【正文】 模型運(yùn)算，得到主導(dǎo)變量的估計(jì)值。 軟測(cè)量技術(shù)的概述軟測(cè)量技術(shù)是簡(jiǎn)介測(cè)量的一個(gè)發(fā)展方向，自20世紀(jì)80年代中后期提出作為一個(gè)概括性的科學(xué)術(shù)語以來，研究非?；钴S，發(fā)展十分迅速，應(yīng)用日益廣泛，幾乎滲透各個(gè)工業(yè)領(lǐng)域方面，已經(jīng)成為檢測(cè)技術(shù)的主要研究方向之一。為了獲得更好的產(chǎn)品或是獲取更加滿意的產(chǎn)品質(zhì)量成為了間歇反應(yīng)過程控制的普遍需要。本文運(yùn)用軟測(cè)量技術(shù)結(jié)合偏最小二乘法，對(duì)涂料樹脂生產(chǎn)合成進(jìn)行建模，通過建立模型預(yù)測(cè)涂料樹脂酸度、粘度和工業(yè)實(shí)際測(cè)量的樹脂酸度、粘度對(duì)比，說明偏最小二乘回歸法的引入在粘度和樹脂酸度預(yù)測(cè)上有較高的準(zhǔn)確性。化工生產(chǎn)過程中保證產(chǎn)品質(zhì)量的關(guān)鍵是產(chǎn)品質(zhì)量控制。間歇過程作為最普遍的化工過程之一，為高附加值產(chǎn)品生產(chǎn)的主要方式，其表現(xiàn)出的非線性、不穩(wěn)定性、不確定性等特點(diǎn)，會(huì)嚴(yán)重影響產(chǎn)品質(zhì)量控制過程的有效實(shí)施。關(guān)鍵詞：間歇反應(yīng)過程；軟測(cè)量技術(shù)；偏最小二乘法；在線分析AbstractWith the development of industry and technology, the value added to chemicals increased, which, at the same time, promoted the demands in the qualities of chemical products. Product quality control is the key to ensure the product quality. But in batch process, the main process of valueadded chemicals production, it is seriously restricted by the nonlinearity, unstabilization, uncertainty and multiscale factors of the process. The process analysis technology, including the variables online measurements and the analysis of the process, can improve the quality optimization control effectively.In this paper, the soft measurement technique bined with partial least squares method, establish a model of coating resin production. Applying to predictive acidity and viscosity. Which parison with industrial measuring acidity and viscosity. Prove that using partial least squares regression method predictive acidity and viscosity have high accuracy.Key words: Batch Reaction Process。對(duì)于間歇反應(yīng)過程是完整的,具有可重復(fù)性,控制目標(biāo)的質(zhì)量參數(shù)只能在當(dāng)前反應(yīng)后可以獲得相應(yīng)批次參數(shù)值。尤其是近年來，國(guó)內(nèi)外對(duì)軟測(cè)量技術(shù)進(jìn)行了大量的研究。具體測(cè)量原理根據(jù)測(cè)量對(duì)象和需要而有所不同[3]。其中這三個(gè)方面相互關(guān)聯(lián)、相互影響,是受過程特性所決定的。當(dāng)然在實(shí)際應(yīng)用中,還受著維護(hù)的難易程度、經(jīng)濟(jì)條件等外部條件制約[4]。所以要使軟測(cè)量精度得到保證,則數(shù)據(jù)的正確性和可靠性非常重要。雖然過失誤差出現(xiàn)的概率比較小,但是它的存在會(huì)導(dǎo)致數(shù)據(jù)的品質(zhì)嚴(yán)重惡化,可能會(huì)致使軟測(cè)量甚至全部過程優(yōu)化的失效。