一种基于相似性原理实现软测量方法与流程

本发明涉及仪器仪表技术领域，具体涉及一种基于相似性原理实现软测量方法。

背景技术：

软测量技术是一门有着广阔发展前景的新兴工业技术，已发展成为过程检测技术与仪表研究的主要方向之一。软测量通常是在成熟的硬件传感器基础上，以计算机技术为核心，通过软测量模型运算处理完成的。

到目前为止，在实际生产过程中，存在着许多因为技术或经济原因无法通过传感器进行直接测量的过程变量，如精馏塔的产品组分浓度、生物发酵罐的菌体浓度、高炉铁水中的含硅量和化学反应器中反应物浓度、转化率、催化剂活性等。

传统的解决方法有两种：一是采用间接的质量指标控制，如精馏塔灵敏板温度控制、温差控制等，存在的问题是难以保证最终质量指标的控制精度；二是采用在线分析仪表控制，但设备投资大、维护成本高、存在较大的滞后性，影响调节效果。

现有的软测量方法存在健壮性不够、依赖机理、依赖知识、模型精度不够等各种各样的问题。因此，迫切需要找到一种更加健壮、数据驱动、更加精确的软测量方法。

技术实现要素：

本发明实施例的目的在于提供一种基于相似性原理实现软测量方法，用以解决现有技术中存在的问题。

为实现上述目的，本发明实施例提供一种基于相似性原理实现软测量方法，该基于相似性原理实现软测量方法包括：选择与主导变量相关联的辅助变量；将辅助变量传感器采集的辅助变量，基于相似性原理软测量模型得到主导变量的估计。

可选的，辅助变量包括：辅助变量的类型、辅助变量的数量和辅助变量的测点位置。

可选的，将辅助变量传感器采集的辅助变量，基于相似性原理软测量模型得到主导变量的估计之前，还包括：获取辅助变量传感器采集的历史数据，并存储。

可选的，获取辅助变量传感器采集的历史数据，并存储之后，还包括：采用上下限判断方法确定历史数据的有效性；以及，将确定的有效数据进行归一化处理。

可选的，将辅助变量传感器采集的辅助变量，基于相似性原理软测量模型得到主导变量的估计，包括：从历史数据中获取辅助变量向量和主导变量向量，组成参考数据；从参考数据中选择样本，组成状态矩阵d1；选择工况中的m个模式，以及状态矩阵d1，组成辅助变量状态矩阵d；将获取的辅助变量与辅助变量状态矩阵中的每一列进行相似度比较，得到相似向量；将相似向量转换为权重向量；以及，通过获取的主导变量向量和权重向量，得到主导变量的估计。

可选的，从参考数据中选择样本，组成状态矩阵d1，包括：根据预设段数均匀分割参考数据；采用预设方法选取预设段数的每一段数中的样本；以及，将样本组成状态矩阵d1。

可选的，采用预设方法选取预设段数的每一段数中的样本，包括：选择数据的最大值；选择数据的最小值；将最大值和最小值组合，并去掉重复样本。

可选的，将辅助变量传感器采集的辅助变量，基于相似性原理软测量模型得到主导变量的估计，还包括：调整相似性原理软测量模型。

本发明实施例具有如下优点：

(1)不依赖机理，因此更加简单；

(2)允许部分输入变量为非数值或者质量差，因而更加健壮；

(3)完全由数据驱动，不需要精确和复杂的系统和物理原理分析；

(4)通过模式重构得到插值矩阵，因此更加精确。

附图说明

图1为本发明实施例1提供的一种基于相似性原理实现软测量方法的流程图。

图2为本发明实施例1提供的一种基于相似性原理实现软测量方法的方框图。

图3为图2中的相似性原理模型的方框图。

图4为挑选状态矩阵d1的示意图。

图5为本发明实施例2提供的一种基于相似性原理实现软测量装置的结构示意图。

图6为实施例3中相似性原理软测量模型输出与实际测量氧量输出对比图。

图7为实施例3中相似性原理软测量模型输出相对误差图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、右”、“中间”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

实施例1

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暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构成某种数学关系来推断或者估计，以软件来替代硬件的功能。软测量技术主要由辅助变量的选择、数据采集与处理、软测量模型几部分组成。在互相有关联的辅助变量传感器中，当某个辅助变量传感器失效时，无法对其数值进行有效的估计或监视，本发明实施例1采用相似性原理构建多辅助变量传感器模型，基于历史上各辅助变量传感器的数值及相关性计算出失效辅助变量传感器的数值。在设备或过程正常运行时，不同辅助变量传感器之间存在着各种各样的相关性。通过获取各种不同的运行工况和环境工况的数据就可以获取到一系列的运行模式，每一个运行模式都是由某个时间点的所有辅助变量传感器的数值组成的一个向量。所有运行模型向量组成了一个矩阵，对矩阵中的向量采用插值的方式进行模式重构就能够覆盖设备或过程的大部分运行特征。

