一种基于混合建模技术的MIMO软测量建模方法.pdf

《一种基于混合建模技术的MIMO软测量建模方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、检测与仪表化工自动化及仪表，2010，37(9)：37～41ControlandInstrumentsinChemicalIndustry一种基于混合建模技术的MIMO软测量建模方法傅永峰，陈祥华，徐欧官(浙江工业大学之江学院，杭州310024)摘要：针对复合肥产品中几种养分含量需要同时预报的一类多输A．／多输出(MIMO)软测量建模问题，提出一种基于混合建模方法的复合肥养分含量MIMO软测量模型。该混合模型首先对几个不能实时测量的关键辅助变量采用基于限定记忆部分最小二乘算法的数据驱动建模方法建立自适应软测量模型，然后采用简化机理模型实时计算

2、三种养分含量。基于实际工业过程数据的仿真结果表明，所建模型运算速度快、预测精度高，可以满足复合肥养分含量在线预报的要求。关键词：软测量；混合建模；部分最小二乘；简化机理建模；复合肥养分含量中图分类号："IT273文献标识码：A文章编号：1000-3932(2010)09-0037-051引言在化工过程中，有很多变量不能被在线检测，而软测量技术则是实现此类变量实时估计的一种非常有效的方法。它克服了人工分析及使用在线分析仪表的诸多不足，是实现在线质量控制及先进控制、优化控制的前提和基础H’21。常用的软测量建模方法有机理建模【3’、数据驱动建模和

3、混合建模方法M1。数据驱动建模方法又包括部分最小二乘(PI_．S)回归方法”J、人工神经网络方法【61和支持向量机回归方法o“。机理建模方法和数据驱动建模方法各有其优点和不足。机理建模方法能够从本质上反映工业过程的规律，可解释性强、外推性好。但是建模过程非常复杂，对于一些复杂过程而言，能得到的机理模型一般也是经过若干简化后的模型。数据驱动建模方法根据过程的输入输出数据直接建模，几乎无需过程对象的先验知识。但是，这种建模方法通常学习速度慢，且容易造成过拟合现象。此外，用这种方法建立的模型不具有可解释性。混合建模方法则把简化机理建模方法和数据驱动

4、建模方法结合起来，互为补充。简化机理模型提供的先验知识，可以为基于数据驱动的模型节省训练样本；同时基于数据驱动的模型又能补偿简化机理模型的未建模特性。因此，混合建模方法现已被广泛地应用并且取得了很好的效果旧叫引。在目前的软测量建模研究中，多输Ⅳ单输出(MISO)的情况研究较多，多输／V多输出(MIMO)的情况则研究较少⋯1。但是，在很多工业过程中都存在几个变量同时需要检测和控制的情况。在复合肥生产过程中，有三个质量变量：氮含量、P：0，含量和K：0含量。保证产品质量的手段就是控制这三种质量指标在一定的范围内，如果复合肥产品中养分氮、五氧化二磷

5、、氧化钾的含量低于一定指标，则生产的复合肥产品不合格，需返工重新加工，从而增加生产成本；而如果复合肥产品中养分氮、五氧化二磷、氧化钾含量太高，也会增加成本。为了保证复合肥产品合格及节能降耗，一般工业要求复合肥成品中养分含量必须保持在一定范围以内，因此复合肥产品的养分含量实时控制非常霞要。但在实际生产中，复合肥产品中三种养分含量均无法在线测量，而是每日采样三次由实验室离线分析获得，但离线分析滞后数小时，且分析采样次数少，远远不能满足实时控制的要求。为了实现在线质量控制，就要得到这三种质量指标的在线实时估计值，建立软测量模型是一种非常好的方法。由

6、于这三种质嚣指标之间存在较强的耦合和关联，因此不适合采用以往的先分别建立三种质量指标的MISO软测量模型，然后再组合成一个MIMO模型的方法。在这种情况下，建立三种质量指标的MIMO软测量模型来同时预测，将使得模型不仅结构简单而且具有更好的鲁棒性㈦。本文采用数据驱动建模和简化机理建模混合的建模思想来建立上述复合肥三种养分含量的MIMO软测量模型。首先，采用基于限定记忆最小二乘算收稿日期：2010-07-09(修改稿)基金项目：国家自然科学基金资助项目(60972138)·38·化工自动化及仪表第37卷法(LM．PLS)的数据驱动建模方法为一些

7、不能在线测量的关键辅助变量建立软测量模型，然后，采用简化机理模型在线估计三种主导变量。LM-PLS算法不仅具有传统PLS算法在克服变量间相关性和噪声干扰方面的优势，且可以在线及时更新并有效跟踪系统的时变特性，同时还可以克服样本的饱和性‘13l。而简化机理模型则具有先验性和预估性，可以为数据驱动模型节省训练样本。基于实际工业过程数据的仿真结果表明模型预测效果良好，模型预测结果与化验室分析结果趋势比较吻合，预测精度高。2限定记忆PLS算法PLS算法与传统的MLR(MultipleLinearRegres—sion)、PCA(PrincipalCo

8、mponentAnalysis)等算法相比，具有更好的鲁棒性。这里的鲁棒性是指当有新的样本数据加入时，模型的参数不会变化得很剧烈，因此它是建立软测量模型的一种非常重