在過(guò)程控制中，若要使生產(chǎn)裝置處于*運(yùn)行工況、實(shí)現(xiàn)卡邊控制、多產(chǎn)高價(jià)值產(chǎn)品，從而提高裝置的經(jīng)濟(jì)效益，就必須要對(duì)產(chǎn)品質(zhì)量或與產(chǎn)品質(zhì)量密切相關(guān)的重要過(guò)程變量進(jìn)行嚴(yán)格控制。在線分析儀表（傳感器）不僅價(jià)格昂貴、維護(hù)保養(yǎng)復(fù)雜，而且由于分析儀表滯后大等原因，zui終將導(dǎo)致控制質(zhì)量的性能下降，難以滿足生產(chǎn)要求。還有部分產(chǎn)品質(zhì)量目前無(wú)法測(cè)量，這種情況在工業(yè)生產(chǎn)中實(shí)例很多，例如某些精（分）餾塔產(chǎn)品成分，塔板效率，干點(diǎn)、閃點(diǎn)，反應(yīng)器中反應(yīng)物濃度、轉(zhuǎn)化率、摧化劑活性。高爐鐵水中的含硅量，生物發(fā)酵罐中的生物量參數(shù)等。為了解決這類變量的測(cè)量問(wèn)題，出現(xiàn)了不少方法，目前應(yīng)用較廣泛的是軟測(cè)量方法。
　　
　　軟測(cè)量的基本思想是把自動(dòng)控制理論與生產(chǎn)過(guò)程知識(shí)有機(jī)結(jié)合起來(lái)，應(yīng)用計(jì)算機(jī)技術(shù)，針對(duì)難于測(cè)量或暫時(shí)不能測(cè)量的重要變量（或稱之為主導(dǎo)變量），選擇另外一些容易測(cè)量的變量（或稱之為輔助變量），通過(guò)構(gòu)成某種數(shù)學(xué)關(guān)系來(lái)推斷和估計(jì)，以軟件來(lái)代替硬件（傳感器）功能。這類方法響應(yīng)迅速，能夠連續(xù)給出主導(dǎo)變量信息，且具有投資低、維護(hù)保養(yǎng)簡(jiǎn)單等優(yōu)點(diǎn)。
　　
　　近年來(lái)，國(guó)內(nèi)外對(duì)軟測(cè)量技術(shù)進(jìn)行了大量的研究。過(guò)程控制專家MCavoy教授將軟測(cè)量技術(shù)列為未來(lái)控制領(lǐng)域需要研究的幾大方向之一，具有廣闊的應(yīng)用前景。
　　
　　一、軟測(cè)量技術(shù)概論
　　
　　軟測(cè)量技術(shù)主要由輔助變量的選擇、數(shù)據(jù)采集和處理、軟測(cè)量模型及在線校正四個(gè)部分組成。
　　
　　1.1機(jī)理分析與輔助變量的選擇
　　
　　首先明確軟測(cè)量的任務(wù)，確定主導(dǎo)變量。在此基礎(chǔ)上深入了解和熟悉軟測(cè)量對(duì)象及有關(guān)裝置的工藝流程，通過(guò)機(jī)理分析可以初步確定影響主導(dǎo)變量的相關(guān)變量輔助變量。輔助變量的選擇包括變量類型、變量數(shù)目和檢測(cè)點(diǎn)位置的選擇。這三個(gè)方面互相關(guān)聯(lián)、互相影響，由過(guò)程特性所決定的。在實(shí)際應(yīng)用中，還受經(jīng)濟(jì)條件、維護(hù)的難易程度等外部因素制約。
　　
　　1.2數(shù)據(jù)采集和處理
　　
　　從理論上講，過(guò)程數(shù)據(jù)包含了工業(yè)對(duì)象的大量相關(guān)信息，因此，數(shù)據(jù)采集量多多益善，不僅可以用來(lái)建模，還可以檢驗(yàn)?zāi)Ｐ?。?shí)際需要采集的數(shù)據(jù)是與軟測(cè)另量主導(dǎo)變量對(duì)應(yīng)時(shí)間的輔助變量的過(guò)程數(shù)據(jù)。其次，數(shù)據(jù)覆蓋面在可能條件下應(yīng)寬一些，以便軟測(cè)量具有較寬的適用范圍。為了保證軟測(cè)量精度，數(shù)據(jù)的正確性和可靠性十分重要。
　　
　　采集的數(shù)據(jù)必須進(jìn)行處理，數(shù)據(jù)處理包含兩個(gè)方面，即換算（scaling）利數(shù)據(jù)誤差處理。數(shù)據(jù)誤差分為隨機(jī)誤差和過(guò)失誤差兩類，前者是隨機(jī)因素的影響，如操作過(guò)程微小的波動(dòng)或測(cè)量信號(hào)的噪聲等，常用濾波的方法來(lái)解決；后者包括儀表的系統(tǒng)誤差（如堵塞、校正不準(zhǔn)等）以及不*或不正確的過(guò)程模型（受泄漏、熱損失等不確定因素影響）。過(guò)失誤差出現(xiàn)的幾率較小，但它的存在會(huì)嚴(yán)重惡化數(shù)據(jù)的品質(zhì)，可能會(huì)導(dǎo)致軟測(cè)量甚至整個(gè)過(guò)程優(yōu)化的失效。因此，及時(shí)偵破、剔除和校正這類數(shù)據(jù)是誤差處理的首要任務(wù)。
