一、引言
在工業(yè)過(guò)程測(cè)控中,，由于檢測(cè)元件及傳感器的限制,，某些過(guò)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(guò)程參數(shù),，無(wú)法或難以用傳感器直接測(cè)量。這些過(guò)程參數(shù)常見(jiàn)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(guò)程各種成分的檢測(cè)、生物發(fā)酵罐生物量參量,、煉鋼過(guò)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(wèn)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(lèi)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(lái)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(méi)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(guò)程模型由可測(cè)輸出變量將不可測(cè)的被控過(guò)程的輸出變量推算出來(lái),，以實(shí)現(xiàn)反饋控制,，或?qū)⒉豢蓽y(cè)擾動(dòng)推算出來(lái)，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(lái),，便在化工過(guò)程控制中起著重要的作用。1992年的一份IFAC報(bào)告[2]中說(shuō)明了這一點(diǎn),。這份報(bào)告是由IFAC應(yīng)用委員會(huì)化工過(guò)程控制工作組起草的,，以提高過(guò)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(lái),，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(guò)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(méi)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(guò)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(lèi)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(guò)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(lèi)型的選擇
一般來(lái)說(shuō),，選擇二次變量應(yīng)遵循下列若干原則：高靈敏性、特異性,、過(guò)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(guò)程,，其選擇范圍就是可測(cè)變量集合,，可供變量類(lèi)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(guò)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(guò)程的特點(diǎn)適當(dāng)增加,，以更好地處理動(dòng)態(tài)性能等問(wèn)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(guò)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(guò)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(guò)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(wú)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(guò)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(guò)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(guò)失誤差的處理
過(guò)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(guò)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(guò)程優(yōu)化的失效。及時(shí)發(fā)現(xiàn),、剔除和校正這類(lèi)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(guò)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(lái)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(guò)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(guò)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(guò)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(guò)程雖不具有代表性,，但針對(duì)某些化工過(guò)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(wèn)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(guò)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(guò)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(wèn)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(wú)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(guò)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(wèn)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(wú)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(wèn)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(guò)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(xiě)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,。回歸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?chē)?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(guò)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(guò)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,。基于上面情況,，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(kāi)始，盡管遺傳算法存在局部?jī)?yōu)化問(wèn)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??？傊斯ぶ悄芊椒ㄌ幚矸蔷€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(wèn)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(guò)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(guò)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(guò)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(wèn)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(lái)不斷發(fā)展的同時(shí),，表現(xiàn)出一些值得注意的問(wèn)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(wèn)題
軟傳感器的研究依賴(lài)于實(shí)際工程背景,，并且隨著過(guò)程控制的不斷進(jìn)步而發(fā)展的,。冶金過(guò)程中存在諸如被控輸出采樣、測(cè)量,、分析困難的問(wèn)題,，連續(xù)軋鋼機(jī)鋼帶厚度控制問(wèn)題，轉(zhuǎn)爐定碳控制問(wèn)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(méi)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(lái),，因而具有一定的局限性,。對(duì)不同的過(guò)程來(lái)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(guò)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(wú)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(lái),，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(lái)，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(guò)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(guò)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(wèn)題，因此,，要將各種技術(shù)有機(jī)地結(jié)合起來(lái),，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(guò)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(wèn)題,，尤其是對(duì)過(guò)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(guò)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(guò)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(guò)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?、蛙E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