专利名称：基于工业软测量模型的离线化验值双重校正方法
技术领域：
本发明涉及一种基于工业软测量模型的离线化验值双重校正方法。
背景技术：
在流程工业领域，特别是在石化工业生产过程中，存在大量的难以测量，甚至无法测量的变量，一般只能做到依靠实验室人工化验的手段来了解这些变量的变化情况，这对于实现变量实时监控，质量控制甚至优化等技术要求是远远不够的。故目前主要采用建立软测量模型进行实时的估计，即通过测量易于检测的辅助变量，基于估计模型来估算出难以甚至无法测量的变量。
由于实际工业生产过程普遍具有的干扰、时变性、非线性以及所建立的软测量模型的不完整性等因素，必须考虑和解决软测量模型的在线校正问题，才能适应实际工况而得到成功应用。
以石油化工为典型代表的连续工业生产过程中，一般难以甚至无法建立严格精确的数学模型来描述实际工业过程，亦即模型误差必定存在，并且可能经常性变化，而采用实时性强的过程模型在线校正技术将大大改善这一问题，从而可以较为准确地反映过程的实际情况。工业过程软测量技术的核心模型一般仅能大致反映实际过程的本质的变化趋势，而实现对实际工业过程变量进行长期在线的精确估计是十分困难甚至是不可能的。此外，即使模型本身可以较为准确地描述过程变化，但是根据模型所得到的估计是基于现场所采集的数据信息，而现场数据的可靠性存在很大的不确定性，如罐的虚假液位、在线分析仪表的测量精度漂移和其不定期清洗等原因，经常会导致数据失真；同时由于工业过程本身和相应的参数测量过程一般存在时滞现象，而且滞后时间随实际工业生产状况的变化而发生经常性的波动等等，这些都可能严重影响工业数据的可靠性，这些基于软测量模型进行参数估计的方法所遇到的问题必须充分考虑，而借助于性能良好的在线校正技术就是解决这些问题的有效手段和可靠保证。
很多研究者都提出了软测量技术在工业实际过程中的应用需要结合在线校正技术[1，2，3，4，5]，但大多数仅仅是简单介绍在线校正的思路，或是介绍了化验值对软测量模型输出的校正等，与本专利技术最相近的在线校正技术是俞金寿等人[1]提出的短期学习和长期学习的校正方法。短期校正是以某时刻实际对象的真实值与软测量模型的估计值的偏差来及时修正模型常数项，这种校正技术易于在线实现。同时为了保证软测量模型的稳定性，当偏差在工艺允许的误差范围之内时，不进行模型校正，只有当偏差超出一定范围，才激发长期校正，即对模型结构或参数进行修正。短期学习由于算法简单，学习速度快，便于实时应用。长期学习是当软测量模型在线运行一段时间积累了足够新样本信息后，重新建立软测量模型。长期校正可以离线进行，也可以在线进行。
仅由离线得到的一个不变的软测量模型来实时估计实际工业过程变量，往往不能很好地跟踪过程的动态变化、处理过程中的数据可靠性的不确定问题和解决过程变化幅度大的工业过程在线变量估计问题，因此，在线软测量模型计算必须考虑在线过程校正。但是校正技术也不是万能的，校正只是对过程模型估计精度进行改善，软测量模型必须要求能大致地反映实际过程中辅助变量对待估计的主导变量的作用效果。
很多研究者提出了在软测量技术上实施在线校正技术，但大多或者只简单介绍了对化验值偏差校正，或者只介绍了对基于神经网络软测量建模的网络结构和参数进行在线校正的技术，而且大部分均未能完整地给出校正效果。俞金寿等人[1]提出了短期学习和长期学习的校正方法，但也没有详细说明如何进行两种校正方法的有机结合，以及在实际工业过程应用效果，而仅仅是介绍每一种校正思路和单独的应用效果，对于两种方法的介绍很多仅仅是定性说明，对一些参数定义不够定量化。他们提出的短期校正方法没有考虑利用历史偏差的信息，而只是利用当前估计值与实际值的偏差进行修正，这种方法在实际应用中被证明会产生校正作用波动幅度过大，效果并不理想。对于他们提出的长期校正方法，仅仅涉及在收集到足够样本数后，对模型进行重新校正，没有进一步的详细说明和论证等等。
