与线性系统相比，非线性被控对象的特性是不能采用叠加原理进行分析，从而决定了在研究上的复杂性。但在实际非线性随机系统中，非线性现象普遍存在，如频率对振幅的依赖、跳跃谐振、频率捕捉及异步控制等，它反映了非线性系统运动本质。因此给非线性随机系统分析和设计带来本质性的困难。
以典型的非线性特征被控对象—电石炉装置为例进行说明，电石炉是靠电极的埋弧电热和物料的电阻电热来加热炉内物料(生石灰、碳素)使其反应生成电石的一种电炉，输入功率一般可达几千至数万千伏安，通常采用三根或六根电极用于加热炉内物料。电石炉常用的电极包括自焙电极、石墨电极、碳素电极，电极把大电流输送到炉内，在电极末端产生电弧将电能转换成热能，电弧具有极高的温度，令电极端头碳升华，导致电极不断消耗变短，因此需要定期压放电极以保持一定的电极长度，稳定电极做功，确保电石质量。
目前，电极长度主要在停炉期间由人工测量得到，开炉运行期间无法实时检测电极长度的变化，电极压放操作主要依赖于生产经验，人为因素影响较大，常常导致各相电极的插入深度存在差异，做功不平衡，继而影响电石质量和电耗。
技术实现要素：
为了解决现有技术中存在的缺点和不足，本发明提供了通过利用计算机系统和常规检测仪表提供的在线过程数据，仅仅通过少量的人工采样，实现了电极长度的基于最小二乘支持向量机的软测量，软测量结果比较精确，有助于实现电石炉装置的先进控制和优化运行的用于非线性和随机过程的软测量方法。
为了达到上述技术目的，本发明提供了用于非线性和随机过程的软测量方法，所述软测量方法，包括：
步骤一，获取预设数据格式的样本数据；
步骤二，根据预设数据格式构建训练样本集，基于非线性映射结合已构建的训练样本集构造最优决策函数；
步骤三，基于结构风险最小化原则，确定令最优决策函数中系数最小化的基于最小二乘支持向量机优化问题表达式，在优化条件下对优化问题表达式求解得到线性方程组，根据已构建的训练样本集对线性方程组进行求解，得到软测量模型表达式，对得到的软测量模型表达式进行验证调整，得到调整后软测量模型表达式；
步骤四，将实时电极长度代入调整后软测量模型表达式，得到与实时电极长度对应的电极长度调节量。
可选的，所述根据预设数据格式构建训练样本集，基于非线性映射结合已构建的训练样本集构造最优决策函数，包括：
确定软测量模型训练使用的误差惩罚参数和核参数的区间范围，该区间应当包含模型的最优参数，以便从中选择最佳的模型参数，将训练样本、误差评价样本和软测量模型验证样本进行标准化处理；
读入准备用于软测量模型训练的样本数据，从误差惩罚参数和核参数的范围设置的下限开始，每次每个参数循环增加一个步长，作为调整后的参数，用于建立相应的模型对该组参数进行误差评价；
以[电极温度t，电极功率p，炉料配比r，电石出炉量g]t作为模型输入xi，电极消耗量δhxh作为模型输出yi，构成训练样本集
通过非线性映射ψ(·)把输入样本从输入空间rd映射到特征空间
ψ(x)＝(φ(x1)，φ(x2)，…，φ(xl))，
在高维特征空间中构造如公式一所示的最优决策函数
y(x)＝wt·φ(xi)+b，(w∈rdn，b∈r)公式一；
其中，wt为权向量，b为偏置量。
可选的，所述基于结构风险最小化原则，确定令最优决策函数中系数最小化的基于最小二乘支持向量机优化问题表达式，包括：
利用结构风险最小化原则，通过公式二确定令最优决策函数中系数最小化的w、b的取值
其中，||w||2控制模型的复杂度，c是正规化参数，remp为误差控制函数，也即ε不敏感损失函数，最小二乘支持向量机在优化目标中的损失函数为误差ξi的二次项；
基于最小化取值的w、b，最优决策函数转化为如公式三所示的基于最小二乘支持向量机优化问题表达式
可选的，所述在优化条件下对优化问题表达式求解得到线性方程组，根据已构建的训练样本集对线性方程组进行求解，得到软测量模型表达式，包括：
