《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 測(cè)試測(cè)量 > 設(shè)計(jì)應(yīng)用 > 軟件傳感器的設(shè)計(jì)
軟件傳感器的設(shè)計(jì)
龔瑞昆、何亞麗
摘要: 軟傳感器以推理控制理論作為其設(shè)計(jì)的理論基礎(chǔ)。本文詳細(xì)地?cái)⑹隽塑泜鞲衅髟O(shè)計(jì)的步驟與方法,比較了現(xiàn)有的實(shí)現(xiàn)方法,并展望其發(fā)展前景。
Abstract:
Key words :

一、引言

    在工業(yè)過程測(cè)控中,由于檢測(cè)元件及傳感器的限制,某些過程輸出的采樣時(shí)間間隔很長(zhǎng),影響了對(duì)擾動(dòng)的行之有效的監(jiān)測(cè),還有一些過程參數(shù),無法或難以用傳感器直接測(cè)量。這些過程參數(shù)常見于蒸餾塔塔頂/塔底產(chǎn)品的化學(xué)成分檢測(cè)與控制、化學(xué)反應(yīng)器反應(yīng)速率、化工產(chǎn)品生產(chǎn)過程各種成分的檢測(cè)、生物發(fā)酵罐生物量參量、煉鋼過程中鋼水溫度及成分的控制、高爐鐵水的含硅量、熔煉釩鐵、水泥回轉(zhuǎn)窯燒成段的溫度控制、漏鋼預(yù)報(bào)及連鑄連軋鋼坯表面溫度控制等。

    基于以上測(cè)控中的困難及存在的問題,在實(shí)際應(yīng)用中,有兩種方法:一種方法是人們選擇與不易檢測(cè)的輸出量相關(guān)的一些可快速測(cè)量的中間變量,直接作為被控變量,即間接質(zhì)量指標(biāo)控制方法,如在蒸餾塔的控制中,可選擇貼近蒸餾層的溫度作為被控變量。實(shí)踐證明,這種方法效果并不理想,其原因是蒸餾層的溫度保持恒定并不一定能使產(chǎn)品的化學(xué)成分也保持不變。類似的情況還有很多,在此不一一列舉。

    第二種方法是利用在線分析儀可以測(cè)量所需參數(shù),但一次性設(shè)備投資大,維護(hù)保養(yǎng)復(fù)雜且有很大的測(cè)量滯后,對(duì)提高控制質(zhì)量帶來相當(dāng)大的困難。

    因而,以推理控制理論為理論基礎(chǔ)的軟傳感器便誕生了,并逐步顯示出其獨(dú)特的功能和良好的發(fā)展勢(shì)頭。

    關(guān)于軟傳感器的理論基礎(chǔ)—“推理控制”,目前尚沒有統(tǒng)一明確的定義。其基本涵義如下:推理控制或推斷控制是指利用過程模型由可測(cè)輸出變量將不可測(cè)的被控過程的輸出變量推算出來,以實(shí)現(xiàn)反饋控制,或?qū)⒉豢蓽y(cè)擾動(dòng)推算出來,以實(shí)現(xiàn)前饋的一種控制系統(tǒng)[1]。

    推理控制自從70年代被提出以來,便在化工過程控制中起著重要的作用。1992年的一份IFAC報(bào)告[2]中說明了這一點(diǎn)。這份報(bào)告是由IFAC應(yīng)用委員會(huì)化工過程控制工作組起草的,以提高過程控制技術(shù)基礎(chǔ)和掃除技術(shù)障礙,最終實(shí)現(xiàn)商業(yè)應(yīng)用為目標(biāo),提出了7項(xiàng)技術(shù)前沿,其中軟傳感器列在首位。30年來,在國(guó)內(nèi)外學(xué)者的不斷努力下,軟傳感器的理論基礎(chǔ)及其應(yīng)用已經(jīng)成為過程控制中的一個(gè)較為活躍的領(lǐng)域。

