通过技术合并妈妈的感知能力会产生惊人的结果

关键字

• 过程和先进控制

• 神经网络

• 多变量传感器

• 传感/测量

• 分析程序

美国联邦调查局和你母亲有什么共同之处?两者都使用真实的测量来得出推断的结果;你说的是实话吗?

想想看，你的母亲会一边观察你的肢体语言——瞳孔放大、口干舌燥、烦躁的肢体动作、声调等等——一边进行微妙的询问，试图确定你是否在说真话。每次你们两个有这样的“寻求真理的时刻”，似乎妈妈能越来越快地得出正确的结论。

今天我们意识到，在你和你那寻求真理的母亲之间发生的事情是在母亲的大脑中发展、训练、再训练一个特别为你设计的复杂系统。她学习了你的肢体语言，并把这些作为输入，确定了最重要的那几个，对每一个都进行适当的加权，然后把输入减少到一个输出——真相还是谎言?随着你的成熟，你的肢体语言变得更加精炼。为了补偿，妈妈重新训练了她的“真相/谎言”模型，再次确定了正确的输出;只是时间长了点。

FBI探员也使用类似的技术，他们用测谎仪“勾住”一个人，进行面试时先问一些基本问题，然后问一些关于某个特定话题或事件的问题，最后由测谎专家对结果进行解读。

在我们自己的身体里，也发展出了类似的推断测量。例如，在很小的时候，我们仅仅通过看到火就知道火是热的。我们不需要感觉到火的热度或闻到烟味，我们“本能地”知道火是热的。

几十年前，科学家和数学家开发出了复杂的数学方程，能够模拟我们大脑的某些部分，但直到计算机的价格/性能比达到可承受的水平，实际应用才变得可行。

软感知在哪里?

六、八年前，控制和自动化供应商加入了软传感器的行列，就像新技术经常出现的情况一样，软传感器被误用了，或者没有产生预期的结果。这导致软传感器技术在控制和自动化用户群体中失宠。

幸运的是，软式、虚拟式或推理式传感器的成功实现，防止了这项技术完全消失。如今，通用磨坊(General Mills, Minneapolis, Minn)和欧文斯康宁玻璃(Owens Corning Glass, Toledo, O.)等公司正受益于软传感器技术的部署。

不久之前，通用磨坊开始用软传感器来辅助离线分析仪来推断食品的水分含量——一个关键的味道指标。干燥过少的叶子会粘谷物;过度干燥浪费金钱(以不必要的生产时间和能源消耗的形式)，使谷物更脆弱，在运输过程中更容易破碎。

从Aspen技术（剑桥，质量）应用软传感器技术（剑桥），通用轧机降低了运行循环，降低了能源使用，减少产品废物，提高产品一致性和质量。据报道，一般钢厂在大约两周内实施了软传感器，实现了三个月的投资回报。

Owens Corning Glass有一个甚至棘手的问题。R值，测量材料抵抗热量的能力，是在生产建筑绝缘材料时感兴趣的属性。挑战是，至少的材料'r值至少不可用六个星期后生产。

欧文斯康宁的经营者已经了解到，放慢生产线和增加玻璃纤维质量可以提高产品的r值;但理想的线速度和纤维质量仍然是一个谜，因此欧文斯科宁招致了不必要的原材料费用和低于最优生产率。

然后，该公司的工程师调查并确定了r值软传感器可以开发利用现有的生产线测量。

水分和R值仅为两个软传感器应用示例。软传感器也被成功地用于预测临界性能估计，例如聚合物熔体指数，NOx，CO，纸浆FREEeness和石脑油95％切割点。

容易并不意味着能力下降

早期软传感器采用者的一致抱怨是离线分析工具的“粗糙”。许多工艺工程师举手投降;那些坚持不懈的人发现，他们对软测量理论和数据分析技术的了解远远超过了他们真正想知道的。

这是一个好消息，在软传感器市场中，几家供应商消耗了大量资源，以提高离线开发工具的可用性而不会牺牲能力。In fact, several suppliers admit the underlying soft-sensor algorithms haven’t significantly changed in the past several years, but they have made huge improvements in making soft-sensor development easier, and are producing models with better quality than “experts” developed just a few years ago.