基于拉格朗日法对公式三进行求解，得到如公式四所示的解
其中αi，i,j＝1,2,…,l是拉格朗日乘子，
根据优化条件
可得
定义满足metcer条件的核函数表达式k(xi,xj)＝φ(xi)·φ(xj)，i,j＝1,2,…,l，基于已构建的核函数表达式将优化问题转化为如公式五所示的线性方程组
基于训练样本集(xi，yi)，i,j＝1,2,…,l，求解线性方程得到模型参数[bα1α2…αl]，最后得到软测量模型表达式
可选的，所述对得到的软测量模型表达式进行验证调整，得到调整后软测量模型表达式，包括：
从样本数据中读取用于误差评价的样本数据集；
定义如公式六所示的误差函数
式中i＝1,2,…,l
根据误差函数确定最终误差评价函数e(γ,δ)＝min(e1+ηe2)其中，γ为误差惩罚参数，δ为核参数，η为权重参数；
根据经验选择均方差和最大方差的权重，在给定的参数区间内利用软测量模型表达式建立的软测量模型得到误差评价指标，并记录对应的参数。
可选的，所述软测量方法还包括：
若满足γ+1＞γup和δ+1＞δup，则说明所有参数组合的误差评价工作完成，
其中，γ为误差惩罚参数，1为调整步长，γup为惩罚参数范围的上限，δ为核参数、1为调整步长，δup为核参数范围的上限。
本发明提供的技术方案带来的有益效果是：
通过利用计算机系统和常规检测仪表提供的在线过程数据，仅仅通过少量的人工采样，实现了电极长度的基于最小二乘支持向量机的软测量，软测量结果比较精确，有助于实现电石炉装置的先进控制和优化运行。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的用于非线性和随机过程的软测量方法的流程示意图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
本发明提供了用于非线性和随机过程的软测量方法，如图1所示，所述软测量方法，包括：
步骤一，获取预设数据格式的样本数据；
步骤二，根据预设数据格式构建训练样本集，基于非线性映射结合已构建的训练样本集构造最优决策函数；
步骤三，基于结构风险最小化原则，确定令最优决策函数中系数最小化的基于最小二乘支持向量机优化问题表达式，在优化条件下对优化问题表达式求解得到线性方程组，根据已构建的训练样本集对线性方程组进行求解，得到软测量模型表达式，对得到的软测量模型表达式进行验证调整，得到调整后软测量模型表达式；
步骤四，将实时电极长度代入调整后软测量模型表达式，得到与实时电极长度对应的电极长度调节量。
在实施中，工业生产过程中的非线性和随机特性十分复杂，通用的描述方式为：y＝f(x，d，ε)，其中f为非线性，d为可分析不可测量的未知扰动，ε为过程的随机特性。由于非线性和随机过程的复杂性，技术上没有任何一种通用方法能够解决。本专利针对电石炉过程进行了工艺机理分析，总结出一类非线性随机过程，并针对该过程提供了全新的软测量应用方法，实现了此类过程的软测量工业应用。
电石炉装置生产运行过程中，电极长度与电极升降位移、电极压放量、电极消耗量直接相关，其机理特无法利用解析公式描述，大致关系如下式所示：
h＝f(h0,hsj,δd,c,δhxh,t，ε)
其中，ε代表过程的随机特性，无法有效检测；电极升降位移、电极压放量可通过位移检测直接获取。由于电极消耗量与电极质量、电气参数、炉料配比、生产负荷等密切相关，因此可采用一种基于最小二乘支持向量机的电极消耗软测量数学模型来实现。该方法依赖硬件平台及测量仪表和计算机系统，其特征在于通过控制计算机或数据采集器获得实时过程数据，进行软测量建模。
基于前文提出的现有技术中关于无法确定电石炉装置在生产过程中电极长度的具体问题，本发明结合电石炉装置工艺特点和运行工况，总结分析了一类非线性随机过程的特点，然后采用一种基于依概率的最小二乘支持向量机的算法建立电极消耗软测量数学模型，进而结合电极升降量、压放量计算出电极实时长度，其优点在于：