二、軟傳感器的設(shè)計(jì)方法

    一個(gè)完整的推理控制系統(tǒng)的設(shè)計(jì),一般由軟傳感器的設(shè)計(jì)和推理控制器的設(shè)計(jì)兩部分組成。其中軟傳感器的設(shè)計(jì)是推理控制系統(tǒng)設(shè)計(jì)的關(guān)鍵。沒有性能優(yōu)越的軟傳感器,推理控制系統(tǒng)就不能把被控對(duì)象控制好,就不能滿足工藝的要求。

    軟傳感器從描述過程的方式上看,可分為輸入輸出法、狀態(tài)空間法。從研究的方法上可分為代數(shù)方法和人工智能方法。從研究的對(duì)象上看,可分為線性推理和非線性推理。從其特點(diǎn)上看,又可分為靜態(tài)和動(dòng)態(tài)特性。

本文將從三方面闡述軟傳感器的設(shè)計(jì),并對(duì)現(xiàn)有的建模方法進(jìn)行比較。

1、二次變量(輔助變量)的選擇

    二次變量的選擇包括三個(gè)方面,即變量類型、變量個(gè)數(shù)和檢測(cè)點(diǎn)的選擇。在選擇變量時(shí)應(yīng)考慮這三者之間的相互影響和關(guān)聯(lián),它們主要由過程特性決定。此外,還受可行性、人格以及安裝維護(hù)的難易程度等因素的制約。

①變量類型的選擇

    一般來說,選擇二次變量應(yīng)遵循下列若干原則:高靈敏性、特異性、過程適用性、高精確性、強(qiáng)魯棒性、小滯后性、良好的實(shí)時(shí)性等。對(duì)于一個(gè)具體的過程,其選擇范圍就是可測(cè)變量集合,可供變量類型的選擇是十分有限的。

②變量個(gè)數(shù)的選擇

    二次變量可選個(gè)數(shù)的下限是被估計(jì)的變量數(shù)。而最佳變量個(gè)數(shù)則與過程的自由度、測(cè)量噪聲以及模型的不確定性有關(guān)。常用的方法是從系統(tǒng)的自由度出發(fā)確定二次變量的最小數(shù)量,結(jié)合具體過程的特點(diǎn)適當(dāng)增加,以更好地處理動(dòng)態(tài)性能等問題。

③檢測(cè)點(diǎn)的選擇

    檢測(cè)點(diǎn)的選擇方案十分靈活,一般采用單值分解SVD(Singular Value Decomposition)原則,選擇檢測(cè)點(diǎn)位置的方法具有定量比和精確度高的特點(diǎn),能適應(yīng)操作點(diǎn)的變化。實(shí)際應(yīng)用證明了該方法的可行性。有的也可根據(jù)投影誤差最小原則去選擇檢測(cè)點(diǎn)的位置[3]。

2、輸入數(shù)據(jù)的處理

    輸入數(shù)據(jù)的正確性與可靠性關(guān)系到軟傳感器輸出的精度,而它們常由于自身的特點(diǎn)或外部干擾不能直接作為軟傳感器的輸入。因此,輸入數(shù)據(jù)的預(yù)處理便成為軟傳感器設(shè)計(jì)中必不可少的一項(xiàng)內(nèi)容,該內(nèi)容包括數(shù)據(jù)變換和誤差處理。

①數(shù)據(jù)變換

    軟傳感器輸入數(shù)據(jù)的變換應(yīng)完成三方面的工作,即標(biāo)度變換、轉(zhuǎn)換和權(quán)函數(shù)。數(shù)據(jù)變換影響著過程模型的精度和非線性映射能力及數(shù)值優(yōu)化算法的運(yùn)行結(jié)果。對(duì)于工業(yè)過程測(cè)控中常出現(xiàn)的數(shù)值上相差幾個(gè)數(shù)量級(jí)的測(cè)量數(shù)據(jù),應(yīng)利用合適的因子進(jìn)行標(biāo)度變換,可以改善算法的精度和穩(wěn)定性。轉(zhuǎn)換包括直接轉(zhuǎn)換和尋找新變量代替原變量?jī)煞N方法,通過轉(zhuǎn)換可降低原對(duì)象的非線性特性,如進(jìn)行對(duì)數(shù)轉(zhuǎn)換。權(quán)函數(shù)可實(shí)現(xiàn)對(duì)變量動(dòng)態(tài)特性的補(bǔ)償。

