数据校正是流程工业综合自动化的关键技术之一,它利用过程测量数据的冗余信息,结合各种统计分析方法和生产过程机理,剔除原始数据中的显著误差;根据最优化理论系统地调整过程测量值、修正过程模型中的潜在不确定性,以提高测量数据的质量和估计未测变量。但因针对的模型不同,适用的校正算法也不同。为了满足工业的应用需求,必须针对不同的过程模型研究相应的高效数据校正算法。本文就工业过程中的线性动态、非线性动态两种模型的数据协调算法进行研究,其主要内容如下:(1)针对因系统维数引起计算规模巨大的问题,提出采用大系统分解协调算法,对线性动态系统进行分解和变量分类,以降低协调维数和提高算法运行效率。并通过仿真研究验证了其有效性。(2)非线性动态数据协调的传统算法假设测量数据的方差-协方差矩阵已知,但这与实际应用并不相符。本文对此做了改进,在滑动窗口内利用变量的测量值对每个变量的测量方差进行实时估计和更新。(3)传统显著误差检测算法不能很好地识别阶跃输入信号,使得显著误差检测时存在误判和协调值在突变点附近存在滞后,本文采用了3σ法和阶跃判断逻辑加以改进。并通过仿真研究验证了其有效性。