图1为本发明实施例1提供的一种基于相似性原理实现软测量方法的流程图。如图1所示，该基于相似性原理实现软测量方法的步骤包括：

步骤s101：选择与主导变量相关联的辅助变量；

在建模的过程中，辅助变量的选择直接决定了软测量的输入，所以它对软测量模型的结构与输出影响巨大。其中，辅助变量的选择主要包括辅助变量的类型、辅助变量的数量和辅助变量的测点位置。辅助变量的类型、辅助变量的数量和辅助变量的测点位置相互关联、相互作用，并由过程特性来决定，在实际应用中还应该考虑到经济性、可行性、可维护性和可靠性等综合因素的限制。在选择辅助变量时，可以以机理分析为切入点，从原理上选择与输出主导变量关联的输入辅助变量并安装相应的辅助变量传感器。在实际工程应用过程中，通常采取的策略是充分利用原有的辅助变量传感器或者热控设计必须安装的辅助变量传感器，在此基础上补充一些对于主导变量有较大影响的辅助变量传感器。

辅助变量类型的选择主要是根据对象的机理和实际工况考虑如下特性：相关性，要求辅助变量与输出变量在数据上是相关的；过程适应性，一般是要求工程上方便在线获取同时要有一定的测量精度；特异性，是对过程输出及不可测扰动之外的其他干扰不敏感；灵敏性，就是对过程输出和不可测扰动能做出迅速反应；鲁棒性，要求选择的变量对模型中出现的误差不敏感；准确性，即构成的软测量数据必须满足一定精度要求。

辅助变量的类型选择是有限制的，它必须是过程的可测变量集合，而在实际应用过程中，最广泛的选择和主导变量动态特性相似、关系最密切的一组可测参数，这组参数是较为理想的。

辅助变量的数量的下限值是被估算的主导变量的个数，然后使用多辅助变量会造成参数化(所以最佳数目与进程的自由度、模型的不确定性和测量噪声等相关因素有关，我们在建模时给予充分的考量)。

辅助变量的测点位置，常规情况下，几乎同时与辅助变量的数目一起确定，所以选择辅助变量的测点位置的准则与选择辅助变量的数目的准则是基本相同的。

综上所述，我们在选择辅助变量的时候既要考虑主导变量的主要影响因素，还要考虑到实际建模对象的运行情况，并且有些二次变量是用其他对应的变量来代替，例如，用差压来代替流量；又如，使用燃气轮机排气温度序列近似代替燃烧室出口温度序列。。

需要说明的是，在实际进行操作的时候，可以借助原先可以利用的辅助变量传感器作为辅助变量传感器；如果当前已经安装的辅助变量传感器不能满足当前的需求时，可以安装与辅助变量对应的辅助变量传感器，就可以满足需求。

步骤s102：将辅助变量传感器采集的辅助变量，基于相似性原理软测量模型得到主导变量的估计。

本发明实施例1中的相似性原理软测量模型，是基于相似理论的建模技术(sbm)，是为状态监视专门设计的多变量无参数模式重构技术，目前在化工及发电设备故障预测等方面有成功的应用。它的核心理念在于把训练数据当作没有错误的数据。估计模型(或重构后的模式)是训练数据样本多维插值后产生的。

在图3中，构建相似性原理软测量模型是历史数据建立的，该历史数据包括辅助变量传感器(1-n)采集的历史数据和主动变量的历史数据，但是因为现场多变的情况，需要对辅助变量传感器采集的历史数据进行校正，以保证辅助变量传感器的数据精度，同时会通过化验或者临时安装辅助变量传感器的方式来获取主动变量的历史数据。为了确保采集的样本尽可能覆盖所有运行工况和环境工况，在积累数据期间(可以为测试期间，测试一般为首次使用，或者是间隔一段时间之后需要进行测试)，一般会尽可能让设备运行于不同的负荷并搜集相应工况的数据。

为了保证历史数据的准确无误，在步骤s102之前，还包括：辅助变量传感器采集历史数据(历史数据包括辅助变量传感器(1-n)采集的历史数据和主动变量的历史数据)，并存储到实时数据库中。在存储之后，还需要对存储的历史数据进行预处理时，例如，采用的上下限判断方法来对辅助变量传感器采集的历史数据的有效性进行判断。在做归一化处理时，对每个工艺参数分别用线性放大或缩小的方式把具有有效性的历史数据归一化到[01]区间。

