收稿日期：2002-09-03
!基金项目：国家自然科学基金资助项目（69874014）
作者简介：朱学峰（1940-），男，教授，博士生导师；主要从事工业过程智能检测与控制的研究.文章编号：1000-565X（2002）11-0061-07
软测量技术及其应用!
朱学峰
（华南理工大学自动化科学与工程学院，广东广州510640）
摘要：软测量技术是一门新兴的工业技术，是对目前商用传感器不足的一个重要补充.综观国内外软测量技术的发展情况，本文从二次变量选择、数据处理、软测量模型建立、在线校正与工业应用5个方面系统地介绍了软测量技术、应用及其发展前景.
关键词：软测量技术；二次变量；数据处理；软测量模型；在线校正；工业应用
中图分类号：TP302.1文献标识码：A
在工业过程控制中，存在一大类无法或难以用传感器直接检测的变量，如精馏塔的塔顶／塔底产品质量、纸浆的Ka pp a值、生物发酵罐中的生物量参数及高炉铁水的含硅量等.这些变量对于提高产品质量和保证安全生产起着重要的作用，是工业生产过程中必须加以严格监控的变量.但是，据不完全统计，目前国外商用传感器约2000多种，而国内只有200多种.因此，自控技术人员经常处于一种无法选取合适传感器，使控制系统缺少“眼睛”这样一种尴尬的局面.为解决这类问题，可采用软测量技术.
早在70年代，B rosill ow就提出了推断控制的基本思想和方法：采集过程中比较容易测量的二次变量（Secondar y V ariable），构造推断估计器来估计并克服扰动和测量噪声对过程主导变量（Pri m ar y V ariable）的影响［1］.推断控制策略包括估计器和控制器的设计.现在发展起来的软测量技术就体现了估计器的特点.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联系，又容易测量的二次变量，通过构造某种数学关系，实现对主导变量的在线估计［2］.软测量技术除了能“测量”主导变量外，还可估计一些反映过程特性的工艺参数，如精馏塔的塔板效率、反应速度和催化剂的活性等.软测量技术是一门有着广阔发展前景的新兴工业技术.对
其研究已经历了从线性到非线性、静态到动态、无校正功能到有校正功能的过程［3］.随着软测量技术在理论研究和实践中的不断完善和发展，正逐步取得令人满意的经济效益和社会效益.
在综观国内外软测量技术发展的基础上，本文将从二次变量的选择、数据处理、软测量模型建立、在线校正与工业应用5个方面系统地介绍软测量技术.
1二次变量的选择
二次变量的选择包括变量类型、变量数目和检测点的选择.这3个方面是互相关联、互相影响的，由过程特性决定，此外还受设备价格和可靠性、安装和维护的难易程度等外部因素制约.
1.1变量类型的选择
文献［1］给出了二次变量选择的若干原则：灵敏性、特异性、过程适用性、精确性和鲁棒性.针对一个具体过程，其选择范围就是对象的可测变量集，通常是十分有限的.
1.2变量数目的选择
二次变量可选数目的下限是被估计的变量数.而最佳数目则与过程的自由度、测量噪声以及模型的不确定性有关.罗荣富等［4］认为，应从系统的自由度出发，确定二次变量的最小数目，结合具体过程的特点适当增加，以更好地处理动态性质等问题.一般的做法是：选择二次变量往往先根据工艺知识，初选出与主导变量关系最为密切的变量，然后通过相
华南理工大学学报（自然科学版）
第30卷第11期Jour nal of Sout h c hi na universit y of techno l o gy V o l.30No.11 2002年11月（Nat ural Science e dition）Nove m ber
" """"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
2002
关分析与工艺专家知识相结合，最后筛选出数量上比较合适的二次变量.
l.3检测点位置的选择
检测点位置的选择方案十分灵活.文献［l］根据投影误差最小原则，用试差法选择精馏塔特性温度的检测点位置.利用SVD（S i n g ular V al ue D eco m-P osition）原理选择精馏塔检测点位置的方法具有定量和精确的特点，能适应操作点的变化，实际应用证明了该法的可行性.
2输入数据的处理
输入数据的正确性和可靠性关系到软仪表的输出精度，而它们常因外部污染不能直接作为软仪表的输入，因此输入数据的预处理（数据变换和误差处理）成为软测量技术中必不可少的一步［5，6］.
2.l数据变换
数据变换包括标度、转换和权函数三个方面［2，7］.数据变换影响着过程模型的精度和非线性映射能力以及数值优化算法的运行结果.因此，对工业过程中常出现的在数值上相差几个数量级的测量数据就应利用合适的因子进行标度，这样可以改善算法的精度和稳定性.转换包括直接转换和寻找新变量代替原变量两方面.通过转换可有效地降低原对象的非线性特性（如进行对数转换）.权函数可实现对变量动态特性的补偿.
2.2误差处理
在基于软仪表的先进控制与优化系统中，融合了大量的现场数据，任一数据的失效都可能导致系统整体性能下降，甚至完全失效.因此，对输入数据进行误差处理是不可缺少的一步.误差分为随机误差和过失误差.前者受随机因素的影响，如操作过程的微小波动或检测信号的噪声等.后者包括仪表的系统偏差（如堵塞、校正不准和基准漂移等）、测量设备失灵（如热电偶结碳而产生绝热等）以及不完全或不正确的过程模型（泄漏、热损失和非定态等）.
（l）随机误差的处理对于随机误差除剔除跳变信号外，常采用数字滤波法，如高通滤波、低通滤波和移动平均值滤波等.随着系统精度要求提高，又提出了数据协调（D at a reconciliation）技术［5，6］.数据协调技术的实现方法有主元分析法、正交分解法等.
