先進控制技術及應用
加入技術交流群
2．國內自行開發(fā)部分先進控制軟件包應用
我國通過“八五”“九五”國家重點科技攻關等，在先進控制與優(yōu)化控制方面積累了許多經驗，成功應用實例亦不少。部分成果已逐漸形成商品化軟件。
福建煉油廠化工有限公司與浙江大學合作開發(fā)催化裂化裝置先進控制系統(tǒng)；洛陽石油化工總廠與石油大學、洛陽石化公司共同開發(fā)催化裂化裝置；茂名石化煉油廠與石油大學聯(lián)合開發(fā)催化裂化裝置先進控制與實時優(yōu)化系統(tǒng)；上海交通大學開發(fā)研制的多變量約束控制軟件包MCC是一個處理約束的多變量、多目標、多控制模式和基于模型預測的最優(yōu)控制器，已成功應用于石家莊煉油化工股份有限公司催化裂化裝置，取得明顯經濟效益；還有浙江大學開發(fā)APC-Hiecon，APC-PFC先進控制軟件在國內許多工業(yè)裝置得到了應等等。
（四）預測控制發(fā)展方向
1．自適應MPC：目前亦有自適應MPCSPAN的產品，但實時實現(xiàn)自適應控制存在一定困難，有待進一步研究。
2．魯棒MPC：只有RMPCT在控制器設計時考慮到模型不確定性，所以設計具有魯棒穩(wěn)定性MPC保障的控制器將減少整定與測試時間。
3．非線性MPC：由于不少的生產過程是非線性，開發(fā)簡單實用的非線性MPC亦是今后的一個發(fā)展方向。
二、軟測量技術
由于在線分析儀表（傳感器）不僅價格昂貴，維護保養(yǎng)復雜，而且由于分析儀表滯后大，最終將導致控制質量的性能下降，難以滿足生產要求。還有部分產品質量目前無法測量，這在工業(yè)生產中實例很多，例如精（分）餾塔產品成分；塔板效率；干點、閃點；反應器中反應物濃度、轉化率、催化劑活性；高爐鐵水中的含硅量；生物發(fā)酵罐中的生物量參數(shù)等。近年來，為了解決這類變量的測量問題，各方面在深入研究，目前應用較廣泛的是軟測量方法。
軟測量的基本思想是對于難于測量或暫時不能測量的重要變量（或稱之為主導變量），選擇另外一些容易測量的變量（或稱之為輔助變量），通過構成某種數(shù)學關系來推斷和估計，以軟件來代替硬件（傳感器）功能。這類方法具有響應迅速，連續(xù)給出主導變量信息，且具有投資低、維護保養(yǎng)簡單等優(yōu)點。
近年來，國內外對軟測量技術進行了大量研究。著名國際過程控制專家McaVoy教授將軟測量技術列為未來控制領域需要研究的幾大方向之一，具有廣闊的應用前景。
軟測量技術主要內容有：機理分析與輔助變量選擇，數(shù)據(jù)采集和預處理，軟測量模型建立，在線校正，實施及評價。
（一）軟測量建模方法
軟測量的核心問題是其模型的建立，也即建立待估計變量與其他直接測量變量間的關聯(lián)模型。軟測量建模的方法多種多樣，且各種方法互有交叉，且有相互融合的趨勢，因此很難有妥當而全面的分類方法。目前，軟測量建模方法一般可分為：機理建模、回歸分析、狀態(tài)估計、模式識別、人工神經網絡、模糊數(shù)學、基于支持向量機（SVMs）和核函數(shù)的方法、過程層析成像、相關分析和現(xiàn)代非線性系統(tǒng)信息處理技術等。這些方法都不同程度地應用于軟測量實踐中，均具有各自的優(yōu)缺點及適用范圍，有些方法在軟測量實踐中己有許多成功的應用，后面幾種建模方法限于技術發(fā)展水平，在過程控制中目前還應用較少。
1．基于工藝機理分析的軟測量建模
基于工藝機理分析的軟測量建模主要是運用化學反應動力學、物料平衡、能量平衡等原理，通過對過程對象的機理分析，找出不可測主導變量與可測輔助變量之間的關系（建立機理模型），從而實現(xiàn)對某一參數(shù)的軟測量。對于工藝機理較為清楚的工藝過程，該
2．基于回歸分析的軟測量建模
經典的回歸分析是一種建模的基本方法，應用范圍相當廣泛。以最小二乘法原理為基礎的回歸技術目前已相當成熟，常用于線性模型的擬合。對于輔助變量較多的情況，通常要借助機理分析，首先獲得模型各變量組合的大致框架，然后再采用逐步回歸方法獲得軟測量模型。為簡化模型，也可采用主元回歸分析法（Principal Component Regression，PCR）和部分最小二乘回歸法（Partial-Least-Squares Regression，PLSR）等方法?；诨貧w分析的軟測量建模方法簡單實用，但需要足夠有效的樣本數(shù)據(jù)，對測量誤差較為敏感。
