專利名稱：工業(yè)過程多分辨率軟測量儀表及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及工業(yè)過程軟測量領(lǐng)域，特別地，涉及一種工業(yè)過程多分辨率軟測量儀表和方法。
背景技術(shù)：
在現(xiàn)代流程工業(yè)中，大量關(guān)鍵性過程狀態(tài)、產(chǎn)品質(zhì)量等參數(shù)缺乏在線直接測量手段。這已成為制約生產(chǎn)安全、產(chǎn)品質(zhì)量、產(chǎn)量及生產(chǎn)效益進一步提高的瓶頸。軟測量技術(shù)正式解決此類問題的有效途徑。
利用工業(yè)實測數(shù)據(jù)，采用統(tǒng)計的方法建立工業(yè)過程的軟測量模型，避開了復(fù)雜的機理分析，模型對觀測數(shù)據(jù)的擬和程度高，求解相對方便，是軟測量建模的熱點。常用的統(tǒng)計建模方法有系統(tǒng)辨識、回歸分析、人工神經(jīng)元網(wǎng)絡(luò)、統(tǒng)計學習理論等。
但是目前常用的軟測量儀表及方法，往往只考慮了數(shù)據(jù)的復(fù)共線性和非線性特性，而沒有考慮到數(shù)據(jù)的多分辨率特性，對于復(fù)雜工業(yè)過程往往難以得到較好的軟測量結(jié)果。而工業(yè)生產(chǎn)過程從本質(zhì)上來說是具有多分辨率特性的工業(yè)實測數(shù)據(jù)既有高頻信號，又有低頻信號；微觀、宏觀反應(yīng)機理的多分辨率特性；過程變量總是在不同采樣率下得到的；相應(yīng)的控制或操作也是在不同分辨率下發(fā)生的。多分辨率分析可以充分利用數(shù)據(jù)中所包含的信息，在此基礎(chǔ)上建立的模型更貼近實際工業(yè)過程，可以得到更好的軟測量效果。

發(fā)明內(nèi)容為了克服已有的工業(yè)過程軟測量系統(tǒng)的沒有考慮數(shù)據(jù)的多分辨率特性、不能得到良好的軟測量效果的不足，本發(fā)明提供一種同時考慮復(fù)共線性和非線性特性、多分辨率特性、能夠得到良好的軟測量效果的工業(yè)過程多分辨率軟測量系統(tǒng)及方法。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是
一種工業(yè)過程多分辨率軟測量儀表，包括與工業(yè)過程對象連接的現(xiàn)場智能儀表、用于存放歷史數(shù)據(jù)的數(shù)據(jù)存儲裝置及上位機，智能儀表、數(shù)據(jù)存儲裝置及上位機依次相連，所述的上位機為軟測量智能處理器，所述的軟測量智能處理器包括標準化處理模塊，用于對數(shù)據(jù)進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)1)計算均值TX‾=1NΣi=1NTXi---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXI-TX‾)---(2)]]>3)標準化X=TX-TX‾σX---(3)]]>其中，TX為訓練樣本，N為訓練樣本數(shù)， 為訓練樣本的均值；偏最小二乘模塊，用于采用NIPALS算法提取偏最小二乘主成分，其具體過程如下其算式為(4)、(5)、(6)，tj=Σp=1Pxpwpj=Xwj---(4)]]>uj=Σq=1Qyqckj=Ycj=---(5)]]>uj^=tjbj,j=1,2...a---(6)]]>載荷向量根據(jù)標準最小二乘回歸計算，其算式為(7)、(8)pjT=tjTXtjTtj,j=1,2,...,a---(7)]]>qjT=u^jTYu^jTu^j,j=1,2,...,a---(8)]]>迭代的最后一步為計算殘差矩陣，其算式為(9)、(10)E=X-tjpjT,j=1,2,...,a---(9)]]>
F=Y-u^jqjT,j=1,2...,a---(10)]]>列向量w和c分別為自變量和因變量提取主成分的權(quán)重向量，通過下式(11)、(12)計算wjT=u^jTXu^jTuj^,=1,2,...,a---(11)]]>cjT=tjTYtjTtj,j=1,2,...,a(12)]]>若主成分得分、權(quán)向量、載荷向量以及內(nèi)模型回歸系數(shù)均以矩陣形式表示為T、W、C、P、Q、B，同時定義R＝W(PTW)-1則T＝XRY^=U^QT=TBQT=XRBQT;]]>多分辨率分解模塊，對數(shù)據(jù)進行多分辨率分解，充分利用數(shù)據(jù)的多分辨率特性，以獲取更多信息。其具體過程如下原始信號空間VO可以分解為一系列逼近空間VJ與細節(jié)空間Wj，其中J是最粗的尺度，空間VJ由尺度函數(shù){J，k(t)，k∈Z}張成，其算式為(13)VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)}(13)而Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，其算式為(14)Wj＝{ψj，k(t)ψj，k(t)＝2-j/2ψ(2-jt-k)}(14)其中j是尺度因子，k是平移因子；根據(jù)上述描述，函數(shù)f(t)∈L2(R)可以分解，其算式為(15) 其中，第一項代表近似信息，第二項為細節(jié)信息，逼近因子aJ，k與細節(jié)因子dj，k通過Mallat算法計算；近似信號AJf(t)與細節(jié)信號Djf(t)(j＝1，2，...，J)的定義如下式(16)、(17)