　　
　　1.3軟測(cè)量模型的建立
　　
　　軟測(cè)量模型是軟測(cè)量技術(shù)的核心。建立的方法有機(jī)理建模、經(jīng)驗(yàn)建模以及兩者相結(jié)合的建模。
　　
　　1.3.1機(jī)理建模
　　
　　從機(jī)理出發(fā)，也就是從過(guò)程內(nèi)在的物理和化學(xué)規(guī)律出發(fā)，通過(guò)物料平衡與能量平衡和動(dòng)量平衡建立數(shù)學(xué)模型。對(duì)于簡(jiǎn)單過(guò)程可以采用解析法，而對(duì)于復(fù)雜過(guò)程，特別是需要考慮輸入變量大范圍變化的場(chǎng)合，采用仿真方法。典型化工過(guò)程的仿真程序已編制成各種現(xiàn)成軟件包。
　　
　　機(jī)理模型優(yōu)點(diǎn)是可以充分利用已知的過(guò)程知識(shí)，從事物的本質(zhì)上認(rèn)識(shí)外部特征；有較大的適用范圍，操作條件變化可以類推。但它亦有弱點(diǎn)，對(duì)于某些復(fù)雜的過(guò)程難于建模，必須通過(guò)輸入/輸出數(shù)據(jù)驗(yàn)證。
　　
　　1.3.2經(jīng)驗(yàn)建模
　　
　　通過(guò)實(shí)測(cè)或依據(jù)積累操作數(shù)據(jù)，用數(shù)學(xué)回歸方法、神經(jīng)網(wǎng)絡(luò)方法等得到經(jīng)驗(yàn)?zāi)Ｐ蛠?lái)進(jìn)行測(cè)試，理論上有很多實(shí)驗(yàn)設(shè)計(jì)方法，如常用的正交設(shè)計(jì)等。有一種辦法是吸取調(diào)優(yōu)操作經(jīng)驗(yàn)，即逐步向更好的操作點(diǎn)移動(dòng)，這樣可一舉兩得，既擴(kuò)大了測(cè)試范圍，又改進(jìn)了工藝操作。測(cè)試中另一個(gè)問(wèn)題是穩(wěn)態(tài)是否真正建立，否則會(huì)帶來(lái)較大誤差。還有數(shù)據(jù)采樣與產(chǎn)品質(zhì)量分析必須同步進(jìn)行。zui后是模型檢驗(yàn)，檢驗(yàn)分為自身檢驗(yàn)與交叉檢驗(yàn)。我們建議和提倡交叉檢驗(yàn)。經(jīng)驗(yàn)建模的優(yōu)點(diǎn)與弱點(diǎn)與機(jī)理建模正好相反，特別是現(xiàn)場(chǎng)測(cè)試，實(shí)施中有一定難處。
　　
　　1.3.3機(jī)理建模與經(jīng)驗(yàn)建模相結(jié)合
　　
　　把機(jī)理建模與經(jīng)驗(yàn)建模結(jié)合起來(lái)，可兼容兩者之長(zhǎng)，補(bǔ)各自之短。機(jī)理與經(jīng)驗(yàn)相結(jié)合建模是一個(gè)較實(shí)用的方法，目前被廣泛采用。
　　
　　1.4軟測(cè)量模型的在線校正
　　
　　由于軟測(cè)量對(duì)象的時(shí)變性、非線性以及模型的不完整性等因素，必須考慮模型的在線校正，才能適應(yīng)新工況。軟測(cè)量模型的在線校正可表示為模型結(jié)構(gòu)和模型參數(shù)的優(yōu)化過(guò)程，具體方法有自適應(yīng)法、增量法和多時(shí)標(biāo)法。
　　
　　對(duì)模型結(jié)構(gòu)的修正往往需要大量的樣本數(shù)據(jù)和較長(zhǎng)的計(jì)算時(shí)間，難以在線進(jìn)行。為解決模型結(jié)構(gòu)修正耗時(shí)長(zhǎng)和在線校正的矛盾，提出了短期學(xué)習(xí)和長(zhǎng)期學(xué)習(xí)的校正方法。短期學(xué)習(xí)由于算法簡(jiǎn)單、學(xué)習(xí)速度快而便于實(shí)時(shí)應(yīng)用。長(zhǎng)期學(xué)習(xí)是當(dāng)軟測(cè)量?jī)x表在線運(yùn)行一段時(shí)間積累了足夠的新樣本模式后，重新建立軟測(cè)量模型。
　　
　　二、軟測(cè)量建模的方法
　　
　　軟測(cè)量的核心問(wèn)題是其模型的建立，也即建立待估計(jì)變量與其它直接測(cè)量變量間的關(guān)聯(lián)模型。軟測(cè)量建模的方法多種多樣，且各種方法互有交叉，且有相互融合的趨勢(shì)，因此很難有妥當(dāng)而全面的分類方法。目前，軟測(cè)量建模方法一般可分為:機(jī)理建模、回歸分析、狀態(tài)估計(jì)、模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、基于支持向量機(jī)（SVM）和核函數(shù)的方法、過(guò)程層析成像、相關(guān)分析和現(xiàn)代非線性系統(tǒng)信息處理技術(shù)等。這些方法都不同程度地應(yīng)用于軟測(cè)量實(shí)踐中，均具有各自的優(yōu)缺點(diǎn)及適用范圍，有些方法在軟測(cè)量實(shí)踐中己有許多成功的應(yīng)用，后面幾種建模方法限于技術(shù)發(fā)展水平，目前在過(guò)程控制中還應(yīng)用較少。