本发明实施例1中，进行数据预处理的是考虑到在大多数的数据都是取自多变的现场，会受到仪表精度、测量环境及可靠性等因素影响一定会引入各种误差，这些误差引起的测量数据精度偏低和失效都可能造成测量性能的下降，特别严重时整个模型的输出会变得毫无意义。因此，对数据的有效性进行判断是很有必要的，可以预先将存在误差的数据进行剔除。其中，现场测量的数据的误差一般可分为随机误差、过失误差两大类。通常随机误差被认为是不可避免的，但是符合一定的统计学规律。通常随机误差的误差量不会很大，在相似性原理软测量模型中对于随机误差通常认为是正常的。而另一种过失误差主要包括测量仪表的偏差和故障，以及选择不合适的过程模型。常用的处理方法是人工剔除和统计检验等。对于这种误差过大的辅助变量传感器，通常与非数值辅助变量传感器一起判断为无效的辅助变量，在输入模式和状态矩阵d1中剔除相应辅助变量后在模型中完成计算。

另外，通过对辅助变量传感器采集的数据进行变换我们可以很容易的改变模型的精度及非线性映射能力，常用的处理方法有聚类、离散化、主元分析、权函数、归一化等，在相似性原理模型中采用数据归一化处理。在选用实时数据构造过程状态矩阵d1和预测输出时，由于电厂中某一设备模型相关测点的量纲不同，且不同测点数据绝对值相差很大，为保证使用非线性算子正确衡量不同观测向量之间的距离，需要对各个测点的测量值根据各自的极值进行归一化处理，使实际测量值映射到[01]区间。

需要说明的是，在进行数据预处理之前，需要尽可能的在所以在辅助变量传感器进行数据的采集时，将采集的样本空间全面覆盖整个操作空间，并且采集的样本要具有代表性、均匀性及精简性，因为相似性软测量模型的功能很大程度上依赖于其测量数据的有效性和精确性。

在数据积累期间，且进行预处理之后得到的历史数据获得的辅助变量向量(记为x)和主导变量向量y组成的矩阵记为y＝[x|y]。

建立相似性原理软测量模型的步骤包括：

第一步：模型建立的第一步，是从参考数据(y)中选定样本，并组成状态矩阵(d1)，即某一过程或设备有n+1个相关联的测点，设在某一时刻i对其取样，将采集到的n个测点选做一个模式。

可选的，如图4所示，从参考数据y中选定样本组成状态矩阵d1的方法包括：

(1)首先按照用户输入的段数均匀分割参考数据y；

(2)然后每一段用最大/最小方法挑选样本。

(3)把所有挑选出来的样本合并起来组成状态矩阵d1。

上述步骤(2)具体包括：在每个辅助变量传感器的最大值中选择一个样本；在每个辅助变量传感器的最小值中选择一个样本；所有样本合并起来并去除重复样本。

将主导变量组成的矩阵y＝[x|y]进行转置，得到公式如下：

z(i)＝[x1x2λxny]^t(1)

辅助变量组成的模式为：

x(i)＝[x1x2λxn]^t(2)

将(2)结合各种工况的变化，选择m个模式，并组成辅助变量状态矩阵(d)

其中，状态矩阵d1和辅助变量状态矩阵d之间的关系为状态矩阵d1＝[辅助变量状态矩阵d|y]，即状态矩阵d1由辅助变量状态矩阵增加主导变量向量组成。

与辅助变量状态矩阵d对应的主导变量向量y为：

y＝[y(1)y(2)...y(m)]^t(4)

辅助变量状态矩阵(d)中的每一列向量都代表了设备的一个正常运行工况。辅助变量状态矩阵(d)和主导变量向量y，代表设备正常运行的整个动态过程。整个状态矩阵的构成就是对设备运行特性的学习，使用这些模式的组合就可以产生估计模型。

一个输入模式x(in)为在某个时间点上，由相似性原理软测量模型中每个辅助变量传感器单独读数构成。

x(in)＝[x1(in)x2(in)λxn(in)]^t(5)

将输入模式x(in)与在辅助变量状态矩阵(d)中的每一个模式(d的每一列)的相似程度进行比较，会产生相似向量(a)，它含有的元素个数，与存储在状态矩阵中的模式个数相同。

把代表相似程度的相似向量转化为权重向量(w)

w0＝g^-1·a(7)

式中：为非线性运算符，选取为两向量间的euclidean距离，即：

通过主导变量向量和权重的线性组合产生估计：

y′＝y^t·w(11)

即：

在上述计算过程中，当输入模式x(in)的部分辅助变量传感器为非数值或数据质量不理想，或者是可测的系统干扰或者是可测的控制变量(如图2所示)时，该算法会自动从x(in)中剔除该部分数据，同时从辅助变量状态矩阵d和主导变量向量y中相应地剔除对应的数据，然后用剩余的数据完成主导变量y的最优估计y’的计算。