Djf(t)=Σk∈Zdj,kψj,k(t)---(17)]]>徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊，用于建立軟測量模型，采用如下過程1)選用高斯函數(shù)Φ(ν)＝exp(-ν2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；2)用最小二乘學習算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測量模型，其算式為(18)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(18)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；(ω)i(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；多分辨率重構(gòu)模塊，用于將各分辨率下的軟測量值相加得到總的軟測量值；信號采集模塊，用于依照設(shè)定的每次采樣的時間間隔，從數(shù)據(jù)庫中采集數(shù)據(jù)；軟測量模塊，用于對待檢測數(shù)據(jù)VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數(shù)據(jù)依次進過訓練得到的偏最小二乘模塊和多分辨率分解模塊處理后作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的輸入，將輸入代入訓練得到的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，再經(jīng)過多分辨率重構(gòu)模塊得到軟測量函數(shù)值。
作為優(yōu)選的一種方案所述的軟測量智能處理器還包括模型更新模塊，用于定期將離線檢測的實際數(shù)據(jù)加到訓練集中，以更新徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。
作為優(yōu)選的再一種方案所述的軟測量儀表還包括DCS系統(tǒng)，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站和歷史數(shù)掘庫構(gòu)成，所述的數(shù)據(jù)存儲裝置為DCS系統(tǒng)的歷史數(shù)據(jù)庫，所述的軟測量智能處理器還包括結(jié)果顯示模塊，用于將軟測量結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過DCS系統(tǒng)和現(xiàn)場總線傳遞到現(xiàn)場操作站進行顯示。
作為優(yōu)選的另一種方案所述的現(xiàn)場智能儀表、DCS系統(tǒng)、軟測量智能處理器通過現(xiàn)場總線依次連接。
一種用所述的工業(yè)過程多分辨率軟測量儀表實現(xiàn)的軟測量方法，包括以下步驟(1)、確定軟測量所用的關(guān)鍵變量，從歷史數(shù)據(jù)庫中采集系統(tǒng)正常時所述變量的數(shù)據(jù)作為訓練樣本TX；(2)、設(shè)置偏最小二乘模塊的提取隱變量個數(shù)、多分辨率分解模塊的分解層數(shù)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的核參數(shù)參數(shù)，并設(shè)定采樣周期；(3)、訓練樣本TX在軟測量智能處理器中，對數(shù)據(jù)進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)3.1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數(shù)， 為訓練樣本的均值；(4)、采用NIPALS算法提取偏最小二乘主成分，在不損失過多信息的同時，降低系統(tǒng)維數(shù)，其具體過程如下其算式為(4)、(5)、(6)，tj=Σp=1Pxpwpj=Xwj---(4)]]>uj=Σq=1Qyqckj=Ycj---(5)]]>uj^=tjbj,j=1,2,...a---(6)]]>載荷向量根據(jù)標準最小二乘回歸計算，其算式為(7)、(8)pjT=tjTXtjTtj,j=1,2,...,a---(7)]]>qjT=u^jTYu^jTu^j,j=1,2,...,a(8)]]>迭代的最后一步為計算殘差矩陣，其算式為(9)、(10)
E=X-tjpjT,j=1,2,...,a---(9)]]>F=Y-u^jqjT,j=1,2,...,a---(10)]]>列向量w和c分別為自變量和因變量提取主成分的權(quán)重向量，通過下式計算，其算式為(11)、(12)wjT=u^jTXu^jTu^j,j=1,2,...,a---(11)]]>cjT=tjTYtjTtj,j=1,2,...,a---(12)]]>若主成分得分、權(quán)向量、載荷向量以及內(nèi)模型回歸系數(shù)均以矩陣形式表示為T、W、C、P、Q、B，同時定義R＝W(PTW)-1則T＝XRY^=U^QT=TBQT=XRBQT;]]>(5)、對數(shù)據(jù)進行多分辨率分解，充分利用數(shù)據(jù)的多分辨率特性，以獲取更多信息。其具體過程如下原始信號空間V0可以分解為一系列逼近空間VJ與細節(jié)空間Wj，其中J是最粗的尺度，也稱為分解的尺度?？臻gVJ由尺度函數(shù){J，k(t)，k∈Z}張成，其算式為(13)VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)}(13)而Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，其算式為(14)Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)}(14)