　　
　　2.1基于工藝機(jī)理分析的軟測(cè)量建模
　　
　　基于工藝機(jī)理分析的軟測(cè)量建模主要是運(yùn)用化學(xué)反應(yīng)動(dòng)力學(xué)、物料平衡、能量平衡等原埋，通過(guò)對(duì)過(guò)程對(duì)象的機(jī)理分析，找出不可測(cè)主導(dǎo)變量與可測(cè)輔助變量之間的關(guān)系（建立機(jī)理模型），從而實(shí)現(xiàn)對(duì)某一參數(shù)的軟測(cè)量。對(duì)于工藝機(jī)理較為清楚的工藝過(guò)程，該方法能構(gòu)造出性能良好的軟儀表。但是對(duì)于機(jī)理研究不充分、尚不*清楚的復(fù)雜工業(yè)過(guò)程，難以建立合適帆機(jī)理模型。此時(shí)該方法就需要與其它參數(shù)估計(jì)方法相結(jié)合才能構(gòu)造軟儀表。這種軟測(cè)量建模方法是工程中常用的方法，其特點(diǎn)是簡(jiǎn)單、工程背景清晰，便于實(shí)際"應(yīng)用，但應(yīng)用效果依賴于對(duì)工藝機(jī)理的了解程度，因?yàn)檫@種軟測(cè)量方法是建立在對(duì)工藝過(guò)程機(jī)理深刻認(rèn)識(shí)的基礎(chǔ)上，建模的難度較大。
　　
　　2.2基于回歸分析的軟測(cè)量建模
　　
　　經(jīng)典的回歸分析是一種建模的基本方法，應(yīng)用范圍相當(dāng)廣泛。以zui小二乘法原理為基礎(chǔ)的一元和多元線性回歸技術(shù)目前已相當(dāng)成熟，常用于線性模型的擬合。對(duì)于輔助變量較少的情況，一般采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。對(duì)于輔助變量較多的情況，通常要借助機(jī)理分析，首先獲得模型各變量組合的大致框架，然后再采用逐步回歸方法獲得軟測(cè)量模型。為簡(jiǎn)化模型，也可采用主元回歸分析法PCR（Principalcomponentregression）和部分zui小二乘回歸法PLSR（principalcomponentregression）等方法?；诨貧w分析的軟測(cè)量建模方法簡(jiǎn)單實(shí)用，但需要足夠有效的樣本數(shù)據(jù)，對(duì)測(cè)量誤差較為敏感且模型物理量概念不明了。
　　
　　2.3基于狀態(tài)估計(jì)的軟測(cè)量建模
　　
　　如果系統(tǒng)主導(dǎo)變量作為系統(tǒng)的狀態(tài)變量是*可觀的，那么軟測(cè)量建模問(wèn)題就轉(zhuǎn)化為典型的狀態(tài)觀測(cè)和狀態(tài)估計(jì)問(wèn)題?；跔顟B(tài)估計(jì)的軟儀表由于可以反映主導(dǎo)變量和輔助變量之間的動(dòng)態(tài)關(guān)系，因此，有利于處理各變量間動(dòng)態(tài)特性的差異和系統(tǒng)滯后等情況。這種軟測(cè)量建模方法的缺點(diǎn)在于對(duì)復(fù)雜的工業(yè)過(guò)程，常常難以建立系統(tǒng)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。同時(shí)在許多工業(yè)生產(chǎn)過(guò)程中，常常會(huì)出現(xiàn)持續(xù)緩慢變化的不可測(cè)的擾動(dòng)，在這種情況下采用這種建模方法可能會(huì)帶來(lái)顯著的誤差。
　　
　　2.4基于模式識(shí)別的軟測(cè)量建模
　　
　　這種軟測(cè)量建模方法是采用模式識(shí)別的方法對(duì)工業(yè)過(guò)程的操作數(shù)據(jù)進(jìn)行處理，從中提取系統(tǒng)的特征，構(gòu)成以模式描述分類為基礎(chǔ)的模式識(shí)別模型，如空間超盒等。基于模式識(shí)別方法建立的軟測(cè)量模型與傳統(tǒng)的數(shù)學(xué)模型不同，它是一種以系統(tǒng)的輸入/輸出數(shù)據(jù)為基礎(chǔ)，通過(guò)對(duì)系統(tǒng)特征提取而構(gòu)成的模式描述模型。該方法的優(yōu)勢(shì)在于它適用于缺乏系統(tǒng)先驗(yàn)知識(shí)的場(chǎng)合，可利用日常操作數(shù)據(jù)來(lái)實(shí)現(xiàn)軟測(cè)量建模。在實(shí)際應(yīng)用中，這種軟測(cè)量建模方法常常和人工神經(jīng)網(wǎng)絡(luò)以及模糊技術(shù)等技術(shù)結(jié)合在一起使用。