（2）过失误差的处理过失误差出现的几率虽很小，但它的存在会严重恶化数据的品质，可能导致
软测量甚至整个过程优化的失效.因此，及时侦破、剔除和校正这类数据是误差处理的首要任务.常用方法有统计假设检验法（如残差分析法、校正量分析法等）、广义似然比法和贝叶斯法等，这些方法在理论和应用之间尚存在相当的差距.对于特别重要的过程变量还可采用硬件冗余的方法以提高安全性，如可用相似的检测元件或采用不同的检测原理对同一变量进行检测.
3软测量模型的建立
软测量模型是软测量技术的核心.它不同于一般意义下的数学模型，它强调的是通过二次变量来获得对主导变量的最优估计.下面将介绍几种软测量模型的建立方法.
3.l基于工艺机理的建模方法
在全面深刻了解某类过程的工艺机理后，就可以根据有关的工艺机理列写有关平衡方程式，确定不可测主导变量和可测二次变量的数学关系，建立估计主导变量的机理模型.该方法所建立的模型有明确的物理意义，外推性能较好.但是，这类模型一般比较复杂，模型中需要确定的系数较多，在实际使用中会遇到一些困难.特别是该法不适用于机理尚不完全清楚的工业过程，但可与下述经验建模方法结合使用.
3.2基于状态估计的建模方法
假定已知对象的状态空间模型为：
x=A x+Bu+E v
y=C x
!=C0x+
!
"
#w
，
式中：x为过程的状态向量；y和!为过程的主导变量和二次变量；v，w为白噪声；u为过程的输入；A，B，C，E，C0为状态方程的系数矩阵
如果系统的状态对于辅助变量完全可观，则该软测量就转化为典型的状态观测和状态估计问题用Kal m an滤波器可以从二次变量中得到状态的估计值.扩展Kal m an滤波器、自适应Kal m an滤波器和扩展Luenber g er观测器已成功地用于发酵反应的发酵率和尾气中二氧化碳含量、精馏塔塔顶产品组成、反应器反应速率等参数的软测量［3］.但对于复杂工业过程，常常会遇到持续缓慢变化或不可测扰动，此时会导致显著误差.
3.3基于回归分析的建模方法
采用统计回归方法可建立以下软测量模型：
62华南理工大学学报（自然科学版）第30卷
y=m x.
使用PCR（Pri nci P al C o m P onent Re g ression）法将上式改写为矩阵形式：Y=M T X.
对上式进行SVD分解，得到：O=t
l
P T l+t2P T2 +……+t g P T g.
对于线性系统，采用PCR和PLS（Partial-Least-S]uares Re g ression）的效果完全一样；对于非线性系统，后者效果稍好.如果PLS考虑了所有的方向，则还原为标准最小二乘法问题.工业过程中常通过对生产过程历史数据的回归分析，建立质量指标的软测量模型，在线估计产品质量.总之，回归分析法算法简单，是建立软测量模型的最常用方法之一.但它需要较多的数据样本，且对测量误差比较敏感.
3.4基于人工神经网络的建模方法
人工神经网络是当前工业领域中倍受关注的研究热点.它无需具备对象的先验知识，可以根据对象的输入输出数据直接建模，在解决高度非线性和严重不确定性系统控制方面具有巨大的潜力.目前人工神经网络已成功地用于复杂工业过程的动态建模、系统辨识和控制、数据分析及故障诊断等方面，显现出强大的生命力.常用人工神经网络的结构和学习算法如下：
（l）多层前向网络M FN（M ultila y er Feedf or-War d Net Wor ks）
理论上已经证明，只要多层前向网络允许有足够多的神经元，任何非线性连续函数都可由一个三层前向网络以任意精度来逼近.此外，网络的并行处理信息特点使得网络由输入层至输出层的前向传播相当迅速.在M FN中应用最广泛的学习算法是BP （Back Pro P a g ation）算法.该算法充分利用了多层前向网络的结构优势，在正反向传播过程中每一层的计算都是并行的，算法在理论上比较成熟，且已有许多商用软件可供使用.但BP算法存在几个问题：d对一些复杂的问题，训练时间很长，收敛速度太慢；i健忘性.当输入一个新样本进行权值调整时，可能破坏网络权值对已学习样本的匹配情况；＠BP算法实质上是对目标函数进行负梯度搜索寻优，因此可能陷入局部极小.多层前向网络在工业过程中得到了广泛的应用，目前已有不少研究人员用它们在产品成分、生化反应特征参数、高炉炉温、铁水硅含量的在线估计等方面进行了应用［8～l0］.
（2）RBF（Radical Basis Functions）网络
RBF网络是一个三层的前向网络，输入数目等
于所研究问题的独立变量数，中间层选取基函数作为转移函数，输出层为一个线性组合器.理论上，RBF网络具有广泛的非线性适应能力［ll］.RBF网络的学习算法主要有：M ook y与D ar ken算法、局部训练算法、正交优选算法、聚类和G ivens变换联合算法等.其中前两种算法不适合实际应用，第3种算法能有效应用于RBF网络的离线学习，第4种算法适于RBF网络的迭代学习.与BP算法相比，RBF 网络的学习算法不存在学习的局部最优问题，且由于参数调整是线性的，可望获得较快的收敛速度，非常适合系统的实时辨识和控制.但后两种算法在实际应用中仍存在以下问题：d网络基函数的中心值确定问题；i输出权值计算中的数值变态问题；＠网络的在线校正问题；＠网络的在线校正与数据采集的配合问题；＠网络综合性能的提高问题.
文献［l2］提出了将先验知识和神经网络结合的混合模型，利用了过程的已知机理特性，可以提高神经网络的学习效率，并避免有限学习引起的数据不稳定.这种方法已受到极大的重视.