使软传感器有用的是底层模型能够通过训练推断物理特性测量，否则只能从分析仪或实验室测试获得。但请记住，大多数软传感器使用人工神经网络(ANN)技术，只有当应用程序停留在用于训练模型的区域时，它才是可靠的。

这意味着软传感器需要用数据进行训练，这些数据能够准确地反映出当事情运行良好时，整个过程在做什么。当模型使用稳态和扰动条件数据混合训练时，模型准确预测输出的能力将受到严重损害。

土木工程基础

大多数软测量应用都是非线性的，因此使用人工神经网络技术来预测感兴趣的参数。

线性应用和被测变量之间存在显著相关性的应用需要建立避免违反相关性的模型。“部分最小二乘”和“主成分分析”技术经常被用于满足这类应用需求，并被包括在一些软传感器产品中。

无论所需的底层软传感器技术是什么，软传感器的开发都需要以下五个不同的步骤:数据采集、数据预处理、变量和时延选择、网络训练和网络验证。

1.获取信息

数据收集是必要的，因为质量数据是建立质量软测量模型的唯一基础。

过于频繁，首次软传感器开发人员认为他们可以“饲养”分析软件山脉的历史数据，让它弄清楚什么是重要的，但它比这更有涉及。

重要的不是数据的容量，而是数据的信息内容。例如，软测量器训练中存在的问题包括没有考虑到不同测点、不同流量、不同时基采集的数据所造成的时间滞后。此外，由于实验室数据经常被用来比较模型输出的准确性，所以知道何时采集样本、分析样本需要多长时间以及何时记录结果是很重要的。为什么?因为材料的属性可能会发生变化，需要精确的时间跟踪以确保数据的完整性。

收集数据对模型质量至关重要，但是如何定义“可用”数据以及什么构成了足够数量的数据?

在软传感器的正常预期预测范围内，可用数据的变化，但在扰动、等级变化等期间收集的数据是不是可用的数据。

需要考虑所需数据数量的拇指的一般拇指是用于每个输入变量的几百个可用数据。

Fisher-Rosemount的基于Deltav的神经网络模块提供了供应商如何使软传感器开发更容易的良好示例。

流程工程师可以在多个数据库中对输入和输出数据进行排序，然后协调和关联数据，以确定流程何时运行良好。相反，Fisher-Rosemount的方法定义了神经网络模块，从系统的任何地方分配多达20个变量作为输入，分配一个手动实验室或在线分析仪数据收集功能，并将所有内容下载到控制器中。

控制器中的模块的存在会自动在DeltaV历史记录中启动输入和输出的变量收集。当实验室分析结果可用时，它们被输入系统，并与相应的输入数据自动对齐，从而更容易识别可用的数据。

2.清洁输入

数据预处理确定软传感器培训中应包含的变量，并且是工具改进与过程知识相结合经常获得惊人结果和好处的另一个地方。

偶尔会有一两个变量的影响比任何人意识到的都大或小。此时，离线数据分析工具的质量和有效性才真正展示了它们的东西——不仅体现在数据分析算法的复杂性上，还体现在识别异常值、坏数据或可疑数据的结果的可理解程度上。

不同的工具使用不同的技术来实现这个非常重要的数据预处理步骤。最常见的数据分析技术是将数据提交给一个算法的多次通过，该算法旨在识别最有影响的变量。通常，这些算法可以识别三到六个关键变量，这些变量对软传感器准确预测输出的能力影响最大。

当数据通过算法时，软件识别缺失值、异常值(数据值超出了既定的控制范围)和/或来自不同来源的不需要的数据。一些工具为过程工程师提供了用户友好的方法来仔细阅读数据:突出显示数据的部分，以包括、排除、插入或替换平均值，然后生成只同步时间的可用数据的输入和输出文件。

在评估软传感器工具时，请特别注意预处理活动和所产生的结果。寻找易于理解的迹象，包括排除在定义限制的异常值的数量，分析，删除，内插，替换和剩余的数据量。

3.完善的数据

可变和时间延迟选择识别最大的输入，影响预测输出的准确性和鲁棒性。但软传感器开发人员提前知道每个输入影响预测的输出的程度，因此一个好的工具包允许设置时间延迟范围，并且包括自动将每个输入变量的灵敏度自动测试每个输出变量的算法。

一旦识别了关键性变量，该步骤的第二部分是近似致命时间，并进一步评估每个变量的输入到输出灵敏度。大多数离线工具提供自动进行分析和/或允许用户手动应用流程知识的能力。无论哪种方式，意图是评估每个输入变量的时间随时间的灵敏度，每个输出变量。当输入时，在给定的时间延迟在预测输出方面有显着的灵敏度，该延迟的输入很重要，并且应保持模型的一部分。