　　
　　2.5基于人工神經(jīng)網(wǎng)絡(luò)的軟測(cè)量建模
　　
　　基于人工神經(jīng)網(wǎng)絡(luò)ANN（annifiCialneuralnetwork）的軟測(cè)量建模方法是近年來(lái)研究較多、發(fā)展很快和應(yīng)用范圍很廣泛的一種軟測(cè)量建模方法。由于人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、聯(lián)想記憶、自適應(yīng)和非線性逼近等功能，基于人工神經(jīng)網(wǎng)絡(luò)的軟測(cè)量模型可以在不具備對(duì)象的先驗(yàn)知識(shí)的條件下，根據(jù)對(duì)象的輸入/輸出數(shù)據(jù)直接建模（將輔助變量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，而主導(dǎo)變量作為神經(jīng)網(wǎng)絡(luò)的輸出，通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)來(lái)解決不可測(cè)變量的軟測(cè)量問(wèn)題），模型的在線校正能力強(qiáng)，并能適用于高度非線性和嚴(yán)重不確定性系統(tǒng)。
　　
　　因此，它為解決復(fù)雜系統(tǒng)過(guò)程參數(shù)的軟測(cè)量問(wèn)題提供了一條有效途徑。采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行軟測(cè)量建模有兩種形式:一種是利用人工神經(jīng)網(wǎng)絡(luò)直接建模，用神經(jīng)網(wǎng)絡(luò)來(lái)代替常規(guī)的數(shù)學(xué)模型描述輔助變量和主導(dǎo)變量間的關(guān)系，完成由可測(cè)信息空間到主導(dǎo)變量的映射;另一種是與常規(guī)模型相結(jié)合，用神經(jīng)網(wǎng)絡(luò)來(lái)估計(jì)常規(guī)模型的模型參數(shù)，進(jìn)而實(shí)現(xiàn)軟測(cè)量。
　　
　　2.6基于回歸支持向量機(jī)的方法
　　
　　建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的支持向量機(jī)SVM（suppoVectormachine）已成為當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)。支持向量機(jī)采用結(jié)構(gòu)風(fēng)險(xiǎn)zui小化準(zhǔn)則，在有限樣本情況下，得到現(xiàn)有信息下的*解而不僅僅是樣本數(shù)趨于無(wú)窮大時(shí)的*值，解決了一般學(xué)習(xí)方法難以解決的問(wèn)題，如神經(jīng)網(wǎng)絡(luò)的局部zui小問(wèn)題、過(guò)學(xué)習(xí)以及結(jié)構(gòu)和類型的選擇過(guò)分依賴于經(jīng)驗(yàn)等固有的缺陷等問(wèn)題，從而提高了模型的泛化能力。另外支持向量機(jī)把機(jī)器學(xué)習(xí)問(wèn)題歸結(jié)為一個(gè)二次規(guī)劃問(wèn)題，因而得到的*解不僅是全局*解，而且具有*性。SVM的方法zui早是針對(duì)模式識(shí)別問(wèn)題提出的，Vapnik通過(guò)引入ε不敏感損失函數(shù)，將其推廣應(yīng)用到非線性回歸估計(jì)中，得到了用于回歸估計(jì)的標(biāo)準(zhǔn)SVM方法，本文稱之為回歸支持向量機(jī)SVR（supportVectorregressor）。由于軟測(cè)量建模與一般數(shù)據(jù)回歸問(wèn)題之間存在著共性，支持向量機(jī)方法應(yīng)用于回歸估計(jì)問(wèn)題取得不錯(cuò)的效果應(yīng)用，促使人們把眼光投向工程應(yīng)用領(lǐng)域，提出不少建立基于回歸支持向量機(jī)的軟測(cè)量建模方法。
　　
　　2.7基于模糊數(shù)學(xué)的軟測(cè)量建模
　　
