1. 课程导入

在流程工业中，温度、压力、流量、液位等常规参数通常可以依靠成熟仪表直接测量，但真正决定产品质量、反应收率、能耗水平和装置安全边界的关键变量，往往难以在线获取。例如聚合反应中的熔融指数、精馏塔顶产品组成、催化裂化再生烟气氧含量、生物发酵过程中的菌体浓度、高炉铁水硅含量等。这些变量要么缺少可靠在线分析仪表，要么仪表价格昂贵、维护量大、滞后明显，要么测量环境恶劣导致长期稳定性不足。软测量技术正是在这一背景下发展起来的：它通过易测变量构建数学模型，对难测变量进行在线估计，从而把“测不到”转化为“算得出”。

一、软测量技术定义与核心原理

软测量（Soft Sensing）又称软仪表或推断测量，其基本思想是选择一组与主导变量密切相关的辅助变量，建立辅助变量到主导变量的映射模型，并利用实时采集的辅助变量数据在线计算主导变量估计值。主导变量是希望获得但难以直接测量的目标参数；辅助变量则是能够稳定、快速、低成本获取的过程变量，如温度、压力、流量、阀门开度、电机电流、光谱信号等。

软测量系统通常由四个环节构成：辅助变量选择、数据采集与预处理、模型建立与校正、在线估计与性能监控。其核心不是简单拟合，而是把过程机理、数据特征和工程约束结合起来，使模型在工况变化、仪表漂移和原料波动下仍具有可用精度。一个典型的软测量输出可以表示为：

y_hat(t) = f(x1(t), x2(t), ..., xn(t); θ)
其中：
y_hat(t)  —— 主导变量在线估计值
x1...xn   —— 辅助变量实时值
θ         —— 模型参数或结构参数
f(·)      —— 机理模型、数据模型或混合模型

与实验室离线分析相比，软测量不替代标准分析方法，而是把离线分析结果作为校正基准，实现高频、连续、低成本的在线估计。因此，软测量工程本质上是一个“模型—数据—仪表—工艺”协同的系统工程。

二、发展历程：从机理推断到智能混合建模

软测量并非新概念，其发展大致经历四个阶段。第一阶段是机理驱动阶段，工程师依据物料平衡、能量平衡和反应动力学建立简化模型，用可测参数推断不可测参数。这一阶段模型可解释性强，但面对复杂反应和时变工况时精度有限。第二阶段是统计回归阶段，主成分分析、偏最小二乘、岭回归等方法被引入，通过历史数据建立辅助变量与主导变量之间的统计关系，适合线性较强、工况稳定的过程。第三阶段是机器学习阶段，人工神经网络、支持向量机、高斯过程回归、随机森林等方法提高了非线性拟合能力，但也带来过拟合、外推差和可解释性不足等问题。第四阶段是混合建模与工业智能阶段，将机理知识、数据驱动模型、专家规则和在线校正机制融合，强调模型全生命周期管理、可解释性和工程可维护性。

这一演进说明，软测量工程的重点已从“选一个算法”转向“构建可持续运行的软仪表系统”。模型精度只是起点，数据质量、变量选择、时滞匹配、漂移校正、异常工况识别和运维机制同样决定最终效果。

三、过程工业中的价值与应用场景

软测量在过程工业中的价值主要体现在四个方面：第一，替代或补充昂贵在线分析仪表，降低投资和维护成本；第二，提高关键质量变量的采样频率，为先进控制和实时优化提供反馈；第三，在仪表故障或检修期间提供软冗余，提升装置可用性；第四，把分散的工艺数据转化为可解释的运行知识，辅助操作优化和故障诊断。

四、课程整体框架与学习路径

本课程围绕“能建模、能落地、能维护”三条主线展开，共30章。学习路径建议按以下顺序推进：

1. 基础认知：理解软测量定义、价值、典型场景和工程边界，建立系统观。
2. 数据与变量：掌握辅助变量选择、数据采集、时滞估计、异常值处理和数据对齐方法。
3. 建模方法：学习机理建模、统计回归、机器学习、混合建模和在线校正策略。
4. 工程实施：完成模型训练、验证、部署、接口设计、软仪表组态和性能监控。
5. 运维与复盘：掌握漂移诊断、模型更新、故障处置、效果评估和项目复盘方法。