②誤差處理

    在由軟傳感器組成的推理控制系統(tǒng)中,融合了大量的現(xiàn)場(chǎng)數(shù)據(jù),任何數(shù)據(jù)的無效都可能導(dǎo)致系統(tǒng)整體性能的下降,甚至將完全失效。因此對(duì)輸入數(shù)據(jù)進(jìn)行誤差處理是非常重要的,也是不可缺少的。

    誤差主要有兩部分,即隨機(jī)誤差和過失誤差。

(1)隨機(jī)誤差的處理

    隨機(jī)誤差受隨機(jī)干擾的影響,如操作過程的微小波動(dòng)或檢測(cè)信號(hào)的噪聲等。一般利用數(shù)字濾波法如高通濾波、低通濾波、平均值濾波、一階滯后濾波法等,可以實(shí)現(xiàn)對(duì)隨機(jī)誤差的校正處理。

    對(duì)于系統(tǒng)精度要求很高的情況,可采用數(shù)據(jù)協(xié)調(diào)技術(shù)(Data Reconciliation)[4],數(shù)據(jù)協(xié)調(diào)技術(shù)的實(shí)現(xiàn)方法主要有主元分析法、正交分解法等。

(2)過失誤差的處理

    過失誤差的產(chǎn)生主要是由于系統(tǒng)偏差、一次敏感元件失靈以及不完全或不正確的過程模型(泄露、熱損失和非定態(tài)等)造成的。盡管該誤差出現(xiàn)的概率很小,但它的存在會(huì)嚴(yán)重影響數(shù)據(jù)的品質(zhì),可能導(dǎo)致軟傳感器甚至整個(gè)過程優(yōu)化的失效。及時(shí)發(fā)現(xiàn)、剔除和校正這類數(shù)據(jù)是誤差處理的重要任務(wù)。常用方法主要有殘差分析法、校正量分析法、廣義似然法比及貝葉斯法等。這些方法在理論和實(shí)際應(yīng)用中還存在一定差距,對(duì)于特別重要的過程參數(shù),可采用硬措施即采用硬件冗余的方法提高安全性。例如,可采用相似的檢測(cè)元件或不同的檢測(cè)原理對(duì)同一參數(shù)進(jìn)行檢測(cè)。

3、軟傳感器模型的建立

    軟傳感器模型的建立是軟傳感器設(shè)計(jì)的核心,它不同于一般意義下的數(shù)學(xué)模型。其目的就是尋找二次變量來獲得對(duì)主導(dǎo)變量的最佳估計(jì)。軟傳感器模型的建立方法有以下幾種。

①基理建模

    在全面深刻了解過程的工藝機(jī)理后,就可以利用相關(guān)平衡方程式,確定不可測(cè)主導(dǎo)變量和可測(cè)二次變量的數(shù)學(xué)關(guān)系,建立估計(jì)主導(dǎo)變量的機(jī)理模型。該法不適用于機(jī)理尚不完全清楚的工業(yè)過程,但可與其它經(jīng)驗(yàn)建模方法結(jié)合使用。

②狀態(tài)空間法建模

    假定對(duì)象的狀態(tài)空間模型為:x(t+1)=Ax(t)+Bu(t)+v1(t) ;  z(t)=c1x(t) ; y(t)=c2x(t)+v2(t) 式中,

    x—過程狀態(tài)變量;y—主導(dǎo)變量; z—二次變量;v1、v2—白噪聲。

    如果所選用的輔助輸出z對(duì)系統(tǒng)的狀態(tài)x是完全可觀測(cè)的,大多數(shù)可采用卡爾曼濾波技術(shù)和龍伯格觀測(cè)技術(shù)進(jìn)行推理估計(jì),這樣被控輸出Y的估計(jì)值就能間接求得,這樣的過程雖不具有代表性,但針對(duì)某些化工過程,卻給出了被控變量的可靠推理估計(jì)[5]。

