在过程控制中，若要使生产装置处于最佳运行工况、实现卡边控制、多产高价值产品，从而提高装置的经济效益，就必须要对产品质量或与产品质量密切相关的重要过程变量进行严格控制。在线分析仪表(传感器)不仅价格昂贵、维护保养复杂，而且由于分析仪表滞后大等原因，最终将导致控制质量的性能下降，难以满足生产要求。还有部分产品质量目前无法测量，这种情况在工业生产中实例很多，例如某些精(分)馏塔产品成分，塔板效率，干点、闪点，反应器中反应物浓度、转化率、摧化剂活性。高炉铁水中的含硅量，生物发酵罐中的生物量参数等。为了解决这类变量的测量问题，出现了不少方法，目前应用较广泛的是软测量方法。
软测量的基本思想是把自动控制理论与生产过程知识有机结合起来，应用计算机技术，针对难于测量或暂时不能测量的重要变量(或称之为主导变量)，选择另外一些容易测量的变量(或称之为辅助变量)，通过构成某种数学关系来推断和估计，以软件来代替硬件(传感器)功能。这类方法响应迅速，能够连续给出主导变量信息，且具有投资低、维护保养简单等优点。
近年来，国内外对软测量技术进行了大量的研究。著名国际过程控制专家MCavoy教授将软测量技术列为未来控制领域需要研究的几大方向之一，具有广阔的应用前景。
一、软测量技术概论
软测量技术主要由辅助变量的选择、数据采集和处理、软测量模型及在线校正四个部分组成。
1.1机理分析与辅助变量的选择
首先明确软测量的任务，确定主导变量。在此基础上深入了解和熟悉软测量对象及有关装置的工艺流程，通过机理分析可以初步确定影响主导变量的相关变量辅助变量。辅助变量的选择包括变量类型、变量数目和检测点位置的选择。这三个方面互相关联、互相影响，由过程特性所决定的。在实际应用中，还受经济条件、维护的难易程度等外部因素制约。
1.2数据采集和处理
从理论上讲，过程数据包含了工业对象的大量相关信息，因此，数据采集量多多益善，不仅可以用来建模，还可以检验模型。实际需要采集的数据是与软测另量主导变量对应时间的辅助变量的过程数据。其次，数据覆盖面在可能条件下应宽一些，以便软测量具有较宽的适用范围。为了保证软测量精度，数据的正确性和可靠性十分重要。
采集的数据必须进行处理，数据处理包含两个方面，即换算(scaling)利数据误差处理。数据误差分为随机误差和过失误差两类，前者是随机因素的影响，如操作过程微小的波动或测量信号的噪声等，常用滤波的方法来解决；后者包括仪表的系统误差(如堵塞、校正不准等)以及不完全或不正确的过程模型(受泄漏、热损失等不确定因素影响)。过失误差出现的几率较小，但它的存在会严重恶化数据的品质，可能会导致软测量甚至整个过程优化的失效。因此，及时侦破、剔除和校正这类数据是误差处理的首要任务。
1.3软测量模型的建立
软测量模型是软测量技术的核心。建立的方法有机理建模、经验建模以及两者相结合的建模。
1.3.1机理建模
从机理出发，也就是从过程内在的物理和化学规律出发，通过物料平衡与能量平衡和动量平衡建立数学模型。对于简单过程可以采用解析法，而对于复杂过程，特别是需要考虑输入变量大范围变化的场合，采用仿真方法。典型化工过程的仿真程序已编制成各种现成软件包。
机理模型优点是可以充分利用已知的过程知识，从事物的本质上认识外部特征；有较大的适用范围，操作条件变化可以类推。但它亦有弱点，对于某些复杂的过程难于建模，必须通过输入/输出数据验证。
1.3.2经验建模
通过实测或依据积累操作数据，用数学回归方法、神经网络方法等得到经验模型来进行测试，理论上有很多实验设计方法，如常用的正交设计等。有一种办法是吸取调优操作经验，即逐步向更好的操作点移动，这样可一举两得，既扩大了测试范围，又改进了工艺操作。测试中另一个问题是稳态是否真正建立，否则会带来较大误差。还有数据采样与产品质量分析必须同步进行。最后是模型检验，检验分为自身检验与交叉检验。我们建议和提倡交叉检验。经验建模的优点与弱点与机理建模正好相反，特别是现场测试，实施中有一定难处。
1.3.3机理建模与经验建模相结合
把机理建模与经验建模结合起来，可兼容两者之长，补各自之短。机理与经验相结合建模是一个较实用的方法，目前被广泛采用。