单独实施一种校正技术在改进模型估计精度和预测趋势上各有不足之处滚动模型校正的作用是本质的、主动的和剧烈的；而化验值偏差校正则作用过于被动，而且其效果是短期，不能对过程本质的变化进行很好的校正。因此有机结合两类校正技术的双重校正技术能够对软测量模型从估计精度到预测趋势上都得到很好的保证。本专利对两类校正技术进行了合理配置，由实验验证得到最优校正参数，能保证使软测量模型达到期望的估计精度。
参考文献1)俞金寿、刘爱伦、张克进编著，软测量技术及其在石油化工中的应用，化工工业出版社，2000。
2)史瑞生，催化裂化在线工艺计算的特点，炼油设计，2001，31(1)，P.55-593)王树青等编著，先进控制技术，化学工业出版社，20004)汪永生，邵惠鹤，微生物生长过程中菌体浓度的软测量，无锡轻工大学学报，2000，19(5)491-4945)徐敏，俞金寿，软测量技术，石油化工自动化，1998，21-3，196)Shengjing Mu，Hongye Su，Ruilan Liu，Yong Gu，Jian Chu，Analysis andModeling of Industrial Purified Terephthalic Acid Oxidation Unit，InternationalSymposium on Advanced Control of Chemical Processes，2003，Hongkong.(ADCHEM 2003)7)舒迪前编著，预测控制系统及其应用，机械工业出版社，1996发明内容本发明的目的是提供一种基于工业软测量模型的离线化验值的双重校正方法。
它利用过程指标的离线化验值，分别以可调节的周期对软测量模型参数进行滚动校正和对软测量计算输出值进行偏差校正的实现在线软测量双重校正，使软测量模型预测输出具有良好的精度和趋势。
本发明的优点1)有人提出了短期学习和长期学习的校正方法，但没有介绍如何对两种校正方法结合以及其效果。而本发明根据在线滚动模型校正和化验值偏差校正技术各自的特点进行有机结合，以充分发挥各自的优点；2)前人曾单独分析了短期校正和长期校正简单思路及单独的应用效果，对校正方法的介绍不够定量化。他们提出的短期校正方法没有考虑利用历史偏差的信息，而只是利用当前预测值与实际值的偏差进行修正，这种方法在实际中被证明是校正作用波动幅度过大，效果并不理想。本发明中的化验室偏差校正则充分利用了历史偏差信息，对当前的偏差进行加权处理，即对当前的偏差进行了滤波处理，真实反映了实际生产过程的连续性和平缓效果；3)他们提出的长期校正方法，仅仅谈及在收集到足够样本数后，对模型进行重新校正，没有进一步的详细说明和论证。本发明提出的在线模型校正则在详细论述了校正机制，触发条件基础上，很好地借鉴了在工业实际过程中得到广泛应用的预测控制技术中的思想和其中的两个重要概念预测步长和建模步长，为在线模型校正方法提供了理论基础，这也保证了在线模型校正技术能在实际过程中得到成功应用。


图1是在线滚动模型校正流程示意图；图2是在线滚动模型校正建模时域与预测时域示意图；图3是在线化验值偏差校正流程示意图；图4是利用化验值进行在线双重校正流程示意图；图5是4-CBA浓度的软测量预测输出(虚线)和化验值(实浅色线)在不同校正方法下精度比较结果示意图；图6是经过数据平滑后的4-CBA浓度软测量预测输出(虚线)和化验值(实浅色线)在不同校正方法下精度比较结果示意图。
具体实施例方式