    Soliman等把推理估計(jì)問題分解為具有不同時(shí)間標(biāo)度的兩個(gè)狀態(tài)估計(jì)器,即慢估計(jì)器和快估計(jì)器,形成了多率推理估計(jì)。而軟傳感器過程推理控制,恰好符合多率采樣數(shù)據(jù)機(jī)制,即被控輸出的采樣延遲和間隔很大,需要用采樣快速且可靠的輔助輸出實(shí)施有效的控制,將被控輸出和輔助輸出一起擴(kuò)充到狀態(tài)空間中,用周期性時(shí)變PTV(Periodic Time Variant)黎卡提方程的解,得出最優(yōu)多率狀態(tài)估計(jì),從而得到被控輸出的兩次采樣之間的估計(jì)值。

    狀態(tài)空間法用狀態(tài)空間模型描述軟傳感器對(duì)象的推理控制,既自然又方便,但因引入狀態(tài)觀測(cè)器,需要解黎卡提方程又要求狀態(tài)可觀測(cè),這一方面增加了對(duì)象模型的階次,又可能導(dǎo)致不穩(wěn)定的控制,破壞系統(tǒng)的跟蹤性能。當(dāng)在線估計(jì)時(shí),系統(tǒng)參數(shù)與狀態(tài)的聯(lián)合估計(jì)更增加了算法的復(fù)雜性,使該方法在實(shí)際工程應(yīng)用中受到限制。另一方面,狀態(tài)空間法在非線性軟傳感器的設(shè)計(jì)應(yīng)用中,有很多成功的應(yīng)用[5-7]。

③輸入輸出法建模

    由于工業(yè)過程主要運(yùn)行于穩(wěn)態(tài),穩(wěn)態(tài)估計(jì)器是軟傳感器的關(guān)鍵部分。設(shè)計(jì)中,不易測(cè)量的輸出為y,易于測(cè)量的被控輸出為z與擾動(dòng)輸入u的關(guān)系可分別表示為:y=Bu ;   z=Au

    Joseph的穩(wěn)態(tài)估計(jì)器就是用最小二乘法從輔助輸出z計(jì)算被控輸出y的估計(jì)值。對(duì)于這種估計(jì)器,輔助輸出的選擇極為重要,所選的輔助輸出應(yīng)使估計(jì)器的穩(wěn)態(tài)誤差為最少,但該方法難以消除靜差。為解決以上問題,利用元主回歸方法進(jìn)行線性推理估計(jì)器的計(jì)算,得到與動(dòng)態(tài)卡爾曼濾波方法同樣的性能。也可以從狀態(tài)空間模型和輸入輸出模型出發(fā),設(shè)計(jì)兩個(gè)形式一致的動(dòng)態(tài)自適應(yīng)多率軟傳感器,被控輸出y無回歸項(xiàng),如:

    y(t+d)=b1u(t)+¼

    +bnu(t-n)+r1z(t)+¼

    +rn(t-n)+m1e(t)+¼

    +mne(t-n)+v(t+d)

    這種模型存在一些缺陷,從狀態(tài)空間模型得到的工作方程可知,被控輸出的動(dòng)態(tài)不可能完全包含在輔助輸出的動(dòng)態(tài)中;從輸入輸出模型得到的工作方程,要求兩個(gè)I/O方程都含有相同的白噪聲項(xiàng),否則工作方程將失去理論依據(jù),而后其多項(xiàng)式的階次與實(shí)際過程的特性之間的關(guān)系不明確。為此,Lu和Fisher[11,12]給出了新的工作方程:

    Aj(q-1)y(t)=Bj(q-1)u(t)+Cj(q-1)Z(t)+Dj(q-1)v(t)

