【正文】 三大類，可采用相應(yīng)方法處理； (2) 數(shù)據(jù)變換 ：測量數(shù)據(jù)的變換包括標(biāo)度變換、轉(zhuǎn)換和權(quán)函數(shù)三個方面。 劉玉長 (三 ) 軟測量模型的分類 軟測量模型是表征輔助變量和主導(dǎo)變量之間的數(shù)學(xué)關(guān)系，它是軟儀表的核心。構(gòu)造軟儀表的本質(zhì)就是如何建立軟測量模型，即一個數(shù)學(xué)建模問題。 軟測量模型的分類一般都是依據(jù)軟測量的建模方法進行的。軟測量的建模方法多種多樣，且各種方法互有交叉和融合。 在檢測和控制中常用的建模方法有：工藝機理分析、回歸分析、狀態(tài)估計、系統(tǒng)識別、模式識別、人工神經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、過程層析成像、相關(guān)分析和現(xiàn)代非線性信息處理技術(shù)等。 劉玉長 (四 ) 軟測量模型的校正與維護 為實現(xiàn)軟測量模型在長時間運行過程中的自動更新和校正，大多數(shù)軟測量系統(tǒng)均設(shè)置有軟測量模型評價軟件模塊。該模塊先根據(jù)實際情況做出是否需要模型校正和進行何種校正的判斷，然后再自動調(diào)用模型校正軟件對軟測量模型進行校正。 軟測量模型的校正主要包括軟測量模型結(jié)構(gòu)優(yōu)化和模型參數(shù)修正兩方面。大多數(shù)情況下，一般僅修正軟測量模型的參數(shù)。若系統(tǒng)特性變化較大，則需對軟測量模型的結(jié)構(gòu)進行修正優(yōu)化，較為復(fù)雜，需要大量的樣本數(shù)據(jù)和較長的時間。 劉玉長 三、軟測量的建模方法 軟測量模型是通過輔助變量來獲得對主導(dǎo)變量的最佳估計的數(shù)學(xué)模型。軟測量建模本質(zhì)上是要完成由輔助變量構(gòu)成的可測信息集 (各輔助變量 )θ 到主導(dǎo)變量估計 的映射，即用數(shù)學(xué)公式表示為： ?y)(? ?fy ? 在檢測和控制中常用的建模方法有：工藝機理分析方法、回歸分析方法、狀態(tài)估計方法、系統(tǒng)辨識方法、模式識別方法、人工神經(jīng)網(wǎng)絡(luò)方法、模糊數(shù)學(xué)方法、過程層析成像方法、相關(guān)分析方法和現(xiàn)代非線性信息處理方法。 劉玉長 (一 ) 工藝機理分析方法 該方法是建立在對過程工藝機理的深刻認(rèn)識的基礎(chǔ)上，運用化學(xué)反應(yīng)動力學(xué)、物料平衡、能量平衡等原理通過對過程對象的機理分析，找出不可測主導(dǎo)變量與可測輔助變量之間的關(guān)系建立模型。 該方法具有簡單可靠、工程背景清晰和便于實際應(yīng)用的特點，在工程中常被使用；但是，由于它建立在對工藝過程機理深刻認(rèn)識的基礎(chǔ)上，應(yīng)用效果依賴于對工藝機理的了解程度，建模的難度較大。 劉玉長 (二 ) 回歸分析方法 回歸分析分為線性回歸分析和非線性回歸分析兩大類。其中基于最小二乘原理的一元和多元線性回歸技術(shù)簡單實用，發(fā)展成熟，是工程中最常用的方法之一。 對于輔助變量較少的情況，利用多元線性回歸中的逐步回歸技術(shù)可以得到較理想的軟測量模型；對于輔助變量較多的情況，通常要借助機理方法得到變量組合的基本假定，然后再采用逐步回歸的方法排除不重要的變量組合，得到軟測量模型參數(shù)。 該方法的缺點是需要大量的樣本，對測量誤差較為敏感。 劉玉長 (三 ) 狀態(tài)估計方法 對于已知系統(tǒng)的狀態(tài)空間模型，且主導(dǎo)變量作為系統(tǒng)狀態(tài)變量時輔助變量是可觀測的情況，軟儀表的構(gòu)造問題可以轉(zhuǎn)化為狀態(tài)觀測或狀態(tài)估計問題。 