本发明针对工业过程中由化验室进行离线地采样分析质量变量数据这类目前国内石化工业过程最普遍采用的情况，结合在线滚动模型校正和化验室偏差校正技术，提出了在线软测量模型估计输出的在线双重校正技术。经过对其参数做合理设置后的双重校正技术能很好地解决了复杂工业过程在线软测量模型预测趋势跟踪和估计精度问题。
工业过程软测量技术实施中，软测量模型建立后并不是一成不变的。由于实际工业过程所存在的时变性、非线性、时滞等以及所获得的基于工业数据和机理分析而建立的模型的不完整性和测量数据的可靠性等因素，都会影响软测量模型的精度和相应的变量估计精度，因此必须考虑模型的在线校正，才能适应实际工况。目前大部分在线软测量模型在设计时都考虑了在线校正，但很少有文献对此提出合理和有效的解决方法。
另外一个软测量在线校正技术必须注意的问题是过程测量数据与化验室分析数据在时序上的匹配。对于国内少数石化企业配备了在线分析仪装置并在现场分析中得到了很好应用的情况，过程变量的分析值可以连续得到(滞后一段时间)，在校正时只要相应地顺延相同的时间即可。但对于国内大多数企业，其某些过程变量还是依靠人工离线化验的情况，从实际过程变量数据到取样位置需要一定的流动时间，而从取样后到实验分析数据返回现场又要耗费很长的时间，因此利用化验值和过程数据进行软测量模型校正时，需要特别注意保持两者在时间上的对应关系，否则在线校正不但达不到目的，反而可能引起软测量精度的下降，甚至完全失败。
本发明是利用人工化验值对工业过程软测量模型进行在线软测量双重校正，即结合了在线滚动模型校正技术和在线化验值偏差校正技术对软测量模型实施有效的在线校正。
1 在线滚动模型校正在线滚动模型校正，是校正软测量模型中的模型参数，利用的校正算法是阻尼非线性最小二乘法[6]，即改进的Levenberg-Marquardt(LM)算法。滚动校正的思想借鉴了预测控制技术的滚动优化和动态建模思想[7]，即利用较长的多个采样周期的最新几组样本回归模型参数，得到的新模型用于预测接下来的较短的几个采样周期期间的变量值。这也就是多看和学几步，而少走和做几步的思想，进行滚动的实施，例如，精对苯二甲酸(PTA)氧化过程产品粗TA中的对羧基苯甲醛(4-CBA)浓度软测量中利用6个点的化验样本数据进行模型参数回归，得到的新模型用于预测后续3个采样周期期间的质量数据，而下一次模型校正时再利用上一次参数回归所用的6个化验样本中相对新的3个和上一次模型估计期间新增加的3个化验样本组合成新的6个样本作为最新的模型参数回归样本进行新一次的模型校正，得到的新模型用于估计新的后续3个采样周期期间的变量值。这里校正方法的参数6和3借用了预测控制中的预测时域步长P和控制时域步长M概念，其数值是可调的。滚动模型校正的建模时域和预测时域随时间而不断地向前。
在线模型校正由在线收集一定数量的化验值与对应过程输入变量组成的样本，利用非线性阻尼最小二乘法，即改进的Levenberg-Marquardt(LM)法对模型参数进行回归迭代计算。如果回归迭代收敛，模型参数取回归计算结果，如果迭代不收敛，模型参数仍取上一个校正周期的模型参数。
如图1所示，在线模型校正可定期进行，如果在一个采样周期检验得到的新的样本数目m达到要求，则立刻进行模型校正，回归新的模型参数，然后根据回归算法的收敛情况，若不收敛，模型参数不改变；若收敛，则取新的一组模型参数，得到新的模型并继续在线预测计算。
在线滚动模型校正算法的启动是通过检测化验值输入样本的累积数目，当数目达到指定要求后进行的。这是一个模型的参数优化过程，通过在线滚动实施，动态得到最新的过程软测量模型。此外，对模型校正周期和用所得到的最新的模型进行在线预测计算的周期的设计上，本专利借鉴了预测控制技术中的预测时域步长P和控制时域步长M概念，即利用采样时刻tk-P+1到tk之间的共P个采样周期的样本数据进行模型参数校正计算，得到的模型参数作为最新的模型对tk+1到tk+M采样周期之间的过程输出进行预测。这里设置P≥M，即利用长时域的样本信息进行短时域的过程预测输出。当M个采样周期结束后到达tk+M时刻时，进行下一次的模型校正，所需的P个样本信息是由采样时刻为tk-P+1+M的样本到tk+M采样周期的样本组合成P个新样本。在线滚动建模中模型校正周期、模型预测周期以及对应的建模时域和预测时域设置如图2所示。
