【系列2】工业数据分析应用-软测量
2021-06-02

在工业生产过程中,对于一些难以测量的关键变量,往往需要分析仪表或离线化验,但随之而来的是仪器成本高、检验时间长等问题,不能满足实时监测、调节控制的需求。虚拟量测和软测量也称之为软仪表,它是对一些难以测量或暂时不能测量的重要主导变量,选择另外一些容易测量的辅助变量,通过构成某种数学关系来推断和估计,以用来代替分析仪表或离线化验的功能。

具体来说,就是通过构建跨时间维度、或基于机理关联的模型,形成输入(多维特征)和输出(关键指标)的映射模型,进而通过当前输入数据,估计当前难直接测量的关键指标输出,解决检验滞后、离线化验测量能力受限和不及时造成的问题,包括:多工序、长产线、产品质量预估;大时滞化工系统的产品质量预测、设备结垢程度表征等。按其建模方法可以分为基于机理建模和基于实验建模方法两大类。

 

建立软测量模型的常用算法

建立软测量模型的常用算法包括:

主成分回归,最小二乘回归,神经网络,支持向量回归,流型学习、甚至深度学习等多种回归算法。

 

软测量的应用

飞灰含碳量的软测量方法

飞灰含碳量是影响锅炉燃烧效率较为重要的运行经济指标和技术指标之一。然而由于人为因素和目前工业水平条件的制约,存在化验结果具有时间滞后性和测量结果代表性较低等严重的不足,不能有效及时地指导锅炉运行,提高锅炉燃烧效率。

通过锅炉燃烧过程的机理分析,选择锅炉符合、给煤机总的给煤量、省煤器出口烟温、燃烧器摆角、燃料风挡板开度、一次风总风压、二次风总风压、烟气含氧量、炉膛与风箱差压、以及煤种特性等作为模型的输入变量,将锅炉的飞灰含碳量作为模型的输出。

(1)数据预处理

主要包括数据清洗、数据滤波、数据变换及归一化等。

(2)辅助变量的选择

基于偏最小二乘法选择七个辅助变量,包括一次风压、烟气含氧量、炉膛风箱压差、收到基水分、收到基挥发分、低位发热量。

(3)基于SVM建立锅炉飞灰含碳量的软测量方法

根据机理分析及偏最小二乘法获得的辅助变量,通过SVM算法,构建了锅炉飞灰含碳量的软测量模型,针对不同负荷不同工况下的飞灰含碳量历史数据较少的情况,验证了模型的泛化性能,并得到了比较准确的预测效果。

 

油井动液面软测量方法

抽油井动液面指的是油管和套管中间的环形空间液面高度,它能够直观反映油层的供液能力和井下的供排关系,是对采油工艺进行提高和生产措施优化的重要指导参数。针对传统测量方法存在的不足,将软测量技术应用于动液面测量。

(1)动液面辅助变量选择

油田生产过程中可测的变量参数主要包括:采油设备的电参数,泵的冲程冲次、电流,油井的井底流压、产液量、产气量,井口的油压、套压、回压以及抽油杆柱的示功图载荷及位移等。采用灰色关联分析方法结合油井生产工艺,确定了与动液面参数强相关的过程变量,选用井口套压、泵效、产液量和电流作为动液面建模的辅助变量。

(2)动液面软测量静态建模

利用改进的AdaBoost算法对动液面数据进行集成建模,突出了预测误差在建模样本权重和弱学习器权重更新中的作用,同时采用多个弱学习器模型输出对误差整体进行平衡,使得输出更具科学性。

(3)自适应软测量建模

针对传统软测量更新方法存在的实时性差、模型更新不及时问题,提出基于模糊评估的油井动液面自适应软测量建模方法。建立关于产液量变化推理的模糊专家系统,通过计算推理产液量变化趋势和真实值的拟合优度指标,作为模型的更新判断条件;采用相似样本数据局部建模的方法进行模型的动态更新。可以快速诊断出动液面输出错误,及时进行模型的校正更新,保证模型的预测精度,而且对数据波动的适应能力较强,更符合油田现场的生产要求。