其中j是尺度因子，k是平移因子；根據(jù)上述描述，函數(shù)f(t)∈L2(R)可以分解為(15) 其中，第一項代表近似信息，第二項為細節(jié)信息，逼近因子aJ，k與細節(jié)因子dj，k通過Mallat算法計算；近似信號AJf(t)與細節(jié)信號Djf(t)(j＝1，2，...，J)的定義如下式(16)、(17) Djf(t)=ΣK∈Zdj,kψj,k(t)---(17);]]>(6)、在各個分辨率上分別建立RBF模型，采用如下過程6、1)選用高斯函數(shù)Φ(ν)＝exp(-ν2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；6、2)用最小二乘學習算法確定RBF中心矢量Ci；6、3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測量模型，其算式為(18)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(18)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；(7)、將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待測量數(shù)據(jù)VX；對VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數(shù)據(jù)依次用訓練時得到的偏最小二乘模塊和多分辨率分解模塊參數(shù)進行處理得到不同分辨率上的分解信號，作為對應(yīng)各分辨率上徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的輸入，將輸入代入訓練得到的RBF模型，得到各分辨率上的軟測量函數(shù)值；(8)、將各分辨率下的軟測量值相加得到總的軟測量值；作為優(yōu)選的一種方案所述的軟測量方法還包括(9)、定期將離線檢測的實際數(shù)據(jù)加到訓練集中，以更新徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。
作為優(yōu)選的再一種方案所述的軟測量儀表還包括DCS系統(tǒng)，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站和歷史數(shù)據(jù)庫構(gòu)成，所述的數(shù)據(jù)存儲裝置為DCS系統(tǒng)的歷史數(shù)據(jù)庫，在所述的(8)中計算得到軟測量值，將結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過DCS系統(tǒng)和現(xiàn)場總線傳遞到現(xiàn)場操作站進行顯示。
本發(fā)明的技術(shù)構(gòu)思為本發(fā)明分別針對工業(yè)過程數(shù)據(jù)的復(fù)共線性、多分辨率特性和非線性特性，將偏最小二乘法、多分辨率分析和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)三種方法相結(jié)合，建立工業(yè)過程軟測量模型。
針對工業(yè)過程數(shù)據(jù)中的復(fù)共線性、多分辨率特性和非線性特性，充分利用了偏最小二乘法，多分辨率理論和神經(jīng)網(wǎng)絡(luò)各自的特點，將偏最小二乘法的解相關(guān)性能力，多分辨率分析對信息很強的分解與重構(gòu)能力以及神經(jīng)網(wǎng)絡(luò)的多變量非線性映射能力很好地結(jié)合了起來，發(fā)揮了各自的優(yōu)勢。由此建立的工業(yè)過程軟測量模型更符合過程的實際特性，可以得到更好的預(yù)測和泛化效果。
本發(fā)明的有益效果主要表現(xiàn)在1、同時考慮了復(fù)共線性、多分辨率特性和非線性特性；2、建立的模型更貼近實際工業(yè)過程，可以得到更好的軟測量效果。


圖1是本發(fā)明所提出的軟測量系統(tǒng)的硬件結(jié)構(gòu)圖；圖2是本發(fā)明所提出的軟測量智能處理器的功能模塊圖；具體實施方式
下面結(jié)合附圖對本發(fā)明作進一步描述。本發(fā)明實施例用來解釋說明本發(fā)明，而不是對本發(fā)明進行限制，在本發(fā)明的精神和權(quán)利要求的保護范圍內(nèi)，對本發(fā)明作出的任何修改和改變，都落入本發(fā)明的保護范圍。
實施例1參照圖1、圖2，一種工業(yè)過程多分辨率軟測量儀表，包括與工業(yè)過程對象1連接的現(xiàn)場智能儀表2、用于存放歷史數(shù)據(jù)的數(shù)據(jù)存儲裝置5及上位機6，智能儀表1、數(shù)據(jù)存儲裝置5及上位機6依次相連，所述的上位機6包括標準化處理模塊7，用于對數(shù)據(jù)庫中采集系統(tǒng)正常時的數(shù)據(jù)進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數(shù)， 為訓練樣本的均值；偏最小二乘模塊8，用于采用NIPALS算法提取偏最小二乘主成分，其具體過程如下其算式為(4)、(5)、(6)，tj=Σp=1Pxpwpj=Xwj---(4)]]>uj=Σq=1Qyqckj=Ycj---(5)]]>uj^=tjbj,j=1,2,...a---(6)]]>載荷向量根據(jù)標準最小二乘回歸計算，其算式為(7)、(8)pjT=tjTXtjTtj,j=1,2,...,a---(7)]]>qjT=u^jTYu^jTuj^,j=1,2,...,a---(8)]]>迭代的最后一步為計算殘差矩陣，其算式為(9)、(10)E=X-tjpjT,j=1,2,...,a---(9)]]>F=Y-uj^qjT,j=1,2,...,a---(10)]]>列向量w和c分別為自變量和因變量提取主成分的權(quán)重向量，通過下式(11)、(12)計算wjT=u^jTXu^jTuj^,j=1,2,...,a(11)]]>cjT=tjTYtjTtj,j=1,2,...,a---(12)]]>若主成分得分、權(quán)向量、載荷向量以及內(nèi)模型回歸系數(shù)均以矩陣形式表示為T、W、C、P、Q、B，同時定義R＝W(PTW)-1則T＝XRY^=U^QT=TBQT=XRBQT;]]>多分辨率分解模塊9，對數(shù)據(jù)進行多分辨率分解，充分利用數(shù)據(jù)的多分辨率特性，以獲取更多信息。