首先，由于采用了基于概率分布的递归循环计算方法，模型包容了不确定特性，从而鲁棒性强且与生产情况高度吻合；其次，实时准确预测电极长度能够实时分析校正各电极插入炉内的深度，指导电极压放操作，同时也有助于工艺工程师评估电极做功是否平衡；最后，由于本模型建立时考虑了非线性随机特性，其基于对工艺和生产实际密切结合的基础上，是移植性很好的模型，可以在同类的矿热电炉装置中进行推广和拓展。实践和数据表明，该模型计算准确度高，检测和调整模型精度的手段也很简便，适用性强。
在步骤一中获取到的样本数据包括表征电极软硬程度的电极温度t、表征电极做功大小的电极功率p、表征炉料中碳素量大小的炉料配比r、以及表征电石炉实际运行负荷高低的电石出炉量g。
按照如下的结构组成样本，并收集样本数据。样本表达式为{xi,yi}，样本的数据结构如下表：
表1样本数据结构
其中xi为样本的输入，即选取的辅助变量——电极温度t、电极功率p、炉料配比r、电石出炉量g。样本的输出yi为待估计的主导变量——电极消耗量δhxh，电极消耗量可根据两次停炉期间的电极长度测量值和电极总压放量计算得到。
为消除数据的噪声污染，并剔除一些明显错误或无效数据，需要对各辅助变量进行数据预处理。对变量电极温度t、电极功率p取1～2分钟的平均值，对变量炉料配比r取自当前时刻前1小时的数据平均值，对电石出炉量g取每批电石出炉锅数与单锅电石重量的乘积。
具体的，上述步骤一至步骤四对应的详细内容如下所示：
可选的，所述根据预设数据格式构建训练样本集，基于非线性映射结合已构建的训练样本集构造最优决策函数，包括：
确定软测量模型训练使用的误差惩罚参数和核参数的区间范围，该区间应当包含模型的最优参数，以便从中选择最佳的模型参数，将训练样本、误差评价样本和软测量模型验证样本进行标准化处理；
读入准备用于软测量模型训练的样本数据，从误差惩罚参数和核参数的范围设置的下限开始，每次每个参数循环增加一个步长，作为调整后的参数，用于建立相应的模型对该组参数进行误差评价；
以[电极温度t，电极功率p，炉料配比r，电石出炉量g]t作为模型输入xi，电极消耗量δhxh作为模型输出yi，构成训练样本集
通过非线性映射ψ(·)把输入样本从输入空间rd映射到特征空间
ψ(x)＝(φ(x1)，φ(x2)，…，φ(xl))，
在高维特征空间中构造如公式一所示的最优决策函数
y(x)＝wt·φ(xi)+b，(w∈rdn，b∈r)公式一；
其中，wt为权向量，b为偏置量。
在实施中，确定模型训练使用的误差惩罚参数和核参数的区间范围，该区间应当包含模型的最优参数，以便从中选择最佳的模型参数。接着将训练样本、误差评价样本和模型验证样本进行标准化处理，用于模型训练、误差评价和模型验证的输入，读入准备用于模型训练的样本数据，调整模型误差惩罚参数和核参数，从误差惩罚参数和核参数的范围设置的下限开始，每次每个参数循环增加一个步长，作为调整后的参数，用于建立相应的模型对该组参数进行误差评价。
在完成上述步骤后，基于最小二乘支持向量机的模型以[电极温度t，电极功率p，炉料配比r，电石出炉量g]t作为模型输入xi，电极消耗量δhxh作为模型输出yi，构成训练样本集
支持向量机的基本建模思想是通过一非线性映射ψ(·)把输入样本从输入空间rd映射到特征空间ψ(x)＝(φ(x1)，φ(x2)，…，φ(xl))。将非线性估计函数转化为高维特征空间中的线性函数估计问题。在这个高维特征空间中构造最优决策函数：
y(x)＝wt·φ(xi)+b，(w∈rdn，b∈r)
其中：wt为权向量；b为偏置量。
可选的，所述基于结构风险最小化原则，确定令最优决策函数中系数最小化的基于最小二乘支持向量机优化问题表达式，包括：
利用结构风险最小化原则，通过公式二确定令最优决策函数中系数最小化的w、b的取值