    該工作方程系數(shù)多項(xiàng)式的算子不同于一般系統(tǒng)方程,它不僅考慮外部隨機(jī)擾動(dòng)而且考慮內(nèi)部結(jié)構(gòu),建立起被控輸出與輔助輸出的關(guān)系,該方程即為描述軟傳感器模型的輸入輸出關(guān)系的傳遞函數(shù)。

    對(duì)于周期性數(shù)據(jù)丟失問題,可采用Goodwin等[13]從時(shí)間序列分析的角度,研究提出的隨機(jī)建模的偽線性回歸估計(jì)算法,定義了一個(gè)周期性ARMAX(PARMAX)模型,以周期性預(yù)濾波確保參數(shù)向量各元素的更新,并用頻域方法證明周期無源條件是該參數(shù)辨識(shí)算法全局收斂的充分條件。至此,可以看出輸入輸出法建模的不斷簡(jiǎn)化和改進(jìn),從不同的角度出發(fā),得到的軟傳感器的形式不同,應(yīng)用時(shí)應(yīng)根據(jù)實(shí)際問題的需要選擇適當(dāng)?shù)男问?,如?duì)被控變量的采樣周期不很長(zhǎng)的過程,可用PARMAX模型進(jìn)行設(shè)計(jì),把采樣不到的數(shù)據(jù)作為丟失數(shù)據(jù)處理,同時(shí)應(yīng)看到輸入輸出法的優(yōu)點(diǎn),如頻域分析,便于自適應(yīng)設(shè)計(jì)等。

④基于回歸分析方法[14]建模

    采用統(tǒng)計(jì)回歸方法建立軟傳感器的模型:y=k

    使用主元件回歸法PCR(Principal Component Regression)將上式改寫為矩陣形式:y=KT。

    將上式進(jìn)行單值分解(SVD),得到:  ,對(duì)于線性系統(tǒng)采用PCR和PLS(Partial-Least-Squares Regression)的效果完全一樣,對(duì)于非線性系統(tǒng),后者效果稍好?;貧w分析方法建模算法簡(jiǎn)單,但需要大量的樣本,對(duì)測(cè)量誤差比較敏感。

⑤非線性推理估計(jì)[15]

    當(dāng)被控輸出輔助輸出及相關(guān)變量之間存在很嚴(yán)重的非線性時(shí),非線性推理估計(jì)要優(yōu)于推理估計(jì)和卡爾曼濾波。非線性推理估計(jì)的研究很多,如非線性卡爾曼濾波、廣義卡爾曼濾波、非線性逼近、神經(jīng)網(wǎng)絡(luò)逼近、模糊建模等。Chen等[5]的非線性推理估計(jì)器用最小平方擬合方法,通過穩(wěn)態(tài)反應(yīng)器的非線性降價(jià)模型,估計(jì)輸入擾動(dòng)和被控輸出,與線性估計(jì)相比,具有較強(qiáng)的魯棒性。而用機(jī)理建模所不可避免的模型誤差將導(dǎo)致軟傳感器的工作效果時(shí)好時(shí)壞,難以設(shè)計(jì)可靠穩(wěn)定的軟傳感器。對(duì)于非連續(xù)變化的過程,軟傳感器的性能明顯下降,神經(jīng)網(wǎng)絡(luò)軟傳感器可適應(yīng)這一情況?;谏厦媲闆r,人們把目光轉(zhuǎn)向人工智能的方法,如神經(jīng)元網(wǎng)絡(luò)、模糊集理論、遺傳算法等。但人工智能方法興起的時(shí)間較短,在軟傳感器方面的應(yīng)用還處于研究階段[16],有人認(rèn)為,神經(jīng)網(wǎng)絡(luò)不可濫用,雖然它具有很強(qiáng)的非線性逼近能力和良好的平滑性,但權(quán)值的調(diào)整卻很費(fèi)力。用遺傳算法進(jìn)行軟傳感器模型的設(shè)計(jì)還只是剛剛開始,盡管遺傳算法存在局部?jī)?yōu)化問題,但其具有搜索空間大,收斂速度快,魯棒性強(qiáng)等優(yōu)點(diǎn),仍可找到許多適用的對(duì)象,有一定的發(fā)展?jié)摿Α?傊?,人工智能方法處理非線性軟傳感器技術(shù)的認(rèn)識(shí)將不斷完善。

