软测量技术及其应用
摘要：软测量技术作为当前过程控制中的研究热点之一，近年来取得了重大发展。本文介绍了软测量技术的基本原理，对目前主要软测量建模的方法进行了介绍, 并列举了工业应用实例。
关键词：软测量 建模方法 工业应用实例
1. 引言
随着现代工业过程对控制、计算、节能增效和运行可靠性等要求的不断提高, 各种测量要求日益增多。现代过程检测的内涵和外延较之以往均有很大的深化和拓展。一般解决工业过程的测量问题有两条途径: 一是沿袭传统的检测技术发展思路, 通过研制新型的过程测量仪表,以硬件形式实现过程参数的直接在线测量; 另一种就是采用间接测量的思路,利用易于获取的其它测量信息,通过计算来实现对被测变量的估计。近年来在过程控制和检测领域涌现出的一种新技术——软测量技术就是这一思想的集中体现。
软测量的基本思想是把自动控制理论与生产过程知识有机结合起来,应用计算机技术,针对难于测量或暂时不能测量的重要变量(或称之为主导变量),选择另外一些容易测量的变量(或称之为辅助变量),通过构成某种数学关系来推断和估计,以软件来代替硬件(传感器 )功能。这类方法响应迅速,能够连续给出主导变量信息,且具有投资低、维护保养简单等优点。
2. 软测量技术的基本原理
软测量技术在工业过程中主要应用于实时估计、故障冗余、智能校正和多路复用等方面。软测量技术主要由辅助变量的选择、数据采集和处理、软测量模型及在线校正四个部分组成。
2.1 辅助变量的选择
首先明确软测量的任务, 确定主导变量。在此基础上深入了解和熟悉软测量对象及有关装置的工艺流程, 通过机理分析可以初步确定影响主导变量的相关变量——辅助变量。辅助变量的选择分为数量、类型和检测点的选择。目前软测量对象都是灰箱系统,得不到系统的准确模型。一般来说, 原始辅助变量数目、
类型很多,为了实时运行方便, 有必要对输入变量进行适当的降维处理。
2.2 数据采集和处理
软仪表是根据过程测量数据经过数值计算从而实现软测量的,其性能很大程度上依赖于所获过程测量数据的准确性和有效性,为了保证这一点,一方面,在数据采集时,要注意数据的信息量,均匀分配采样点,尽量拓宽数据的涵盖范围,减少信息重叠,避免某一方面信息冗余,否则会影响最终建模的质量。
采集的数据必须进行处理, 数据处理包含两个方面,即换算和数据误差处理。数据误差分为随机误差和过失误差两类, 前者是随机因素的影响, 如操作过程微小的波动或测量信号的噪声等,常用滤波的方法来解决;后者包括仪表的系统误差(如堵塞、校正不准等)以及不完全或不正确的过程模型(受泄漏、热损失等不确定因素影响)。过失误差出现的几率较小,但它的存在会严重恶化数据的品质,可能会导致软测量甚至整个过程优化的失效。因此,及时侦破、剔除和校正这类数据是误差处理的首要任务。测量数据变换不仅影响模型的精度和非线性映射能力,而且对数值算法的运行效果也有重要作用。测量数据的变换包括标度、转换和权函数3方面。
2.3 软测量模型的建立
从软测量技术的过程可以看出,软测量技术的核心是建立对象的数学模型, 对象数学模型的好坏,将直接关系到软测量器的计算结果。建立的方法有机理建模、经验建模以及两者相结合的建模。
2.3.1 机理建模
从机理出发,也就是从过程内在的物理和化学规律出发,通过物料平衡与能量平衡和动量平衡建立数学模型。对于简单过程可以采用解析法, 而对于复杂 过程,特别是需要考虑输入变量大范围变化的场合,采用仿真方法。典型化工过程的仿真程序已编制成各种现成软件包。
机理模型优点是可以充分利用已知的过程知识,从事物的本质上认识外部特征;有较大的适用范围,操作条件变化可以类推。但它亦有弱点,对于某些复杂的过程难于建模, 必须通过输入/输出数据验证。
2.3.2 经验建模
通过实测或依据积累操作数据, 用数学回归方法、神经网络方法等得到经验
模型来进行测试,理论上有很多实验设计方法,如常用的正交设计等。有一种办法是吸取调优操作经验,即逐步向更好的操作点移动,这样可一举两得,既扩大了测试范围,又改进了工艺操作。测试中另一个问题是稳态是否真正建立,否则会带来较大误差。还有数据采样与产品质量分析必须同步进行。最后是模型检验, 检验分为自身检验与交叉检验。我们建议和提倡交叉检验。经验建模的优点与弱点与机理建模正好相反,特别是现场测试,实施中有一定难处。
2.3.3 机理建模与经验建模相结合
