论文部分内容阅读
近年来,随着流程工业综合自动化技术的飞速发展,对过程状态监控和优化的要求越来越高。仪表数据通常不能满足物料和能量守恒约束,而且过程变量的测量值通常会偏离真实值,主要原因是仪表测量获取的过程数据存在随机误差与显著误差,这些误差直接影响着参数估计的准确性,因此采用数据校正与显著误差检测技术来调整测量数据,剔除显著误差,减小随机误差的影响,提高测量数据的质量。本论文主要研究稳态线性过程的显著误差检测和估计问题。主要研究成果如下:1)对几种经典的显著误差检验方法——整体检验法(Global Test, GT)、测量残差检验法(Measurement Test, MT)、节点残差检验法(Node Test, NT),进行了理论和仿真比较,分析了MT-NT和NT-MT组合检验法的步骤及优缺点。2)提出了基于F统计量的NT-MT显著误差检测方法,充分利用NT和MT的优点,用F统计量代替测量残差和约束残差统计量,同时,采用协方差序贯计算方法,每次检测出一个显著误差之后,将修改其对应的协方差,这样可以提高下次检测出的显著误差的校正值的精度。仿真结果表明,该方法能够检测出幅值较小的显著误差,检测效率高、效果好。3)基于消除测量变量之间相关性出发,提出了PC-yr-MT显著误差的检测法。比较了基于主元分析法的约束残差检验法PC-yr和NT法,仿真结果表明PC-yr方法可以弥补NT-MT方法的缺陷-当一个节点附近有幅值相当的显著误差时NT-MT法无法进行,检测效率高、效果好。4)从改进数据协调模型的角度出发,针对基于支持向量回归的显著误差检测法,提出了基于最小二乘支持向量回归框架的同步数据协调与显著误差检测方法。该方法可以弥补以最小二乘数学模型作为目标函数时容易将误差扩散的缺陷。仿真结果表明,对于稳态线性系统而言,具有高效的检测水平,运行时间短,效果好。