當(dāng)今,軟測(cè)量建模方法主要可分為:機(jī)理建模、狀態(tài)估計(jì)、回歸分析、混合建模、人工神經(jīng)網(wǎng)絡(luò)、模式識(shí)別、模糊數(shù)學(xué)、過程層析成像、基于支持向量機(jī)(SVM)和核函數(shù)的方法[5]、相關(guān)分析與現(xiàn)代非線性系統(tǒng)信息綜合處理技術(shù)等。對(duì)工藝機(jī)理分析來軟測(cè)量建模主要是運(yùn)用物料平衡、能量平衡、化學(xué)反應(yīng)動(dòng)力學(xué)等原理，通過分析過程對(duì)象的機(jī)理，找到不可測(cè)的主導(dǎo)變量和可測(cè)到的輔助變量間的聯(lián)系來建立機(jī)理模型，從而實(shí)現(xiàn)對(duì)某個(gè)參數(shù)的軟測(cè)量。不過這種軟測(cè)量建模方法在工程中還是常用的方法，因?yàn)槠涮攸c(diǎn)是簡(jiǎn)易、工程背景清晰，對(duì)實(shí)際應(yīng)用很方便，但應(yīng)用效果取決于對(duì)工藝機(jī)理的了解程度，因?yàn)檫@種軟測(cè)量方法的建立的關(guān)鍵在與對(duì)工藝過程機(jī)理認(rèn)識(shí)程度上，所以建模的難度較大。對(duì)于那些輔助變量較少的情況下，一般運(yùn)用多元線性回歸中的逐步回歸技術(shù)以獲得較好的軟測(cè)量模型。狀態(tài)估計(jì)建模。并且在許多工業(yè)生產(chǎn)過程中，經(jīng)常會(huì)出現(xiàn)持續(xù)的緩慢變化的不可測(cè)的干擾，此時(shí)采用這種建模方法可能誤差顯著。機(jī)理模型可以提供的先驗(yàn)知識(shí)，可為回歸分析模型節(jié)省訓(xùn)練樣本，提高統(tǒng)計(jì)模型的推廣能力，回歸分析模型可以提取機(jī)理模型無法解釋的對(duì)象的內(nèi)部的復(fù)雜信息，補(bǔ)償機(jī)理模型的未建特性。機(jī)理和統(tǒng)計(jì)相結(jié)合的混合模型與單純的黑箱模型相比，模型的精度和推廣能力都有很大程度的提升，同時(shí)減少參數(shù)估計(jì)所需數(shù)據(jù)，減少了計(jì)算量。對(duì)模型結(jié)構(gòu)的修正通常需要大量的樣本數(shù)據(jù)和比較長(zhǎng)的計(jì)算時(shí)間，而且難以在線進(jìn)行。軟測(cè)量建模方法盡管經(jīng)過多年的發(fā)展取得了很多成果，但是仍然有許多問題有待研究。當(dāng)今雖然出現(xiàn)了很多軟測(cè)量建模方法，然而仍不能完全滿足實(shí)際需要。仿真結(jié)果顯示，這種方法具有精度高、生成規(guī)則數(shù)少、泛化特性良好、結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)。 動(dòng)態(tài)軟測(cè)量模型研究。然而過于夸大軟測(cè)量的用處或者忽視軟測(cè)量的重要性都是不正確的。第一章主要介紹課題的研究背景以及過程在線分析中的軟測(cè)量技術(shù)。第二章 偏最小二乘法（PLS） 簡(jiǎn)介偏最小二乘法(PLS：partial least squares)：是一種新型的多元統(tǒng)計(jì)數(shù)據(jù)分析方法，它主要研究的是多因變量對(duì)多自變量的回歸建模，特別當(dāng)各變量?jī)?nèi)部高度的線性相關(guān)時(shí)，利用偏最小二乘回歸法更加有效。為了建立由各因素構(gòu)成的數(shù)據(jù)矩陣X與由各目標(biāo)構(gòu)成的數(shù)據(jù)矩陣Y之間的關(guān)系，其中X包涵p個(gè)變量，Y包涵p1個(gè)變量，樣本數(shù)為m，傳統(tǒng)的處理方法為利用最小二乘法來建立如下線性模型：Y=XB+E。PLS方法跟主成分分析法的不同之處為主成分分析法分解后獲得t的隱變量的方差必須最大，并不考慮矩陣Y的關(guān)系。由兩個(gè)主成分分析步驟與一個(gè)回歸步驟組成進(jìn)行分解前可以對(duì)數(shù)據(jù)進(jìn)行相應(yīng)的預(yù)處理，例如按列均值中心化處理等。