把机理建模与经验建模结合起来, 可兼容两者之长, 补各自之短。机理与经验相结合建模是一个较实用的方法, 目前被广泛采用。简化机理模型提供的先验知识，可以为基于经验的建模节省训练样本，同时基于经验的建模又可以补偿简化机理模型的未建模特性。
2.4 软测量模型的在线校正
在软仪表的使用过程中,随着对象特性的变化和工作点的漂移,需要对软仪表进行校正以适应新的工况。通常对软仪表的在线校正方法有自适应法、增量法和多时标法等。然而,对模型结构的修正需要大量的样本数据和较长时间, 在线进行有实时性方面的困难。为解决模型结构修正耗时长和在线校正的矛盾, 提出了短期学习和长期学习的校正方法。短期学习由于算法简单、学习速度快而便于实时应用。长期学习是当软测量仪表在线运行一段时间积累了足够的新样本模式后, 重新建立软测量模型。另一个值得注意的问题是样本数据与过程数据之间在时序上的匹配, 尤其在人工分析情况下,从过程数据(辅助变量)即时反应的产量质量状态到取样位置需要一定的流动时间,取样后直到产品质量数据返回现场又要耗费很长的时间。因此在利用分析值和过程数据进行软仪表的校正时,应特别注意保持两者在时间上的对应关系。
3. 软测量的建模方法
3.1 基于机理的软测量建模
基于工艺机理分析的软测量建模主要是运用化学反应动力学、物料平衡、能量平衡等原理,通过对过程对象的机理分析, 找出不可测主导变量与可测辅助变量之间的关系 (建立机理模型),从而实现对某一参数的软测量。对于工艺机理较
为清楚的工艺过程,该方法能构造出性能良好的软仪表。但是对于机理研究不充分、尚不完全清楚的复杂工业过程,难以建立合适的机理模型。此时该方法就需要与其它参数估计方法相结合才能构造软仪表。这种软测量建模方法是工程中常用的方法,其特点是简单、工程背景清晰,便于实际应用,但应用效果依赖于对工艺机理的了解程度,因为这种软测量方法是建立在对工艺过程机理深刻认识的基础上,建模的难度较大。
3.2 基于回归分析的软测量建模
经典的回归分析是一种建模的基本方法,应用范围相当广泛。以最小二乘法原理为基础的一元和多元线性回归技术目前已相当成熟,常用于线性模型的拟合。对于辅助变量较少的情况,一般采用多元线性回归中的逐步回归技术以获得较好的软测量模型。对于辅助变量较多的情况,通常要借助机理分析,首先获得模型各变量组合的大致框架,然后再采用逐步回归方法获得软测量模型。为简化模型,也可采用主元回归分析法和部分最小二乘回归法等方法。基于回归分析的软测量建模方法简单实用, 但需要足够有效的样本数据,对测量误差较为敏感且模型物理量概念不明了。
3.3 基于状态估计的软测量建模
如果系统主导变量作为系统的状态变量是完全可观的,那么软测量建模问题就转化为典型的状态观测和状态估计问题。基于状态估计的软仪表由于可以反映主导变量和辅助变量之间的动态关系,因此,有利于处理各变量间动态特性的差异和系统滞后等情况。这种软测量建模方法的缺点在于对复杂的工业过程,常常难以建立系统的状态空间模型,这在一定程度上限制了该方法的应用。同时在许多工业生产过程中,常常会出现持续缓慢变化的不可测的扰动,在这种情况下采用这种建模方法可能会带来显著的误差。
3.4 基于模式识别的软测量建模
这种软测量建模方法是采用模式识别的方法对工业过程的操作数据进行处理,从中提取系统的特征,构成以模式描述分类为基础的模式识别模型,如空间超盒等。基于模式识别方法建立的软测量模型与传统的数学模型不同,它是一种以系统的输入/输出数据为基础,通过对系统特征提取而构成的模式描述模型。该方
法的优势在于它适用于缺乏系统先验知识的场合,可利用日常操作数据来实现软测量建模。在实际应用中,这种软测量建模方法常常和人工神经网络以及模糊技术等技术结合在一起使用。
3.5 基于人工神经网络的软测量建模
基于人工神经网络的软测量建模方法是近年来研究较多、发展很快和应用范围很广泛的一种软测量建模方法。由于人工神经网络具有自学习、联想记忆、自适应和非线性逼近等功能,基于人工神经网络的软测量模型可以在不具备对象的先验知识的条件下,根据对象的输入/输出数据直接建模(将辅助变量作为人工神经网络的输入,而主导变量作为神经网络的输出,通过神经网络的学习来解决不可测变量的软测量问题),模型的在线校正能力强,并能适用于高度非线性和严重不确定性系统。因此,它为解决复杂系统过程参数的软测量问题提供了一条有效途径。采用人工神经网络进行软测量建模有两种形式:一种是利用人工神经网络直接建模,用神经网络来代替常规的数学模型描述辅助变量和主导变量间的关系,完成由可测信息空间到主导变量的映射;另一种是与常规模型相结合, 用神经网络来估计常规模型的模型参数,进而实现软测量。
