在過程控制中，若要使生產裝置處于*運行工況、實現卡邊控制、多產高價值產品，從而提高裝置的經濟效益，就必須要對產品質量或與產品質量密切相關的重要過程變量進行嚴格控制。在線分析儀表（傳感器）不僅價格昂貴、維護保養復雜，而且由于分析儀表滯后大等原因，zui終將導致控制質量的性能下降，難以滿足生產要求。還有部分產品質量目前無法測量，這種情況在工業生產中實例很多，例如某些精（分）餾塔產品成分，塔板效率，干點、閃點，反應器中反應物濃度、轉化率、摧化劑活性。高爐鐵水中的含硅量，生物發酵罐中的生物量參數等。為了解決這類變量的測量問題，出現了不少方法，目前應用較廣泛的是軟測量方法。
　　
　　軟測量的基本思想是把自動控制理論與生產過程知識有機結合起來，應用計算機技術，針對難于測量或暫時不能測量的重要變量（或稱之為主導變量），選擇另外一些容易測量的變量（或稱之為輔助變量），通過構成某種數學關系來推斷和估計，以軟件來代替硬件（傳感器）功能。這類方法響應迅速，能夠連續給出主導變量信息，且具有投資低、維護保養簡單等優點。
　　
　　近年來，國內外對軟測量技術進行了大量的研究。過程控制專家MCavoy教授將軟測量技術列為未來控制領域需要研究的幾大方向之一，具有廣闊的應用前景。
　　
　　一、軟測量技術概論
　　
　　軟測量技術主要由輔助變量的選擇、數據采集和處理、軟測量模型及在線校正四個部分組成。
　　
　　1.1機理分析與輔助變量的選擇
　　
　　首先明確軟測量的任務，確定主導變量。在此基礎上深入了解和熟悉軟測量對象及有關裝置的工藝流程，通過機理分析可以初步確定影響主導變量的相關變量輔助變量。輔助變量的選擇包括變量類型、變量數目和檢測點位置的選擇。這三個方面互相關聯、互相影響，由過程特性所決定的。在實際應用中，還受經濟條件、維護的難易程度等外部因素制約。
　　
　　1.2數據采集和處理
　　
　　從理論上講，過程數據包含了工業對象的大量相關信息，因此，數據采集量多多益善，不僅可以用來建模，還可以檢驗模型。實際需要采集的數據是與軟測另量主導變量對應時間的輔助變量的過程數據。其次，數據覆蓋面在可能條件下應寬一些，以便軟測量具有較寬的適用范圍。為了保證軟測量精度，數據的正確性和可靠性十分重要。
　　
　　采集的數據必須進行處理，數據處理包含兩個方面，即換算（scaling）利數據誤差處理。數據誤差分為隨機誤差和過失誤差兩類，前者是隨機因素的影響，如操作過程微小的波動或測量信號的噪聲等，常用濾波的方法來解決；后者包括儀表的系統誤差（如堵塞、校正不準等）以及不*或不正確的過程模型（受泄漏、熱損失等不確定因素影響）。過失誤差出現的幾率較小，但它的存在會嚴重惡化數據的品質，可能會導致軟測量甚至整個過程優化的失效。因此，及時偵破、剔除和校正這類數據是誤差處理的首要任務。
　　
　　1.3軟測量模型的建立
　　
　　軟測量模型是軟測量技術的核心。建立的方法有機理建模、經驗建模以及兩者相結合的建模。
　　
　　1.3.1機理建模
　　
　　從機理出發，也就是從過程內在的物理和化學規律出發，通過物料平衡與能量平衡和動量平衡建立數學模型。對于簡單過程可以采用解析法，而對于復雜過程，特別是需要考慮輸入變量大范圍變化的場合，采用仿真方法。典型化工過程的仿真程序已編制成各種現成軟件包。
　　
　　機理模型優點是可以充分利用已知的過程知識，從事物的本質上認識外部特征；有較大的適用范圍，操作條件變化可以類推。但它亦有弱點，對于某些復雜的過程難于建模，必須通過輸入/輸出數據驗證。
　　
　　1.3.2經驗建模
　　