　　模糊數(shù)學(xué)模仿人腦邏輯思維特點(diǎn)，是處理復(fù)雜系統(tǒng)的一種有效手段，在過(guò)程軟測(cè)量建模中也得到了大量應(yīng)用。基于模糊數(shù)學(xué)軟測(cè)量模型是一種知識(shí)性模型。該法特別適合應(yīng)用于復(fù)雜工業(yè)過(guò)程中被測(cè)對(duì)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(chǎng)合。實(shí)際應(yīng)用中常將模糊技術(shù)和其它人工智能技術(shù)相結(jié)合，例如模糊數(shù)學(xué)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)，將模糊數(shù)學(xué)和模式識(shí)別相結(jié)合構(gòu)成模糊模式識(shí)別，這樣可互相取長(zhǎng)補(bǔ)短以提高軟儀表的效能。
　　
　　2.8基于過(guò)程層析成像的軟測(cè)量建模
　　
　　基于過(guò)程層析成像PT（Processtomography）的軟測(cè)量建模方法與其它軟測(cè)量建模方法不同，它是一種以醫(yī)學(xué)層析成像CT（computerizedtomography）技術(shù)為基礎(chǔ)的在線獲取過(guò)程參數(shù)二維或三維的實(shí)時(shí)分布信息的*檢測(cè)技術(shù)，即一般軟測(cè)量技術(shù)所獲取的大多是:關(guān)于某一變量的宏觀信息，而采用該技術(shù)可獲取關(guān)于該變量微觀的時(shí)空分布信息。由于受技術(shù)發(fā)展水平的制約，該種軟測(cè)量建模方法目前離工業(yè)實(shí)用化還有一定距離，在過(guò)程控制中的直接應(yīng)用還不多。
　　
　　2.9基于相關(guān)分析的軟測(cè)量建模
　　
　　基于相關(guān)分析的軟測(cè)量建模方法是以隨機(jī)過(guò)程中的相關(guān)分析理論為基礎(chǔ)，利用兩個(gè)或多個(gè)可測(cè)隨機(jī)信號(hào)間的相關(guān)特性來(lái)實(shí)現(xiàn)某一參數(shù)的軟測(cè)量建模方法。該方法采用的具體實(shí)現(xiàn)方法大多是互相關(guān)分析方法，即利用各輔助變量（隨機(jī)信號(hào)）間的互相關(guān)函數(shù)特性來(lái)進(jìn)行軟測(cè)量建模。日前這種方法主要應(yīng)用于難測(cè)流體（即采用常規(guī)測(cè)量?jī)x表難以進(jìn)行有效測(cè)量的流體）流速或流量的在線測(cè)量和故障診斷（例如流體輸送管道泄漏的檢測(cè)和癥位）等。
　　
　　2.10基于現(xiàn)代非線性信息處理技術(shù)的軟測(cè)量建模
　　
　　基于現(xiàn)代非線性信息處理技術(shù)的軟測(cè)量建模方法是利用易測(cè)過(guò)程信息（輔助變量，它通常是一種隨機(jī)信號(hào)），采用*的信息處理技術(shù)，通過(guò)對(duì)所獲信息的分析處埋提取信號(hào)特征量，從而實(shí)現(xiàn)某一參數(shù)的在線檢測(cè)或過(guò)程的狀態(tài)識(shí)別。這種軟測(cè)量建模技術(shù)的基本思想與基于相關(guān)分忻的軟測(cè)量建模技術(shù)一致，都是通過(guò)信號(hào)處理來(lái)解決軟測(cè)量建模問(wèn)題，所不同的是具體信息處理方法不同。該軟測(cè)量建模方法的信息處理方法大多是各種*的非線性信息處理技術(shù)，例如小波分析、混沌和分形技術(shù)等，因此能適用于常規(guī)的信號(hào)處理手段難以適應(yīng)的復(fù)雜工業(yè)系統(tǒng)。相對(duì)而言，基于現(xiàn)代非線性信息處理技術(shù)的軟測(cè)量建模方法的發(fā)展較晚，研究也還比較分散。該技術(shù)目前一般主要應(yīng)用于系統(tǒng)的故障診斷、狀態(tài)檢測(cè)和過(guò)失誤差偵破等，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。
　　
　　三、軟測(cè)量建模方法進(jìn)一步研究的展望
　　
　　軟測(cè)量建模方法雖然經(jīng)過(guò)多年的發(fā)展有了很多成果，但仍有許多問(wèn)題有待于迸一步研究。軟測(cè)量建模方法進(jìn)一步研究的方向有以下幾種。
　　
　　3.1將新興的技術(shù)用于軟測(cè)量建模
　　
　　日前雖然出現(xiàn)了眾多軟測(cè)量建模方法，但仍不能滿足實(shí)際需要。將一些新興的技術(shù)用于軟測(cè)量建模，建立基于新興技術(shù)的軟測(cè)量模型仍是目前研究的熱點(diǎn)。如:將神經(jīng)網(wǎng)絡(luò)、微粒群優(yōu)化算法、遺傳算法等新興技術(shù)用于軟測(cè)量建模，建立性能更好的軟測(cè)量模型。
　　