三、軟傳感器模型的在線校正

    軟模型建立后,并不是一成不變的。隨時(shí)間推移,測(cè)量對(duì)象的特性和工作點(diǎn)都可能發(fā)生變化,因此必須考慮軟模型的在線校正問題,才能適應(yīng)新工況。軟模型在線校正可表示為模型結(jié)構(gòu)和模型參數(shù)的優(yōu)化過程,具體方法有自適應(yīng)法、增量法和多時(shí)標(biāo)法。根據(jù)實(shí)際過程的要求,多采用模型參數(shù)自校正的方法,有的利用卡爾曼濾波技術(shù)在線修正模型參數(shù),更多的則利用分析儀表的離線測(cè)量值。為解決模型結(jié)構(gòu)修正耗時(shí)過長(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,人工神經(jīng)網(wǎng)絡(luò)技術(shù)也已涉及到此領(lǐng)域。

四、軟傳感器技術(shù)存在的問題及展望

    軟傳感器設(shè)計(jì)的推理控制理論與控制理論的其它領(lǐng)域相比,還不很成熟,但其發(fā)展的前景卻不容忽視。近年來不斷發(fā)展的同時(shí),表現(xiàn)出一些值得注意的問題和動(dòng)向,可供今后研究工作的參考,大致有五方面的內(nèi)容:

①最佳軟傳感器設(shè)計(jì)問題

    軟傳感器的研究依賴于實(shí)際工程背景,并且隨著過程控制的不斷進(jìn)步而發(fā)展的。冶金過程中存在諸如被控輸出采樣、測(cè)量、分析困難的問題,連續(xù)軋鋼機(jī)鋼帶厚度控制問題,轉(zhuǎn)爐定碳控制問題等。實(shí)際應(yīng)用中,往往只是簡(jiǎn)單地采用預(yù)估函數(shù)或多次迭代卡爾曼濾波的預(yù)測(cè)法以及數(shù)值擬合等方法,沒有把輔助輸出快速采樣的優(yōu)勢(shì)及其所含豐富的信息與控制策略結(jié)合起來,因而具有一定的局限性。對(duì)不同的過程來講,總有最佳的軟傳感器存在,究竟怎樣設(shè)計(jì),要視被控過程的特點(diǎn)而定。

②有效輸入輸出模型

    由于被控變量在大部分時(shí)間得不到采樣值,一般輸入輸出模型對(duì)系統(tǒng)的描述是無效的,故出現(xiàn)了如多率數(shù)據(jù)采樣系統(tǒng)、周期性時(shí)變系統(tǒng),同時(shí)提出了許多軟傳感器設(shè)計(jì)方案。但是如果能找到這樣的輸入輸出模型,它能恰當(dāng)?shù)孛枋鱿到y(tǒng)特性,又能把軟傳感器和推理控制器的設(shè)計(jì)有機(jī)地結(jié)合起來,則可把許多成熟的設(shè)計(jì)方法巧妙地“移植”到推理控制系統(tǒng)的設(shè)計(jì)中來,在這方面進(jìn)行研究,可以得出有益的結(jié)果。

③最優(yōu)化方法的選擇

    H∞最優(yōu)化方法比H2最優(yōu)化方法更加直接地提高軟傳感器的魯棒性,更方便地進(jìn)行魯棒性分析。目前,H∞最優(yōu)化設(shè)計(jì)技術(shù)中比較成熟的方法有狀態(tài)空間法、多項(xiàng)式法。具有魯棒性的辨識(shí)方法也可提高軟傳感器的魯棒性,把H∞優(yōu)化法和魯棒辨識(shí)法融合于軟傳感器的設(shè)計(jì)中,是很有意義的探索。