　　通過實測或依據積累操作數據，用數學回歸方法、神經網絡方法等得到經驗模型來進行測試，理論上有很多實驗設計方法，如常用的正交設計等。有一種辦法是吸取調優操作經驗，即逐步向更好的操作點移動，這樣可一舉兩得，既擴大了測試范圍，又改進了工藝操作。測試中另一個問題是穩態是否真正建立，否則會帶來較大誤差。還有數據采樣與產品質量分析必須同步進行。zui后是模型檢驗，檢驗分為自身檢驗與交叉檢驗。我們建議和提倡交叉檢驗。經驗建模的優點與弱點與機理建模正好相反，特別是現場測試，實施中有一定難處。
　　
　　1.3.3機理建模與經驗建模相結合
　　
　　把機理建模與經驗建模結合起來，可兼容兩者之長，補各自之短。機理與經驗相結合建模是一個較實用的方法，目前被廣泛采用。
　　
　　1.4軟測量模型的在線校正
　　
　　由于軟測量對象的時變性、非線性以及模型的不完整性等因素，必須考慮模型的在線校正，才能適應新工況。軟測量模型的在線校正可表示為模型結構和模型參數的優化過程，具體方法有自適應法、增量法和多時標法。
　　
　　對模型結構的修正往往需要大量的樣本數據和較長的計算時間，難以在線進行。為解決模型結構修正耗時長和在線校正的矛盾，提出了短期學習和長期學習的校正方法。短期學習由于算法簡單、學習速度快而便于實時應用。長期學習是當軟測量儀表在線運行一段時間積累了足夠的新樣本模式后，重新建立軟測量模型。
　　
　　二、軟測量建模的方法
　　
　　軟測量的核心問題是其模型的建立，也即建立待估計變量與其它直接測量變量間的關聯模型。軟測量建模的方法多種多樣，且各種方法互有交叉，且有相互融合的趨勢，因此很難有妥當而全面的分類方法。目前，軟測量建模方法一般可分為:機理建模、回歸分析、狀態估計、模式識別、人工神經網絡、模糊數學、基于支持向量機（SVM）和核函數的方法、過程層析成像、相關分析和現代非線性系統信息處理技術等。這些方法都不同程度地應用于軟測量實踐中，均具有各自的優缺點及適用范圍，有些方法在軟測量實踐中己有許多成功的應用，后面幾種建模方法限于技術發展水平，目前在過程控制中還應用較少。
　　
　　2.1基于工藝機理分析的軟測量建模
　　
　　基于工藝機理分析的軟測量建模主要是運用化學反應動力學、物料平衡、能量平衡等原埋，通過對過程對象的機理分析，找出不可測主導變量與可測輔助變量之間的關系（建立機理模型），從而實現對某一參數的軟測量。對于工藝機理較為清楚的工藝過程，該方法能構造出性能良好的軟儀表。但是對于機理研究不充分、尚不*清楚的復雜工業過程，難以建立合適帆機理模型。此時該方法就需要與其它參數估計方法相結合才能構造軟儀表。這種軟測量建模方法是工程中常用的方法，其特點是簡單、工程背景清晰，便于實際"應用，但應用效果依賴于對工藝機理的了解程度，因為這種軟測量方法是建立在對工藝過程機理深刻認識的基礎上，建模的難度較大。
　　
　　2.2基于回歸分析的軟測量建模
　　
　　經典的回歸分析是一種建模的基本方法，應用范圍相當廣泛。以zui小二乘法原理為基礎的一元和多元線性回歸技術目前已相當成熟，常用于線性模型的擬合。對于輔助變量較少的情況，一般采用多元線性回歸中的逐步回歸技術以獲得較好的軟測量模型。對于輔助變量較多的情況，通常要借助機理分析，首先獲得模型各變量組合的大致框架，然后再采用逐步回歸方法獲得軟測量模型。為簡化模型，也可采用主元回歸分析法PCR（Principalcomponentregression）和部分zui小二乘回歸法PLSR（principalcomponentregression）等方法。基于回歸分析的軟測量建模方法簡單實用，但需要足夠有效的樣本數據，對測量誤差較為敏感且模型物理量概念不明了。
　　
　　2.3基于狀態估計的軟測量建模
　　
