论文部分内容阅读
过程测量数据的准确性和可靠性在流程工业的监控、控制和在线优化等方面有着至关重要的作用。数据校正技术是结合过程的机理模型，采用统计和优化，来提高测量数据准确性的有效方法。测量数据通常有两种类型的误差，随机误差和显著误差。传统的数据校正技术是假设在过程中不包含显著误差的假设下提出的。近些年来提出的鲁棒数据校正则是从原始测量数据概率分布模型的邻域中寻找解来对其进行估计，其优势在于即使原始测量数据中存在中等数量的显著误差，也可以计算此观测值的无偏估计。 本论文在研究了线性稳态系统的经典显著误差检测方法基础之上，针对传统方法在侦测到显著误差变量之后直接丢弃此变量而导致秩不足或测量数据信息丢失等问题，提出了基于鲁棒估计器的NT-MT显著误差检测和数据校正方法。针对NT方法的缺点，进一步提出了基于鲁棒估计器的PCA-MT显著误差检测和数据校正方法。针对基于最大似然估计的鲁棒数据校正提出了基于高斯混合分布下最大期望算法的显著误差检测与数据校正方法。主要研究成果如下: 1)对线性稳态系统中传统的显著误差检测方式，整体检验法(Global Test，GT)、测量值检验法(Measurement Test，MT)、节点检验法(Node Test，NT)、MT-NT和NT-MT组合检验法，进行了分析和比较，分别研究了每种方法，并总结了其特点及适用场合。 2)传统方法在侦测到显著误差变量之后直接丢弃此变量，这种做法可能会导致秩不足或测量数据信息丢失。即使使用一些连续补偿策略，但均是以最小二乘目标函数为基础，同样会导致误差的扩散。针对这个问题，提出了基于鲁棒估计器的NT-MT显著误差检测方法，通过NT-MT检测法和相对调整量检测法确定存在显著误差的最可疑变量，采用鲁棒估计器分别对相应的变量分配相应的权重，最后对测量数据进行校正。该方法融合鲁棒估计器与NT-MT方法各自的优点。仿真实验表明，该方法可以有效地降低显著误差的影响，从而得到比较好的校正结果。 3)针对基于鲁棒估计器的NT-MT显著误差检测方法中当在一个节点附近出现幅度相近的显著误差时，NT检验法失效，不能检测出节点含有显著误差的问题，提出了基于鲁棒估计器的PCA-MT显著误差检测法。利用PCA检测法来代替NT-MT中的NT方法来检测此种情况下的显著误差。该方法既融合了PCA检测法和MT检测法的优点，又融合了鲁棒估计器的不易造成误差扩散和丢失信息的优点，通过仿真实验证明了基于鲁棒估计器的PCA-MT显著误差检测法的有效性。 4)从鲁棒统计的角度出发，针对基于极大似然估计的鲁棒数据校正方法，提出了基于高斯混合分布下最大期望算法的数据校正。使用高斯混合分布表征测量噪声模型，其中每个混合分量分别表示对应于随机误差和显著误差的误差分布。在此假设的基础上，针对同步稳态数据校正和显著误差检测提出了一个极大似然框架。由于所提出的框架将噪声模型作为隐变量来表示数据中存在显著误差，因此使用期望最大化(Expectation Maximization，EM)算法来解决这个问题。这个方法不需要预先设定误差分布模型的参数，而是将其确定为一部分解。仿真实验表明，本章提出的方法在线性稳态系统中具有良好的检测效果，能得到比较好的校正结果。