3.5基于模糊技术的建模方法
模糊技术模仿人脑的逻辑思维，用于处理模型未知或不精确的控制问题.已经证明，采用模糊模型也可以以任意精度逼近任意的连续非线性函数.已有用模糊模型用于软测量的报导［l3，l4］.另外，将神经网络和模糊技术有机结合起来，取长补短，可以形成模糊神经元网络技术，也可以较好地用于软测量.如文献［l5］中介绍了日本学者长谷川用模糊神经网络来预报转炉氧气吹炼中钢的锰含量，结果比较满意.再者，日本高木和林等学者采用基于神经网络的模糊系统来预报大坂湾的化学需氧量（COD）浓度，也取得了较高的预测精度［l5］.
4软测量模型的在线校正
软测量模型建立后，并不是一成不变的.由于测量对象的特性和工作点都可以随时间发生变化，因此必须考虑模型的在线校正，才能适应新工况.软测量模型的在线校正可表示为模型结构和模型参数的优化过程，具体方法有Kal m an滤波技术在线修正模型参数；更多的则利用了分析仪表的离线测量值进行在线校正.为解决模型结构修正耗时长和在线校正的矛盾，有人提出了短期学习和长期学习的校正方法.短期学习是在不改变模型结构的情况下，根据新采集的数据对模型中的有关系数进行更新；而
第ll期朱学峰：软测量技术及其应用63
长期学习则是在原料、工况等发生较大变化时，利用新采集的较多数据重新建立模型.在线校正有自适应法、增量法和多时标法［2］.根据实际过程的要求，多采用模型参数自校正方法.但是，尽管在线校正如此重要，目前在软测量技术中，有效的在线校正方法仍不够多，今后必须加强这方面的研究以适应实际的需要.
5软测量技术的应用
在国内外，经过学者、工程技术人员的不断努力，软测量技术已在工业的许多过程中得到了广泛的应用［l6!66］.下面，通过2个实例来说明软测量技术的有效应用.
5.l炼钢终点的预报［l6］
转炉炼钢的目的就是使吹炼过程结束时达到要求的目标钢水温度及碳含量.准确预报转炉炼钢终点钢水温度及碳含量，可以及时调整加入的原材料、辅助材料及耗氧量，从而提高终点命中率.有人采用BP网络对转炉炼钢终点钢水温度及碳含量进行预报，取得了比较好的结果.但BP网络自身的缺陷也妨碍了它的广泛应用.由我国学者邓聚龙教授提出的灰色系统建模不需要大量的数据，计算量小，适合各种预报，因而得到了非常广泛的应用.引文［l6］应用灰色系统建模方法对转炉炼钢终点钢水温度及碳含量进行了软测量研究，并采用线性回归进行补偿，取得了较好的效果.
根据灰色系统的建模方法，可以建立终点钢水温度及碳含量的GM（l，l）模型，从而得到转炉炼钢终点钢水温度或碳含量的计算值.为了提高预报精度，可以通过修正或补偿的方法使模型尽可能与原有实际值拟合.在这里，根据炼钢期间副枪检测信息，采用线性回归方法，对GM（l，l）模型所产生的拟合误差进行补偿，以提高模型精度.补偿值用回归方程进行计算，回归变量则选择副枪测得的钢水温
度!
l 、副枪测得的钢水碳含量!
2
、铁水装入量!
3
、
废钢装入量!
4、补吹氧气量!
5
及补吹时加入的冷
却剂量!
6
，从而可以建立如下线性回归补偿模型："!=!!!
根据GM（l，l）模型得到的值以及经过线性回归得到的对误差的补偿值，可以得到转炉炼钢终点钢水温度及碳含量的拟合值与未来炉次的预报值，即"!（"）="!（0）（"）+""!（"）#
该文作者对某厂l80吨转炉的60炉实测数据
进行了仿真.取其中40炉数据建立转炉炼钢终点钢水温度及碳含量模型，对其余20炉进行预报.结果见图l.当终点钢水温度预报误差小于等于l5C和终点碳含量预报误差小于等于0.04%时，钢水温度命中率为80%，碳含量命中率为85%，碳含量和温度同时命中率为75%.因此，利用该模型得到的预报结果与实际值比较接近，这说明该方法具有较高的预报精度
.
图l终点预测值与实际值比较
F i g.l Com P arison bet ween t he P redictive and P ractical
values at t he end P o i nt
5.2纸浆Ka PP a值的软测量
纸浆的蒸煮过程是一个十分复杂的物理化学过程，是制浆的重要环节.纸浆的Ka PP a值是纸浆的重要质量指标，稳定Ka PP a值则是提高纸浆质量的关键.但是，国内外至今尚未开发出价廉、可靠、实用的在线测量纸浆Ka PP a值的仪表.因此，建立蒸煮过程纸浆Ka PP a值的数学模型，采用软测量方法对纸浆Ka PP a值进行实时测量，从而对蒸煮的终点进行预报，就成为控制纸浆质量的关键.国内外对纸浆Ka PP a值进行软测量研究的报导不少，但是，多数只停留在实验性阶段，真正能在工业过程中实际应用的很少.其原因主要是绝大多数Ka PP a值的软测量模型均需要装锅时的初始数据（如装锅量、木片含水量、液木比等），而这些初始数据的精确在线获取是十分困难的，因此严重地妨碍了它们的真正使用.华南理工大学纸浆Ka PP a值研究小组，几年来对此进行了深入的研究.首先，从木片蒸煮脱木素的机理
64华南理工大学学报（自然科学版）第30卷
出发，推导出了经简化的机理模型.该模型的独特之处在于将装锅时的初始条件的变化由在规定的时刻（一般为H =200）药液采样的有效碱值来反映，即由EA H =200值来反映出全部初始条件的变化.因此，Ka PP a 值的数学模型如下：
K =]（H ，EA b ，S ，r ，a ，b ）
，式中：K 为Ka PP a 值；H 为H 因子；EA b 为H 因子
等于H b （一般取H b =200）时药液采样的有效碱值；S 为硫化度；r ，a ，b 为模型系数
为了进一步提高其预测精度，课题组的成员还研究了一系列改进方法.如模糊推理法、基于粗糙集理论的补偿法、自适应推理法、人工神经网络校正法和基于PLS 的建模等.这些方法均可不同程度地改
善预测精度［17!21，58，59，62］.