　　如果系統主導變量作為系統的狀態變量是*可觀的，那么軟測量建模問題就轉化為典型的狀態觀測和狀態估計問題。基于狀態估計的軟儀表由于可以反映主導變量和輔助變量之間的動態關系，因此，有利于處理各變量間動態特性的差異和系統滯后等情況。這種軟測量建模方法的缺點在于對復雜的工業過程，常常難以建立系統的狀態空間模型，這在一定程度上限制了該方法的應用。同時在許多工業生產過程中，常常會出現持續緩慢變化的不可測的擾動，在這種情況下采用這種建模方法可能會帶來顯著的誤差。
　　
　　2.4基于模式識別的軟測量建模
　　
　　這種軟測量建模方法是采用模式識別的方法對工業過程的操作數據進行處理，從中提取系統的特征，構成以模式描述分類為基礎的模式識別模型，如空間超盒等。基于模式識別方法建立的軟測量模型與傳統的數學模型不同，它是一種以系統的輸入/輸出數據為基礎，通過對系統特征提取而構成的模式描述模型。該方法的優勢在于它適用于缺乏系統先驗知識的場合，可利用日常操作數據來實現軟測量建模。在實際應用中，這種軟測量建模方法常常和人工神經網絡以及模糊技術等技術結合在一起使用。
　　
　　2.5基于人工神經網絡的軟測量建模
　　
　　基于人工神經網絡ANN（annifiCialneuralnetwork）的軟測量建模方法是近年來研究較多、發展很快和應用范圍很廣泛的一種軟測量建模方法。由于人工神經網絡具有自學習、聯想記憶、自適應和非線性逼近等功能，基于人工神經網絡的軟測量模型可以在不具備對象的先驗知識的條件下，根據對象的輸入/輸出數據直接建模（將輔助變量作為人工神經網絡的輸入，而主導變量作為神經網絡的輸出，通過神經網絡的學習來解決不可測變量的軟測量問題），模型的在線校正能力強，并能適用于高度非線性和嚴重不確定性系統。
　　
　　因此，它為解決復雜系統過程參數的軟測量問題提供了一條有效途徑。采用人工神經網絡進行軟測量建模有兩種形式:一種是利用人工神經網絡直接建模，用神經網絡來代替常規的數學模型描述輔助變量和主導變量間的關系，完成由可測信息空間到主導變量的映射;另一種是與常規模型相結合，用神經網絡來估計常規模型的模型參數，進而實現軟測量。
　　
　　2.6基于回歸支持向量機的方法
　　
　　建立在統計學習理論基礎上的支持向量機SVM（suppoVectormachine）已成為當前機器學習領域的一個研究熱點。支持向量機采用結構風險zui小化準則，在有限樣本情況下，得到現有信息下的*解而不僅僅是樣本數趨于無窮大時的*值，解決了一般學習方法難以解決的問題，如神經網絡的局部zui小問題、過學習以及結構和類型的選擇過分依賴于經驗等固有的缺陷等問題，從而提高了模型的泛化能力。另外支持向量機把機器學習問題歸結為一個二次規劃問題，因而得到的*解不僅是全局*解，而且具有*性。SVM的方法zui早是針對模式識別問題提出的，Vapnik通過引入ε不敏感損失函數，將其推廣應用到非線性回歸估計中，得到了用于回歸估計的標準SVM方法，本文稱之為回歸支持向量機SVR（supportVectorregressor）。由于軟測量建模與一般數據回歸問題之間存在著共性，支持向量機方法應用于回歸估計問題取得不錯的效果應用，促使人們把眼光投向工程應用領域，提出不少建立基于回歸支持向量機的軟測量建模方法。
　　
　　2.7基于模糊數學的軟測量建模
　　
　　模糊數學模仿人腦邏輯思維特點，是處理復雜系統的一種有效手段，在過程軟測量建模中也得到了大量應用。基于模糊數學軟測量模型是一種知識性模型。該法特別適合應用于復雜工業過程中被測對象呈現亦此亦彼的不確定性、難以用常規數學定量描述的場合。實際應用中常將模糊技術和其它人工智能技術相結合，例如模糊數學和人工神經網絡相結合構成模糊神經網絡，將模糊數學和模式識別相結合構成模糊模式識別，這樣可互相取長補短以提高軟儀表的效能。
　　
　　2.8基于過程層析成像的軟測量建模
　　
