测量显著误差的F检验法

显著误差检测是数据校正技术中必不可少的一环,以往的显著误差检测方法绝大多数都是基于测量残差和约束残差这两个统计量展开研究的.基于测量残差的检测方法首先需要对测量数据进行数据协调,这就会将显著误差分散到各个测值中去,从而会对显著误差的位置做出错误的判断.基于约束残差的检测方法只能对节点的平衡性进行判断,而无法确定显著误差的具体发生位置.为此,本文通过构造一个基于测量值比例关系的F统计量,并与约束残差统计量相结合,对稳态过程中出现的显著误差进行检测.通过对工业数据的仿真结果表明此方法对显著误差十分敏感,其各项性能指标均符合实际工业要求,具有较高的可信度和可应用性.     

双线性数据校正的多组分过程容错模型研究

可靠的测量数据是化工过程建模的关键.流程工业中的变量测量值不可避免带有误差.如果这些带有噪声误差的测量数据直接作为模型辨识的样本数据,由此得到的模型势必和真实流程模型大相径庭.本文提出了一种基于双线性数据校正的多组分过程容错建模方法,利用双线性数据校正方法来对测量数据进行预处理,然后再将协调结果和其他的测量数据一起作为模型辨识的输入,从而减少测量数据误差对于过程建模的影响.等离子裂解煤制乙炔气体分离工段的仿真结果证明了该方法的优越性.     

基于鲁棒估计的氧化铝蒸发过程数据协调

针对氧化铝蒸发过程实时检测数据存在随机误差或显著误差、出口物料浓度检测滞后大,导致实测数据难以真实反映实际生产状态的现状,本文在蒸发过程多点稳态检测研究的基础上,利用基于核偏最小二乘法的出口物料浓度软测量结果提供的有效信息,建立以污染正态分布的鲁棒估计函数为优化目标的数据协调模型,并采用遗传算法求解获得蒸发过程的协调数据.实际计算结果表明,该协调模型能避免显著误差的影响,实现测量数据的可靠在线协调计算,为过程操作调节提供依据.     

基于缺失数据的误差生成策略及其在故障检测中的应用

误差生成是基于机理模型故障检测方法的核心本质,但鲜有应用于统计过程监测方法中.为此,提出一种基于缺失数据的误差生成策略,将能反映出采样数据对统计模型拟合程度的误差作为新的被监测对象实施故障检测.所提出的基于缺失数据的主元分析(MD-PCA)方法通过逐一假设各变量测量数据缺失后,利用缺失数据处理方法推测出相应缺失数据的估计值,并对缺失数据的实际值与估计值之间的误差实施基于PCA模型的故障检测.利用误差实施故障检测的优势在于,生成的误差能在一定程度上降低原测量变量的非高斯性程度,而且误差体现的是对应缺失变量中与其他测量变量不相关的成分信息,更能揭示各测量变量的本质.通过在TE过程上的实验充分验证了所提出方法的优势,以及MD-PCA方法用于故障检测的可行性与优越性.     

平行双目视觉系统的定位误差补偿

测量精度在平行双目视觉系统的应用中非常重要.为了提高测量系统的精度，提出了基于改进的BP神经网络的误差补偿策略。采用不同位置处的测量数据作为学习样本，利用训练好的网络模型预测测量系统的误差，对测量结果进行误差补偿，得到新的数据作为测量值。实验结果表明，该方法的结果值相较原始数据，误差减少了70%，为提高视觉系统的定位精度提供了一种新的思路。     

基于JITL的电量预测高斯软测量建模研究

为了解决工业过程受本身结构特征、外界因素等影响而存在严重的非线性和时变性等问题,本文提出了一种基于输入输出综合性相似度指标的即时学习高斯过程软测量建模方法。在该方法中,将样本数据进行归一化处理,首先利用传统的基于距离和角度的相似度指标分别对样本输入输出变量进行相似度计算,进而对相似度进行综合,最后选择出最终的相关样本集,建立高斯过程回归软测量模型,将所提基于输入输出相似度指标的即时学习高斯工程软测量模型应用于城市日用电量数据的预测。研究结果表明,所提出的软测量建模方法可以实现对日用电量数据的高精度预测且预测结果具有较小的误差。因此可表明该方法可在电量预测中具有一定的应用可靠性,可以在电力市场预测分析中得到广泛的应用。     

