發布日期：2022-07-14 點擊率：82
過程工廠的運營績效已成為實現經濟和環境目標的主要指標。這個指標現在比以往任何時候都更為重要。一般情況下，良好的運營績效是一個不斷改進過程的結果。因此，好的績效會帶來更高的成本效益、更好的產能效果和更少的生產損失，以及符合環保和安全法規，使過程的運行實現最佳化。
另一個在過程工業出現的持續變化是過程工廠的大儀表和數字化現象，導致的結果是大量的數據被記錄和存儲。雖然這些數據現在已經用于過程工廠的底層控制和監視，但這些數據的潛在價值和用途還遠遠沒有得到充分體現和開發。
然而，利用這些隱藏的信息是不容易的，需要使用先進的工具對它們進行挖掘才能實現。其中一種重要的工具就是軟傳感器，這就是這篇文章的中心話題。軟傳感器有可能開啟一個過程工業卓越運營的新時代，因為實施的成本相對較低，所需要開發的數據已經存在，所需要的技術也已經可用。
本文是一種通用性的技術和應用介紹。對軟傳感器(Soft Sensor：也稱軟儀表)的技術和今天正在使用的情況做一個簡要概述。
軟傳感器技術
工業過程工廠通常要使用大量的傳感器。傳感器的主要目的是為過程監視和控制提供數據。然而，約在二十年前，研究人員開始利用過程工業中測量和存儲大量的數據，建立基于這些數據的預測模型。在過程工業的背景下，這些預測模型被稱為軟傳感器。這個詞是一個組合詞，包含了軟件，因為模型是一種計算機程序;包含了傳感器，因為這些模型類似于硬件傳感器，能夠提供現場數據。其他同義的公共術語是：推理傳感器和虛擬在線分析儀--這像它們在六西格瑪環境中的稱謂。
在一般層面上，我們可以把軟傳感器分為兩種不同的類型，即模型驅動型和數據驅動型(見圖1)。雖然也有一些模型驅動的軟傳感器基于擴展的卡爾曼濾波器或自適應觀測器，最常見的軟傳感器家族都基于第一原理模型(FPM)。第一原理模型描述了過程的物理和化學背景。這些模型的開發主要用于過程工廠的規劃和設計，因此通常側重于過程理想狀態的描述。這是也使它們很難變為實用的軟傳感器。作為一種解決方案，數據驅動型軟傳感器的應用越來越普及。
數據驅動型軟傳感器最流行的建模技術是主成分分析(PCA)結合回歸模型(主成分回歸 - PCR)，偏最小二乘法(PLS)，人工神經網絡(ANN)，神經模糊系統(NFS)和支持向量機(SVM)。
軟傳感器完成任務的范圍非常廣泛。軟傳感器的最占主導地位的應用領域是對過程變量的預測，這些變量要在低采樣率或只通過離線分析才能確定。因為這些變量往往關系到過程輸出的質量或過程的其他關鍵方面，使得它們對過程的控制和管理是非常重要的。由于這些原因，用更高的采樣率和/或用較低的財務成本，能提供這些變量額外的信息具有極大的價值，而這正是軟傳感器的特長。應用于這類軟傳感器的監督學習方法既有統計學習方法也有計算學習方法。這類軟傳感器應用領域進一步擴展到在線預測。
軟傳感器的其他重要應用領域是過程監視和過程故障檢測。這些任務還涉及到過程狀態檢測，一旦離開正常條件出現偏差，需要能夠識別偏差源。傳統上，過程狀態由過程工廠控制室中的操作員來監視。過程狀態的觀察和解釋通常基于單變量統計，這要依靠操作員的經驗，要找出特定變量間的關系并作出關于過程狀態的決定。過程監視軟傳感器的作用是：根據歷史數據，建立多變量屬性，然后與過程狀態的描述相關。為了顯示預測過程狀態或多變量屬性，軟傳感器要支持操作員界面，允許他們更快、更好、更有目的的做決定。過程監視軟傳感器通常基于主成分分析(PCA)和自組織映射(SOM) 。圖2顯示了所討論的數據驅動傳感器的應用范圍和對每種應用最常用的技術。
此外，過程工廠往往有大量各種各樣的傳感器，因此傳感器出故障具有一定的概率。檢測這種故障是軟傳感器的下一個應用領域。使用更為通用的術語來說，這個應用領域可描述為故障傳感器的檢測和重建。一旦檢測和識別到故障傳感器，這個傳感器(軟傳感器)可以被重建或用軟傳感器來替換(硬件傳感器)，它可以訓練成一個硬件測量裝置的軟傳感器備份。如果備份傳感器被證明足以替換一個物理傳感器，這種理念還可以進一步延伸--軟傳感器在正常工作條件下可以取代的測量裝置。
軟傳感器的應用
軟傳感器的應用可以在過程工業的許多領域里找到。最典型的例子是化學產品、造紙/紙漿和鋼鐵行業。下面列出軟傳感器在這些過程工業領域中三種最常見的應用類型。
· 在線變量預測
軟傳感器的最常見的應用是對在線不能測量的變量值進行預測。這可能是技術方面的原因(例如，沒有任何設備能夠測量這些變量值);也可能是經濟方面的原因(例如，所需的設備太昂貴)等。最常用的情況是：需要測量對最終產品質量相關的關鍵值，而軟傳感器能夠提供有用的信息值，當軟傳感器預測的變量值符合給定標準，它還可以用于過程的自動控制回路。數據驅動的軟傳感器已被廣泛用于發酵、聚合反應及精煉過程。
· 過程監視和過程故障檢測
軟傳感器的另一個應用領域是過程的監視。過程監視可以是一種無監督學習或二元分類任務。該系統可以被訓練成描述/分析正常運行狀態或識別可能的過程故障。一般情況下，過程監視技術基于多變量統計技術，如主要成分分析PCA方法，或更精確的霍特林(Hotelling)T2和Q統計方法。這些措施，一方面考慮所有輸入特性的優勢，即利用多變量統計，另一方面，提供關于特別貢獻的監視統計數據可能破壞的信息。過程監視的另一種常用的技術是自組織映射(SOM)。
· 傳感器故障檢測和重建
作為故障檢測和重建功能的軟傳感器，是在過程工業中的傳感器出現故障時，還要像正常運行一樣能夠處理數據。因此，這就要求在故障前先要建完模型并應用于實際，在故障發生后要能夠找到故障傳感器并對其進行重建(軟傳感器)或替換(硬傳感器)。
下一篇： PLC、DCS、FCS三大控
上一篇： 軟傳感器技術的實現