其中，||w||2控制模型的复杂度，c是正规化参数，remp为误差控制函数，也即ε不敏感损失函数。最小二乘支持向量机在优化目标中的损失函数为误差ξi的二次项；
基于最小化取值的w、b，最优决策函数转化为如公式三所示的基于最小二乘支持向量机优化问题表达式
在实施中，在已经构建好最优决策函数的前提下，需要对最优决策函数中的系数w、b进行确认。基于结构风险最小化原则，两个系数的取值通过对
进行最小化处理得到。在公式二中remp为误差控制函数，也即ε不敏感损失数。最小二乘支持向量机在优化目标中的损失函数为误差ξi的二次项。基于上述转换过程，前文中的最优决策函数转换为对公式三所示的优化问题的求解。
可选的，所述在优化条件下对优化问题表达式求解得到线性方程组，根据已构建的训练样本集对线性方程组进行求解，得到软测量模型表达式，包括：
基于拉格朗日法对公式三进行求解，得到如公式四所示的解
其中αi，i,j＝1,2,…,l是拉格朗日乘子，
根据优化条件
可得
定义满足metcer条件的核函数表达式k(xi,xj)＝φ(xi)·φ(xj)，i,j＝1,2,…,l，基于已构建的核函数表达式将优化问题转化为如公式五所示的线性方程组
基于训练样本集(xi，yi)，i,j＝1,2,…,l，求解线性方程得到模型参数[bα1α2…αl]。最后得到软测量模型表达式
在实施中，需要实用拉格朗日法对前文得到的优化问题进行求解，构建的拉格朗日表达式如公式四所示。根据优化条件：
可得
定义核函数
基于训练样本集(xi，yi)，i,j＝1,2,…,l，求解线性方程可以得到模型参数[bα1α2…αl]。最后得到软测量模型的表达式。
可选的，所述对得到的软测量模型表达式进行验证调整，得到调整后软测量模型表达式，包括：
从样本数据中读取用于误差评价的样本数据集；
定义如公式六所示的误差函数
式中i＝1,2,…,l
根据误差函数确定最终误差评价函数e(γ,δ)＝min(e1+ηe2)其中，γ为误差惩罚参数，δ为核参数，η为权重参数；
根据经验选择均方差和最大方差的权重，在给定的参数区间内利用软测量模型表达式建立的软测量模型得到误差评价指标，并记录对应的参数。
在实施中，在得到软测量模型表达式后，需要读取步骤一中得到的误差评价样本数据以及准备用于误差评价的一组样本数据，以便记录误差评价结果和参数。具体步骤为：
取误差训练样本数据集s，包含样本数据为l，定义误差函数：
其中：i＝1,2,…,l。
选择最终误差评价函数为：
e(γ,δ)＝min(e1+ηe2)
其中：γ为误差惩罚参数；δ为核参数；η为权重参数；
根据经验选择均方差和最大方差的权重，一般可选择η＝1。在给定的参数区间内利用前述步骤得到的软测量模型得到误差评价指标，并记录对应的参数。
可选的，所述软测量方法还包括：
若满足γ+1＞γup和δ+1＞δup，则说明所有参数组合的误差评价工作完成，
其中，γ为误差惩罚参数，1为调整步长，γup为惩罚参数范围的上限，δ为核参数、1为调整步长，δup为核参数范围的上限。
在实施中，根据前一步得到的最终误差评价函数获取误差惩罚参数、核参数的取值，若满足γ+1＞γup和δ+1＞δup，则说明所有参数组合的误差评价工作完成。否则重复前述调整模型误差惩罚参数、核参数至判定参数调整是否达到上限的步骤。
在判定误差评价工作完成后，寻找记录的误差评价指标极小值，为误差评价最好的模型参数，选择对应的参数为模型参数。根据选择的模型参数，确定模型训练结果，确定软测量模型。进而读入准备用于模型验证的一组样本数据，采用重新得到的软测量模型按照根据最终误差评价函数中的e1、e2指标再次进行验证。并在验证完成后用验证样本数据对软测量模型进行验证，比较软测量模型的输入和实际测量值的误差，如果误差在允许范围内，则该模型可以用于电极消耗量的在线估计；若果误差较大，分析电极消耗模型训练样本数据，继续试验，适当增加训练样本数据，重复上述操作。验证精度不能满足软测量的需要，需要增加试验次数，重新构造训练样本。