该软测量系统硬件采用工业PC 机，操作系统为W i ndoW s NT ，用SI EM ENS 公司开发的W i nCC
组态软件将该软测量模型嵌入其中.该软测量系统人机界面友好，可以实时地以数值或曲线形式将预测的Ka PP a 值显示给操作人员，到达规定的Ka PP a 值时，会有声光提示，使操作人员决定是否放锅.该软测量系统已在国内某大型纸厂运行了近两年，运行结果表明，Ka PP a 值的预测误差在 5以内的锅次可达85 以上，明显地高于人工放锅操作水平，具有较好的预报能力.该软测量技术已于2002年1月与4月分别通过了福建省科技厅与广东省科技厅的技术鉴定，专家一致认为该技术已达到国内领先水平.
6
讨论
软测量技术是工业过程分析、控制和优化的有
力工具，在理论研究和实践中均已取得了广泛的成果，其理论体系正逐渐形成.不论是忽视软测量的重要性或夸大其作用都是不正确的，应该说，它是目前工业传感器品种与数量尚不足时的一种重要补充.
当前，国内外的学者与工程技术人员致力于发展与应用软测量技术，应该说，已取得了令人鼓舞的成果.在理论研究上，主要集中在软测量模型的建立方面，特别是如何将智能控制的成果移植到软测量的建模方面并加以发展.出现了许多采用各种类型、结构的人工神经网络来建立软测量模型，并将它们与模糊技术、遗传算法、统计方法或机理建模等结合以达到更高的测量精度以及更宽的操作工况.
但是，必须看到的是软测量技术还不是非常成
熟，尚有许多问题有待进一步深入研究并解决.例如，数据处理在软测量技术中是一个十分重要的问题，尤其是过失误差的处理，在理论研究方面已取得了不少成果，但距实际应用还存在相当的距离，应进一步深入研究.此外，现有的软测量技术的在线校正方法仍十分有限，应大力发展更多、更新的有效方法，以适应复杂工业过程对软测量技术愈来愈高的要求.参考文献：
［1］B ro silloW.Inferentia l contro l o f P rocess ［J ］.A I C hE J ，
1978，24（3）：485-509.［2］于静江，周春晖.过程控制中的软测量技术［J ］.控制理论与应用，1996，13（4）：137-144.［3］Tha m M T ，M onta g ue G A.Soft-sensors f or P rocess esti m ation and i nf erential contro l ［J ］.J Process Con-tro l ，1991，1（1）：3-14.［4］罗荣富.软测量方法及其工业应用［A ］.第六届过程
控制科学报告会论文集［C ］.上海：
上海交通大学出版社，1993.324-329.
［5］L o rena J S ，B ie g ler T.d ata reconc iliation and g ro ss erro r de tection f o r d y na m ic s y stem s ［J ］.A IC hE J ，1996，42（10）：2841-2856.［6］李红军，秦永胜，徐用懋.化工过程中的数据协调及
显著误差检测［J ］.化工自动化及仪表，1997（2）
：25-32.［7］俞金寿.软测量技术及其在石油化工中的应用［M ］.
北京：石油化工出版社，1999.［8］B ra m b illa A ，T rive lla F.E sti m ate P roduct ]ua lit y W it h
A NN s ［J ］.H P ，1996，75（9）：61-66.［9］Savkovice J .Neural net Wor ks f or P rocess anal y sis and
o P ti m ization ：m odeli n g and a PP lications ［J ］.Com P and Che m En g ，1994，18（11／12）：1149-1155.［10］王旭东，邵惠鹤.神经元网络建模与软测量技术［J ］.化工自动化及仪表，1996（2）：28-31.［11］C hen Y i ，K ar ]a la T W.r eso lv in g P rob lem s in c lo sed
loo P non linear P rocess identification usin g I rN ［J ］.C om P and C hem E n g ，1996，20（10）：1159-1176.
［12］M ichael L ，M ar k A.M odeli n g che m ical P rocesses
usi n g P rior knoW led g e and neural net Wor ks ［J ］.A I ChE J ，1994，40（8）：1328-1340.
［13］沈明新，隋有功.钢水碳含量的模糊辨识及应用
［J ］.自动化仪表，1997（2）：11-16.［14］Taka g i H ，H a y ashi I .NN -driven f uzz y reasoni n g ［J ］.Int Jour nal of A PP roXi m ate reasoni n g ，1991（5）：191-213.［15］长谷川.眕炉吹練．D 七又O7了）1壬刊J y 久
第11期
朱学峰：软测量技术及其应用
65
7［J］.日本7了）1，1993（5）：178-190.［16］谢书明，高宪文，柴天佑.基于灰色模型的转炉炼钢终点预报研究［J］.钢铁研究学报，1999，11（4）：
9-12.
［17］李向阳.间歇蒸煮过程纸浆Ka PP a值软测量方法研究与应用［D］.广州：华南理工大学电信学院，
2001.
［18］罗琪.硫酸盐法蒸煮过程纸浆Ka PP a值软测量技术的研究［D］.广州：华南理工大学造纸与环境工程
学院，1998.
［19］李艳，李向阳，朱学峰，等.基于粗集理论和RBF 神经网络的软测量技术研究［J］.自动化学报，2000
（3）：168-172.