一种基于奇异值分解的动态多传感器数据融合算法

在工业应用中常用一组传感器对同一个被测量目标在一个过程的不同位置进行测量.由于每个传感器位于过程的不同位置,它们将不同程度的受到噪声的干扰.为了从被噪声干扰的测量值中获得更准确的测量结果,本文提出了一种基于奇异值分解(SVD)的动态多传感器数据融合算法.由该算法得到的传感器测量结果值最优估计的方差不仅低于传感器组中每一个传感器测量结果的方差,而且低于由基于最小均方误差(MMSE)多传感器数据融合算法得到的估计结果的方差.仿真的结果表明,该算法是有效的.     

基于“3σ法则”的显著误差检测

由于测量或传感器等其他原因造成测量数据中可能存在显著误差,直接进行数据校正会导致显著误差的扩散,影响数据校正结果的可靠性和准确性,因此在数据校正前,需要侦破识别并剔除含有显著误差的测量数据。现有的显著误差检测方法并不能完全识别显著误差,而且只能对有限的显著误差(小于等于3个)具有一定的检测效果,本文提出基于概率统计(3σ法则)的检测方法,识别效果优异,对3个以上的误差具有良好的侦破效果,并且采用显著误差同步补偿的方法,有效避免奇异矩阵的出现。     

基于仿真的物料平衡系统测评

为了更好地测评石化企业生产执行系统(MES)软件的物料平衡模块数据校正功能,提出了一种基于仿真的数据校正结果的测评方法。该方法通过搭建仿真模型产生全厂物流过程的真值,并应用动态数据驱动方法进行模型参数的修正,即通过向仿真真值添加测量误差生成误差可配置的测量值,模拟现场真实的测量网络;应用物料平衡系统及其内嵌数据协调算法对测量值进行数据校正得到校正值,将校正值分别与仿真真值、测量值进行对比,定量评估数据协调算法的性能。相对于仅比较校正值和测量值的原评定方法,该方法能更加精确、全面地测评数据校正算法的效果,并在某石化企业的案例中得到验证。     

非线性动态系统中迭代的同步数据协调与显著误差检测的支持向量回归方法

化工厂中过程数据的质量严重影响到来自例如性能监控, 在线优化和控制等活动所获得的效益和性能. 由于许多化工过程通常表现为非线性动态特性, 例如扩展卡尔曼滤波(EKF)和非线性动态数据协调(NDDR)等技术已经被发展出来改进数据的质量. 近期, 迭代非线性动态数据协调(RNDDR)技术已被提出, 该技术结合了EKF和NDDR技术的优点. 但是, RNDDR技术不能够处理具有显著误差的测量值. 本文中, 一种非线性动态系统中迭代的同步数据协调与显著误差检测的支持向量(SV)回归方法被提出. SV回归是一种经验风险和结构风险间的妥协, 并且对于数据协调来说, 其对随机误差和显著误差是鲁棒的．通过将结构风险取代RNDDR中的极大似然估计并使其最小化, 我们的方法不仅可以实现迭代非线性动态数据协调, 还可以同时实现显著误差检测. 本文中的非线性动态系统仿真结果显示出, 所提出的方法在迭代实时估计框架下, 对于非线性动态系统的同步数据协调和显著误差检测是鲁棒、稳定并且精确的. 该方法也可以提供更好的控制性能.     

A novel robust data reconciliation method for industrial processes

Data reconciliation has played a significant role in rectifying process data which can meet the conservation laws in industrial processes. Generally, the actual measurements are often easily contaminated by different gross errors. Thus, it is essential to build robust data reconciliation methods to alleviate the impact of gross errors and provide accurate data. In this paper, a novel robust estimator is proposed to improve the robustness of data reconciliation method, which is based on a new robust estimation function. First, the main robust properties are analyzed with its objective and influence functions for the proposed robust estimator. Then, the effectiveness of the new robust data reconciliation method is demonstrated on a linear numerical case and a nonlinear example. Moreover, it is further used to a practical industrial evaporation production process, which also demonstrates that the process data can be better reconciled with the proposed robust estimator.     

