《基于非线性和实时性软测量技术对葛根素浓度的预测修改5.doc》由会员分享，可在线阅读，更多相关《基于非线性和实时性软测量技术对葛根素浓度的预测修改5.doc（9页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、基于非线性和实时性软测量技术对葛根素浓度的预测摘 要本文介绍一种非线性和实时性软测量技术，利用该技术测试葛根素的浓度，这一技术的优势体现在将比重，浓度等相关的工艺参数有效地连接，同时配合单片机建模预算和智能检测控制的浓度检测设备，适应了我国现状需求，使之成功在化工液体物料浓度监测中发挥作用。关键词：非线性；实时性；建模；浓度检测ABSTRACTThis paper presents a non-linear and soft real-time measurement techniques, the use of the technology to test the concentration
2、 of puerarin advantage of this technology is reflected in the proportion of relevant process parameters such as the concentration of effective connection, in conjunction with the budget and intelligent single-chip modeling detection and control of the concentration of test equipment, adapted to the
3、needs of our current situation, make it a success to play a role in monitoring the concentration of the chemical liquid materials.Keywords: Nonlinear; real-time; modeling; concentration detection引 言葛根素的主要成分黄酮苷，具有活血化瘀、改善微循环、扩张冠状动脉和脑血管、降低心肌耗氧量的药理优势。此外葛根素制剂早已用于临床，成为医疗手段中广受欢迎的注射剂，主治病症包括心脑血管疾病、视网膜血管病、眼底病
4、及突发性耳聋等。软测量技术在化工业中的突出作用附着于葛根素浓度的检测研究，已经成为化工生产结果的初检和生产操控的手段。但是，国内的葛根素浓度检验技术起步较晚，检测设备昂贵，使用范围受到极大限制，所以对于国内众多的企业来言，电导类、超声波类的检测设备是更好的选择。两者比较得出，葛根素浓度检验设备花费昂贵、时效性不强，电导或者超声波类检测设备适用范围狭窄，结果存在偏差。因此需要对此进行改进，通过对基于非线性和实时性软测量技术进行研究，来满足对葛根素浓度的测量。一、基于非线性和实时性软测量技术的实用性当前国内的浓度分析检测技术相对薄弱，实际上，浓度检测设备与成分分析设备有着诸多差异。成分分析设备的着
5、眼点在物料成成分的细分，检测过程中只要存在某种物质，那么，分析结果曲线上就会呈现“谱峰”，例如色谱仪。而浓度检测设备的着眼点在于某种物质在物料中所占的比例。成分分析设备与浓度检测设备的的关联就体现在成分分析设备不仅弄够将物料的质分辨出来，还能对物质的量作出分析，而浓度检测设备只限于物质的量，范围相对狭小。实践证明，成分分析主要的流程是先采集样品，接着对发生的化学反应，物理反应，所用试剂以及特殊材料色谱柱等环节实施对比、计算，最终获取实验数据。这一过程的实现，时效性较差，花费昂贵。但是多数化工生产过程，其物料是特定质的，是追求某一种特定质的量。基于非线性和实时性软测量技术的使用，能够迅速的将化工
6、生产过程中葛根素的浓度情况显现出来，这种技术应用到生产实践，能够反映我国当前实际的需要 ，尤其是广大化工业生产中值得普及。二、软测量技术理论简介伴随着计算机技术的广泛运用，软测量技术作为一种先进的、重要的研究方法，同时也成为智能仪器仪表理论的基石，在过程控制领域发挥了极大地作用，著名的国际过程控制专家McaVoy教授的观点是，软测量技术在未来的发展中将会占据很大优势，前提需要将其列为控制领域研究中。软测量技术的概念涉及诸多学科研究，主要是将寻常检测与计算机信息处理和科学运算相结合，形成的一种集过程辨识、工艺规律和控制机理学习的间接监测技术。处于葛根素生产过程中比较容易实现实时检测的是温度、温度