［20］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，2001，18（5）：722-725.
［21］李向阳，朱学峰，黄道平，等.间歇制浆蒸煮终点预测方法［J］.计算机与应用化学，2001（2）：118-122.［22］董伟平.神经元网络在软测量应用中的工程技巧［J］.石油化工自动化，1998（5）：23-26.
［23］骆晨钟，邵惠鹤.软仪表技术及其工业应用［J］.仪表技术与传感器，1999（1）：32-34.
［24］皮道映.制浆造纸生产中的软测量技术———一个值得重视的课题［J］.中国造纸学报，1997，12：
117-120.
［25］张明君.低定量纸张水分的软测量方法［J］.仪器仪表学报，1997，18（6）：643-645.
［26］G onzalez G D.Soft sensors f or P rocessi n g P lants ［A］.proceedi n g s of t he Second Inter national Con-
f erence on Intelli
g ent processi n g and M anuf act uri n g
of M aterials（V o l.1）［C］.p iscata wa y，N J，U SA，
1999.59-69.
［27］G onzalez G D.Issues i n soft-sensor a PP lications i n
i ndustrial P lants［A］.proceedi n g s of1994I EEE In-
ter national S y m P osiu m on Industrial E lectronics
［C］.New Y or k，U SA，1994.380-385.
［28］叶楠.模式识别在状态估计中的应用———一类软测量技术［J］.仪器仪表学报，1988（4）：368.
［29］张青.DM T装置的酸值软测量［J］.化工自动化及仪表，1994，21（4）：27-29.
［30］周小林.湿蒸汽干度的软测量技术［J］.化工自动化及仪表，1994，21（4）：42-45.
［31］罗荣富.一种新的软测量方法及其工业应用［J］.上海交通大学学报，1994，28（增刊）：50-55.
［32］吴晓汉.基于神经网络的软测量技术及应用［J］.化工自动化及仪表，1998（2）：16-19.
［33］梁军.大型板坯加热炉中钢坯温度分布的软测量研究及实现［J］.仪器仪表学报，1999，20（1）：81-
83.
［34］戴华平.软测量技术应用于磺化过程［J］.仪器仪表学报，1999，20（1）：84-86.
［35］仲蔚，俞金寿.软测量技术及其在加氢裂化分馏塔中的应用［J］.华东理工大学学报，1999，25（4）：
420-423.
［36］田野.用RBF神经网络建立航空煤油密度软测量模型［J］.石油化工自动化，1999（4）：20-22.
［37］梁昊.M TBE反应器软测量系统与控制［J］.化工自动化及仪表，1999，26（6）：23-27.
［38］牛林，杨承志.软测量技术应用于乙醛精馏塔成分估计［J］.昆明理工大学学报，1999，24（6）：60-62.［39］王显伟.FCC分馏塔产品质量软测量和控制［J］.化工自动化及仪表，1999，26（5）：22-24.
［40］顾香武.基于RBFNN的轻柴油凝点软测量技术［J］.炼油设计，1999，29（6）：29-31.
［41］包健.基于神经网络的汽油干点软测量［J］.杭州电子工业学院学报，2000，20（1）：72-75.
［42］方柏山.木糖醇发酵过程参数的在线软测量［J］.天津大学学报，2000，33（5）：607-609.
［43］梁秀满，孙文来.钢球磨煤机出口温度软测量［J］.
机械与电子，2000（6）：14-15.
［44］田荣海.五效蒸发装置软测量模型的建立［J］.化工自动化及仪表，2000，17（2）：58-61.
［45］仲蔚.分馏塔产品质量估计M I M 软测量［J］.自动化仪表，2000（3）：19-22.
［46］仲蔚，俞金寿.基于Fuzz y ARTMA p的加氢裂化分馏塔M I M 软测量［J］.化工学报，2000，51（5）：
672-675.
［47］汤伟.软测量技术及其在抄纸过程中的应用［J］.
自动化仪表，2000，21（10）：1-3.
［48］韩璞.基于神经网络的火电厂烟气含氧量软测量［J］.信息与控制，2001，30（2）：189-192.
［49］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，2001，28（2）：
70-73.
［50］杨慧中.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，2001，27（5）：
536-539.
［51］孙自强.连续催化重整装置辛烷值软测量研究［J］.
系统仿真学报，2001，13（增刊）：131-133.
［52］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，2001，28（6）：23-25.
［53］靳其兵.基于神经网络的软测量技术及其应用［J］.
冶金自动化，2001（5）：6-8.
［54］王东风，宋之平.基于神经网络的制粉系统球磨机负荷软测量［J］.中国电机工程学报2001，21（12）：
97-99.
66华南理工大学学报（自然科学版）第30卷
［55］刘瑞兰.基于模糊神经网络的软测量建模［A］.朱学峰，陈伟基，黄道平.过程控制科学技术与应用
［C］.广州：华南理工大学出版社，2002.427-430.［56］杜文莉，钱锋.基于神经网络的在线软测量技术在PTA生产过程中的应用［A］.朱学峰，陈伟基，黄道
平.过程控制科学技术与应用［C］.广州：华南理工
大学出版社，2002.436-440.
［57］王宇红等，基于小波神经网络的软测量技术在发酵过程中的应用［A］.朱学峰，陈伟基，黄道平.过程控
制科学技术与应用［C］.广州：华南理工大学出版
社，2002.454-458.
［58］李艳.硫酸盐法间歇蒸煮过程纸浆Ka PP a值软测量模型研究［A］.朱学峰，陈伟基，黄道平.过程控
制科学技术与应用［C］.广州：华南理工大学出版
社，2002.459-463.