1.4软测量模型的在线校正
由于软测量对象的时变性、非线性以及模型的不完整性等因素，必须考虑模型的在线校正，才能适应新工况。软测量模型的在线校正可表示为模型结构和模型参数的优化过程，具体方法有自适应法、增量法和多时标法。
对模型结构的修正往往需要大量的样本数据和较长的计算时间，难以在线进行。为解决模型结构修正耗时长和在线校正的矛盾，提出了短期学习和长期学习的校正方法。短期学习由于算法简单、学习速度快而便于实时应用。长期学习是当软测量仪表在线运行一段时间积累了足够的新样本模式后，重新建立软测量模型。
二、软测量建模的方法
软测量的核心问题是其模型的建立，也即建立待估计变量与其它直接测量变量间的关联模型。软测量建模的方法多种多样，且各种方法互有交叉，且有相互融合的趋势，因此很难有妥当而全面的分类方法。目前，软测量建模方法一般可分为: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、基于支持向量机(SVM)和核函数的方法、过程层析成像、相关分析和现代非线性系统信息处理技术等。这些方法都不同程度地应用于软测量实践中，均具有各自的优缺点及适用范围，有些方法在软测量实践中己有许多成功的应用，后面几种建模方法限于技术发展水平，目前在过程控制中还应用较少。
2.1基于工艺机理分析的软测量建模
基于工艺机理分析的软测量建模主要是运用化学反应动力学、物料平衡、能量平衡等原埋，通过对过程对象的机理分析，找出不可测主导变量与可测辅助变量之间的关系(建立机理模型)，从而实现对某一参数的软测量。对于工艺机理较为清楚的工艺过程，该方法能构造出性能良好的软仪表。但是对于机理研究不充分、尚不完全清楚的复杂工业过程，难以建立合适帆机理模型。此时该方法就需要与其它参数估计方法相结合才能构造软仪表。这种软测量建模方法是工程中常用的方法，其特点是简单、工程背景清晰，便于实际"应用，但应用效果依赖于对工艺机理的了解程度，因为这种软测量方法是建立在对工艺过程机理深刻认识的基础上，建模的难度较大。
2.2基于回归分析的软测量建模
经典的回归分析是一种建模的基本方法，应用范围相当广泛。以最小二乘法原理为基础的一元和多元线性回归技术目前已相当成熟，常用于线性模型的拟合。对于辅助变量较少的情况，一般采用多元线性回归中的逐步回归技术以获得较好的软测量模型。对于辅助变量较多的情况，通常要借助机理分析，首先获得模型各变量组合的大致框架，然后再采用逐步回归方法获得软测量模型。为简化模型，也可采用主元回归分析法PCR(Principalcomponentregression)和部分最小二乘回归法PLSR(principalcomponentregression)等方法。基于回归分析的软测量建模方法简单实用，但需要足够有效的样本数据，对测量误差较为敏感且模型物理量概念不明了。
2.3基于状态估计的软测量建模
如果系统主导变量作为系统的状态变量是完全可观的，那么软测量建模问题就转化为典型的状态观测和状态估计问题。基于状态估计的软仪表由于可以反映主导变量和辅助变量之间的动态关系，因此，有利于处理各变量间动态特性的差异和系统滞后等情况。这种软测量建模方法的缺点在于对复杂的工业过程，常常难以建立系统的状态空间模型，这在一定程度上限制了该方法的应用。同时在许多工业生产过程中，常常会出现持续缓慢变化的不可测的扰动，在这种情况下采用这种建模方法可能会带来显著的误差。
2.4基于模式识别的软测量建模
这种软测量建模方法是采用模式识别的方法对工业过程的操作数据进行处理，从中提取系统的特征，构成以模式描述分类为基础的模式识别模型，如空间超盒等。基于模式识别方法建立的软测量模型与传统的数学模型不同，它是一种以系统的输入/输出数据为基础，通过对系统特征提取而构成的模式描述模型。该方法的优势在于它适用于缺乏系统先验知识的场合，可利用日常操作数据来实现软测量建模。在实际应用中，这种软测量建模方法常常和人工神经网络以及模糊技术等技术结合在一起使用。
2.5基于人工神经网络的软测量建模
基于人工神经网络ANN(annifiCialneuralnetwork)的软测量建模方法是近