7、、压力、物位、流量，而软测量技术就是将寻常的检测方法和计算联系到一起。软测量技术包含四个内容：分析过程机理、确定主导变量和辅助变量；计算机的采集、存储、数据处理；建立数学模型或经验模型；在线校正。估计器的设计是根据某种最优准则，选择一组既与主导变量有密切关系，又容易测量的辅助变量，通过构造某种数学关系，实现对主导变量的在线估计。其原理如下图所示。图2-1 软测量结构图在对葛根素浓度进行检测时，需要经过与更精确化验分析的结果进行比对校定，建立于机理分析、予估计算基础上的软测量浓度仪的在线校正，是验证结果的最重要的环节。下面对软测量浓度仪研制过程的技术工艺路线进行介绍，如图1所示：研究用户生产工艺
8、条件确定量程范围研究取样管线、取样方式签约确定合作方式调研市场确定试验场所研制取样桶解决稳波问题研制数据库SQL研制二次仪表单片机系统改程序用样液试调研制传感器、变送器现场安装调试修订程序及数据库现场取得调试、标定数据正式投运现场调试现场鉴定、专家评审研定生产工艺方案小批量生产样机确定专用软件包程序制订质量检定标准，确定生产计划图2-2 技术工艺路线图三、基于非线性和实时性的软测量技术使用方法基于非线性和实时性的软测量技术需要使用到实时数据，因此在对葛根素浓度进行预测时，首先要对数据进行准确、实时的采集，在采集到数据之后对其进行分析，并通过数学建模方式来对其进行计算。在数学建模中存在多种方式，
9、比较常见的有付氏变换多项式、最小二乘、曲线弥和或者作样条插值的曲线跟踪等等方法。建模时使用采集器对数据进行采集，然后录入计算机，使用付氏变换表达式来对其进行计算。在一般的建模中会使用到函数表达式，利用线性化分析进行计算，存在多元变量时，矩阵的计算会比较麻烦，而且得出的解会有多个，此时利用多次采集的数据进行综合计算，进而可以得出式子的唯一解。在基于非线性和实时性软测量技术会使用到比重传感器和变送器。在这一功能中包含差动变送器电磁原理变送模块、CCD测位移的数字通讯模块和称重式测比重力学原理变送模块。差动变送器电磁原理变送模块可以利用磁芯比重浮子来对读取的数据信息线性化计算，并且使数据信号化输入到
10、设备显示仪上。CCD测位移的数字通讯模块包含数字通讯功能，能够感知光线脉冲和像素唯一，利用数字通讯技术对数据进行传输。称重式测比重力学原理变送模块使用了高精度称重传感器，利用浮力原理对数据进行读取，然后将信号放大传输到显示仪上。传感器浮动或浸在流动的液体中测量，需要液体的流速相对稳定，我们研制的取样装置一般采用单桶结构受控、间断取样方式，如图2所示： 比重计 传感变送器 测温组件 流出 取样电磁阀流入 图2 受控稳流取样桶结构示意图此种方式应并接在工艺主线的旁路上进出液口有程控电磁阀，每一采样周期控制电磁阀关断使传感器所需液面是静止的，采样后再打开电磁阀置换进新的液体，对于极其特殊的负压生产，
11、旁路取不出液体来，我们还可以增加附属设备取样泵来让液体不断加速置换。在对基于非线性和实时性软测量技术需要同时使用到硬件和软件，下面对所使用到的硬件和软件进行介绍。智能浓度仪是由单片机嵌入式系统组成，MCU89C55内有16K Flash内存，地址译码和数据总线联接32K带电池保护非易失性RAM作为在线建模校正的数据记录体。设备通过模拟信号来对数据信息进行传输，在读取得数据之后利用A/D转换将数据信号化，然后传入到MCU，之后对传感信号进行检测，进而由仪器来对数据进行计算，在计算时需要对八位D/A转换的模拟量信号解析，然后利用控制信号对数据进行采样。在需要对数据进行打印时可以将打印机连接到设备上
12、，通过并行LTP打印输出口将数据传输到打印机进行打印。软件方面将数据读取、传输、计算、显示等方面集中考虑联系到一起，采用了模块化分析，根据系统的实际需要将系统分为不同的模块，然后对这些模块进行实现，在模块功能实现的基础上将模块连接到一块，进而实现系统的整体功能。其中在系统的设计中使用到了数据读取、中断操作、数据通讯、信号输入等多个服务程序，系统个模块可以对这些服务程序进行调用，方便了系统的设计，便于系统的调整修改。四、基于非线性和实时性的软测量模型建立1）模型建立数据获取和预处理对葛根素的浓度进行测量是需要知晓压力、温度、液位、料液浓度、蒸汽流量等，本模型利用DCS系统对数据变量进行获取，系统
13、读取的数据可能会受到环境的影响，因而数据可能不准确，因此要对其预处理，通过预处理来进行误差处理和数据变换。在数据存在的误差中包括了随机和过失两种，两种误差采用不同的让是来处理，通过移动平均值数字滤波来解决随机误差，通过数据协调技术来解决过失误差，通过预处理来解决存在的误差问题，之后需要对变量进行归一化处理，从而避免量纲不同的影响，进而提高实验精准度。2）最小二乘算法介绍最小二乘法算法可以用来测量葛根素浓度，它可以兼容向量机，LS SVM是标准SVM的扩展，运用了等式约束，集合了误差平方和损失函数，并将其作为经验损失，利用方程组对模型参数进行求解，方便了二次规划求解问题，通过线性方程组求解便可解