［59］张健.基于升温曲线模式识别的蒸煮卡伯值预测［A］.朱学峰，陈伟基，黄道平.过程控制科学技术
与应用［C］.广州：华南理工大学出版社，2002.
464-467.
［60］陆婷.立德粉质量指标回归神经网络软测量模型研究及其改进［A］.朱学峰，陈伟基，黄道平.过程
控制科学技术与应用［C］.广州：华南理工大学出版
社，2002.468-472.
［61］陈磊.软测量在PTA氧化反应器出料质量控制中的应用［A］.朱学峰，陈伟基，黄道平.过程控制科
学技术与应用［C］.广州：华南理工大学出版社，
2002.473-476.
［62］李向阳.基于PLS的间歇蒸煮过程Ka PP a值软测量
方法［A］.朱学峰，陈伟基，黄道平.过程控制科学
技术与应用［C］.广州：华南理工大学出版社，2002.
482-486.
［63］W an g Y on g-shen g，Shao h u i-he.So ft senso rs in flu id cata l y tic crack in g［A］.M ao jian-]in and C ao x i-ren.
P roceed in g s o f t he3rd W o rld C on g ress on Inte lli g ent
C ontro l and A utom ation［C］.h efe i：The P ress o f t he
U n iversit y o f S c ience&T echno lo gy o f C h ina，2002.
1492-1496.
［64］徐敏，俞金寿.软测量技术［j］.石油化工自动化，
1998（2）：1-3.
［65］李海青，黄志尧.软测量技术原理及应用［M］.北京：化学工业出版社，2000.
［66］赵振宇，徐用懋.模糊理论和神经网络的基础与应用［M］.北京：清华大学出版社，广西：广西科学技术
出版社，1996.
Soft-sensi n g Techni l ue and its A PP lications
Z h ux u e-]e n8
（Co lle g e of A ut om ation Science and e n g i neeri n g，Sout h Chi na Univ.of T ech.，G uan g zhou510640，Chi na）
A bstract：Soft-sensi n g techni]ue is a ne w and devel o P i n g i ndustrial techni]ue.It is also an i m P ort ant co m P le m ent f or t he current short a g e of co mm ercial transducers.In vie w of t he recent devel o P m ent of soft sensors，5as P ects of soft-sensi n g techni]ue are P resented i n t his P a P er，na m el y，secondar y variable selection，dat a rectificati on，soft-sensor m odels，on-li ne correction and i ndustrial a PP licati ons.A lso t he f ut ure devel o P i n g directi on of t he techni]ue is outli ned.
K e y w ords：soft-sensi n g；secondar y variables；dat a rectification；on-li ne correcti on；i ndustrial a PP lica-tions
责任编辑：许花桃第11期朱学峰：软测量技术及其应用67
软测量技术及其应用
作者：朱学峰
作者单位：华南理工大学,自动化科学与工程学院,广东,广州,510640
刊名：
华南理工大学学报(自然科学版)
英文刊名：JOURNAL OF SOUTH CHINA UNIVERSITY OF TECHNOLOGY(NATURAL SCIENCE EDITION)
年，卷(期)：2002,30(11)
被引用次数：45次
参考文献(66条)
1.Brosillow Inferential control of process 1978(03)
2.于静江;周春晖过程控制中的软测量技术 1996(04)
3.Tham M T;Montague G A Soft-sensors for process estimation and inferential control 1991(01)
4.罗荣富软测量方法及其工业应用 1993
5.Lorena J S;Biegler T Data reconciliation and gross error detection for dynamic systems 1996(10)
6.李红军;秦永胜;徐用懋化工过程中的数据协调及显著误差检测 1997(02)
7.俞金寿软测量技术及其在石油化工中的应用 1999
8.Brambilla A;Trivella F Estimate product quality with ANNs 1996(09)
9.Savkovice J Neural networks for process analysis and optimization:modeling and applications
1994(18)
10.王旭东;邵惠鹤神经元网络建模与软测量技术 1996(02)
11.CHEN Yi;Karjala T W Resolving problems in closed loop nonlinear process identification using IRN [外文期刊] 1996(10)
12.Michael L;Mark A Modeling chemical processes using prior knowledge and neural networks[外文期刊] 1994(08)