　　文獻(xiàn)[24]采用多目標(biāo)遺傳算法來(lái)選擇子系統(tǒng)的輸入變量，并結(jié)合T-S模糊系統(tǒng)特點(diǎn)，采用二分法劃分子系統(tǒng)的輸入空間，建立了基于遞階T-S模糊系統(tǒng)的軟測(cè)量模型。仿真結(jié)果表明，該方法具有精度高、結(jié)構(gòu)簡(jiǎn)單、生成規(guī)則數(shù)少、泛化特性良好等優(yōu)點(diǎn);文獻(xiàn)[25]
　　
　　提出一種將粗糙集理論和動(dòng)態(tài)前饋神經(jīng)網(wǎng)絡(luò)相結(jié)合的神經(jīng)網(wǎng)絡(luò)構(gòu)造方法，該方法用于乙烯裝置裂解爐燃料氣熱值的控制中，獲得了良好的應(yīng)用效果;文獻(xiàn)[26]利用模糊技術(shù)，在實(shí)數(shù)編碼免疫算法的基礎(chǔ)上，對(duì)免疫算法中的兩個(gè)關(guān)鍵參數(shù)實(shí)現(xiàn)了模糊自適應(yīng)調(diào)整，解決了基本免疫算法中收斂精度低和尋優(yōu)速度慢的缺點(diǎn)，并將此算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)。通過(guò)對(duì)溶劑脫水塔醋酸濃度軟測(cè)量的仿真結(jié)果表明，此算法不但控制了網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜化，而且泛化性能也得到了較大提高，證實(shí)了該算法的有效性;文獻(xiàn)[28]提出一種增強(qiáng)型微粒群優(yōu)化算法（EPSO），將EPSO用于催化裂化裝置主分餾塔粗汽油干點(diǎn)軟測(cè)量，比基于BPNN的軟測(cè)量模型具有更高的精度和更好的性能;文獻(xiàn)[28]提出多速粒子群優(yōu)化算法（MVPSO）具有概念清晰、操作簡(jiǎn)單、易實(shí)現(xiàn)等優(yōu)點(diǎn)，應(yīng)用于*發(fā)酵過(guò)程產(chǎn)物（*）濃度軟測(cè)量，比基于BPNN的軟測(cè)量模型具有更好的性能;文獻(xiàn)「29]提出了采用高斯過(guò)程（Gp）建立復(fù)雜工業(yè)過(guò)程軟測(cè)量方法，Gp軟測(cè)量模型不僅能自動(dòng)選擇輔助變量，而且還具有較高的估計(jì)精度和較小的測(cè)量不確定度，能夠更好地滿足工業(yè)現(xiàn)場(chǎng)對(duì)測(cè)量可靠性的要求。
　　
　　3.2將不同的方法相互融合建立混合模型或多模型
　　
　　由于實(shí)際系統(tǒng)的復(fù)雜多變，往往來(lái)說(shuō)，一種方法建立的模型難以滿足要求。如果結(jié)合實(shí)際系統(tǒng)的機(jī)理分析和實(shí)際情況，將不同的方法相互融合，建立混合模型，這一建模方法是值得研究的方向。
　　
　　文獻(xiàn)[30]提出了一種將幾個(gè)神經(jīng)網(wǎng)絡(luò)模型通過(guò)模糊結(jié)合的方式結(jié)合起來(lái)用于魯棒分類的方法;文獻(xiàn)[31]采用zui小二乘多神經(jīng)網(wǎng)絡(luò)建立了常壓塔粘度軟測(cè)量模型，期間考慮了輔助變量滯后時(shí)間的影響，取得了較好的測(cè)量精度;文獻(xiàn)[32]提出了一種基于PCA的多神經(jīng)網(wǎng)絡(luò)模型，該方法具有更高的精度和更好的泛化能力;文獻(xiàn)[33]利用時(shí)間序列數(shù)據(jù)建立了一段磨礦分級(jí)粒度多模型軟測(cè)量模型，成功地對(duì)磨礦產(chǎn)品的粒度進(jìn)行了估計(jì);文獻(xiàn)[34]提出了一種基于多神經(jīng)網(wǎng)絡(luò)模型的軟測(cè)量方法，將這一方法應(yīng)用于*發(fā)酵過(guò)程，實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性;文獻(xiàn)[35]提出一種基于在線聚類和V-支持向量回歸機(jī)（VSVR）的多模型軟測(cè)量建模方法，該建模方法在加氫裂化分餾塔裝置的輕石腦油終餾點(diǎn)在線預(yù)測(cè)系統(tǒng)中取得了良好的效果;文獻(xiàn)[36]提出了混合支持向量回歸機(jī)-偏zui小二乘法（SVR-PLS）方法，對(duì)工業(yè)丙烯脂生產(chǎn)過(guò)程丙烯腈收率軟測(cè)量建模的應(yīng)用表明，采用該方法建立的軟測(cè)量模型在模型精度、推廣能力等方面明顯優(yōu)于一些傳統(tǒng)軟測(cè)量建模方法。
　　
　　3.3動(dòng)態(tài)軟測(cè)量模型研究
　　