14、决问题，极大的方便了问题的计算，并且使问题求解精度得到了提高，因此使用LsSVM来建立软测量模型。LSSVM 算法通过设取n维向量来进行，其中的m个样本可以这样表示：可以利用非线性变换对其进行映射，把m维向量映射到l（lm）维特征空间，在这个特征空间中，利用现行组合进行拟合，拟合可以出现误差，通过这样的方式能够在模型推广能力和经验风险之间找到最佳平衡点，从而使结构的整体误差减小。LSSVM算法是为了达到这样的优化目的：上式的优化可以通过Lagrange法来解决，对Lagrange函数进行定义：在（3）式中，拉格郎目乘子为ai(f=1,2， )，然后通过KKT进行优化：有：定义一个核函数，通过上
15、式可以对其进行转化，通过线性方程来解决优化问题，如下面的线性方程：通过对上面的线性方程组进行求解可以求出ai和b，进而可以得出LSSVM的线性估计函数。3）基于最小二乘法的建模在获取数据后，进行软测量建模，下面对建模步骤进行介绍：第一， 对样本数据进行获取和处理在SVM算法中，需要使用样本数据的欧式距离来计算，此时需要避免较大数量方位的数据支配叫嚣数量范围数据，因此要对数据进行归一化处理，对数据的属性进行缩放，使其缩小至0到1。然后挑选五十组数据作为样本，剩余五十组作为测试样本。第二， 对核函数类型进行选择在对核函数进行选择时可以使用径向基核函数，使用该核函数对参数进行选择，进而可以应用于所有
16、样本中。径向基核函数存在多种形式，一般使用高斯核函数， 第三， 对最佳参数进行确定在对参数进行选择时，需要考虑误差问题，模型参数存在误差惩罚系数和核函数宽度系数，最佳参数的选择可以通过价差验证优化参数方法来实现，使用网络搜索来确定惩罚系数和核函数宽度系数的范围，进而对参数进行选取，然后进行测试，找出最优的参数。网格法选择参数选择实现过程为：(1)根据经验确定参数r和y的取值范围，7的范围为1，5000，y的取值范围为0，100；(2)在这个大取值范围内，采用粗网格对参数y和y分别选取10个值构成1010网格平面，得到100对(r，y；)参数组合，其中i=1,2,10；j=1,2,10 。(3)
17、每组参数组合进行一次计算，应用5折交叉验证计算其性能指标RMSE。得到RMSE最小的网格结点(r，y)；(4)以该网格结点(r，y)为中心，用细网格选取参数r和y分别选取10个值构成新的10x10细网格平面，通过进一步的学习获取更小的RMSE；(5)若模型性能指标没有达到要求，以此类推，构建多层网格平面，不断优化LS-SVM的模型参数，直到达到期望的性能指标。第四， 利用LS-SVM 算法模型建立方法建立模型，并使用模型进行预估计。第五， 矫正模型。通过预估计值得到实际值，在环境的影响下，模型估计值和实际分析值之间会存在误差，因此要对模型进行矫正。需要通过软测量模型对实际工况进行反映，因此模型
18、需要有在线矫正的能力，在化验分析值和系统监测平均值之间的差额大于一定值是，对其进行矫正。用确定的最优模型参数r和y，首先根据100组组分含量软测量建模样本数据建立标准LS-SVM回归模型，所得的支持向量所对应的拉格朗日乘子如表4-1所示，阈值b=-0.582816。表4-1 标准LS-SVM模型a参数编号a编号a编号a编号a1435153l6354287311-37334216006573 121679159700333631233201771733141893009560 18-48172313148314818-2526384-2403559-00978814-46912519494965
19、9527570710054976515-18059202575672表4-1表明，部分|a|值相对过大，还有一些|a|值相对很小，应用本文的LSSVM改进方法，对其进行删除选取。建立了基于改进的LS-SVM组分含量软测量模型后，将20组测试样本输入模型，得到模型输出结果见表4-2。其中，u1、u2、u3、u4。分别为液流量、萃取剂流量、洗涤液流量、料液配分的测量值，p1为水相中Y组分含量实际值，p2为模型输出值，Err为绝对误差。表42测试样本模型输出值和误差编号u1u2u3u4p1P2Err15.455.458.760.48163.667.45322.417025.356.567.680.4
20、8167.467.54322.356335.4157.337.850.48165.467.5234-1.085342.553.738.680.48165.367.54240.975355.353.477.760.48167.267.9624-1.1150研究表4-2所列出的误差可知，测试样本点的误差都在3之内。五、基于非线性和实时性的软测量技术对葛根素浓度预测的意义基于非线性和实时性的软测量技术是工业计算机优化控制的有利工具，在理论研究和实际应用中已经取得了不少成果，其理论体系亦正在逐步形成。通过计算机的高速运算技术来对葛根素的浓度进行预测，不仅可以可以快速的对葛根素浓度进行预测，还可以提高预