13.沈明新;隋有功钢水碳含量的模糊辨识及应用 1997(02)
14.Takagi H;Hayashi I NN-driven fuzzy reasoning 1991(05)
15.长谷川眕炉吹练プロセスのフアヅイモデリソグヮ 1993(05)
16.谢书明;高宪文;柴天佑基于灰色模型的转炉炼钢终点预报研究[期刊论文]-钢铁研究学报 1999(04)
17.李向阳间歇蒸煮过程纸浆Kappa值软测量方法研究与应用[学位论文] 2001
18.罗琪硫酸盐法蒸煮过程纸浆Kappa值软测量技术的研究[学位论文] 1998
19.李艳;李向阳;朱学峰基于粗集理论和RBF神经网络的软测量技术研究 2000(03)
20.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[期刊论文]-控制理论与应用 2001(05)
21.李向阳;朱学峰;黄道平间歇制浆蒸煮终点预测方法[期刊论文]-计算机与应用化学 2001(02)
22.董伟平神经元网络在软测量应用中的工程技巧 1998(05)
23.骆晨钟;邵惠鹤软仪表技术及其工业应用 1999(01)
24.皮道映制浆造纸生产中的软测量技术—一个值得重视的课题 1997(01)
25.张明君低定量纸张水分的软测量方法 1997(06)
26.Gonzalez G D Soft sensors for processing plants[外文会议] 1999
27.Gonzalez G D Issues in soft-sensor applications in industrial plants[外文会议] 1994
28.叶楠模式识别在状态估计中的应用-一类软测量技术 1988(04)
29.张青DMT装置的酸值软测量 1994(04)
30.周小林湿蒸汽干度的软测量技术 1994(04)
31.罗荣富一种新的软测量方法及其工业应用 1994(z1)
32.吴晓汉基于神经网络的软测量技术及应用 1998(02)
33.梁军大型板坯加热炉中钢坯温度分布的软测量研究及实现[期刊论文]-仪器仪表学报 1999(01)
34.戴华平软测量技术应用于磺化过程[期刊论文]-仪器仪表学报 1999(01)
35.仲蔚;俞金寿软测量技术及其在加氢裂化分馏塔中的应用 1999(04)
36.田野用RBF神经网络建立航空煤油密度软测量模型 1999(04)
37.梁昊MTBE反应器软测量系统与控制[期刊论文]-化工自动化及仪表 1999(06)
38.牛林;杨承志软测量技术应用于乙醛精馏塔成分估计 1999(06)
39.王显伟FCC分馏塔产品质量软测量和控制[期刊论文]-化工自动化及仪表 1999(05)
40.顾香武基于RBFNN的轻柴油凝点软测量技术[期刊论文]-炼油设计 1999(06)
41.包健基于神经网络的汽油干点软测量 2000(01)
42.方柏山木糖醇发酵过程参数的在线软测量[期刊论文]-天津大学学报(自然科学与工程技术版) 2000(05)
43.梁秀满;孙文来钢球磨煤机出口温度软测量方法[期刊论文]-机械与电子 2000(06)
44.田荣海五效蒸发装置软测量模型的建立[期刊论文]-化工自动化及仪表 2000(06)
45.仲蔚分馏塔产品质量估计MIMO软测量[期刊论文]-自动化仪表 2000(03)
46.仲蔚;俞金寿基于Fuzzy ARTMAP的加氢裂化分馏塔MIMO软测量[期刊论文]-化工学报 2000(05)
47.汤伟软测量技术及其在抄纸过程中的应用[期刊论文]-自动化仪表 2000(10)
48.韩璞基于神经网络的火电厂烟气含氧量软测量[期刊论文]-信息与控制 2001(02)
49.曹柳林;陶斌军基于对角递归神经网络的粘度软测量模型[期刊论文]-北京化工大学学报 2001(02)
50.杨慧中聚丙烯腈质量指标软测量模型的数据动态校核[期刊论文]-华东理工大学学报(自然科学版) 2001(05)
51.孙自强连续催化重整装置辛烷值软测量研究[期刊论文]-系统仿真学报 2001(z1)
52.尚宝霞重油催化装置干气纯度的软测量[期刊论文]-化工自动化及仪表 2001(06)
53.靳其兵基于神经网络的软测量技术及其应用[期刊论文]-冶金自动化 2001(05)
54.王东风;宋之平基于神经网络的制粉系统球磨机负荷软测量[期刊论文]-中国电机工程学报 2001(12)
55.刘瑞兰;苏宏业;高倩基于模糊神经网络的软测量建模[会议论文] 2002
56.杜文莉;钱锋基于神经网络的在线软测量技术在PTA生产过程中的应用[会议论文] 2002
57.王宇红;黄德先;高东杰;金以慧基于小波神经网络的软测量技术在发酵过程的应用[会议论文] 2002
58.李艳;张健;黄道平;朱学峰硫酸盐法间歇蒸煮过程纸浆Kappa值软测量模型研究[会议论文] 2002
59.张健;李艳;黄道平基于升温曲线模式识别的蒸煮过程卡伯值预测[会议论文] 2002
60.陆婷;罗飞;毛宗源立德粉质量指标回归神经网络软测量模型研究及其改进[会议论文] 2002
61.陈磊;姜捷;何衍庆软测量在PTA氧化反应器出料质量控制中的应用[会议论文] 2002
62.李向阳;朱学峰;黄道平;刘焕彬基于PLS的间歇蒸煮过程Kappa值软测量方法[会议论文] 2002
63.Wang Yong-sheng;Shao Hui-he Soft sensors in fluid catalytic cracking 2002
64.徐敏;俞金寿软测量技术 1998(02)
65.李海青;黄志尧软测量技术原理及应用 2000
66.赵振宇;徐用懋模糊理论和神经网络的基础与应用 1996
本文读者也读过(9条)
1.俞金寿.Yu Jinshou软测量技术及其应用[期刊论文]-自动化仪表2008,29(1)
2.王旭东.邵惠鹤.WANG XUDONG.SHAO HUIHE基于神经网络的通用软测量技术[期刊论文]-自动化学报1998,24(5)
3.黄凤良软测量思想与软测量技术[期刊论文]-计量学报2004,25(3)
4.刘瑞兰软测量技术若干问题的研究及工业应用[学位论文]2004
