先进控制技术及应用
2．国内自行开发部分先进控制软件包应用
我国通过“八五”“九五”国家重点科技攻关等，在先进控制与优化控制方面积累了许多经验，成功应用实例亦不少。部分成果已逐渐形成商品化软件。
福建炼油厂化工有限公司与浙江大学合作开发催化裂化装置先进控制系统；洛阳石油化工总厂与石油大学、洛阳石化公司共同开发催化裂化装置；茂名石化炼油厂与石油大学联合开发催化裂化装置先进控制与实时优化系统；上海交通大学开发研制的多变量约束控制软件包MCC是一个处理约束的多变量、多目标、多控制模式和基于模型预测的最优控制器，已成功应用于石家庄炼油化工股份有限公司催化裂化装置，取得明显经济效益；还有浙江大学开发APC-Hiecon，APC-PFC先进控制软件在国内许多工业装置得到了应等等。
（四）预测控制发展方向
1．自适应MPC：目前亦有自适应MPCSPAN的产品，但实时实现自适应控制存在一定困难，有待进一步研究。
2．鲁棒MPC：只有RMPCT在控制器设计时考虑到模型不确定性，所以设计具有鲁棒稳定性MPC保障的控制器将减少整定与测试时间。
3．非线性MPC：由于不少的生产过程是非线性，开发简单实用的非线性MPC亦是今后的一个发展方向。
二、软测量技术
由于在线分析仪表（传感器）不仅价格昂贵，维护保养复杂，而且由于分析仪表滞后大，最终将导致控制质量的性能下降，难以满足生产要求。还有部分产品质量目前无法测量，这在工业生产中实例很多，例如精（分）馏塔产品成分；塔板效率；干点、闪点；反应器中反应物浓度、转化率、催化剂活性；高炉铁水中的含硅量；生物发酵罐中的生物量参数等。近年来，为了解决这类变量的测量问题，各方面在深入研究，目前应用较广泛的是软测量方法。
软测量的基本思想是对于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。这类方法具有响应迅速，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。
近年来，国内外对软测量技术进行了大量研究。著名国际过程控制专家McaVoy教授将软测量技术列为未来控制领域需要研究的几大方向之一，具有广阔的应用前景。
软测量技术主要内容有：机理分析与辅助变量选择，数据采集和预处理，软测量模型建立，在线校正，实施及评价。
（一）软测量建模方法
软测量的核心问题是其模型的建立，也即建立待估计变量与其他直接测量变量间的关联模型。软测量建模的方法多种多样，且各种方法互有交叉，且有相互融合的趋势，因此很难有妥当而全面的分类方法。目前，软测量建模方法一般可分为：机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、基于支持向量机（SVMs）和核函数的方法、过程层析成像、相关分析和现代非线性系统信息处理技术等。这些方法都不同程度地应用于软测量实践中，均具有各自的优缺点及适用范围，有些方法在软测量实践中己有许多成功的应用，后面几种建模方法限于技术发展水平，在过程控制中目前还应用较少。
1．基于工艺机理分析的软测量建模
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
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（Principal Component Regression，PCR）和部分最小二乘回归法（Partial-Least-Squares Regression，PLSR）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。
3．基于人工神经网络的软测量建模
基于人工神经网络（Artificial Neural Network，ANN）的软测量建模方法是近年来研究最多、发展很快和应用范围很广泛的一种软测量建模方法。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。
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。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。
5．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他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。
6．基于支持向量机（SVMs）的方法
建立在统计学习理论基础上的支持向量机（SVMs- Support Vector Machines）业已成为当前机器学习领域的一个研究热点。支持向量机采用结构风险最小化准则，在有限样本情况下，得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值，解决了一般学习方法难以解决的问题，如神经网络结构选择问题和模型学习问题等，从而提高了模型的泛化能力。另外，支持向量机把机器学习问题归结为一个二次规划问题，因而得到的最优解不仅是全局最优解，而且具有唯一性。由于软测量建模与一般数据回归问题之间存在着共性，支持向量机方法应用于回归估计问题取得不错的效果应用，也促使人们把眼光投向工程应用领域，提出了建立基于支持向量机的软测量建模方法。
7．基于过程层析成像的软测量建模
基于过程层析成像（Process Tomography，PT）的软测量建模方法与其他软测量建模方法不同的是，它是一种以医学层析成像（Computerized Tomography，CT）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。
8．基于相关分析的软测量建模
基于相关分析的软测量建模方法是以随机过程中的相关分析理论为基础，利用两个或多个可测随机信号间的相关特性来实现某一参数的软测量方法。该方法采用的具体实现方法大多是互相关分析方法，即利用各辅助变量（随机信号）间的互相关函数特性来进行软测量。目前这种方法主要应用于难测流体（即采用常规测量仪表难以进行有效测量的流体）流速或流量的在线测量和故障诊断（例如流体输送管道泄漏的检测
评论