Data reconciliation — Progress and challenges

Measurements in a chemical process are subject to errors, both random and systematic, so that the laws of conservation of mass and energy are not obeyed. In order to record the performance of the process, these measurements are adjusted in order that they conform to the conservation laws and any other constraints imposed upon them. This procedure is known as data reconciliation. Advances in the theory and application of data reconciliation are reviewed and current problems are highlighted. In addition to defining the basic problem, we discuss the detection of gross errors in data and of pre-adjustment of data, finding departures from steady state, estimation of the variance structure of the data, observability of unmeasured quantities and redundancy of measurements.     

显著误差检测的改进SICC算法

提出了一种改进的SICC(顺序识别显著误差并同步补偿)算法．改进后的算法利用时间冗余性，加入对过程测量变量的上下限约束，避免了显著误差的误判．并且通过对显著误差进行逐步的幅度补偿，再采用MT（测量残差检验）法找出候选显著误差集，避免了投影矩阵的计算．通过加入必要的回路检测，避免了幅度补偿后矩阵奇异性的产生．对蒸汽系统过程网络进行仿真研究，仿真结果表明了改进算法的有效性．     

一种用于数据校正的最小二乘与准最小二乘组合方法

过程系统的控制与优化要求可靠的过程数据。通过测量得到的过程数据含有随机误差和过失误差,采用数据校正技术可有效地减小过程测量数据的误差,从而提高过程控制与优化的准确性。针对传统基于最小二乘的数据校正方法:和基于准最小二乘的鲁棒数据校正方法:,分析了它们的优缺点,并提出了一种最小二乘与准最小二乘组合方法:。该方法:先采用准最小二乘估计器检测过失误差并剔除,然后再采用最小二乘估计器进行数据校正,可以综合前两种方法:各自的优点,使得数据校正结果:更加准确。将提出最小二乘与准最小二乘组合方法:应用于线性与非线性系统的数据校正中,通过校正结果:的比较说明此方法:的具有较好的过失误差检测能力和较准确的数据校正结果:。最后将此方法:应用于实际过程系统空气分离流程的数据校正中,结果:说明了此方法:的有效性。     

Data reconciliation for real-time optimization of an industrial coke-oven-gas purification process

Online optimization is more and more used in the chemical industry to run a process near its optimum operating condition by providing real-time computed optimal set-points to the distributed control system. Process measurements are necessary for these applications to determine the actual state of the process and to increase the accuracy of the model with parameter estimation techniques. However, these measurements usually contain random as well as gross errors which have to be identified and eliminated before the measurements are used for online optimization. In this contribution, a data reconciliation approach was integrated into an online optimization framework for the ammonia hydrogen sulfide circulation scrubbing, a common industrial coke-oven-gas purification process. We used a rigorous rate-based model to describe this reactive absorption and desorption process. To increase the accuracy of the model, we estimated several process parameters using a sequential parameter estimation approach. Data reconciliation was performed based on simple component balances to achieve model-consistent data and to identify measurement biases. The model was then validated online on a pilot plant by connecting the estimation package through the process control system. Based on the online measured data, operating cost minimization was carried out and the computed optimal set-points realized real-time. A satisfactory agreement between measured data and optimization was achieved.     

一种改进的基于鲁棒估计的动态数据校正方法

针对目前动态数据校正方法存在的缺陷,本文基于鲁棒估计的原理,提出一种新型的鲁棒估计函数,该函数物理概念清晰,参数调节灵活。基于此函数构造的动态数据校正方法(IRDR),在校正随机误差的同时,可以同步对异常点过失误差进行侦破和识别。CSTR仿真实例表明,该方法可以准确识别出系统所含的多个过失误差,校正结果偏差小,曲线平滑,具有较强优越性。     

Bias detection and estimation in dynamic data reconciliation

A method for detection and estimation of measurement bias in nonlinear dynamic processes is presented. It employs model-based data reconciliation and requires the examination of the resulting difference between the measured and reconciled values. Since bias is commonly present in process measurements, this technique is an important step toward the ultimate goal of reconciling ‘raw’ process data that may contain bias and gross errors in addition to small random errors. A CSTR example shows that this method does allow for the detection of a single bias in a nonlinear dynamic process whether or not the exact model equations are known.