　　經(jīng)過(guò)十幾年的發(fā)展，軟測(cè)量技術(shù)無(wú)論是在理論研究還是在實(shí)際應(yīng)用中均取得了較大成功，然而至今為止的大部分研究都是針對(duì)靜態(tài)軟測(cè)量模型。為了進(jìn)一步提高軟測(cè)量模型精度和魯棒性，動(dòng)態(tài)軟測(cè)量模型是今后任務(wù)研究方向之一。文獻(xiàn)[38]應(yīng)用多神經(jīng)網(wǎng)絡(luò)建立動(dòng)態(tài)軟測(cè)量模型，仿真研究獲得較好結(jié)果;文獻(xiàn)[39]介紹了常壓塔柴油凝點(diǎn)動(dòng)態(tài)軟測(cè)量模型的研究，仿真研究表明，該模型的預(yù)報(bào)準(zhǔn)確性要優(yōu)于靜態(tài)軟測(cè)量模隊(duì)取得了較好的預(yù)測(cè)效果。
　　
　　四、工業(yè)應(yīng)用實(shí)例
　　
　　軟測(cè)量技術(shù)工業(yè)應(yīng)用成功實(shí)例不少。國(guó)外有InferentialControl公司、Setpoint公司、DMC公司、Profimatics公司、Simcon公司、Appliedautomation公司等以商品化軟件形式推出各自的軟測(cè)量?jī)x表，這些己廣泛應(yīng)用于常減壓塔、FCCU主分餾塔、焦化主分餾塔、加氫裂化分餾塔、汽油穩(wěn)定塔、脫乙烷塔等*控制和優(yōu)化控制。它增加了輕質(zhì)油收率，降低了能耗并減少了原油切換時(shí)間，取得了明顯經(jīng)濟(jì)效益。
　　
　　國(guó)內(nèi)引進(jìn)和自行開(kāi)發(fā)軟測(cè)量技術(shù)在石油化工、煉油工業(yè)過(guò)程應(yīng)用比較多，例如催化裂化裝置分餾塔輕柴油凝固點(diǎn)軟測(cè)量，基于現(xiàn)場(chǎng)數(shù)據(jù)分析并結(jié)合工藝機(jī)理分析，建立了多層前向網(wǎng)絡(luò)柴油凝固點(diǎn)的軟測(cè)量模型設(shè)計(jì)簡(jiǎn)單在線校正。神經(jīng)網(wǎng)絡(luò)模型估計(jì)值與分析值z(mì)ui大誤差為1.65℃，并用了閉環(huán)控制，平穩(wěn)了生產(chǎn)，減少凝固點(diǎn)波動(dòng)，合格品由94%提高到;常減壓裝置常壓塔柴油凝固點(diǎn)軟測(cè)量。通過(guò)現(xiàn)場(chǎng)采集數(shù)據(jù)經(jīng)處理后，建立了非線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型，為提高模型精度和魯棒性，組成非線性回歸模型與神經(jīng)網(wǎng)絡(luò)模型結(jié)合的混合模型，并設(shè)計(jì)了一個(gè)串級(jí)控制系統(tǒng)。投入運(yùn)行后獲得較好控制效果，可以滿足生產(chǎn)要求；氣分裝置丙烯丙烷塔塔頂丙烯成分軟測(cè)量。通過(guò)嚴(yán)格的汽液平衡模型簡(jiǎn)化和現(xiàn)場(chǎng)測(cè)試，得到非線性回歸模型，并設(shè)計(jì)在線校正。該軟測(cè)量估計(jì)器投入在線運(yùn)行，精度能滿足要求，并成功應(yīng)用于丙烯成分閉環(huán)控制，取得了明顯經(jīng)濟(jì)效益;延遲焦化裝置分餾塔粗汽油干點(diǎn)軟測(cè)量。經(jīng)對(duì)現(xiàn)場(chǎng)采集的數(shù)據(jù)及工藝機(jī)理分析，確定了影響粗汽油干點(diǎn)的zui主要因素，分別建立了PLS和RBFN模型，為提高模型精度和泛化能力、將PLS模型和RBFN模型并聯(lián)建立了粗汽油干點(diǎn)混合模型，交叉驗(yàn)證表明這一方法是有效的，所建模型精度較高和良好的泛化能力;連續(xù)重整裝置中重整產(chǎn)品辛烷值、待生催化劑結(jié)焦含量、重整產(chǎn)品C5+液收率的軟測(cè)量，實(shí)現(xiàn)在保證質(zhì)量合格前提下提高產(chǎn)品收率的優(yōu)化操作指導(dǎo);完成對(duì)重整再生器氧含量的軟測(cè)量。兩個(gè)系統(tǒng)先后投運(yùn)后運(yùn)行正常，取得了良好的經(jīng)濟(jì)效益;PTA氧化反應(yīng)質(zhì)量指標(biāo)軟測(cè)量。經(jīng)工藝機(jī)理分析，結(jié)合實(shí)際數(shù)據(jù)的相關(guān)分析，確定輔助變量，采用基于遞推算法的PLS建立軟測(cè)量模型，該算法已在皿認(rèn)氧化反應(yīng)質(zhì)量指標(biāo)的*控制中應(yīng)用，取得了較好經(jīng)濟(jì)效益;另外還有丙烯腈收率軟測(cè)量;高壓聚乙烯生產(chǎn)過(guò)程中的重要參數(shù)——熔融指數(shù)（MI）的軟測(cè)量;合成醋酸乙烯的空時(shí)得率和催化劑選擇性的軟測(cè)量;乙烯裝置裂解爐出口乙烯收率、丙烯收率、裂解深度的軟測(cè)量;丁二烯裝置的DAl06塔塔底的水含量、塔頂?shù)募谆胰玻∕A）和DAl07塔塔底的丁二烯（BD-1，3）、塔頂?shù)亩《˙D-1，3）和總?cè)玻ㄖ饕且一胰?，用EA表示）的軟測(cè)量等。