其具體過程如下原始信號空間V0可以分解為一系列逼近空間VJ與細節(jié)空間Wj，其中J是最粗的尺度，空間VJ由尺度函數(shù){J，k(t)，k∈Z}張成，其算式為(13)VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)}(13)而Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，其算式為(14)Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)}(14)其中j是尺度因子，k是平移因子；根據(jù)上述描述，函數(shù)f(t)∈L2(R)可以分解，其算式為(15) 其中，第一項代表近似信息，第二項為細節(jié)信息，逼近因子aJ，k與細節(jié)因子dj，k通過Mallat算法計算；近似信號AJf(t)與細節(jié)信號Djf(t)(j＝1，2，...，J)的定義如下式(16)、(17) Djf(t)=Σk∈Zdj,kψj,k(t)---(17)]]>徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)建模模塊10，用于建立軟測量模型，采用如下過程1)選用高斯函數(shù)Φ(ν)＝exp(-ν2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；2)用最小二乘學習算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測量模型，其算式為(18)；f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(18)]]>
其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；多分辨率重構(gòu)模塊11，用于將各分辨率下的軟測量值相加得到總的軟測量值；信號采集模塊12，用于依照設(shè)定的每次采樣的時間間隔，從數(shù)據(jù)庫中采集數(shù)據(jù)；軟測量模塊13，用于對待檢測數(shù)據(jù)VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數(shù)據(jù)依次進過訓練得到的偏最小二乘模塊和多分辨率分解模塊處理后作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的輸入，將輸入代入訓練得到的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，再經(jīng)過多分辨率重構(gòu)模塊得到軟測量函數(shù)值。
所述的軟測量智能處理器6還包括模型更新模塊14，用于定期將離線檢測的實際數(shù)據(jù)加到訓練集中，以更新徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。
所述軟測量儀表還包括DCS系統(tǒng)，所述的DCS系統(tǒng)由數(shù)據(jù)接口3、控制站4、數(shù)據(jù)庫5構(gòu)成；智能儀表2、DCS系統(tǒng)、上位機6通過現(xiàn)場總線依次相連；軟測量智能處理器6還包括結(jié)果顯示模塊15，用于將軟測量結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，同時通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進行顯示。
所述智能處理器6的硬件部分包括I/O元件，用于數(shù)據(jù)的采集和信息的傳遞；數(shù)據(jù)存儲器，存儲運行所需的數(shù)據(jù)樣本和運行參數(shù)等；程序存儲器，存儲實現(xiàn)功能模塊的軟件程序；運算器，執(zhí)行程序，實現(xiàn)指定的功能；顯示模塊，顯示設(shè)置的參數(shù)和運行結(jié)果。
當軟測量儀表待檢測過程已配有DCS系統(tǒng)時，樣本實時動態(tài)數(shù)據(jù)的檢測、存儲利用DCS系統(tǒng)的實時和歷史數(shù)據(jù)庫，軟測量功能主要在上位機上完成。
當軟測量儀表待檢測過程沒有配備DCS系統(tǒng)時，采用數(shù)據(jù)存儲器來替代DCS系統(tǒng)的實時和歷史數(shù)據(jù)庫的數(shù)據(jù)存儲功能，并將軟測量儀表制造成包括I/O元件、數(shù)據(jù)存儲器、程序存儲器、運算器、顯示模塊幾大構(gòu)件的不依賴于DCS系統(tǒng)的一個獨立的完整的片上系統(tǒng)，在不管檢測過程是否配備DCS的情況下，都能夠獨立使用，更有益于推廣使用。
本實施例的工業(yè)過程多分辨率軟測量儀表，包括與工業(yè)過程對象1連接的現(xiàn)場智能儀表2、DCS系統(tǒng)以及軟測量智能處理器6，所述的DCS系統(tǒng)由數(shù)據(jù)接口3、控制站4、數(shù)據(jù)庫5構(gòu)成；智能儀表2、DCS系統(tǒng)、軟測量智能處理器6通過現(xiàn)場總線依次相連，所述的軟測量智能處理器6包括標準化處理模塊7，用于對數(shù)據(jù)進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數(shù)， 為訓練樣本的均值偏最小二乘(PLS)模塊8，用于采用NIPALS算法提取偏最小二乘主成分，其具體過程如下其算式為(4)、(5)、(6)，tj=Σp=1Pxpwpj=Xwj---(4)]]>uj=Σq=1Qyqckj=Ycj---(5)]]>u^j=tjbj,j=1,2,...a---(6)]]>載荷向量根據(jù)標準最小二乘回歸計算，其算式為(7)、(8)pjT=tjTXtjTtj,j=1,2,...,a---(7)]]>qjT=u^jTYu^jTuj^,j=1,2,...,a---(8)]]>迭代的最后一步為計算殘差矩陣，其算式為(9)、(10)