　　基于過程層析成像PT（Processtomography）的軟測量建模方法與其它軟測量建模方法不同，它是一種以醫學層析成像CT（computerizedtomography）技術為基礎的在線獲取過程參數二維或三維的實時分布信息的*檢測技術，即一般軟測量技術所獲取的大多是:關于某一變量的宏觀信息，而采用該技術可獲取關于該變量微觀的時空分布信息。由于受技術發展水平的制約，該種軟測量建模方法目前離工業實用化還有一定距離，在過程控制中的直接應用還不多。
　　
　　2.9基于相關分析的軟測量建模
　　
　　基于相關分析的軟測量建模方法是以隨機過程中的相關分析理論為基礎，利用兩個或多個可測隨機信號間的相關特性來實現某一參數的軟測量建模方法。該方法采用的具體實現方法大多是互相關分析方法，即利用各輔助變量（隨機信號）間的互相關函數特性來進行軟測量建模。日前這種方法主要應用于難測流體（即采用常規測量儀表難以進行有效測量的流體）流速或流量的在線測量和故障診斷（例如流體輸送管道泄漏的檢測和癥位）等。
　　
　　2.10基于現代非線性信息處理技術的軟測量建模
　　
　　基于現代非線性信息處理技術的軟測量建模方法是利用易測過程信息（輔助變量，它通常是一種隨機信號），采用*的信息處理技術，通過對所獲信息的分析處埋提取信號特征量，從而實現某一參數的在線檢測或過程的狀態識別。這種軟測量建模技術的基本思想與基于相關分忻的軟測量建模技術一致，都是通過信號處理來解決軟測量建模問題，所不同的是具體信息處理方法不同。該軟測量建模方法的信息處理方法大多是各種*的非線性信息處理技術，例如小波分析、混沌和分形技術等，因此能適用于常規的信號處理手段難以適應的復雜工業系統。相對而言，基于現代非線性信息處理技術的軟測量建模方法的發展較晚，研究也還比較分散。該技術目前一般主要應用于系統的故障診斷、狀態檢測和過失誤差偵破等，并常常和人工神經網絡或模糊數學等人工智能技術相結合。
　　
　　三、軟測量建模方法進一步研究的展望
　　
　　軟測量建模方法雖然經過多年的發展有了很多成果，但仍有許多問題有待于迸一步研究。軟測量建模方法進一步研究的方向有以下幾種。
　　
　　3.1將新興的技術用于軟測量建模
　　
　　日前雖然出現了眾多軟測量建模方法，但仍不能滿足實際需要。將一些新興的技術用于軟測量建模，建立基于新興技術的軟測量模型仍是目前研究的熱點。如:將神經網絡、微粒群優化算法、遺傳算法等新興技術用于軟測量建模，建立性能更好的軟測量模型。
　　
　　文獻[24]采用多目標遺傳算法來選擇子系統的輸入變量，并結合T-S模糊系統特點，采用二分法劃分子系統的輸入空間，建立了基于遞階T-S模糊系統的軟測量模型。仿真結果表明，該方法具有精度高、結構簡單、生成規則數少、泛化特性良好等優點;文獻[25]
　　
　　提出一種將粗糙集理論和動態前饋神經網絡相結合的神經網絡構造方法，該方法用于乙烯裝置裂解爐燃料氣熱值的控制中，獲得了良好的應用效果;文獻[26]利用模糊技術，在實數編碼免疫算法的基礎上，對免疫算法中的兩個關鍵參數實現了模糊自適應調整，解決了基本免疫算法中收斂精度低和尋優速度慢的缺點，并將此算法用于優化BP神經網絡的結構和參數。通過對溶劑脫水塔醋酸濃度軟測量的仿真結果表明，此算法不但控制了網絡結構的復雜化，而且泛化性能也得到了較大提高，證實了該算法的有效性;文獻[28]提出一種增強型微粒群優化算法（EPSO），將EPSO用于催化裂化裝置主分餾塔粗汽油干點軟測量，比基于BPNN的軟測量模型具有更高的精度和更好的性能;文獻[28]提出多速粒子群優化算法（MVPSO）具有概念清晰、操作簡單、易實現等優點，應用于*發酵過程產物（*）濃度軟測量，比基于BPNN的軟測量模型具有更好的性能;文獻「29]提出了采用高斯過程（Gp）建立復雜工業過程軟測量方法，Gp軟測量模型不僅能自動選擇輔助變量，而且還具有較高的估計精度和較小的測量不確定度，能夠更好地滿足工業現場對測量可靠性的要求。
