采用BP算法训练的多层前向网络在实际应用中已解决了不少问题，但由于BP网络的弱点，现在人们已将注意力越来越多地转向RBF网络，它具有更好的适应特性。将主元分析法与具有RBF网络相结合，构成图2所示的PCA－RBFN模型。

图2　PCA－RBFN模型结构图

　　　根据主元分析结果，所建的网络的输入对应于各测量变量，选取6个输入变量，网络输出变量是一个。输入层的传递函数采用线性函数，隐含层1采用高斯传递函数，隐含层2、输出层采用双曲正切函数。网络设两个隐含层，隐含层1的节点数选取30个，隐含层2的节点数选为6个，本RBF网络隐含层1采用K－means算法，隐含层2采用广义Delta算法进行训练，误差采用标准误差，网络权值的初始分布采用正态分布。
　　从所取得的240组数据中，用其中的180组训练RBF网络，再用剩下的60组对网络进行测试，测试泛化结果如图3所示。从图3可以看出，模型的跟踪性能较好，能较好地跟踪航煤干点的实际分析值，且能达到较高的精度（误差在±4℃以内）。

图3　基于RBF算法的泛化结果

4　航煤干点的软测量工程实施及结果

　　在加氢裂化分馏塔航煤干点软测量系统中，其各种软测量模型的算法是软件的核心，但只有这些核心部分还无法构成一个实用完整的系统，必须有相应的软件来实现良好的人机接口和过程显示。在基于现场数据的仿真研究的基础上，由CENTUM－XL系统提供的编程环境编制软仪表的核心程序，程序包括数据预处理模块、神经网络预测模块、统计分析方法计算模块、在线校正模块组成。同时在现场CENTUM－XL系统操作站上完成了良好的人机操作界面。在整个组态过程中，过程参数的采集以及各种运算是在操作站上实现的，而操作画面、显示画面等各种画面是在工程师站上实现，然后下转至操作站的。
　　加氢裂化第一分馏塔航煤干点软测量模型自1998年7月投运以来，运行一直安全、可靠、稳定，我们采集了一段时间内的模型预报输出结果与化验分析值对比，两者的变化趋势基本一致，其绝对误差绝大多数小于2℃，其两者数据比较如表2、表3所示。其中表2为航煤干点软测量模型预报输出与化验分析值的比较。表3为航煤干点软测量模型预报输出与化验分析值的对比的统计汇总。

5　结束语

　　本文根据工艺机理和现场实测数据，经过主元分析建立了PCA－RBFN航煤干点软测量模型，并在CENTUM－XL系统上编制了相应软件（数据预处理、神经网络模型模块、在线校正模块等），最后在实际工业装置投入运行。运行结果表明，精度较高为实现在线控制创造了条件。