E=X-tjpjT,j=1,2,...,a---(9)]]>F=Y-uj^qjT,j=1,2,...,a---(10)]]>列向量w和c分別為自變量和因變量提取主成分的權(quán)重向量，通過下式(11)、(12)計算wjT=u^jTXu^JTuj^,j=1,2,...,a(11)]]>cjT=tjTYtjTtj,j=1,2,...,a---(12)]]>若主成分得分、權(quán)向量、載荷向量以及內(nèi)模型回歸系數(shù)均以矩陣形式表示為T、W、C、P、Q、B，同時定義R＝W(PTW)-1則T＝XRY^=U^QT=TBQT=XRBQT;]]>多分辨率分解(MR)模塊9，對數(shù)據(jù)進行多分辨率分解，充分利用數(shù)據(jù)的多分辨率特性，以獲取更多信息。其具體過程如下原始信號空間V0可以分解為一系列逼近空間VJ與細節(jié)空間Wj，其中J是最粗的尺度，空間VJ由尺度函數(shù){J，k(t)，k∈Z}張成，其算式為(13)VJ＝{J，k(t)|J，k(t)＝2-J/(2-Jt-k)}(13)而Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，其算式為(14)Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)}(14)其中j是尺度因子，k是平移因子；根據(jù)上述描述，函數(shù)f(t)∈L2(R)可以分解，其算式為(15) 其中，第一項代表近似信息，第二項為細節(jié)信息，逼近因子aJ，k與細節(jié)因子dj，k通過Mallat算法計算；近似信號AJf(t)與細節(jié)信號Djf(t)(j＝1，2，...，J)的定義如下式(16)、(17)
Djf(t)=Σk∈Zdj,kψj,k(t)---(17)]]>徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模(RBF)模塊10，用于用于建立軟測量模型，采用如下過程1)選用高斯函數(shù)Φ(ν)＝exp(-ν2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；2)用最小二乘學習算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測量模型，其算式為(18)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(18)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；多分辨率重構(gòu)模塊11，將各分辨率下的軟測量值相加得到總的軟測量值；信號采集模塊12，用于設(shè)定每次采樣的時間間隔，從數(shù)據(jù)庫中采集數(shù)據(jù)；軟測量模塊13，用于對待檢測數(shù)據(jù)VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數(shù)據(jù)依次進過訓練得到的PLS和MR模塊處理后作為RBF建模模塊的輸入，將輸入代入訓練得到的RBF模型，再經(jīng)過多分辨率重構(gòu)模塊得到軟測量函數(shù)值。
所述的軟測量智能處理器還包括模型更新模塊14，用于定期將離線檢測的實際數(shù)據(jù)加到訓練集中，以更新RBF模型。
所述的軟測量智能處理器還包括結(jié)果顯示模塊15，用于將軟測量結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過DCS系統(tǒng)和現(xiàn)場總線傳遞到現(xiàn)場操作站進行顯示。
實施例2參照圖1、圖2，一種工業(yè)過程多分辨率軟測量儀表實現(xiàn)的軟測量方法，所述的軟測量方法包括以下步驟(1)、確定軟測量所用的關(guān)鍵變量，從歷史數(shù)據(jù)庫中采集系統(tǒng)正常時所述變量的數(shù)據(jù)作為訓練樣本TX；(2)、設(shè)置偏最小二乘模塊的提取隱變量個數(shù)、多分辨率分解模塊的分解層數(shù)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的核參數(shù)參數(shù)，并設(shè)定采樣周期；(3)、訓練樣本TX在軟測量智能處理器中，對數(shù)據(jù)進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)3.1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數(shù)， 為訓練樣本的均值；(4)、采用NIPALS算法提取偏最小二乘主成分，在不損失過多信息的同時，降低系統(tǒng)維數(shù)，其具體過程如下其算式為(4)、(5)、(6)，tj=Σp=1Pxpwpj=Xwj---(4)]]>uj=Σq=1Qyqckj=Ycj---(5)]]>uj^=tjbj,j=1,2,...a---(6)]]>載荷向量根據(jù)標準最小二乘回歸計算，其算式為(7)、(8)pjT=tjTXtjTtj,j=1,2,...,a---(7)]]>qjT=u^jTYu^jTuj^,j=1,2,...,a---(8)]]>