3.6 基于模糊数学的软测量建模
模糊数学模仿人脑逻辑思维特点,是处理复杂系统的一种有效手段,在过程软测量建模中也得到了大量应用。基于模糊数学软测量模型是一种知识性模型。该法特别适合应用于复杂工业过程中被测对象呈现亦此亦彼的不确定性、难以用常规数学定量描述的场合。实际应用中常将模糊技术和其它人工智能技术相结合,例如模糊数学和人工神经网络相结合构成模糊神经网络,将模糊数学和模式识别相结合构成模糊模式识别,这样可互相取长补短以提高软仪表的效能。
3.7 基于过程层析成像的软测量建模
基于过程层析成像的软测量建模方法与其它软测量建模方法不同,它是一种以医学层析成像 C T技术为基础的在线获取过程参数二维或三维的实时分布信息的先进检测技术,即一般软测量技术所获取的大多是关于某一变量的宏观信息,而采用该技术可获取关于该变量微观的时空分布信息。由于受技术发展水平的制约,该种软测量建模方法目前离工业实用化还有一定距离, 在过程控制中的直接
应用还不多。
4. 工业应用实例
4.1 飞灰含碳量软测量
飞灰含碳量是电厂燃煤锅炉的主要考核指标之一,对锅炉的运行效率和机组总体性能有较大影响,特别是对于燃用劣质煤的锅炉。实时准确监测飞灰含碳量,有利于操作人员随时调整运行方式,从而尽量提高燃烧程度。但影响燃煤锅炉飞灰含碳量的因素多而且复杂, 受到如锅炉燃用煤种、设计安装水平、锅炉运行操作水平等多种因素的影响,很难直接在线测量或采用简单的公式进行估算。
4.1.1 飞灰含碳量测量现状
飞灰含碳量的传统分析方法是燃烧失重法,该方法由于工序复杂、受人为因素的影响大、化验滞后时间长、分析结果代表性差等严重缺点,不能及时有效地指导生产。针对传统方法的缺陷,国内外已经提出多种形式基于仪器的飞灰含碳量实时检测技术,并且有许多技术己经商品化。各种测碳仪由于技术或成本的原因难以成功地应用于现场,而电厂出于提高经济效益的目的, 又迫切要求能够快速、精确测量飞灰含碳量,因此许多研究人员开始研究采用软测量技术对飞灰含碳量进行有效测量。
4.1.2 二次变量选取
燃煤锅炉飞灰含碳量特性受到如煤种、运行参数和锅炉设计制作安装等因素的影响,关系较为复杂。在软测量建模时,由于锅炉已经建成运行,其设计和安装参数均已确定,因此可以只选择煤质特性参数和锅炉运行工况作为软测量的输入。选择二次变量时,一般可采用燃煤的收到基低位发热量、挥发分、灰分和水分,来反映煤质特性;采用锅炉负荷、省煤器出口氧量、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、各层二次风压、燃烧器摆角等参数反映锅炉运行工况。
4.1.3 飞灰含碳量软测量建模
锅炉的燃烧过程是一个复杂的物理、化学过程,影响锅炉飞灰含碳量诸多因素具有耦合性强、非线性强等特征。因此锅炉飞灰含碳量的软测量,难以采用机理建模,比较适合采用辨识建模。神经网络能够描述高度非线性的输入输出关系,且具有并行计算、分布式处理和容错性、适应性强等优良品质,而BP神经网络结构具有强非线性拟合能力、学习规则简单、便于计算机实现等优点。所以,在对
飞灰含碳量进行软测量建模时, 可采用BP学习算法进行辨识建模。
4.2 烟气含氧量软测量
随着电网调峰任务加重,电厂机组负荷变化频繁,为能达到锅炉安全、 经济运行的目的,运行人员必须对燃烧器出口风速和风率、炉膛风量等进行适当调整,通过改变烟气中的氧量来优化锅炉燃烧工况。烟气含氧量的设定值应随负荷的变化进行相应调整,以保证锅炉的燃烧效率,而前提是对烟气含氧量进行及时、准确测量。
4.2.1 烟气含氧量测量现状
目前电厂测量烟气含氧量的氧气传感器主要是热磁式氧量传感器和氧化锆氧量传感器。热磁式氧量传感器虽然其具有结构简单、便于制造和调整等优点, 但由于反应速度慢、测量误差大、容易发生测量环室堵塞和热敏元件腐蚀严重等缺点, 在火电厂的应用日渐减少。基于其他类型氧量传感器的测量方法由于安装难度、现场环境等原因的限制在火电厂很少应用,而且这些少数的应用也并未取得很好的效果。许多学者希望用软测量的方法来解决烟气含氧量的测量问题。
4.2.2 二次变量的选取
合理选择二次变量不仅对软测量精度有重要作用,而且还可以使软测量模型得到简化,使模型更加容易理解。烟气含氧量软测量模型中的二次变量(即软测量模型的输入)应选择对烟气含氧量有直接或隐含关系的可实时检测变量。尾部烟气含氧量主要受煤质变化、锅炉炉膛漏风、未完全燃烧等因素的影响。因此,需要选择能反映负荷、燃料、风量、排烟等方面的变量作为二次变量。
