利用状态观测和状态估计的方法，从辅助变量 可以得到状态变量的估计值，进而得到主导变量y的估计值 。这就是基于状态估计的软测量的基本原理。Kalman滤波器、Luenberger观测器等是目前常用的状态估计方法。
基于状态估计的软仪表可以反映辅助变量与主导变量之间的动态关系，有利于处理辅助变量与主导变量动态特性不同及系统存在滞后等情况。而对复杂工业过程，取得系统的状态空间模型并非易事。
用多元线性回归(MLR)方法建立的线性回归模型物理意义明确，计算简单，因此它被广泛应用于处理多变量的回归分析、方差分析[24] (没有交互效应情形)等统计问题，但它固有的缺陷使它仅限于解决操作点变化范围较小的线性问题或非线性不太严重的问题。噪声和干扰都可能导致模型失真，随着自变量个数的增加计算复杂度也相应增加，实际的建模例证了上述结论。
以扬子石化PTA装置溶剂脱水塔作为研究对象，将上述BP神经网络模型应用于溶剂脱水塔塔顶醋酸和塔底水含量的建模研究。所用270组样本数据全部采自生产现场，其中240组作为模型训练样本，其余30组作为模型验证样本。针对每个因变量分别建立神经网络模型。输入节点设为17个，对应于溶剂脱水塔过程系统建模的17个自变量，其具体对应的溶剂脱水塔现场过程变量与第二章回归建模所选取的完全一样。输出节点取1个，分别对应于塔顶醋酸或塔底水含量，隐节点通过试验和经验选取8个，故神经网络结构为17×8×1。其中：
隐节点的传递函数取为S型，输出节点的传递函数取为线性。在样本数据进入神经网络训练之前为消除自变量的量纲影响，先对其进行标准化处理：各自变量的方差为1，均值为0。
上述结果表明塔顶酸含量的模型外推能力并不很好，原因一是塔顶酸含量的影响因素更为复杂，二是在网络输入变量比较多，相应的网络规模较大的情况下，需要更大的样本集来训练网络，反之，在相同的训练样本集下，也可以通过降低输入变量的维数，来提高模型外推能力。

本生物化学毕业设计“PTA装置溶剂脱水塔软测量建模及灵敏度分析”论文由清风毕业设计网[www.lunwen550.com]征集整理！