迭代的最后一步為計算殘差矩陣，其算式為(9)、(10)E=X-tjpjT,j=1,2,...,a---(9)]]>F=Y-uj^qjT,j=1,2,...,a---(10)]]>列向量w和c分別為自變量和因變量提取主成分的權(quán)重向量，通過下式計算，其算式為(11)、(12)wjT=u^jTXu^jTuj^,j=1,2,...,a---(11)]]>cjT=tjTYtjTtj,j=1,2,...,a---(12)]]>若主成分得分、權(quán)向量、載荷向量以及內(nèi)模型回歸系數(shù)均以矩陣形式表示為T、W、C、P、Q、B，同時定義R＝W(PTW)-1則T＝XRY^=U^QT=TBQT=XRBQT;]]>(5)、對數(shù)據(jù)進行多分辨率分解，充分利用數(shù)據(jù)的多分辨率特性，以獲取更多信息。其具體過程如下原始信號空間V0可以分解為一系列逼近空間VJ與細節(jié)空間Wj，其中J是最粗的尺度，也稱為分解的尺度。空間VJ由尺度函數(shù){J，k(t)，k∈Z}張成，其算式為(13)VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)}(13)
而Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，其算式為(14)Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)}(14)其中j是尺度因子，k是平移因子；根據(jù)上述描述，函數(shù)f(t)∈L2(R)可以分解為(15) 其中，第一項代表近似信息，第二項為細節(jié)信息，逼近因子aJ，k與細節(jié)因子dj，k通過Mallat算法計算；近似信號AJf(t)與細節(jié)信號Djf(t)(j＝1，2，...，J)的定義如下式(16)、(17) Djf(t)=ΣK∈Zdj,kψj,k(t)---(17);]]>(6)、在各個分辨率上分別建立RBF模型，采用如下過程6、1)選用高斯函數(shù)Φ(ν)＝exp(-ν2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；6、2)用最小二乘學習算法確定RBF中心矢量Ci；6、3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測量模型，其算式為(18)f(X)=ω0+Σi=0NωiΦ(||X-Ci||)---(18)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；(7)、將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待測量數(shù)據(jù)VX；對VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數(shù)據(jù)依次用訓練時得到的偏最小二乘模塊和多分辨率分解模塊參數(shù)進行處理得到不同分辨率上的分解信號，作為對應(yīng)各分辨率上徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的輸入，將輸入代入訓練得到的RBF模型，得到各分辨率上的軟測量函數(shù)值；(8)、將各分辨率下的軟測量值相加得到總的軟測量值；所述的軟測量方法還包括(9)、定期將離線檢測的實際數(shù)據(jù)加到訓練集中，以更新徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。
所述的數(shù)據(jù)存儲裝置5為DCS系統(tǒng)的歷史數(shù)據(jù)庫，所述的DCS系統(tǒng)由數(shù)據(jù)接口3、控制站4和歷史數(shù)據(jù)庫5構(gòu)成，智能儀表2、DCS系統(tǒng)、軟測量智能處理器6通過現(xiàn)場總線依次相連；在所述的(8)中計算得到軟測量值，將結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過DCS系統(tǒng)和現(xiàn)場總線傳遞到現(xiàn)場操作站進行顯示。
權(quán)利要求
1.一種工業(yè)過程多分辨率軟測量儀表，包括與工業(yè)過程對象連接的現(xiàn)場智能儀表、用于存放歷史數(shù)據(jù)的數(shù)據(jù)存儲裝置及上位機，智能儀表、數(shù)據(jù)存儲裝置及上位機依次相連，其特征在于所述的上位機為軟測量智能處理器，所述的軟測量智能處理器包括標準化處理模塊，用于對數(shù)據(jù)進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)1)計算均值TX‾=1NΣi=1NTXi---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>3)標準化X=TX-TX‾σx---(3)]]>其中，TX為訓練樣本，N為訓練樣本數(shù)， 