5.程远增.王渝.张海龙.Cheng Yuanzeng.Wang Yu.Zhang Hailong软测量技术及其在装备检测中的应用[期刊论文]-电子测量技术2010,33(6)
6.陈棣湘.潘孟春.罗飞路.CHEN Di-xiang.PAN Meng-chun.LUO Fei-lu高速磁浮列车电磁力的软测量技术[期刊论文]-电机与控制学报2006,10(3)
7.胡斌.于晨斯.Hu Bin.Yu Chensi软测量技术及其应用[期刊论文]-科技广场2010(3)
8.李勇.邵诚.LI Yong.SHAO Cheng软测量技术及其应用与发展[期刊论文]-工业仪表与自动化装置2005(5)
9.王军.王雁.阎威武.邵惠鹤.WANG Jun.WANG Yan.YAN Wei-wu.SHAO Hui-he采用软测量技术提高变风量空调系统的性能[期刊论文]-上海交通大学学报2007,41(3)
引证文献(45条)
1.张颖.詹冉.施佳基于遗传算法优化神经网络的藻类繁殖状态软测量方法[期刊论文]-电子设计工程 2013(21)
2.孔建益.李公法.熊禾根.蒋国璋.杨金堂.王兴东.侯宇工业生产中软测量建模方法及其应用研究[期刊论文]-机床与液压 2007(6)
3.陆霁神经网络在顺丁橡胶门尼粘度软测量中的应用[学位论文]硕士 2005
4.刘帆聚丙烯熔融指数的软测量研究[学位论文]硕士 2005
5.盛守照.王道波.黄向华.王志胜新型前向神经网络设计方法在软测量中的应用[期刊论文]-传感器技术 2004(4)
6.盛守照.王道波.王志胜.黄向华基于子空间信息量准则的软测量模型选择研究[期刊论文]-传感器技术 2004(8)
7.吕鸣基于神经网络的软测量建模[期刊论文]-陕西煤炭 2012(6)
8.巨稳.田学民基于混合核函数的OLS软测量建模方法研究[期刊论文]-石油化工自动化 2011(1)
9.张健.李艳.黄道平.朱学峰复杂工况下的纸浆Kappa值软测量方法[期刊论文]-华南理工大学学报(自然科学版) 2004(4)
10.张健.李艳.黄道平.朱学峰.史步海基于小波分析的纸浆Kappa值分类模型软测量[期刊论文]-吉林大学学报(信息科学版) 2004(4)
11.李艳.张健.朱学峰.黄道平基于混合模型的Kappa值软测量研究与应用[期刊论文]-计算机与应用化学 2004(3)
12.黄道平.刘乙奇.李艳软测量在污水处理过程中的研究与应用[期刊论文]-化工学报 2011(1)
13.汤伟.单文娟.王孟效残碱和黑液波美度的在线软测量方法及实现[期刊论文]-中国造纸 2011(6)
14.王玉乔.程光旭.汤杰国基于KPCA的连续重整催化剂结焦碳含量软测量模型[期刊论文]-高校化学工程学报2009(5)
15.童长仁.李明周.吴金财.刘道斌基于BP网络逆映射的铝酸钠溶液软测量模型[期刊论文]-中国有色金属学报2008(5)
16.胡志坤.桂卫华.阳春华.张毅连续碳酸化分解过程进料的稳定控制[期刊论文]-工业仪表与自动化装置 2006(2)
17.张毅.桂卫华.胡志坤.阳春华连续碳酸化分解过程进料流量的软测量与控制[期刊论文]-自动化与仪表 2005(3)
18.卿晓霞.余建平软测量技术及其在污水处理系统中的应用[期刊论文]-工业水处理 2005(3)
19.鞠旋.刘春波.潘丰基于WSVM的软测量算法应用研究[期刊论文]-机电工程 2011(4)
20.杨云.朱学峰基于第二代小波变换的中药指纹图谱的基线提取[期刊论文]-华南理工大学学报（自然科学版）2007(1)
21.操小明粗集-支持向量机方法在软测量中应用研究[学位论文]硕士 2006
22.赖惠鸽.朱学军.俞金寿基于智能算法的污水处理软测量技术及其展望[期刊论文]-化工自动化及仪表 2011(3)
23.叶齐鑫.赵伟试论间接测量与软测量概念的同异性[期刊论文]-计量技术 2005(8)
24.高本东过程监控系统设计方法研究及应用[学位论文]硕士 2005
25.程远增.王渝.张海龙软测量技术及其在装备检测中的应用[期刊论文]-电子测量技术 2010(6)
26.钟秋基于遗传算法的神经网络软测量建模研究[学位论文]硕士 2005
27.刘瑞兰软测量技术若干问题的研究及工业应用[学位论文]博士 2004
28.黄竹青.左从瑞.曹小玲湿蒸汽凝结流动过程湿度软测量模型[期刊论文]-中南大学学报（自然科学版）
2012(4)
29.余建平基于改进神经网络的污水处理参数软测量模型研究[学位论文]硕士 2005
30.李艳.张健.朱学峰.黄道平基于混合模型的Kappa值软测量研究与应用[期刊论文]-计算机与应用化学 2004(3)
31.贺毅.赵望达.刘勇求基于先进信息处理技术的软测量应用探讨[期刊论文]-工业计量 2006(2)
32.郑其明酯化反应苯酐转化率软测量研究[学位论文]硕士 2005
33.黄纪军丁二烯精熘生产关键参数软测量及优化[学位论文]硕士 2006
34.崔宇昊中药生产过程自动化智能控制系统的研制[学位论文]硕士 2006
35.陈棣湘常导型高速磁浮列车电磁系统的研究[学位论文]博士 2005
36.张波遗传算法的改进及其在连续催化重整优化操作中的应用[学位论文]硕士 2004
37.韩慧丽阻容解耦软测量系统的研究与实现[学位论文]硕士 2005
38.王孝红.刘文光.于宏亮工业过程软测量研究[期刊论文]-济南大学学报（自然科学版） 2009(1)
39.王岩基于神经网络优化理论的软测量技术及应用研究[学位论文]硕士 2005
40.张剑辉重质酮苯脱蜡装置倾点软测量技术研究[学位论文]硕士 2006
41.杜玉晓铅锌烧结过程智能集成优化控制技术及其应用研究[学位论文]博士 2004
42.李海生支持向量机回归算法与应用研究[学位论文]博士 2005
43.张勇粗糙集-神经网络智能系统在浮选过程中的应用研究[学位论文]博士 2005
44.何斌基于可拓逻辑的机器学习理论与方法[学位论文]博士 2005
45.王介生球团烧结过程智能控制方法及其应用研究[学位论文]博士 2006
本文链接：https://www.doczj.com/doc/9d9721567.html,/Periodical_hnlgdxxb200211011.aspx