本发明提出的用于非线性和随机过程的软测量方法，除了前文提出的内容外，还包括软测量模型应用流程，用于根据输入数据和软测量模型预测电极消耗量。建立基于最小二乘支持向量机软测量模型包括如下步骤：
(1)初始化：进行所有变量的初始化。
(2)是否进行软测量计算？是，则转至(3)，根据输入数据和软测量模型预测电极消耗量；否，则转至步骤二，进行模型训练、验证与参数修正的过程。
步骤(3)至(6)为软测量模型应用流程，根据输入数据和软测量模型预测电极消耗量。
(3)读取当前工况数据
在线读取需要进行电极消耗软测量的当前工况辅助变量的描述参数。
(4)输入数据标准化
将输入变量参数数据进行标准化处理。
(5)软测量模型计算
把处理后的输入数据代入到经过训练、验证的模型计算电极消耗量的软测量结果。
式中：xi——样本的输入，即选取的辅助变量：电极温度t、电极功率p、炉料配比r、电石出炉量g；
y(x)——待估计的主导变量——电极消耗量hxh；
αi、b——训练后的模型系数；
i＝1，2，…,l；
(6)显示并保存电极消耗量软测量计算结果
将软测量模型计算结果的数值和趋势显示在人机界面上，并保存到历史数据库中，以供生产操作和先进控制使用。
在完成签署的全部步骤后，可以根据验证修正后得到的软测量模型表达式完成电极长度的实时计算，即步骤四的内容为：
电极长度计算公式：h＝h0+δhsj+δd*c-δhxh*t+b
其中：h——当前电极长度；h0——前一时刻电极长度；δhsj——电极升降量；δd——电极单次压放量；c：压放次数；δhxh：电极消耗量；t——h和h0对应的时间差；b——为偏差量。
在线校正：随着系统的长期运行，测量仪表出现偏差，例如：工作点漂移等，需要通过在线校正的方式给予修正，修正方法如所示：b＝b+(h-hpv)*λ，其中：λ为修正因子。
模型二次校正：随着样本数据的增加，可进一步修正模型参数，提高模型精度。选择典型的样本添加到训练样本，若重新训练的软测量模型能够提高模型的精度，则采用新模型代替原来的模型，否则保持原模型。若新样本数据重复出现样本输入条件相同或相近，二样本输出相差较大，则用新样本代替原样本数据，重新训练模型，替换原有模型。
另外，根据多相电极的实际长度和计算值之间的误差进行周期性的模型偏差校正，并根据多相电极同向偏差大小进行模型参数的系统误差校正。
本发明提供了用于非线性和随机过程的软测量方法，包括：获取预设数据格式的样本数据；根据预设数据格式构建训练样本集，基于非线性映射结合已构建的训练样本集构造最优决策函数；基于结构风险最小化原则，确定令最优决策函数中系数最小化的基于最小二乘支持向量机优化问题表达式，在优化条件下对优化问题表达式求解得到线性方程组，根据已构建的训练样本集对线性方程组进行求解，得到软测量模型表达式，对得到的软测量模型表达式进行验证调整，得到调整后软测量模型表达式；将实时电极长度代入调整后软测量模型表达式，得到与实时电极长度对应的电极长度调节量。通过利用计算机系统和常规检测仪表提供的在线过程数据，仅仅通过少量的人工采样，实现了电极长度的基于最小二乘支持向量机的软测量。依据电石炉开炉运行期间电极长度难以在线检测的难题，归类分析了一类非线性随机过程，并采用二次校正的软测量方法，其结果与仅在停炉期间人工测量相比，提高了测量的时效性，为电极的压放操作提供实时指导。由于本发明全面考虑了影响电极长度的因素，主要采用现有的常规检测数据来实现电极长度的在线估计，算法移植性好，应用简单、容易，成本较低，软测量结果比较精确，有助于实现电石炉装置的先进控制和优化运行。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。