為訓練樣本的均值；偏最小二乘模塊，用于采用NIPALS算法提取偏最小二乘主成分，其具體過程如下其算式為(4)、(5)、(6)，tj=Σp=1Pxpwpj=Xwj---(1)]]>uj=Σq=1Qyqckj=Ycj---(5)]]>uj^=tjbj,j=1,2,...a---(6)]]>載荷向量根據(jù)標準最小二乘回歸計算，其算式為(7)、(8)pjT=tjTXtjTtj,j=1,2,...,a---(7)]]>qjT=ujT^YujT^uj^,j=1,2,...,a---(8)]]>迭代的最后一步為計算殘差矩陣，其算式為(9)、(10)E=X-tjpjT,j=1,2,...,a---(9)]]>F=Y-uj^qjT,j=1,2,...,a---(10)]]>列向量w和c分別為自變量和因變量提取主成分的權(quán)重向量，通過下式(11)、(12)計算wjT=u^jTXu^jTu^j,j=1,2,...a---(11)]]>cjT=tjTYtjTtj,j=1,2,...,a---(12)]]>若主成分得分、權(quán)向量、載荷向量以及內(nèi)模型回歸系數(shù)均以矩陣形式表示為T、W、C、P、Q、B，同時定義R＝W(PTW)-1則T＝XRY^=U^QT=TBQT=XRBQT;]]>多分辨率分解模塊，對數(shù)據(jù)進行多分辨率分解；其具體過程如下原始信號空間V0可以分解為一系列逼近空VJ與細節(jié)空間Wj，其中J是最粗的尺度，空間VJ由尺度函數(shù){J，k(t)，k∈Z}張成，其算式為(13)VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)}(13)而Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，其算式為(14)Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)}(14)其中j是尺度因子，k是平移因子；根據(jù)上述描述，函數(shù)f(t)∈L2(R)可以分解，其算式為(15) 其中，第一項代表近似信息，第二項為細節(jié)信息，逼近因子aJ，k與細節(jié)因子dj，k通過Mallat算法計算；近似信號AJf(t)與細節(jié)信號Djf(t)(j＝1，2，...，J)的定義如下式(16)、(17) Djf(t)=Σk∈Zdj,kψj,k(t)---(17)]]>徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊，用于建立軟測量模型，采用如下過程1)選用高斯函數(shù)Φ(ν)＝exp(-ν2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α2)用最小二乘學習算法確定RBF中心矢量Ci；3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測量模型，其算式為(18)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(18)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數(shù)；Ci∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；多分辨率重構(gòu)模塊，用于將各分辨率下的軟測量值相加得到總的軟測量值；信號采集模塊，用于依照設(shè)定的每次采樣的時間間隔，從數(shù)據(jù)庫中采集數(shù)據(jù)；軟測量模塊，用于對待檢測數(shù)據(jù)VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數(shù)據(jù)依次進過訓練得到的偏最小二乘模塊和多分辨率分解模塊處理后作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的輸入，將輸入代入訓練得到的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，再經(jīng)過多分辨率重構(gòu)模塊得到軟測量函數(shù)值。
2.如權(quán)利要求1所述的工業(yè)過程多分辨率軟測量儀表，其特征在于所述的軟測量智能處理器還包括模型更新模塊，用于定期將離線檢測的實際數(shù)據(jù)加到訓練集中，以更新徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。
3.如權(quán)利要求1或2所述的工業(yè)過程多分辨率軟測量儀表，其特征在于所述的軟測量儀表還包括DCS系統(tǒng)，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站和歷史數(shù)據(jù)庫構(gòu)成，所述的數(shù)據(jù)存儲裝置為DCS系統(tǒng)的歷史數(shù)據(jù)庫，所述的軟測量智能處理器還包括結(jié)果顯示模塊，用于將軟測量結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過DCS系統(tǒng)和現(xiàn)場總線傳遞到現(xiàn)場操作站進行顯示。
4.如權(quán)利要求3所述的工業(yè)過程多分辨率軟測量儀表，其特征在于所述的現(xiàn)場智能儀表、DCS系統(tǒng)、軟測量智能處理器通過現(xiàn)場總線依次連接。
5.一種用如權(quán)利要求1所述的工業(yè)過程多分辨率軟測量儀表實現(xiàn)的軟測量方法，其特征在于，所述的軟測量方法包括以下步驟(1)、確定軟測量所用的關(guān)鍵變量，從歷史數(shù)據(jù)庫中采集系統(tǒng)正常時所述變量的數(shù)據(jù)作為訓練樣本TX；(2)、設(shè)置偏最小二乘模塊的提取隱變量個數(shù)、多分辨率分解模塊的分解層數(shù)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊的核參數(shù)參數(shù)，并設(shè)定采樣周期；(3)、訓練樣本TX在軟測量智能處理器中，對數(shù)據(jù)進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成，其算式為(1)、(2)、(3)3.1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數(shù)， 