在时刻tk，新样本个数达到指定数目P，进行模型校正，利用tk时刻之前最新的P个化验值样本进行模型参数回归，得到新的模型后，进行接下来的M个采样周期的输出值预测。经过M个采样周期后到达tk+M时刻，再利用新组合成的包括最新的M个化验值样本的新的一组P个样本进行模型校正，得到新的模型进行接下来的M个采样周期的输出预测。这样在线地进行周期性的模型校正，以调整模型参数使得新的过程模型能紧密跟踪过程变化，准确反映最新的过程现状。
2化验值偏差校正由于实际工业过程存在很多难以描述的因素，而软测量模型所能表达的实际过程的可测变量对待估计变量的影响因素亦非十分完备，同时模型计算中存在其他误差因素，这些原因使得模型计算出的结果只能是一个近似值，仅仅能大致表达出产品性质的变化趋势，而与真实化验室分析值之间往往存在一定偏差，因此需要对计算结果进行校正以消除偏差。
在线化验值偏差校正，由于数据库中的计算序列仅保存了软测量模型计算经过校正的估计输出值，而没有模型原始计算值，因此首先需要得到采样时刻的模型原始计算值，同样需要求得当前时刻的模型原始计算值，求出采样时刻的偏差，利用此采样时刻的偏差和当前时刻计算采用的偏差，加权求得当前时刻应采用的新的偏差，从而进一步求得该时刻校正过的值。
详细步骤如下a)求出采样时刻的模型原始计算值YCal(t-d)YCal(t-d)＝YVal(t-d)-bias(t-d) (1)或在原始计算序列中找出原始计算值YCal(t-d)其中d采样时刻到当前时间的滞后时间；YVal(t-d)采样时刻校正所得的软测量产品质量输出值；bias(t-d)采样时刻的偏差。
b)求出当前时刻的模型原始计算值
YCal(t)＝YVal0(t)-bias(t-d) (2)其中YVal0(t)当前时刻由未修正过的偏差(采样时刻的偏差值)校正所得的软测量产品质量输出值。
c)求出当前时刻的偏差值bias0(t)bias0(t)＝YLab(t-d)-YCal(t-d) (3)其中YLab(t-d)采样时刻化验室测得的化验值(当前时刻才返回)。
d)根据当前时刻的偏差bias0(t)和采样时刻的偏差bias(t-d)求出当前时刻的新偏差bias(t)bias(t)＝w1*bias0(t)+w2*bias(t-d) (4)其中w1＝1-w2，w1，w2≥0为可调节的校正参数，一般取w1＝0.3～0.5。
e)利用当前时刻的模型原始计算值与当前时刻的新偏差求出当前时刻的软测量产品质量输出值YVal(t)YVal(t)＝YCal(t)+bias(t)(5)在初始时刻t＝0，bias(0)＝0。
在线化验值偏差校正流程图如图3所示，由于当前采样周期的化验值输入时刻总是滞后采样时刻一定时间，这里包括两部分时间滞后，从实际过程变量数据到取样位置所需的流动时间和从取样后到实验分析数据返回现场所耗费的时间。当用户输入当前采样周期的化验值时，系统根据该化验值的采样时刻得到采样时刻的模型原始计算值YCal(t-d)，基于该时刻的化验值和模型原始计算值得到模型预测偏差bias0(t)，再与采样时刻的偏差值进行加权和得到当前计算时刻的偏差值bias(t)，利用该偏差值来校正当前时刻模型计算输出YVal(t)作为最后的过程输出。