該方法現(xiàn)在已從線性系統(tǒng)推廣到了非線性系統(tǒng)，但是對于復(fù)雜的工業(yè)過程，常常難以建立有效的狀態(tài)空間模型，這在一定程度上限制了該方法的應(yīng)用。 劉玉長 (四 ) 系統(tǒng)辨識方法 該方法是將輔助變量和主導(dǎo)變量組成的系統(tǒng)看成 “ 黑箱 ” ，以輔助變量為輸入，主導(dǎo)變量為輸出，通過現(xiàn)場采集、流程模擬或?qū)嶒灉y試，獲得過程輸入、輸出數(shù)據(jù)，以此為依據(jù)建立軟測量模型。 劉玉長 (五 ) 模式識別方法 該方法采用模式識別的方法對工業(yè)過程的操作數(shù)據(jù)進行處理，從中提取系統(tǒng)的特征，建立以模式描述分類為基礎(chǔ)的模式識別式軟測量模型。它適用于缺乏系統(tǒng)先驗知識的場合，可利用日常操作數(shù)據(jù)來實現(xiàn)軟測量建模。在應(yīng)用中，該方法常常和人工神經(jīng)網(wǎng)絡(luò)以及模糊技術(shù)結(jié)合在一起。 劉玉長 (六 ) 人工神經(jīng)網(wǎng)絡(luò)方法 利用人工神經(jīng)網(wǎng)絡(luò)具有的自學(xué)習(xí)、聯(lián)想記憶、自適應(yīng)和非線性逼近等功能，將輔助變量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，而主導(dǎo)變量則作為網(wǎng)絡(luò)的輸出，通過網(wǎng)絡(luò)的學(xué)習(xí)來解決不可測變量的軟測量問題。 劉玉長 (七 ) 模糊數(shù)學(xué)方法 模糊數(shù)學(xué)模仿人腦邏輯思維特點，是處理復(fù)雜信息的有效手段。特別適合應(yīng)用于復(fù)雜工業(yè)過程中被測對象呈現(xiàn)亦此亦彼的不確定性難以用常規(guī)數(shù)學(xué)定量描述的場合，在實際應(yīng)用中常和人工神經(jīng)網(wǎng)絡(luò)和模式識別技術(shù)等相結(jié)合以提高軟儀表的效能。 劉玉長 (八 ) 過程層析成像方法 該方法以醫(yī)學(xué)層析成像技術(shù)為基礎(chǔ)，采用基于電容、電導(dǎo)、電磁、光學(xué)和核輻射等傳感機理的傳感器獲取所需的投影數(shù)據(jù)信息來建立軟測量模型。目前主要應(yīng)用于難測流體的參數(shù)測量 (例如兩相流 /多相流分相流量和含率 )以及裝置的狀態(tài)監(jiān)控等。 劉玉長 (九 ) 相關(guān)分析方法 以隨機過程中的相關(guān)分析理論為基礎(chǔ)，利用各輔助變量 (隨機信號 )間的互相關(guān)函數(shù)特性來進行軟測量。該方法主要應(yīng)用于難測流體流速或流量的在線測量和故障診斷 (例如流體輸送管道泄漏的檢測和定位 )等。 劉玉長 (十 ) 現(xiàn)代非線性信息處理方法 該方法的基本思想與相關(guān)分析一致，利用易測對象信息的隨機信號，采用先進的信息處理技術(shù)，通過對所獲信息的分析處理提取信號特征量，從而實現(xiàn)某一參數(shù)的在線檢測或過程的狀態(tài)識別。 所不同的是具體信息處理方法不同，大多采用各種先進的非線性信息處理技術(shù) (例如小波分析，混沌和分形等 )，能適用于常規(guī)的信號處理手段難以適應(yīng)的復(fù)雜工業(yè)系統(tǒng)。 該方法近年來發(fā)展很快，應(yīng)用范圍較廣，目前一般主要應(yīng)用于工業(yè)系統(tǒng)的故障診斷、狀態(tài)檢測和粗大誤差偵破等，并常常和人工神經(jīng)網(wǎng)絡(luò)或模糊數(shù)學(xué)等人工智能技術(shù)相結(jié)合。 劉玉長 本章結(jié)束 謝 謝 !