為訓練樣本的均值；(4)、采用NIPALS算法提取偏最小二乘主成分，在不損失過多信息的同時，降低系統(tǒng)維數(shù)，其具體過程如下其算式為(4)、(5)、(6)，tj=Σp=1Pxpwpj=Xwj---(4)]]>uj=Σq=1Qyqckj=Ycj---(5)]]>uj^=tjbj,j=1,2,...a---(6)]]>載荷向量根據(jù)標準最小二乘回歸計算，其算式為(7)、(8)PjT=tjTXtjTtj,j=1,2,...,a---(7)]]>qjT=u^jTYu^jTu^j,j=1,2,...,a---(8)]]>迭代的最后一步為計算殘差矩陣，其算式為(9)、(10)E=X-tjpjT,j=1,2...,a---(9)]]>F=Y-uj^qjT,j=1,2,...,a---(10)]]>列向量w和c分別為自變量和因變量提取主成分的權(quán)重向量，通過下式計算，其算式為(11)、(12)wjT=u^jTXu^jTu^j,j=1,2,...,a---(11)]]>cjT=tjTYtjTtj,j=1,2,...,a---(12)]]>若主成分得分、權(quán)向量、載荷向量以及內(nèi)模型回歸系數(shù)均以矩陣形式表示為T、W、C、P、Q、B，同時定義R＝W(PTW)-1則T＝XRY^=U^QT=TBQT=XRBQT;]]>(5)、對數(shù)據(jù)進行多分辨率分解，充分利用數(shù)據(jù)的多分辨率特性，以獲取更多信息。其具體過程如下原始信號空間V0可以分解為一系列逼近空間VJ與細節(jié)空間Wj，其中J是最粗的尺度，也稱為分解的尺度?？臻gVJ由尺度函數(shù){J，k(t)，k∈Z}張成，其算式為(13)VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)}(13)而Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，其算式為(14)Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-Jt-k)}(14)其中j是尺度因子，k是平移因子；根據(jù)上述描述，函數(shù)f(t)∈L2(R)可以分解為(15) 其中，第一項代表近似信息，第二項為細節(jié)信息，逼近因子aJ，k與細節(jié)因子dj，k通過Mallat算法計算；近似信號AJf(t)與細節(jié)信號Djf(t)(j＝1，2，...，J)的定義如下式(16)、(17) Djf(t)=Σk∈Zdj,kψj,k(t)---(17);]]>(6)、在各個分辨率上分別建立RBF模型，采用如下過程6、1)選用高斯函數(shù)Φ(ν)＝exp(-ν2/α2)作為網(wǎng)絡(luò)的激活函數(shù)，給定形狀參數(shù)α；6、2)用最小二乘學習算法確定RBF中心矢量Ci；6、3)正交優(yōu)選確定最佳隱含層數(shù)目、網(wǎng)絡(luò)輸出權(quán)值得到軟測量模型，其算式為(18)f(X)=ω0+Σi=1NωiΦ(||X-Ci||)---(18)]]>其中，X∈Rn是輸入向量；Φ(·)為從R+→R的一個非線性函數(shù)；C1∈Rn(1≤i≤N)為RBF中心；ωi(1≤i≤N)為連接權(quán)值，ω0為偏置量；N為隱含層的神經(jīng)元數(shù)；‖·‖是歐氏范數(shù)；(7)、將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待測量數(shù)據(jù)VX；對VX用訓練時得到的 和δx2進行標準化處理，并將標準化處理后的數(shù)據(jù)依次用訓練時得到的偏最小二乘模塊和多分辨率分解模塊參數(shù)進行處理得到不同分辨率上的分解信號，作為對應(yīng)各分辨率上徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的輸入，將輸入代入訓練得到的RBF模型，得到各分辨率上的軟測量函數(shù)值；(8)、將各分辨率下的軟測量值相加得到總的軟測量值；
6.如權(quán)利要求5所述的工業(yè)過程多分辨率軟測量方法，其特征在于所述的軟測量方法還包括(9)、定期將離線檢測的實際數(shù)據(jù)加到訓練集中，以更新徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。
7.如權(quán)利要求5或6所述的工業(yè)過程多分辨率軟測量方法，其特征在于所述的數(shù)據(jù)存儲裝置為DCS系統(tǒng)的歷史數(shù)據(jù)庫，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站和歷史數(shù)據(jù)庫構(gòu)成，在所述的(8)中計算得到軟測量值，將結(jié)果傳給DCS系統(tǒng)，在DCS的控制站顯示，并通過DCS系統(tǒng)和現(xiàn)場總線傳遞到現(xiàn)場操作站進行顯示。
全文摘要
一種工業(yè)過程多分辨率軟測量儀表，包括與工業(yè)對象連接的現(xiàn)場智能儀表、用于存放歷史數(shù)據(jù)的數(shù)據(jù)存儲裝置及上位機，智能儀表、數(shù)據(jù)存儲裝置及上位機依次相連，所述的上位機為軟測量智能控制器，所述的軟測量智能控制器包括標準化處理模塊、偏最小二乘模塊、多分辨率分解模塊、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模模塊、多分辨率重構(gòu)模塊、信號采集模塊以及軟測量模塊。以及提出了一種軟測量方法。本發(fā)明提供一種同時考慮復(fù)共線性和非線性特性、多分辨率特性、能夠得到良好的軟測量效果的工業(yè)過程多分辨率軟測量系統(tǒng)及方法。
文檔編號G06F17/00GK101017373SQ20061015555
公開日2007年8月15日 申請日期2006年12月28日 優(yōu)先權(quán)日2006年12月28日
發(fā)明者劉興高 申請人:浙江大學