3 在线双重校正在线双重校正技术有机结合了在线滚动模型校正技术和在线化验值偏差校正技术，使工业过程软测量模型估计输出的精度和预测趋势能得到有效的改善。模型校正利用了化验值反馈信息来调整模型参数以更好地适应最新的过程变化。化验值偏差校正则对软测量模型所不能很好描述实际过程的未建模因素、过程数据误差、化验值误差等造成的软测量估计偏差问题做了很好的考虑和解决。因此结合这两种各有优势的校正技术，相互补充，得到的双重校正方法能很好地保证软测量模型的估计精度和预测趋势。
工业过程参数由现场DCS实时采集，在时刻t，软测量系统在线读取模型计算输入参数X(t)，输入到模型计算得到产品质量YCal(t)。检测时刻k是否有产品质量的化验值YLab(t)输入，若无输入，则利用上一次偏差校正计算得到的偏差值bias(t)对模型计算值YCal(t)进行校正，YVal(t)＝YCal(t)+bias(t)；若时刻t有化验值输入，则累积新的模型校正样本个数P，并判断样本个数是否达到设定值M，若新样本个数未达到模型校正所需样本个数，则利用偏差校正进行新的偏差计算得到新的bias(t)，对模型计算值YCal(t)进行校正，YVal(t)＝YCal(t)+bias(t)；若新样本个数达到了模型校正所需样本个数，则调用LM算法进行模型参数回归，完成模型校正，得到新的模型参数并建立新的模型后，再调用新的模型计算得到新的YCal(t)，同时将偏差bias(t)清零，软测量系统输出YVal(t)＝YCal(t)，完成整个校正过程。
在线双重校正流程图如图4所示，这里双重校正技术结合了在线滚动模型校正和化验室偏差校正，其中在线滚动模型校正仅在新样本个数累积到一定数量后才触发并实施，而在累积的新样本个数未达到一定数量之前，每输入一个化验值，系统计算新的偏差，并实施化验室偏差校正。系统在每次完成滚动模型校正后将偏差值清零，在下一次化验值输入进行偏差校正时重新计算偏差值。
本发明的校正方法类同于预测控制策略中所采用的思想，从其实施上看，也考虑了滚动参数优化和动态在线建模，利用化验值进行的偏差反馈校正。模型校正是随时间进行在线滚动优化，反复进行。其中每一步都是静态优化，但从全局看却是动态优化。每到一个新的采样时刻，都要通过实际得到的化验值，即模型输出对基于模型的计算输出进行修正，然后再进行新的优化。不断根据系统的实际输出对预测输出值作出修正使滚动优化不但基于模型，而且利用了反馈信息，构成闭环优化校正。
4 仿真结果比较采用的实际工业过程应用例子是某PTA工厂的PTA氧化过程产品粗TA性质最主要指标4-CBA含量的在线软测量系统。过程模型主体结构是由实验室得到的基于化学反应机理的模型结构，结合氧化反应过程实际操作情况，对模型设置了6个装置因数(即为需要在线滚动回归的模型参数)。取建模样本个数为6个，而预测周期为3个化验值采样时间，即建模时域为6，而预测时域为3。偏差校正中权值w1＝0.5。而为了在化验值与软测量输出值之间进行对比，取软测量计算输出值与化验值进行同一采样时刻的点进行对比。所比较的现场数据共有220个点，质量指标4-CBA浓度经过归一化处理。所得到的仿真对比结果如图5所示。其中图a表示的是未经过任何校正处理的软测量计算输出与化验室分析值的比较，图b表示的是仅仅做了滚动模型校正处理的软测量计算输出与化验室分析值对比，图c是仅仅做了偏差校正处理的软测量计算输出与化验室分析值的对比，图d是双重校正处理的软测量计算输出与化验室分析值对比。统计误差对比如表1所示。从上述4个图的比较结果可以看出，软测量模型做任何一种校正都比不做校正能显著提高模型估计精度与预测趋势，而在线滚动模型校正与化验室偏差校正相比，前者效果过于强烈，表现更为主动，这是因为在线模型校正得到的是经过重新建模后的模型，改变的是模型本质预测性能，表现为在系统由新的样本训练后，立刻产生对后续过程强烈的作用。