21、测的精度，软测量仅靠实验室分析仪表分析值进行校正要获得很高精度是很困难的，是一种粗放型测量技术，它需要对实际数据进行读取，并且通关传感器对数据进行传输，由高速运转计算机对其进行计算。基于非线性和实时性的软测量技术可以解决传统的葛根素浓度预测难问题，在学术和实际生产中都具有非常重要的意义。参考文献1 尚宝霞.重油催化装置干气纯度的软测量J.化工自动化及仪表.2001(06)2 孙自强,顾幸生,党晓恒,俞金寿.连续催化重整装置辛烷值软测量研究J.系统仿真学报.2001(S1)3 王东风,宋之平.基于神经元网络的制粉系统球磨机负荷软测量J.中国电机工程学报.2001(12)4 杨慧中,陶振麟,张素贞
22、,顾文兰,黄翔宇.聚丙烯腈质量指标软测量模型的数据动态校核J.华东理工大学学报.2001(05)5 李向阳,朱学峰,刘焕彬.制浆蒸煮过程中基于预测误差估计器的软测量方法研究与应用J.控制理论与应用.2001(05)6 靳其兵,谢祖嵘,彭月祥.基于神经网络的软测量技术及其应用J.冶金自动化.2001(05)7 曹柳林,陶斌军.基于对角递归神经网络的粘度软测量模型J.北京化工大学学报(自然科学版).2001(02)8 李向阳,朱学峰,黄道平,刘焕彬.间歇制浆蒸煮终点预测方法J.计算机与应用化学.2001(02)9 韩璞,王东风,翟永杰.基于神经网络的火电厂烟气含氧量软测量J.信息与控制.2001(
23、02)10 田荣海,陈国礼,吴俊生,张素贞,顾文兰,刘国跃,黄翔宇,任国强.五效蒸发装置软测量模型的建立J.化工自动化及仪表.2000(06)11 Brosillow,Inferential Control of Process,AIChE. J . 197812 Brambilla A,Trivella F.Estimate product quality with ANNs. H P . 199613 Tham M T,Montague G A.Soft_sensors for process estimation and inferential control. Journal of P
24、rocess Control . 199114 Lorena J S,Biegler T.Data reconciliation and gross error detection for dynamic systems. American Institute of Chemical Engineers Journa . 199615 Savkovice J.Neural networks for process analysis and optimization: modeling and applications. Computers and Chemical Engineering .
25、199416 Chen Yi,Karjala T W.Resolving problems in closed loop nonlinear process identification using IRN. Computers and Chemical Engineering . 199617 Michael L,Mark A.Modeling chemical processes using prior knowledge and neural networks. American Institute of Chemical Engineers Journal . 199418 Gonza
26、lez G D.Issues in soft_sensor applications in industrial plants. Proceedings of 1994 IEEE International Symposium on Industrial Electronics . 199419 WangYong_sheng,ShaoHui_he.Softsensorsinfluidcatalyticcracking. Proceedingsofthe3rdWorldCongressonIntelligentControlandAutomation . 200220 TakagiH,HayashiI.NN_drivenfuzzyreasoning. IntJournalofApproximateReasoning . 19919