3．基于人工神經網絡的軟測量建模
基于人工神經網絡（Artificial Neural Network，ANN）的軟測量建模方法是近年來研究最多、發(fā)展很快和應用范圍很廣泛的一種軟測量建模方法。能適用于高度非線性和嚴重不確定性系統(tǒng)，因此它為解決復雜系統(tǒng)過程參數(shù)的軟測量問題提供了一條有效途徑。采用人工神經網絡進行軟測量建模有兩種形式：一種是利用人工神經網絡直接建模，用神經網絡來代替常規(guī)的數(shù)學模型描述輔助變量和主導變量間的關系，完成由可測信息空間到主導變量的映射；另一種是與常規(guī)模型相結合，用神經網絡來估計常規(guī)模型的模型參數(shù)，進而實現(xiàn)軟測量。
4．基于模式識別的軟測量建模
這種軟測量建模方法是采用模式識別的方法對工業(yè)過程的操作數(shù)據(jù)進行處理，從中提取系統(tǒng)的特征，構成以模式描述分類為基礎的模式識別模型?；谀Ｊ阶R別方法建立的軟測量模型與傳統(tǒng)的數(shù)學模型不同，它是一種以系統(tǒng)的輸入、輸出數(shù)據(jù)為基礎，通過對系統(tǒng)特征提取而構成的模式描述模型。該方法的優(yōu)勢在于它適用于缺乏系統(tǒng)先驗知識的場合，可利用日常操作數(shù)據(jù)來實現(xiàn)軟測量建模。在實際應用中，這種軟測量建模方法常常和人工神經網絡以及模糊技術等技術結合在一起使用。
5．基于模糊數(shù)學的軟測量建模
模糊數(shù)學模仿人腦邏輯思維特點，是處理復雜系統(tǒng)的一種有效手段，在過程軟測量建模中也得到了應用。基于模糊數(shù)學軟測量模型是一種知識性模型。該法特別適合應用于復雜工業(yè)過程中被測對象呈現(xiàn)亦此亦彼的不確定性，難以用常規(guī)數(shù)學定量描述的場合。實際應用中常將模糊技術和其他人工智能技術相結合，例如模糊數(shù)學和人工神經網絡相結合構成模糊神經網絡，將模糊數(shù)學和模式識別相結合構成模糊模式識別，這樣可互相取長補短以提高軟儀表的效能。
6．基于支持向量機（SVMs）的方法
建立在統(tǒng)計學習理論基礎上的支持向量機（SVMs- Support Vector Machines）業(yè)已成為當前機器學習領域的一個研究熱點。支持向量機采用結構風險最小化準則，在有限樣本情況下，得到現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無窮大時的最優(yōu)值，解決了一般學習方法難以解決的問題，如神經網絡結構選擇問題和模型學習問題等，從而提高了模型的泛化能力。另外，支持向量機把機器學習問題歸結為一個二次規(guī)劃問題，因而得到的最優(yōu)解不僅是全局最優(yōu)解，而且具有唯一性。由于軟測量建模與一般數(shù)據(jù)回歸問題之間存在著共性，支持向量機方法應用于回歸估計問題取得不錯的效果應用，也促使人們把眼光投向工程應用領域，提出了建立基于支持向量機的軟測量建模方法。
7．基于過程層析成像的軟測量建模
基于過程層析成像（Process Tomography，PT）的軟測量建模方法與其他軟測量建模方法不同的是，它是一種以醫(yī)學層析成像（Computerized Tomography，CT）技術為基礎的在線獲取過程參數(shù)二維或三維的實時分布信息的先進檢測技術，即一般軟測量技術所獲取的大多是關于某一變量的宏觀信息，而采用該技術可獲取關于該變量微觀的時空分布信息。由于技術發(fā)展水平的制約，該種軟測量建模方法目前離工業(yè)實用化還有一定距離，在過程控制中的直接應用還不多。
8．基于相關分析的軟測量建模
基于相關分析的軟測量建模方法是以隨機過程中的相關分析理論為基礎，利用兩個或多個可測隨機信號間的相關特性來實現(xiàn)某一參數(shù)的軟測量方法。該方法采用的具體實現(xiàn)方法大多是互相關分析方法，即利用各輔助變量（隨機信號）間的互相關函數(shù)特性來進行軟測量。目前這種方法主要應用于難測流體（即采用常規(guī)測量儀表難以進行有效測量的流體）流速或流量的在線測量和故障診斷（例如流體輸送管道泄漏的檢測
評論