4.2.3 烟气含氧量软测量建模
烟气含氧量软测量在建模方法上早期采用比较多的是神经网络技术,近几年又出现了采用如数据融合、支持向量机等技术的方法。文献[2]在讨论软测量技术的有关问题和开发策略的基础之上,提出了一种基于复合型神经网络的火电厂烟 气含氧量软测量模型;文献[3]对基于机理分析、回归分析、人工智能的软测量方法进行对比讨论的基础上,提出了利用基于统计分析和神经网络技术的 NNPLS 方法建立烟气含氧量软测量模型的方法,分别进行了稳态和动态建模。该建模方法综合了PLS和神经网络技术的优点,能够利用过程历史数据辨识对象模型,仿真验证结果显示,NNPLS方法所建立的软测量模型对比直接神经网络建模
具有 更强的泛化能力。
4.3 风电场风速软测量
风力发电机组是一个连续随机的非线性多变量系统。控制技术是大型并网风力发电机组安全高效运行的关键。估计风速可以用于低于额定风速和高于额定风速时变速风力发电机组的控制, 提高控制系统的性能。
4.3.1 风电场风速测量现状
目前许多风力发电机组控制系统中,根据位于机舱顶部的风速计测得的风速信号调节风力发电机组的转速和输出功率。由于风力机处于三维时变的风场环境中,风速在整个风力机旋转平面上分布不同,而且受湍流、塔架、风剪差、地表粗糙度等因素的影响,基于风速计测量得到的风速调节转速和功率是不精确的。即使风速计测得的风速是准确的,也只是一点的风速,和整个风力机旋转平面所受到的有效风速有很大差别,因此有效风速是不能直接测量的。
4.3.2 风速软测量基本原理
风力发电机组的输出功率主要受3个因素的影响:可利用的风能、发电机的功率曲线和发电机对变化风速的响应能力。有效风速软测量的基本思想是把风力发电机组当作风速仪对有效风速进行估计, 因此需要建立有效风速预测模型。由于风力机转速发电机功率和桨距角是容易测量得到的风力发电机组输入输出变量, 因此有效风速的模型可以表示为发电机功率和桨距角的非线性函数。
4.3.3 风速软测量建模
软测量就是根据某种最优准则,选择一组与被估计变量( 主导变量) 相关的一组可测变量(二次变量),构造某种以可测变量为输入、被估计变量为输出的数学模型,用计算机软件实现重要过程变量的估计。有效风速软测量的二次变量为风力机转速Ω、 发电机功率P和桨距角β, 主导变量为有效风速Vw。基于支
持向量机的软测量建模属于黑盒子模型,只关心对象的输入与输出,而不必关心对象的具体结构,输入输出之间的映射关系由支持向量机完成。
5. 结束语
软测量技术是工业计算机优化控制的有利工具,在理论研究和实际应用中已经取得了不少成果, 其理论体系亦正在逐步形成。不论过于夸大软测量的作用或忽视软测量的重要性均是不正确的。软测量仅靠实验室分析仪表分析值进行校正要获得很高精度是很困难的, 软测量要想获得高精度, 必须要用在线分析仪表进行实时校正。软测量技术作为一种新型的过程参数检测技术应用于火电厂热工过程中,不仅为难测热工参数提供了一种有效的测量方法,而且对热工过程提高操作水平、改善控制系统性能、优化系统管理等方面都具有十分重要的意义。
参考文献:
[1] 朱学峰.软测量技术及其应用[J].华南理工大学学报:自然科学版,2002 ,30(11):61- 67
[2] 韩璞,王东风,翟永杰.基于神经网络的火电厂烟气含氧量软测量[J].信息与控制,200 1 , 30(2):189 -192.
[3] 卢勇,徐向东.烟气含氧量软测量新方法研究[J].热能动力工程,2002,17(102):614-6 17,655
[4] 俞金寿, 软测量技术及其应用[J].自动化仪表.第29卷第1期.
[5] 李勇，邵诚.软测量技术及其应用发展[J].工业仪表与自动化装置.2005年第5期.
[6] 孔建益,李公法,熊禾根.工业生产中软测量建模方法及其应用研究[J].机床与液压,2007,35( 6):149- 151
[7] 刘鸿,周克毅.锅炉飞灰测碳仪的技术现状及发展趋势[J].锅炉技术,2004,35(2):65 -68.
[8] 方湘涛,叶念渝.基于BP神经网络的电厂锅炉飞灰含碳量预测[J] .华中科技大学学报: 自然科学版,200 3 ,31(12):75-77.
[9] 徐大平,张新房,柳亦兵.风力发电控制问题综述[J].中国电力,2005,38(4):70-74.