而化验室偏差校正仅仅对软测量模型的计算输出进行修正，而且仅在当前一个化验室分析值输入和下一次新的化验值输入之间的软测量计算结果起作用。偏差校正算法的性能是能很好的跟踪实际过程变化，这是一个相对被动的过程，其表现为软测量计算输出值仅是围绕着实际化验室分析值波动，因此过程越平稳，跟踪性能越好，而在过程变化幅度较大时，如升降负荷过程情况，跟踪性能就明显下降。因此这里结合了两种校正技术优势特点的双重校正方法所处理的估计输出值表现出比单独的两种校正技术更优越的效果。
表1.PTA氧化过程软测量预测精度比较

为了更清楚的说明双重校正的效果，这里通过对图5的数据点做滑动时间平均处理，以10个点做滑动平均。这样得到的经过简化处理的结果更能反映数据变化的本质特性，其结果如图6所示。双重校正的效果表现为无论在估计精度上还是在预测趋势上都优越于前三种情况。
权利要求
1.一种对基于模型的工业过程软测量在线双重校正方法，其特征在于利用过程指标的离线化验值，以可调节的周期分别实施软测量模型参数的滚动校正和软测量计算输出值偏差校正的双重校正方法，使软测量模型预测输出具有良好的精度和趋势。
2.根据权利要求1所述的一种对基于模型的工业过程软测量在线双重校正方法，其特征在于所说的利用过程指标的离线化验值是利用了与软测量模型计算所对应的过程装置指标的离线化验室分析值，来作为对软测量系统进行在线校正的依据。
3.根据权利要求1所述的一种对基于模型的工业过程软测量在线双重校正方法，其特征在于所说的软测量模型参数的滚动校正是校正软测量模型的参数，所采用的校正算法是阻尼非线性最小二乘法，即改进的Levenberg-Marquardt算法，即利用多个采样周期的几组样本来回归当前的模型参数，得到的模型用于预测后续几个采样周期期间的变量值。
4.根据权利要求1所述的一种对基于模型的工业过程软测量在线双重校正方法，其特征在于所说的软测量计算输出值偏差校正是利用此采样时刻的模型计算值和化验值之间的偏差和当前时刻软测量计算所采用的偏差，经加权求得当前时刻应采用的偏差，作为当前软测量计算值的偏差校正值。
5.根据权利要求1所述的一种对基于模型的工业过程软测量在线双重校正方法，其特征在于所说的以可调节的周期分别实施软测量模型参数的滚动校正和软测量计算输出值偏差校正的一种新颖的双重校正方法是模型校正利用了化验值反馈信息来调整软测量模型的参数，以随时间进行在线滚动优化来适应过程变化，化验值对软测量计算值的偏差反馈校正则是对软测量模型所不能描述实际过程的未建模因素、过程数据误差、化验值误差造成的软测量模型估计偏差进行修正，两类校正方法分别以不同的周期交替进行，这种不断根据系统的实际输出对预测输出值作出修正使滚动优化不但基于模型，而且利用了反馈信息，构成闭环优化校正。
全文摘要
本发明公开了一种基于工业软测量模型的离线化验值的双重校正方法。它利用过程指标的离线化验值，分别以可调的周期校正软测量模型参数和校正软测量计算输出值，使软测量模型预测输出具有良好的精度和趋势。本发明的优点1)根据在线滚动模型校正和化验值偏差校正技术各自的特点进行有机结合，以充分发挥各自的优点；2)本发明中的化验室偏差校正充分利用了历史偏差信息，对当前的偏差进行加权处理，真实地反映了实际生产过程的连续性和平缓效果；3)本发明提出的在线模型校正很好地借鉴了预测控制技术中的思想，为在线模型校正方法提供了理论基础，也进一步保证了在线模型校正技术能在实际过程中得到成功应用。
文档编号G01N33/00GK1570627SQ20041001839
公开日2005年1月26日 申请日期2004年5月12日 优先权日2004年5月12日
发明者苏宏业, 牟盛静, 王长明, 古勇, 褚健 申请人:浙江大学