這樣互相獨(dú)立求出的u與t，與主元回歸分析法沒有本質(zhì)區(qū)別，為了使由Y得出的u能與X得出的t之間有良好的線性關(guān)系，可以讓Y分解為U時(shí)引入有關(guān)T的信息，或從X分解出T時(shí)引入U(xiǎn)的信息，這可通過在迭代時(shí)交換迭代變量達(dá)到，根據(jù)此思路將上述兩個(gè)獨(dú)立的分解過程合而為一，得到PLS解，過程如下：對(duì)于X矩陣 3. wT=uTX/uTu （pT=tTX/tTt）：wTnew=wTold/ ||wTold||：t=Xw/wTw： qT=tTY/tTt （qT=uTY/uTu）=qTold/ ||qTold||8. u=Yq/qTq：將步驟8所得的u與前一次迭代結(jié)果相比較，若相等（在允許誤差范圍內(nèi)）到步驟1010. pT=tTX/tTt：pTnew=pTold/ ||pTold||12. tnew=told *||pold||13. wTnew=wTold* ||pTold||14. b= uTt/tTt計(jì)算回歸系數(shù)b以用于內(nèi)部關(guān)聯(lián)：= Eh1thphT= Eh1 bhthwqhT之后回到步驟2，去進(jìn)行下一主成分的運(yùn)算，直到殘差趨近于零。在進(jìn)行 PLS 回歸建模分析時(shí)要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，最常用的方法是歸一化，即將各變量減去各自的均值并除以各自標(biāo)準(zhǔn)差。針對(duì)此類問題，提出了正交信號(hào)修正（OSC）方法，除去自變量系統(tǒng)中與因變量無關(guān)的正交成分，再進(jìn)行 PLS 回歸，使模型得到簡(jiǎn)化。一種是在迭代過程中分析所得到的殘差矩陣Fh ，當(dāng)Fh 的范數(shù)||Fh||小于某個(gè)閾值時(shí)，停止迭代，此時(shí)特征向量的數(shù)目即為 PLS 模型最后選取的特征向量數(shù)。人們通常用的比較多且更為有效的是交叉校驗(yàn)法：將待測(cè)樣本分為若干組，剔除一組，建立其余樣本的 PLS 模型，再用剔除的樣本作為檢測(cè)模型，計(jì)算預(yù)測(cè)誤差，重復(fù)上述步驟，直到每組數(shù)據(jù)都剔除過一次。針對(duì)大量的光譜數(shù)據(jù)，先采用小波變換對(duì)數(shù)據(jù)進(jìn)行壓縮再進(jìn)行 PLS 回歸。對(duì)于過程變量個(gè)數(shù)很多的情況，主要有多模塊 PLS和層次PLS方法，主要思想是對(duì)化工過程進(jìn)行分析，按照生產(chǎn)過程機(jī)理和變量之間的相關(guān)關(guān)系，將要處理的過程變量分為多個(gè)關(guān)聯(lián)較小的子模塊，各子模塊分別對(duì)因變量建立 PLS 模型，后將各子模塊得到的得分向量組合成超得分向量矩陣，再與因變量建立 PLS 模型。針對(duì)此問題，提出 PLS 非線性建模的兩種方法。同時(shí)，分析了兩種方法各自存在的問題。第二種方法，內(nèi)部模型采用非線性函數(shù)，主要問題是PLS外部模型輸入權(quán)值 w 的更新。在對(duì)輸入矩陣進(jìn)行擴(kuò)展方面，對(duì)原始矩陣 X 進(jìn)行列擴(kuò)展時(shí)，若 X 矩陣本身能夠被投影模型 TPT同樣的，對(duì)于三階非線性，擴(kuò)展時(shí)可只包括立方項(xiàng)。該方法能充分利用樣本空間信息，建立輸入和輸出變量之間的非線性關(guān)系，有效地提高模型擬合和預(yù)測(cè)精度。其后，這種近似方法跟一階（線性）樣條函數(shù)類似，當(dāng)用于小數(shù)據(jù)集合時(shí)不平滑，因此只能用于大的數(shù)據(jù)集合。作者還指出，基于誤差的權(quán)值更新方法同樣適用于輸入輸出特征向量間是任意非線性關(guān)系的情況，只要該非線性函數(shù)對(duì) w 是連續(xù)且可導(dǎo)的。該方法先用線性 PLS 方法得到輸入輸出特征向量，然后用以 Sigmoid 函數(shù)作激勵(lì)函數(shù)的三層神經(jīng)網(wǎng)絡(luò)來表述輸入輸出向量間的非線性關(guān)系，每一對(duì)特征向量間的關(guān)系用一個(gè)神經(jīng)網(wǎng)絡(luò)來描述。上述 NNPLS 方法的一個(gè)缺陷是，模型訓(xùn)練過程中沒有對(duì)輸入權(quán)值 w 進(jìn)行更新。第三章 案例分析工業(yè)上聚酯樹脂的生產(chǎn)主要用于涂料。為了除去水，工廠配備了填料精餾塔（這是運(yùn)行在干燥模式下研究生產(chǎn)的樹脂），外部為水冷冷凝器，和洗滌器。通常情況下，這些變量包括過程測(cè)量（溫度，壓力，閥開口）和控制器的設(shè)定值（這是調(diào)整人一般由經(jīng)營(yíng)者）；收集的4500至7500個(gè)數(shù)據(jù)，這些數(shù)據(jù)是在33個(gè)批次40至70個(gè)小時(shí)收集的。一個(gè)典型的序列的操作步驟如下：對(duì)設(shè)備和線路進(jìn)行清洗時(shí)，不同的是樹脂已在前面的批量生產(chǎn)。然而，在運(yùn)行反應(yīng)器，打開混合和加熱系統(tǒng)，并加熱直至反