软测量技术及其应用
摘要：软测量技术作为当前过程控制中的研究热点之一，近年来取得了重大发展。本文介绍了软测量技术的基本原理，对目前主要软测量建模的方法进行了介绍, 并列举了工业应用实例。
关键词：软测量 建模方法 工业应用实例
1. 引言
随着现代工业过程对控制、计算、节能增效和运行可靠性等要求的不断提高, 各种测量要求日益增多。现代过程检测的内涵和外延较之以往均有很大的深化和拓展。一般解决工业过程的测量问题有两条途径: 一是沿袭传统的检测技术发展思路, 通过研制新型的过程测量仪表,以硬件形式实现过程参数的直接在线测量; 另一种就是采用间接测量的思路,利用易于获取的其它测量信息,通过计算来实现对被测变量的估计。近年来在过程控制和检测领域涌现出的一种新技术——软测量技术就是这一思想的集中体现。
软测量的基本思想是把自动控制理论与生产过程知识有机结合起来,应用计算机技术,针对难于测量或暂时不能测量的重要变量(或称之为主导变量),选择另外一些容易测量的变量(或称之为辅助变量),通过构成某种数学关系来推断和估计,以软件来代替硬件(传感器 )功能。这类方法响应迅速,能够连续给出主导变量信息,且具有投资低、维护保养简单等优点。
2. 软测量技术的基本原理
软测量技术在工业过程中主要应用于实时估计、故障冗余、智能校正和多路复用等方面。软测量技术主要由辅助变量的选择、数据采集和处理、软测量模型及在线校正四个部分组成。
2.1 辅助变量的选择
首先明确软测量的任务, 确定主导变量。在此基础上深入了解和熟悉软测量对象及有关装置的工艺流程, 通过机理分析可以初步确定影响主导变量的相关变量——辅助变量。辅助变量的选择分为数量、类型和检测点的选择。目前软测量对象都是灰箱系统,得不到系统的准确模型。一般来说, 原始辅助变量数目、
类型很多,为了实时运行方便, 有必要对输入变量进行适当的降维处理。
2.2 数据采集和处理
软仪表是根据过程测量数据经过数值计算从而实现软测量的,其性能很大程度上依赖于所获过程测量数据的准确性和有效性,为了保证这一点,一方面,在数据采集时,要注意数据的信息量,均匀分配采样点,尽量拓宽数据的涵盖范围,减少信息重叠,避免某一方面信息冗余,否则会影响最终建模的质量。
采集的数据必须进行处理, 数据处理包含两个方面,即换算和数据误差处理。数据误差分为随机误差和过失误差两类, 前者是随机因素的影响, 如操作过程微小的波动或测量信号的噪声等,常用滤波的方法来解决;后者包括仪表的系统误差(如堵塞、校正不准等)以及不完全或不正确的过程模型(受泄漏、热损失等不确定因素影响)。过失误差出现的几率较小,但它的存在会严重恶化数据的品质,可能会导致软测量甚至整个过程优化的失效。因此,及时侦破、剔除和校正这类数据是误差处理的首要任务。测量数据变换不仅影响模型的精度和非线性映射能力,而且对数值算法的运行效果也有重要作用。测量数据的变换包括标度、转换和权函数3方面。
2.3 软测量模型的建立
从软测量技术的过程可以看出,软测量技术的核心是建立对象的数学模型, 对象数学模型的好坏,将直接关系到软测量器的计算结果。建立的方法有机理建模、经验建模以及两者相结合的建模。
2.3.1 机理建模
从机理出发,也就是从过程内在的物理和化学规律出发,通过物料平衡与能量平衡和动量平衡建立数学模型。对于简单过程可以采用解析法, 而对于复杂 过程,特别是需要考虑输入变量大范围变化的场合,采用仿真方法。典型化工过程的仿真程序已编制成各种现成软件包。
机理模型优点是可以充分利用已知的过程知识,从事物的本质上认识外部特征;有较大的适用范围,操作条件变化可以类推。但它亦有弱点,对于某些复杂的过程难于建模, 必须通过输入/输出数据验证。
2.3.2 经验建模
通过实测或依据积累操作数据, 用数学回归方法、神经网络方法等得到经验
模型来进行测试,理论上有很多实验设计方法,如常用的正交设计等。有一种办法是吸取调优操作经验,即逐步向更好的操作点移动,这样可一举两得,既扩大了测试范围,又改进了工艺操作。测试中另一个问题是稳态是否真正建立,否则会带来较大误差。还有数据采样与产品质量分析必须同步进行。最后是模型检验, 检验分为自身检验与交叉检验。我们建议和提倡交叉检验。经验建模的优点与弱点与机理建模正好相反,特别是现场测试,实施中有一定难处。
2.3.3 机理建模与经验建模相结合