　　
　　3.2將不同的方法相互融合建立混合模型或多模型
　　
　　由于實際系統的復雜多變，往往來說，一種方法建立的模型難以滿足要求。如果結合實際系統的機理分析和實際情況，將不同的方法相互融合，建立混合模型，這一建模方法是值得研究的方向。
　　
　　文獻[30]提出了一種將幾個神經網絡模型通過模糊結合的方式結合起來用于魯棒分類的方法;文獻[31]采用zui小二乘多神經網絡建立了常壓塔粘度軟測量模型，期間考慮了輔助變量滯后時間的影響，取得了較好的測量精度;文獻[32]提出了一種基于PCA的多神經網絡模型，該方法具有更高的精度和更好的泛化能力;文獻[33]利用時間序列數據建立了一段磨礦分級粒度多模型軟測量模型，成功地對磨礦產品的粒度進行了估計;文獻[34]提出了一種基于多神經網絡模型的軟測量方法，將這一方法應用于*發酵過程，實驗結果驗證了該方法的有效性;文獻[35]提出一種基于在線聚類和V-支持向量回歸機（VSVR）的多模型軟測量建模方法，該建模方法在加氫裂化分餾塔裝置的輕石腦油終餾點在線預測系統中取得了良好的效果;文獻[36]提出了混合支持向量回歸機-偏zui小二乘法（SVR-PLS）方法，對工業丙烯脂生產過程丙烯腈收率軟測量建模的應用表明，采用該方法建立的軟測量模型在模型精度、推廣能力等方面明顯優于一些傳統軟測量建模方法。
　　
　　3.3動態軟測量模型研究
　　
　　經過十幾年的發展，軟測量技術無論是在理論研究還是在實際應用中均取得了較大成功，然而至今為止的大部分研究都是針對靜態軟測量模型。為了進一步提高軟測量模型精度和魯棒性，動態軟測量模型是今后任務研究方向之一。文獻[38]應用多神經網絡建立動態軟測量模型，仿真研究獲得較好結果;文獻[39]介紹了常壓塔柴油凝點動態軟測量模型的研究，仿真研究表明，該模型的預報準確性要優于靜態軟測量模隊取得了較好的預測效果。
　　
　　四、工業應用實例
　　
　　軟測量技術工業應用成功實例不少。國外有InferentialControl公司、Setpoint公司、DMC公司、Profimatics公司、Simcon公司、Appliedautomation公司等以商品化軟件形式推出各自的軟測量儀表，這些己廣泛應用于常減壓塔、FCCU主分餾塔、焦化主分餾塔、加氫裂化分餾塔、汽油穩定塔、脫乙烷塔等*控制和優化控制。它增加了輕質油收率，降低了能耗并減少了原油切換時間，取得了明顯經濟效益。
　　
　　國內引進和自行開發軟測量技術在石油化工、煉油工業過程應用比較多，例如催化裂化裝置分餾塔輕柴油凝固點軟測量，基于現場數據分析并結合工藝機理分析，建立了多層前向網絡柴油凝固點的軟測量模型設計簡單在線校正。神經網絡模型估計值與分析值zui大誤差為1.65℃，并用了閉環控制，平穩了生產，減少凝固點波動，合格品由94%提高到;常減壓裝置常壓塔柴油凝固點軟測量。通過現場采集數據經處理后，建立了非線性回歸模型和神經網絡模型，為提高模型精度和魯棒性，組成非線性回歸模型與神經網絡模型結合的混合模型，并設計了一個串級控制系統。投入運行后獲得較好控制效果，可以滿足生產要求；氣分裝置丙烯丙烷塔塔頂丙烯成分軟測量。通過嚴格的汽液平衡模型簡化和現場測試，得到非線性回歸模型，并設計在線校正。該軟測量估計器投入在線運行，精度能滿足要求，并成功應用于丙烯成分閉環控制，取得了明顯經濟效益;延遲焦化裝置分餾塔粗汽油干點軟測量。