在步骤s102之后，本发明实施例1还包括：

软测量相似性模型的维护：由于对象的时变性、非线性以及模型的不完整性等，建立的模型往往在一段时间之后可能出现误差较大的情形，所以必须进行不断的校正软测量相似性模型来适应新的工况。软测量相似性模型的维护需要在辅助变量状态矩阵d和主导变量向量y中增加新的观察样本，并且与原始状态矩阵和输出向量进行合并或者在必要的时候直接替换原始状态矩阵。

实施例2

图5为本发明实施例2提供的一种基于相似性原理实现软测量装置的结构示意图。如图5所示，该基于相似原理实现软测量装置包括：现场设备1、传感器1-n(n为大于1的整数)2，数据线3、数据采集plc4和工控机5。

传感器1-n，用于采集现场设备1的数据，然后再由数据采集plc4将采集的实时辅助变量(为步骤s102中采集的辅助变量)；通过工控机5的数据接口传输辅助变量向量(为历史数据)到工控机5的数据预处理，进行数据预处理(参照预处理的步骤)，构建辅助变量状态矩阵d和主导变量向量y，最终构建相似性原理软测量模型，工控机5根据采集plc4将采集的实时辅助变量，得到主导变量的估计y’。其中，传感器1-n、数据采集plc4、工控机5都是通过数据线3连接。

实施例3

本发明实施例3基于烟气含氧量相似性软测量模型，选择主给水流量、给粉机转速反馈、主蒸汽流量、燃料量、炉膛出口温度、高压主汽阀前压力、送风机电流、送风机动叶开度等8个工艺参数作为辅助变量。所有辅助变量均使用现有辅助变量传感器，或者使用现有辅助变量传感器进行二次计算后获得。

在上述辅助变量传感器采集数据之后，将数据存储到了实时数据库中。在做数据预处理时，使用简单的上下限判断方法来对辅助变量传感器数值的有效性进行判断。在做归一化处理时，对每个工艺参数分别用线性放大或缩小的方式把数据归一化到[01]区间。

在校正好烟气氧量表的一段时间内，通常能有一段时间能够比较精确地测量好烟气含氧量。我们从该段时间的数据中以10分钟为间隔获取2个月的历史数据，用前1个月的数据来创建相似性模型，用后1个月的数据来验证模型的准确程度。在创建模型时，从这些数据中删除锅炉停运和非正常运行期间的数据，过滤掉氧量或其余测点测量异常的数据，从剩余的数据中使用向量排序法挑选出200组样本作为软测量相似性模型的数据。该模型包含8个工艺参数的200组样本和烟气含氧量的200组样本，且样本之间一一互相对应。

在烟气含氧量相似性软测量模型的后续使用过程中，如果有发现校表后实测氧量与软测量氧量偏差超过15％，则将最新校表后的数据添加到烟气含氧量相似性软测量模型中，从而完成模型维护。

烟气含氧量相似性软测量模型的模拟测试效果如图6所示。从图6中可以看到烟气含氧量相似性软测量的氧量输出值(直线表示)与氧化锆氧量计的测量真值(虚线表示)趋势吻合良好，相对误差(如图7所示)较低。

实施例4

本发明实施例4中的飞灰含碳量相似性软测量模型，选择反映煤质特性的燃煤的收到基低位发热量、挥发分、灰分和水分、煤粉细度、一次总风压、各层二次风压、锅炉负荷、省煤器出口氧量、各磨煤机给煤量、排烟温度、炉膛与风箱压差均值、燃烧器摆角、炉膛出口氧量均值等工艺参数作为辅助变量。所有辅助变量均使用现有传感器，或者使用现有传感器进行二次计算后获得的数据，作为辅助变量传感器采集的数据。

上述辅助变量传感器均已经完成了数据采集的工作，且把数据存储到了控制系统中。在做数据预处理时，使用简单的上下限判断方法来对辅助变量传感器数值的有效性进行判断。在做归一化处理时，对每个工艺参数分别用线性放大或缩小的方式把数据归一化到[01]区间。

在测试时，挑选了一系列典型工况，并记录所有辅助变量在每一个典型工况的数值；针对每一个典型工况，对锅炉的飞灰进行采样并化验飞灰含碳量。典型工况下的辅助变量数值向量序列和对应的飞灰含碳量化验值序列组成了飞灰含碳量的软测量模型。

在实际运行时，飞灰含碳量的最优估计使用前述方法进行计算。

在飞灰含碳量相似性软测量模型的后续使用过程中，如果有发现飞灰含碳量化验结果与软测量飞灰含碳量偏差超过指定数值，则将最新飞灰含碳量化验后的数据及其对应的辅助变量数据向量添加到飞灰含碳量相似性软测量模型中，从而完成模型维护。

本发明实施例具有如下优点：

(1)不依赖机理，因此更加简单；

(2)允许部分输入变量为非数值或者质量差，因而更加健壮；

(3)完全由数据驱动，不需要精确和复杂的系统和物理原理分析；

(4)通过模式重构得到插值矩阵，因此更加精确。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。