把机理建模与经验建模结合起来, 可兼容两者之长, 补各自之短。机理与经验相结合建模是一个较实用的方法, 目前被广泛采用。简化机理模型提供的先验知识，可以为基于经验的建模节省训练样本，同时基于经验的建模又可以补偿简化机理模型的未建模特性。
2.4 软测量模型的在线校正
在软仪表的使用过程中,随着对象特性的变化和工作点的漂移,需要对软仪表进行校正以适应新的工况。通常对软仪表的在线校正方法有自适应法、增量法和多时标法等。然而,对模型结构的修正需要大量的样本数据和较长时间, 在线进行有实时性方面的困难。为解决模型结构修正耗时长和在线校正的矛盾, 提出了短期学习和长期学习的校正方法。短期学习由于算法简单、学习速度快而便于实时应用。长期学习是当软测量仪表在线运行一段时间积累了足够的新样本模式后, 重新建立软测量模型。另一个值得注意的问题是样本数据与过程数据之间在时序上的匹配, 尤其在人工分析情况下,从过程数据(辅助变量)即时反应的产量质量状态到取样位置需要一定的流动时间,取样后直到产品质量数据返回现场又要耗费很长的时间。因此在利用分析值和过程数据进行软仪表的校正时,应特别注意保持两者在时间上的对应关系。
3. 软测量的建模方法
3.1 基于机理的软测量建模
基于工艺机理分析的软测量建模主要是运用化学反应动力学、物料平衡、能量平衡等原理,通过对过程对象的机理分析, 找出不可测主导变量与可测辅助变量之间的关系 (建立机理模型),从而实现对某一参数的软测量。对于工艺机理较
为清楚的工艺过程,该方法能构造出性能良好的软仪表。但是对于机理研究不充分、尚不完全清楚的复杂工业过程,难以建立合适的机理模型。此时该方法就需要与其它参数估计方法相结合才能构造软仪表。这种软测量建模方法是工程中常用的方法,其特点是简单、工程背景清晰,便于实际应用,但应用效果依赖于对工艺机理的了解程度,因为这种软测量方法是建立在对工艺过程机理深刻认识的基础上,建模的难度较大。
3.2 基于回归分析的软测量建模
经典的回归分析是一种建模的基本方法,应用范围相当广泛。以最小二乘法原理为基础的一元和多元线性回归技术目前已相当成熟,常用于线性模型的拟合。对于辅助变量较少的情况,一般采用多元线性回归中的逐步回归技术以获得较好的软测量模型。对于辅助变量较多的情况,通常要借助机理分析,首先获得模型各变量组合的大致框架,然后再采用逐步回归方法获得软测量模型。为简化模型,也可采用主元回归分析法和部分最小二乘回归法等方法。基于回归分析的软测量建模方法简单实用, 但需要足够有效的样本数据,对测量误差较为敏感且模型物理量概念不明了。
3.3 基于状态估计的软测量建模
如果系统主导变量作为系统的状态变量是完全可观的,那么软测量建模问题就转化为典型的状态观测和状态估计问题。基于状态估计的软仪表由于可以反映主导变量和辅助变量之间的动态关系,因此,有利于处理各变量间动态特性的差异和系统滞后等情况。这种软测量建模方法的缺点在于对复杂的工业过程,常常难以建立系统的状态空间模型,这在一定程度上限制了该方法的应用。同时在许多工业生产过程中,常常会出现持续缓慢变化的不可测的扰动,在这种情况下采用这种建模方法可能会带来显著的误差。
3.4 基于模式识别的软测量建模
这种软测量建模方法是采用模式识别的方法对工业过程的操作数据进行处理,从中提取系统的特征,构成以模式描述分类为基础的模式识别模型,如空间超盒等。基于模式识别方法建立的软测量模型与传统的数学模型不同,它是一种以系统的输入/输出数据为基础,通过对系统特征提取而构成的模式描述模型。该方
法的优势在于它适用于缺乏系统先验知识的场合,可利用日常操作数据来实现软测量建模。在实际应用中,这种软测量建模方法常常和人工神经网络以及模糊技术等技术结合在一起使用。
3.5 基于人工神经网络的软测量建模
基于人工神经网络的软测量建模方法是近年来研究较多、发展很快和应用范围很广泛的一种软测量建模方法。由于人工神经网络具有自学习、联想记忆、自适应和非线性逼近等功能,基于人工神经网络的软测量模型可以在不具备对象的先验知识的条件下,根据对象的输入/输出数据直接建模(将辅助变量作为人工神经网络的输入,而主导变量作为神经网络的输出,通过神经网络的学习来解决不可测变量的软测量问题),模型的在线校正能力强,并能适用于高度非线性和严重不确定性系统。因此,它为解决复杂系统过程参数的软测量问题提供了一条有效途径。采用人工神经网络进行软测量建模有两种形式:一种是利用人工神经网络直接建模,用神经网络来代替常规的数学模型描述辅助变量和主导变量间的关系,完成由可测信息空间到主导变量的映射;另一种是与常规模型相结合, 用神经网络来估计常规模型的模型参数,进而实现软测量。