經對現場采集的數據及工藝機理分析，確定了影響粗汽油干點的zui主要因素，分別建立了PLS和RBFN模型，為提高模型精度和泛化能力、將PLS模型和RBFN模型并聯建立了粗汽油干點混合模型，交叉驗證表明這一方法是有效的，所建模型精度較高和良好的泛化能力;連續重整裝置中重整產品辛烷值、待生催化劑結焦含量、重整產品C5+液收率的軟測量，實現在保證質量合格前提下提高產品收率的優化操作指導;完成對重整再生器氧含量的軟測量。兩個系統先后投運后運行正常，取得了良好的經濟效益;PTA氧化反應質量指標軟測量。經工藝機理分析，結合實際數據的相關分析，確定輔助變量，采用基于遞推算法的PLS建立軟測量模型，該算法已在皿認氧化反應質量指標的*控制中應用，取得了較好經濟效益;另外還有丙烯腈收率軟測量;高壓聚乙烯生產過程中的重要參數——熔融指數（MI）的軟測量;合成醋酸乙烯的空時得率和催化劑選擇性的軟測量;乙烯裝置裂解爐出口乙烯收率、丙烯收率、裂解深度的軟測量;丁二烯裝置的DAl06塔塔底的水含量、塔頂的甲基乙炔（MA）和DAl07塔塔底的丁二烯（BD-1，3）、塔頂的丁二烯（BD-1，3）和總炔（主要是乙基乙炔，用EA表示）的軟測量等。
　　
　　目前軟測量技術在化工、冶金、生化、造紙、鍋爐、污水處理等工業過程應用日趨廣泛。
　　
　　zui后介紹加氫裂化分餾塔航煤干點的軟測量，影響航煤干點的zui主要因素是航煤抽出量和航煤側線抽出溫度。次要的因素有:*分餾塔塔頂壓力、溫度、回流量、輕石腦油抽出量、輕石腦油抽出量及其側線溫度、*分餾塔塔底溫度、流量、*分餾塔迸料量及進料溫度、航煤干點Y1與航煤抽出點溫度、流量等13個變量有關，可以表示成如下的非線性關系:
　　
　　Y1=f（Th,Fh,Tj,Fj,Tr,Fr,Ttop,Ptop,Tin,Fin,Tb,Fb,F1）
　　
　　采用BP網絡、RBF網絡和部分zui小二乘法建立軟測量模型。混合模型結構如圖1所示。采用這種加權的方法，可提高在實際應用中軟測量預報模型適用不同工況變化的魯棒性，這里魯棒性指的是當輸入變量中的個別點發生突變時，模型仍能保持正確的預報輸出而不受干擾。　　
　　在加氫裂化分餾塔航煤干點軟測量系統中，其各種軟測量模型的算法是軟件的核心，但只有這些核心部分還無法構成一個實用完整的系統，必須有相應的軟件來實現良好的人機接口和過程顯示。在基于現場數據的仿真研究的基礎上，由CENTUM-XL系統提供的編程環境編制軟儀表的核心程序，程序包括數據預處理模塊、神經網絡預測模塊、統計分析方法計算模塊、在線校正模塊和加權系數修正模塊組成。同時在現場CENTUM-XL系統操作站上完成了良好的人機操作界面。在整個組態過程中，過程參數的采集、及各種運算是在操作站上實現的，而操作畫面、顯示畫面等各種畫面是在工程師站上實現，然后下轉至操作站的。
　　
　　加氫裂化*分餾塔航煤干點軟測量模型自投運以來，運行一直安全、可靠、穩定，我們采集了一段時間內的模型預報輸出結果與化驗分析值對比，兩者的變化趨勢基本一致，其誤差絕差小于3℃，占90%以上。
　　
　　五、結束語
　　
　　軟測量技術是工業計算機優化控制的有利工具，在理論研究和實際應用中已經取得了不少成果，其理論體系亦正在逐步形成。
　　
　　不論過于夸大軟測量的作用或忽視軟測量的重要性均是不正確的。軟測量僅靠實驗室分析儀表分析值進行校正要獲得很高精度是很困難的，是一種粗放型測量技術，特別適合于煉油，石油化工中測量10%、50%、90%和zui終的ASTM沸點、閃點、傾點、粘點和雷得蒸汽壓等，因為這些測量精度一般要求不高，所以成功應用實例不少。
　　
　　軟測量要想獲得高精度，必須要用在線分析儀表進行實時校正，這時軟測量主要是克服在線分線儀表純滯后給控制帶來的困難。經過在線分析儀表進行實時校正后軟測量可應用于石油化工中成品精餾塔例乙烯塔、丙烯塔等裝置。