④人工智能方法的思考

    人工智能方法在軟傳感器方面的應(yīng)用方興未艾,如神經(jīng)元網(wǎng)絡(luò)、模糊規(guī)則、遺傳算法等。盡管它們?cè)诶碚撋线€不完善,但在實(shí)際應(yīng)用中已有成功的例子。因此,我們有理由相信,,在眾多的解決方案中,人工智能方法將是很重要的一種。

⑤軟傳感器技術(shù)的討論

    軟傳感器技術(shù)是工業(yè)過程優(yōu)化和分析的有力工具,在測(cè)控理論研究和實(shí)踐中取得了廣泛的成果,其理論體系正在逐漸形成。由于工業(yè)過程的復(fù)雜性決定了不可能只采用一種技術(shù)就可完美地解決建模和控制問題,因此,要將各種技術(shù)有機(jī)地結(jié)合起來,已成為今后研究和應(yīng)用的潮流。一攬子解決復(fù)雜工業(yè)過程測(cè)控、建模、在線校正比較困難。數(shù)據(jù)處理是軟傳感器設(shè)計(jì)中的一個(gè)十分重要的問題,尤其是對(duì)過失誤差的處理,在理論研究方面已取得不少成果,但距實(shí)際應(yīng)用還有一些差距,應(yīng)進(jìn)一步深入研究,應(yīng)用于實(shí)際過程。此外,現(xiàn)有的在線校正方法十分有限,應(yīng)該發(fā)展更多更新的方法,以適應(yīng)復(fù)雜工業(yè)對(duì)象的要求。


--------------------------------------------------------------------------------

參考文獻(xiàn)

[1].邵裕森,《過程控制及儀表》,上海交通大學(xué)出版社,1995

[2].Thomas J. McAvoy, Contemplative Stance for Chemical Process Control,An IFAC Report. Automatica, 1992, 28(2):441-442

[3].Brosillow Inferential Control of Process,A IChE.J.1978, 24(3):485-509

[4].李紅軍、秦永勝、徐用懋,《化工過程中的數(shù)據(jù)協(xié)調(diào)及顯著誤差檢測(cè)》,《化工自動(dòng)化及儀表》,1997,(2):25-32

[5].Chen, Sun C. Adaptive inferential control of Packed-bed reactors,Chem. Eng. Sci, 1991, 46(4):1041-1054

[6].Soliman M A, Ray W H. Nonlinear state estimation of packed-bed tubular reactors, AICHE J., 1979, 25:718-720

[7].Rutzler W. Nonlinear and adaptive parameter estimation methods for tubular reactors. Ind. Eng. Chem. Res.,1987,26:325-333

[8].Lee H. Data A K. Nonlinear inferential control of pop digesters, AICHE Journal, 1994, 40(1):50-64

[9].Bellgardt H, Kuhlmann W, Meter HD, Schugerik, Thoms M, Application of an extended kalman filter for state estimation of a yeast fermentation, IEE Proc,1986,133,D(5),266

[10].A. Myers. Luecke R H. Process control application of an extended kalman filter algorithm, Comp. And Lehem. Eng., 1991,15(12):853

[11].Lu,Fishor D G. Output estimation with multi-rate sampling, I.J.C., 1988,48(1):149 -160

[12].Lu,Fishor D G. Multi-rate adaptive inferential estimation, Proc. Iee,1992,139(2)

[13].Goodwin G C, G Jadams. Multi-rate techniques in non-zero-order hold indentifica -tion, SYSID4, 1994,3: 125

[14].徐敏、俞金壽,《軟測(cè)量技術(shù)》,《石油化工自動(dòng)化》,1998(2):1-3

[15].徐?礎(chǔ)⒉裉煊印⑼蹺埃?《推理控制綜述》,《信息與控制》,1998,3(6):206-214

[16].Lent A, Willis M J, Montague G A, Them M T, Morris A J.A comparison of adaptive estimation with neural based techniques for bioprocess application, ACC, 1990,2173-2177

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。