一种新的数据协调模型及显著误差检测

针对传统数据协调模型会将某些测量值中存在的显著误差分散到各个协调值中去的缺陷,提出了通过添加一个基于测量值比例关系上下限的约束条件,并利用罚函数的概念将物料平衡或能量平衡的约束条件以软约束的形式表示,建立了一种新的数据协调模型.改进后的数据协调模型只会对含有显著误差的测量值给予较大的协调量,而使得显著误差对其他测量值协调结果的影响较小.因此,该数据协调模型避免了传统模型的缺陷,具有较高的鲁棒性.基于该数据协调模型的协调结果,可直接利用测量残差检测法进行显著误差检测,具有较高的错误检出率,且"虚警"的错误率较低.

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。

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GLR-NT的显著误差检测与数据协调

提出了一种广义似然比法(Generalized Likelihood Ratio,GLR)与节点检测法(NodalTest,NT)组合的显著误差检测和稳态数据协调方法。该方法充分发挥了GLR法和NT法的优点,采用逐次侦破、补偿校正的策略,避免了传统显著误差侦破方法中系数矩阵降秩问题,并且融入了测量变量的上、下限约束,最终实现显著误差的侦破、识别、处理和测量数据的协调。仿真结果显示:该方法对多显著误差特别是误差幅度较小或出现节点大显著误差相互抵消的情况具有较好的性能,优于单独的GLR法和NT-MT法。一个实例验证了该算法的有效性。

一种用于显著误差检测的改进型NT-MT算法

工业过程中数据的可靠性和准确性是控制过程和管理优化重要基础,但是由于测量过程中不可避免的存在着各种误差,测量值就不能准确的反应实际的化工过程。本文讨论了数据校正对工业过程的主要影响,如果有显著误差的存在,仍按照标准偏差来调整测量数据让其满足物料和能量平衡,所有的测量值将会受到显著误差影响而使得到的数据不能正确的揭示工业过程的状态。本文主要通过对几种传统检测显著误差的分析比较,提出了一种基于MT-NT测量方法的改进型NT-MT检测方法,通过改变测量方差的值来减少含有显著误差测量值所占的权重。仿真结果表明,本论文提出的方法能够更有效地检测和诊断显著误差。

基于TBM的工业过程显著误差检测方法研究

基于可传递信度模型(TBM),提出了综合多种传统显著误差检测算法的新方法。新方法基于多种传统显著误差检测算法,提出了显著误差辨识框架子集上可信度分配策略,并进一步在此基础上利用可传递信度模型对各子集上的可信度分配进行合成,从而得到对各个测量数据的诊断决策。新方法中使用了迭代补偿的策略。实例考核结果证明了新方法的有效性。

基于神经模糊逻辑的显著误差检测方法

将神经网络和模糊逻辑有机结合起来的神经网络模糊逻辑系统，具有自组织和监督学习样本、自动构造和发展模糊规则、发现和优化输入输出隶属函数等优点，从而使系统具有较快的收敛速度。将它应用于化工稳态过程中测量数据的显著误差检测，并与传统的显著误差检测方法相比，结果表明了此方法的有效性。

高置信度的显著误差综合检测法

实际生产过程要求显著误差检测有相当高的准确性 ,即要求“虚警”和“漏报”的概率都很低。但目前使用的各种方法往往很难同时满足这两个要求。本文提出了一类高置信度的检测法 ,使得“虚警”和“漏报”

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。

动态过程的数据校正和显著误差的侦破

在过程工业中，通常需要在线或离线对多个过程变量进行测量，将其作为生产管理、决策分析、过程操作与控制的依据。然而，由于测量过程可能受到多种不可预测因素的影响（如设备泄漏、传感器失灵、过程波动等），导致测量数据不可避免地包含误差。因此开展测量数据的误差侦破与校正方法的研究具有重要意义。

节点与测量数据组合检测的数据协调及应用

提出一种新型的节点与测量数据组合检测的稳态数据协调方法。该方法通过节点检测法和测量检测法共同检测可能存在显著误差的可疑节点,以及与可疑节点相连的最可疑测量变量,并通过调整量检测法融合领域专家的先验知识判断最可疑测量变量是否存在显著误差,最终实现稳态数据协调和显著误差同步检测。该组合方法融合测量检测和节点检测方法的各自优点且克服各自的缺点。仿真研究与实际应用表明,该组合方法对有多个显著误差的系统也能给出准确的显著误差检测结果,且优于迭代测量检测方法。

数据协调中关键变量分析

本文分析了数据校正问题中的关键变量对显著误差检测和数据协调精度的影响 ,提出一种识别这些关键变量的分析方法 ,为区分各变量在数据校正中的地位提供依据 ,并以仿真例子和工业实际应用 。

一种基于罚函数的数据协调模型

如果工业测量数据中存在显著误差,则传统的数据协调模型会将显著误差分散到各个测量值中去.针对于传统数据协调模型的缺陷,本文通过添加一个基于测量值比例关系上下限的约束条件,并利用罚函数的概念将物料平衡的约束条件以软约束的形式表示,建立一种新的数据协调模型.改进后的数据协调模型只会对含有显著误差的测量值给予较大的协调量,而使得显著误差对其他测量值协调结果的影响较小,具有较高的鲁棒性.基于工业实际生产模型的仿真试验证明基于该数据协调模型的协调结果,可直接利用测量残差检测法进行显著误差检测,具有较高的错误检出率,且第I类错误率较低.

化工过程系统的多层数据调和框架

过程数据的可靠性和一致性在化工过程系统中是非常重要的。过程的测量数据一般含有随机误差和显著误差,必须应用数据调和与显著误差检测技术来减小过程测量数据的误差。测量数据具有不同的类型。针对不同类型的测量数据的数据调和问题,提出了一种多层数据调和框架。此框架可以根据不同的测量数据选择不同层次的机理模型,进行数据调和。不同类型的测量数据的数据调和问题分为三层:第一层是基于总物料平衡层,第二层是基于物料和组分平衡层,第三层是基于严格机理模型层。在此数据调和框架中,应用加权最小二乘目标函数作为调和目标,采用鲁棒高效的显著误差检测方法。基于此框架,对于化工过程系统的测量信息的不同,均可选择合理的模型有效地对测量数据进行数据调和。联塔系统和空气分离系统的数值模拟试验说明了此框架的灵活性和有效性。

一种基于非线性规划的数据校正联合算法

借鉴了其它数据校正方法的理论思想，在结合序贯二次规划（ＳＱＰ）方法求解最优化问题的基 础上，将数据调和与显著误差检测有机的糅合，提出一种循环迭代处理的联合算法，使数据调和在 快速与有效的基础上具有较高的显著误差检测功效．

基于神经网络的非线性PCA方法

由于普通的主元分析 (PCA)方法无法提取数据中的非线性相关特性 ,本文提出了一种基于神经网络的非线性PCA(NLPCA)方法 ,不仅提取了高维原始数据的线性信息还能提取非线性信息。在此基础上进一步提出了样本中显著误差及劣点的检测方法 ,从而支持对其进行合理剔除或是修正。仿真试验表明它能有效地减小误差点对网络训练精度的影响 。

基于内点法的热工数据鲁棒校正方法

针对火电机组的汽轮机回热系统的测量数据,提出一种基于内点法的鲁棒校正算法对给水系统进行分析,以质量平衡和能量平衡方程作为约束条件,建立鲁棒校正和显著性误差检测的数学模型,并对该算法的性能进行评估。结果表明:该算法在测点有显著性误差和无显著性误差的情况下,均有良好的真值逼近能力,且其故障传播程度低,具有良好的性能。