　　
　　目前軟測(cè)量技術(shù)在化工、冶金、生化、造紙、鍋爐、污水處理等工業(yè)過(guò)程應(yīng)用日趨廣泛。
　　
　　zui后介紹加氫裂化分餾塔航煤干點(diǎn)的軟測(cè)量，影響航煤干點(diǎn)的zui主要因素是航煤抽出量和航煤側(cè)線抽出溫度。次要的因素有:*分餾塔塔頂壓力、溫度、回流量、輕石腦油抽出量、輕石腦油抽出量及其側(cè)線溫度、*分餾塔塔底溫度、流量、*分餾塔迸料量及進(jìn)料溫度、航煤干點(diǎn)Y1與航煤抽出點(diǎn)溫度、流量等13個(gè)變量有關(guān)，可以表示成如下的非線性關(guān)系:
　　
　　Y1=f（Th,Fh,Tj,Fj,Tr,Fr,Ttop,Ptop,Tin,Fin,Tb,Fb,F1）
　　
　　采用BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)和部分zui小二乘法建立軟測(cè)量模型?；旌夏Ｐ徒Y(jié)構(gòu)如圖1所示。采用這種加權(quán)的方法，可提高在實(shí)際應(yīng)用中軟測(cè)量預(yù)報(bào)模型適用不同工況變化的魯棒性，這里魯棒性指的是當(dāng)輸入變量中的個(gè)別點(diǎn)發(fā)生突變時(shí)，模型仍能保持正確的預(yù)報(bào)輸出而不受干擾。　　
　　在加氫裂化分餾塔航煤干點(diǎn)軟測(cè)量系統(tǒng)中，其各種軟測(cè)量模型的算法是軟件的核心，但只有這些核心部分還無(wú)法構(gòu)成一個(gè)實(shí)用完整的系統(tǒng)，必須有相應(yīng)的軟件來(lái)實(shí)現(xiàn)良好的人機(jī)接口和過(guò)程顯示。在基于現(xiàn)場(chǎng)數(shù)據(jù)的仿真研究的基礎(chǔ)上，由CENTUM-XL系統(tǒng)提供的編程環(huán)境編制軟儀表的核心程序，程序包括數(shù)據(jù)預(yù)處理模塊、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模塊、統(tǒng)計(jì)分析方法計(jì)算模塊、在線校正模塊和加權(quán)系數(shù)修正模塊組成。同時(shí)在現(xiàn)場(chǎng)CENTUM-XL系統(tǒng)操作站上完成了良好的人機(jī)操作界面。在整個(gè)組態(tài)過(guò)程中，過(guò)程參數(shù)的采集、及各種運(yùn)算是在操作站上實(shí)現(xiàn)的，而操作畫(huà)面、顯示畫(huà)面等各種畫(huà)面是在工程師站上實(shí)現(xiàn)，然后下轉(zhuǎn)至操作站的。
　　
　　加氫裂化*分餾塔航煤干點(diǎn)軟測(cè)量模型自投運(yùn)以來(lái)，運(yùn)行一直安全、可靠、穩(wěn)定，我們采集了一段時(shí)間內(nèi)的模型預(yù)報(bào)輸出結(jié)果與化驗(yàn)分析值對(duì)比，兩者的變化趨勢(shì)基本一致，其誤差絕差小于3℃，占90%以上。
　　
　　五、結(jié)束語(yǔ)
　　
　　軟測(cè)量技術(shù)是工業(yè)計(jì)算機(jī)優(yōu)化控制的有利工具，在理論研究和實(shí)際應(yīng)用中已經(jīng)取得了不少成果，其理論體系亦正在逐步形成。
　　
　　不論過(guò)于夸大軟測(cè)量的作用或忽視軟測(cè)量的重要性均是不正確的。軟測(cè)量?jī)H靠實(shí)驗(yàn)室分析儀表分析值進(jìn)行校正要獲得很高精度是很困難的，是一種粗放型測(cè)量技術(shù)，特別適合于煉油，石油化工中測(cè)量10%、50%、90%和zui終的ASTM沸點(diǎn)、閃點(diǎn)、傾點(diǎn)、粘點(diǎn)和雷得蒸汽壓等，因?yàn)檫@些測(cè)量精度一般要求不高，所以成功應(yīng)用實(shí)例不少。
　　
　　軟測(cè)量要想獲得高精度，必須要用在線分析儀表進(jìn)行實(shí)時(shí)校正，這時(shí)軟測(cè)量主要是克服在線分線儀表純滯后給控制帶來(lái)的困難。經(jīng)過(guò)在線分析儀表進(jìn)行實(shí)時(shí)校正后軟測(cè)量可應(yīng)用于石油化工中成品精餾塔例乙烯塔、丙烯塔等裝置。