线性测量网络的优化设计

针对传统的线性测量网络设计中没有给出具体的整数线性规划（ILP）模型问题，提出一种传感器优化配置模型. 通过分析测量网络回路，推出了变量冗余度的数学表达式，给出变量冗余度的上界来避免测量网络变量的不可行冗余度约束，并结合图论方法和ILP方法，建立了以费用最小为目标的最小测量网络和满足指定变量冗余度要求的冗余测量网络的传感器ILP模型，并对一个冗余测量网络和一个非冗余的蒸汽测量网络进行测量网络设计.仿真结果表明，利用该模型能够得到满足冗余度要求及仪表配置费用最低的优化测量网络     

一种改进的动态数据校正离群值检测法

Data reconciliation technology can decrease the level of corruption of process data due to measurement noise, but the presence of outliers caused by process peaks or unmeasured disturbances will smear the reconciled results. Based on the analysis of limitation of conventional outlier detection algorithms, a modified outlier detection method in dynamic data reconciliation （DDR） is proposed in this paper. In the modified method, the outliers of each variable are distinguished individually and the weight is modified accordingly. Therefore, the modified method can use more information of normal data, and can efficiently decrease the effect of outliers. Simulation of a continuous stirred tank reactor （CSTR） process verifies the effectiveness of the proposed algorithm.     

DDE在自动控制领域的应用

介绍了Windows环境下的动态数据交换技术,并结合实例,阐述了它在自动控制领域工控制领域工控系统中如何实现不同工控系统数据的交换。通过SCAN3000与iFix之间的数据交换实践工作,表明该方法是有效的。     

基于多工况混合模型的故障监控方法研究

针对多工况过程建立了一个多工况高斯混合模型(Gaussian Mixture Model,GMM),并利用EM(Expectation Maximization)算法对该GMM参数进行估计。通过引入贝叶斯阴阳算法(Bayesian YingYang,BYY),实现了GMM中混合工况数目的自动估计。然后,通过在所建GMM的每个分量中构建PCA模型,建立一个多工况故障监控混合模型。最后利用TE过程研究证明了所建模型在过程监控中的有效性。     

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．     

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。     

多显著误差检测法的性能比较及改进

通过加入环境节点约束方程对多显著误差的同步识别并同步补偿法 (SEGE)进行改进研究。在多显著误差检测中的广义似然比法、同步识别并同步补偿法和顺序识别并同步补偿法等几种方法的原理对比基础上 ,考虑过程外部进料或出料流股中显著误差幅度与位于同一节点的其它显著误差幅度相近 ,容易被其它显著误差抵消的情况 ,利用这几种方法和改进的SEGE法对检测性能进行比较分析。仿真结果表明 ,改进后的SEGE法具有更好的显著误差检测性能。     

基于K-means Bayes和AdaBoost-SVM的故障分类

传统的故障分类方法大多假设不同类别的数据样本量是相似或相等的. 然而在实际的工业过程中采集到的数据多数是正常数据, 少部分是故障数据, 这就造成了数据的不平衡. 针对不平衡数据问题, 本文提出了一种K-means Bayes与AdaBoost-SVM相结合的故障分类方法, 通过设计两种独立的分类器, 并利用D-S证据理论对分类结果融合, 以弥补各自对某些类别分类能力较弱的缺陷. 实验证明, 本文提出的故障分类方法与单一Bayes或SVM比较, 具有更高的分类准确率.     

基于一种新的鲁棒目标函数的化工过程数据校正

给出了一种基于新鲁棒目标函数的数据校正方法,分析了目标函数的性质及其影响函数,表明了该方法对显著误差具有较强的鲁棒性。对一个线性和非线性化工过程进行了仿真研究,并与常用的Huber鲁棒估计法和Fair鲁棒估计法进行了对比分析。     

求解非线性化工过程鲁棒数据校正的新方法

1 INTRODUCTION Process data is the basis for process control, production accounting goals, as well as optimization. Generally, process data contains random errors. Data reconciliation is used to adjust process data to im- prove the quality of measurement. The reconciled data is closer to true data and more consistent with conser- vation laws, that is, material or energy balance laws. Data reconciliation requires the absence of gross errors. However, some measurements may contain gross er…