3.6 基于模糊数学的软测量建模
模糊数学模仿人脑逻辑思维特点,是处理复杂系统的一种有效手段,在过程软测量建模中也得到了大量应用。基于模糊数学软测量模型是一种知识性模型。该法特别适合应用于复杂工业过程中被测对象呈现亦此亦彼的不确定性、难以用常规数学定量描述的场合。实际应用中常将模糊技术和其它人工智能技术相结合,例如模糊数学和人工神经网络相结合构成模糊神经网络,将模糊数学和模式识别相结合构成模糊模式识别,这样可互相取长补短以提高软仪表的效能。
3.7 基于过程层析成像的软测量建模
基于过程层析成像的软测量建模方法与其它软测量建模方法不同,它是一种以医学层析成像 C T技术为基础的在线获取过程参数二维或三维的实时分布信息的先进检测技术,即一般软测量技术所获取的大多是关于某一变量的宏观信息,而采用该技术可获取关于该变量微观的时空分布信息。由于受技术发展水平的制约,该种软测量建模方法目前离工业实用化还有一定距离, 在过程控制中的直接
应用还不多。
4. 工业应用实例
4.1 飞灰含碳量软测量
飞灰含碳量是电厂燃煤锅炉的主要考核指标之一,对锅炉的运行效率和机组总体性能有较大影响,特别是对于燃用劣质煤的锅炉。实时准确监测飞灰含碳量,有利于操作人员随时调整运行方式,从而尽量提高燃烧程度。但影响燃煤锅炉飞灰含碳量的因素多而且复杂, 受到如锅炉燃用煤种、设计安装水平、锅炉运行操作水平等多种因素的影响,很难直接在线测量或采用简单的公式进行估算。
4.1.1 飞灰含碳量测量现状
飞灰含碳量的传统分析方法是燃烧失重法,该方法由于工序复杂、受人为因素的影响大、化验滞后时间长、分析结果代表性差等严重缺点,不能及时有效地指导生产。针对传统方法的缺陷,国内外已经提出多种形式基于仪器的飞灰含碳量实时检测技术,并且有许多技术己经商品化。各种测碳仪由于技术或成本的原因难以成功地应用于现场,而电厂出于提高经济效益的目的, 又迫切要求能够快速、精确测量飞灰含碳量,因此许多研究人员开始研究采用软测量技术对飞灰含碳量进行有效测量。
4.1.2 二次变量选取
燃煤锅炉飞灰含碳量特性受到如煤种、运行参数和锅炉设计制作安装等因素的影响,关系较为复杂。在软测量建模时,由于锅炉已经建成运行,其设计和安装参数均已确定,因此可以只选择煤质特性参数和锅炉运行工况作为软测量的输入。选择二次变量时,一般可采用燃煤的收到基低位发热量、挥发分、灰分和水分,来反映煤质特性;采用锅炉负荷、省煤器出口氧量、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、各层二次风压、燃烧器摆角等参数反映锅炉运行工况。
4.1.3 飞灰含碳量软测量建模
锅炉的燃烧过程是一个复杂的物理、化学过程,影响锅炉飞灰含碳量诸多因素具有耦合性强、非线性强等特征。因此锅炉飞灰含碳量的软测量,难以采用机理建模,比较适合采用辨识建模。神经网络能够描述高度非线性的输入输出关系,且具有并行计算、分布式处理和容错性、适应性强等优良品质,而BP神经网络结构具有强非线性拟合能力、学习规则简单、便于计算机实现等优点。所以,在对
飞灰含碳量进行软测量建模时, 可采用BP学习算法进行辨识建模。
4.2 烟气含氧量软测量
随着电网调峰任务加重,电厂机组负荷变化频繁,为能达到锅炉安全、 经济运行的目的,运行人员必须对燃烧器出口风速和风率、炉膛风量等进行适当调整,通过改变烟气中的氧量来优化锅炉燃烧工况。烟气含氧量的设定值应随负荷的变化进行相应调整,以保证锅炉的燃烧效率,而前提是对烟气含氧量进行及时、准确测量。
4.2.1 烟气含氧量测量现状
目前电厂测量烟气含氧量的氧气传感器主要是热磁式氧量传感器和氧化锆氧量传感器。热磁式氧量传感器虽然其具有结构简单、便于制造和调整等优点, 但由于反应速度慢、测量误差大、容易发生测量环室堵塞和热敏元件腐蚀严重等缺点, 在火电厂的应用日渐减少。基于其他类型氧量传感器的测量方法由于安装难度、现场环境等原因的限制在火电厂很少应用,而且这些少数的应用也并未取得很好的效果。许多学者希望用软测量的方法来解决烟气含氧量的测量问题。
4.2.2 二次变量的选取
合理选择二次变量不仅对软测量精度有重要作用,而且还可以使软测量模型得到简化,使模型更加容易理解。烟气含氧量软测量模型中的二次变量(即软测量模型的输入)应选择对烟气含氧量有直接或隐含关系的可实时检测变量。尾部烟气含氧量主要受煤质变化、锅炉炉膛漏风、未完全燃烧等因素的影响。因此,需要选择能反映负荷、燃料、风量、排烟等方面的变量作为二次变量。
