吴英英

[摘  要]明胶是一种可用于工业、食品、医药等多个领域的胶质，具有较大的应用空间，对多个行业具有重要作用。在明胶生产过程中，明胶浓度是一个至关重要的参数，对整个的工艺生产及质量控制都具有非常重要的作用。但目前，明胶浓度的测量还集中在手工离线采样的阶段，这种测量方法存在误差大、滞后时间长，样本易受环境影响且测量过程中易污染胶液等问题。针对明胶浓度测量存在的这些问题，本文对明胶浓度的软测量建模及优化提出有效建议，以期为相关专业人士提供参考。

[关键词]明胶  浓度  软测量技术  建模方法

中图分类号：TP274 文献标识码：A 文章编号：1009-914X（2016）24-0132-01

胶液浓度的确定是明胶生产过程中的一个重要工作，直接影响着明胶提胶工序的顺利开展，为此，必须针对胶液浓度控制进行有效研究，确定工艺参数。目前，我国的明胶生产企业受到生产线自动化程度、受检测设备等方面的限制一直未有比较可靠的检测方法。鉴于这种情况，本文提出了一种基于软测量技术的胶液浓度测量模型，实现对明胶胶液浓度在线测量。本文对软测量技术概念入手，简述了明胶浓度软测量建模及参数优化。

一、软测量技术

软测量技术又被称为软仪表技术，其中心思想是利用易测过程变量来估计难测变量。易测变量常被称为辅助变量或二次变量（Secondary Variable）。例如在工业生产过程中易获得的流量、压力、温度等参数，难以测量的过程变量被称为主导变量（Primary Variable）[1]，通常在条件限制下不能在线监测或者检测成本较高。利用软测量技术，就是依据主导变量和辅助变量之间的数学模型（软测量模型），通过各种数学计算和估计方法，用计算机软件来实现待测量过程变量的测量。

二、软测量的建模方法

建立软测量模型是软测量技术的核心部分，建模方法可分为机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、过程层析成像、相关分析和现代非线性信息处理技术等。

1.基于机理的软测量建模方法

基于机理的建模，就是从过程对象的内在物理或化学的研究出发，通过物料平衡和动量平衡等原理，找出主导变量和辅助变量之间的关系，建立机理模型来实现对主导变量的软测量。通过机理分析建立的软测量模型，只要把主导和辅助变量作相应的调整就可以活得新的模型。对于较简单的工业过程，可以采用解析法建模。而对于复杂过程，特别是输入变量变化范围较大的情况下，则采用仿真方法。

2.基于线性回归分析软测量建模理论

回归分析是统计数学的一个重要分支，在实验数据处理中又称为“曲线拟和”。回归分析可分为多种形式按因变量和自变量之间是否存在线性关系可分为线性回归和非线性回归按自变量的个数又可分为一元回归和多元回归。回归分析作为一种经典的建模方法，它是通过机理分析建立模型结构，然后通过收集大量过程参数运用统计方法估计模型参数。典型的回归建模方法首推经典的最小二乘法。为了避免矩阵求逆运算可以采用递推最小二乘法，为了防止数据饱和还可以采用带遗忘因子的最小二乘法。另外，主元分析和主元回归都是统计学中较为成熟的方法。基于回归分析的软测量的简单实用，但在建模和校正过程中需要大量的样本，而且对样本数据的误差较为敏感。虽然如此，基于线性回归的技术仍然是目前应用最多的软测量技术，市场上一些成熟的软测量商品软件都是以此为基础的。

3.人工神经网络法

人工神经网络，适用于解决高度非线性以及严重不确定性系统的控制问题，是当前工业领域中的热点。使用该方法的建立模型不需要具备过程对象的先验知识，可以根据输入输出数据直接建模，将辅助变量和主导变量分别作为人工神经网络的输入和输出，通过网络的学习来估测主导变量。人工神经元网络的基本原理是模仿人类脑神经活动的一种人工智能技术，给一些样本，通过自学习可以掌握样本规律，在输入新的数据和状态信息时，可用进行自动推理和控制。

4.基于模糊数学的方法

模糊数学是研究和处理模糊性现象的一种数学理论和方法，具有模仿人脑逻辑的特点，可以处理复杂系统，因此在软测量技术中也得到了大量应用。基于模糊数学的方法建立的软测量模型是一种知识性模型。该种软测量方法很适合应用于复杂工业过程中被测对象呈现亦此亦彼的不确定性，难以用常规数学定量描述的场合。实际应用中，可以采用模糊技术和其他人工智能技术相结合的建模方法，取长补短以提高软测量模型的预测效果。例如由模糊数学和人工神经网络结合构成的模糊神经网络，模糊数学和模式识别一起构成模糊模式识别等。模糊控制器依照人工操作思维程序来工作。首先，把测量的输出进行模糊化，变为模糊语言变量，由模糊控制规则进行模糊决策，再把模糊决策量清晰化转变为精确量去控制被控过程。

5.多模型的软测量建模方法

连接多个模型以改进模型预测能力的方法是由于年提出的。多摸型建模就是把多个子模型对未知样品的预测结合起来，这种建模方法与传统的单建模方法不同。传统单建模方法的一般过程为在反复分析测量数据过程中，建立一系列的预测模型，最后，从中选出一个预测性能最好的模型来预测未知样品。多模型数据建模则是通过某种方法建立多个子模型，并把多个成员模型对未知样品的预测用某种方法结合起来，形成一个共识的结果，以提高模型的预测精度和可靠性。多模型的模型结构如图1所示：

该方法在时间序列分析中得到较广泛的研究，近年来在神经网络的研究中也备受关注。当用系统输入输出数据建立非线性对象的神经网络模型时，采用单个神经网络建立的模型往往只是系统的一种近似模型，而且不同网络在不同输入空间中的预测性能会有所不同。而且多个神经网络通过一定方式将这些单个网络进行连接，构成对象的整个输入空间模型，模型的预测精确度得到了增强。

三、 软测量模型的参数优化

在本次研究中，仅针对LSSVM的软测量模型的主要参数是正则化参数c和和核参数α进行优化，并力求选择最佳的参数组行优化处理，让模型的泛化能力和精确度更好。合是一个最佳模型的选择问题，在很大程度上决定了模型的学习和泛化能力。采用留一交验证法选择最优模型参数费时费力，在本次研究中采用采用粒子群算法和K均值聚类算法相结合对模型参数进行优化。经过优化后，模型的精度和泛化能力均有显著提升。

参考文献：

[1]高利敏.明胶浓度的软测量建模及参数优化[D].兰州理工大学，2011.

[2]王金荣.明胶浓度软测量建模研究[D].兰州理工大学，2012.