灵敏度和延时图形结果应表明在指定的延时范围内，每个输入对预测输出的影响程度。然而，模型训练应该使用特定的延迟输入数据，因此灵敏度和延迟测试是一个迭代过程。

每次测试都会移除不相关的变量并减少时间延迟范围。重复测试，直到识别出影响最大的输入变量和相应的延迟。

4.重量和培训

网络训练确定隐藏神经元的数量，并根据良好状态的训练数据自动调整其权重。

训练工具将信息呈现给模型，将输出与目标值进行比较，自动修改输入的权重，并重复训练周期，直到获得可接受的输出。

模型训练工具有时倾向于对模型进行过度训练，从而绕过“最适合”的解决方案。为了避免过度训练，软传感器工具提供建模过程的动态图形演示，并允许用户在获得可接受的最佳适合的解决方案后取消训练。

5.测试模型

网络验证是开发人员的过程知识和开发工具使用的真正体现的地方。

使用与训练模型完全不同的数据集，验证模型预测关键性能输出变量的能力。良好的验证表明该软传感器已准备好上线。不尽如人意的验证可能需要重新开始，但至少需要对每个开发步骤进行仔细检查。

诚然，早期软传感器的开发和维护是困难的，需要用户对底层技术了解太多。有些公司未能解决诸如补偿非测量输入的变化等问题，但这一切都改变了。

如今，软传感器主要用于连续过程，但一旦过程工程师意识到软传感器分析和开发工具的改进，安装和工作的软传感器的数量将扩展到其他过程类型。

也许是时候重新审视软传感器在哪些方面可以降低产品的可变性，增加公司的底线，并在公司简报中得到报道。毕竟，如果妈妈能把你的成就挂在冰箱门上，她会很自豪的。

欲了解更多软传感器供应商，请登录www.globalelove.com/buyersguide;欲了解更多信息，请使用以下圈号，网址为www.globalelove.com/freeinfo:

阿斯彭技术www.aspentech.com…200

点积www.dot-products.com 201年……

202年Fisher-Rosemount www.easydeltav.com…

霍尼韦尔www.iac.honeywell.com 203年……

204年MathWorks www.mathworkks.com…

205年Matrikon www.matrikon.com…

馆206年www.pavtech.com…

PSE最适条件www.pseoptima.com…207

在软传感器开发工具中寻找什么

市场上有许多开发人工神经网络模型的工具。有些是通用的;其他的是为工厂/车间流程设计的。一个好的软测量工具应该:

轻松地映射输入和输出到实时过程变量;

将强大的数据操作和分析功能与易于理解的结果相结合;

包括泛化技术和量化结果，以确保模型质量，避免模型过度训练;

创建准确、健壮的模型，可靠地反复预测整体潜在的数据输入;和

在合理短的开发时间内产生模型。

积极主动的解决方案

偶尔会出现一些过程分析和改进技术，它们并不完全适合软传感器或高级过程控制的文章CE主要是因为这项技术不使用模型。

Stocho(纽约州斯克内克塔迪)主动过程改进(PPI)系统就是一个很好的例子，因为PPI利用实验设计(DOE)原理实现实时、在线的过程改进。

与其他优化应用程序类似，PPI是一个硬件/软件解决方案，与传统过程控制系统集成。

开始一个PPI应用程序类似于开发一个软传感器。关键的性能变量被识别，可用的数据被收集和清理，关键的控制变量关联被识别。但相似之处仅此而已。

不是训练一个模型，而是为每个操纵变量建立调整限制。PPI系统开始监控定义的关键性能变量和输出，评估影响输出的因素，并对流程进行在线更改，遵循DOE规则有序地尝试定位和维护流程运行的“甜蜜点”。

与基于模型的竞争产品一样，PPI包括一个广泛的统计过程控制图表库，包括Xbar和range、Xbar和sigma、min/max等。

有关PPI，Circle 208或访问www.stochos.com的更多信息。

自然神经元激发了人工神经网络

在最简单的情况下，自然的神经元传导来自受体器官(眼睛、耳朵、鼻子等)的冲动，最终到达效应器官，如肌肉。脉冲到达神经元的输入位置(树突)，然后加权或基于学习的重要性。加权输入求和，并将结果与神经元阈值进行比较。当总和等于或大于阈值时，将产生输出。神经系统的状态和状态影响输出质量。例如，疲劳、缺氧、酒精和药物会影响脉冲的正常传递并改变输出强度。

这种自然神经元的生物学启发了基于计算机的人工神经网络(ANN)技术。幸运的是(或不幸的是)，目前基于计算机的人工神经网络技术只与我们的自然神经元智力灵感有一定的相似之处，每个神经元可以与其他10,000个神经元直接互动，产生总共1015个连接。