4.2.3 烟气含氧量软测量建模
烟气含氧量软测量在建模方法上早期采用比较多的是神经网络技术,近几年又出现了采用如数据融合、支持向量机等技术的方法。文献[2]在讨论软测量技术的有关问题和开发策略的基础之上,提出了一种基于复合型神经网络的火电厂烟 气含氧量软测量模型;文献[3]对基于机理分析、回归分析、人工智能的软测量方法进行对比讨论的基础上,提出了利用基于统计分析和神经网络技术的 NNPLS 方法建立烟气含氧量软测量模型的方法,分别进行了稳态和动态建模。该建模方法综合了PLS和神经网络技术的优点,能够利用过程历史数据辨识对象模型,仿真验证结果显示,NNPLS方法所建立的软测量模型对比直接神经网络建模
具有 更强的泛化能力。
4.3 风电场风速软测量
风力发电机组是一个连续随机的非线性多变量系统。控制技术是大型并网风力发电机组安全高效运行的关键。估计风速可以用于低于额定风速和高于额定风速时变速风力发电机组的控制, 提高控制系统的性能。
4.3.1 风电场风速测量现状
目前许多风力发电机组控制系统中,根据位于机舱顶部的风速计测得的风速信号调节风力发电机组的转速和输出功率。由于风力机处于三维时变的风场环境中,风速在整个风力机旋转平面上分布不同,而且受湍流、塔架、风剪差、地表粗糙度等因素的影响,基于风速计测量得到的风速调节转速和功率是不精确的。即使风速计测得的风速是准确的,也只是一点的风速,和整个风力机旋转平面所受到的有效风速有很大差别,因此有效风速是不能直接测量的。
4.3.2 风速软测量基本原理
风力发电机组的输出功率主要受3个因素的影响:可利用的风能、发电机的功率曲线和发电机对变化风速的响应能力。有效风速软测量的基本思想是把风力发电机组当作风速仪对有效风速进行估计, 因此需要建立有效风速预测模型。由于风力机转速发电机功率和桨距角是容易测量得到的风力发电机组输入输出变量, 因此有效风速的模型可以表示为发电机功率和桨距角的非线性函数。
4.3.3 风速软测量建模
软测量就是根据某种最优准则,选择一组与被估计变量( 主导变量) 相关的一组可测变量(二次变量),构造某种以可测变量为输入、被估计变量为输出的数学模型,用计算机软件实现重要过程变量的估计。有效风速软测量的二次变量为风力机转速Ω、 发电机功率P和桨距角β, 主导变量为有效风速Vw。基于支
持向量机的软测量建模属于黑盒子模型,只关心对象的输入与输出,而不必关心对象的具体结构,输入输出之间的映射关系由支持向量机完成。
5. 结束语
软测量技术是工业计算机优化控制的有利工具,在理论研究和实际应用中已经取得了不少成果, 其理论体系亦正在逐步形成。不论过于夸大软测量的作用或忽视软测量的重要性均是不正确的。软测量仅靠实验室分析仪表分析值进行校正要获得很高精度是很困难的, 软测量要想获得高精度, 必须要用在线分析仪表进行实时校正。软测量技术作为一种新型的过程参数检测技术应用于火电厂热工过程中,不仅为难测热工参数提供了一种有效的测量方法,而且对热工过程提高操作水平、改善控制系统性能、优化系统管理等方面都具有十分重要的意义。
参考文献:
[1] 朱学峰.软测量技术及其应用[J].华南理工大学学报:自然科学版,2002 ,30(11):61- 67
[2] 韩璞,王东风,翟永杰.基于神经网络的火电厂烟气含氧量软测量[J].信息与控制,200 1 , 30(2):189 -192.
[3] 卢勇,徐向东.烟气含氧量软测量新方法研究[J].热能动力工程,2002,17(102):614-6 17,655
[4] 俞金寿, 软测量技术及其应用[J].自动化仪表.第29卷第1期.
[5] 李勇，邵诚.软测量技术及其应用发展[J].工业仪表与自动化装置.2005年第5期.
[6] 孔建益,李公法,熊禾根.工业生产中软测量建模方法及其应用研究[J].机床与液压,2007,35( 6):149- 151
[7] 刘鸿,周克毅.锅炉飞灰测碳仪的技术现状及发展趋势[J].锅炉技术,2004,35(2):65 -68.
[8] 方湘涛,叶念渝.基于BP神经网络的电厂锅炉飞灰含碳量预测[J] .华中科技大学学报: 自然科学版,200 3 ,31(12):75-77.
[9] 徐大平,张新房,柳亦兵.风力发电控制问题综述[J].中国电力,2005,38(4):70-74.