（化学工艺专业论文）整合数据校正的过失误差侦破方法研究.pdf

青岛科技大学研究生学位论文 整合数据校正的过失误差侦破方法研究 摘要 过程测量数据作为反映装置运行状况的特征信息，是实现计算机过程控制、模 拟、优化和生产管理的基本依据。数据校正技术作为计算机集成过程系统的重要组 成部分，是获得高质量过程数据的主要手段之一。深入开展过程数据校正技术的研 究与应用工作，对更好地实现过程工业装置的优化控制与管理具有重要的理论意义 和现实意义。 本文在综合分析现有测量数据校正技术研究进展的基础上，对整合数据校正的 过失误差侦破策略进行了研究。首先对不等式约束条件进行数据校正方法进行探讨。 并将其与统计检验方法相结合进行过失误差侦破，同时为进一步提高对多过失误差 的侦破效率，研究了基于神经网络的过失误差侦破方法。主要研究内容如下： ( 1 ) 针对过程模型不确定的情况，采用不等式约束条件代替传统的等式约束条 件，对不等式约束条件的数据校正方法及其实际应用进行研究。实例研究结果表明， 与采用等式约柬进行数据校正相比，不等式约束数据校正方法有着更广泛的应用范 围，在有泄漏的情况下仍然能够进行准确的数据校正，而且根据校正结果可以计算 出泄漏量的大小，对于过程模型不确定的情况可以得到比等式约束更合理的校正结 果。 ( 2 ) 在采用不等式约束条件进行数据校正的基础上，对利用其校正结果进行过 失误差侦破的方法进行研究，即依据校正后的结果构造检验统计量，然后进行过失 误差侦破与识别。实例研究结果表明，将不等式约束条件的数据校正用于过失误差 侦破，可以有效地减少过失误差在数据间的分摊作用，与基于等式约束的数据校正 方法相比，在相同的置信度下，侦破误差的准确度要高，降低了出现第一类错误的 概率。 ( 3 ) 提出了将不等式约束的数据校正与m t n t ( m e a s u r e m e n t t e s t n o d e t e s t ) 检验法结合的过失误差侦破策略。其基本思想是在进行每一轮的m t 检验的时候采 用不等式约束求解校正值，然后再进行n t 检验。实例结果表明，将不等式约束条 件应用在m t n t 检验方法中的策略是可行的，其侦破误差的检验迭代次数少于传 统的m t n t 方法。 ( 4 ) 人工神经网络是一种模拟人脑思维、基于并行计算的大型非线性数据处理 整合数据校正的过失误差侦破方法研究 系统，具有很强的自适应性和学习能力，而且训练后的网络计算速度很快，适于在 线过程控制和分析。在前人工作的基础上，本文提出将神经网络与统计检验相结合 进行过失误差侦破的策略，即利用人工神经网络构建迭代序列进行数据校正，然后 与统计检验方法相结合进行过失误差侦破。实例研究结果表明，由于神经网络用于 过程数据校正时，不受过程模型限制，避免了少量数据带有的过失误差向其它数据 传递，利用这种校正结果进行误差侦破与识别可以精确地对过失误差进行定位，如 果样本构造合理，网络训练得当，可以有效地侦破出测量数据中的多个过失误差。 关键词：数据校正不等式约束过失误差侦破神经网络 i l 青岛科技大学研究生学位论文 s t u die so ng r o s se r r o rd e t e c t10 n b a s e do nd a t ar e c o n c i l i a t l 0 n a b s t r a c t a st h ec h a r a c t e r i s t i ci n f o r m a t i o no f p l a n to p e r a t i o ns t a t e ，c h e m i c a lp r o c e s sm e a s u r e d d a t ai st h ef o u n d a t i o no fc i p s ( c o m p u t e ri n t e g r a t e dp r o c e s ss y s t e m ) d a t ar e c o n c i l i a t i o n t e c h n o l o g yp l a y sav e r yi m p o r t a n tr o l ei nt h eo p e r a t i o na n dc o n t r o lo f c h e m i c a lp l a n t a s t h em o s ti m p o r t a n tc o m p o n e n to fc i p s ，p r o c e s sd a t ar e c o n c i l i a t i o nt e c h n o l o g yi so n eo f t h em a i nm e a n st oa c q u i r eh i 曲q u a l i t yd a t a m a n yw o r k sh a v eb e e nd o n ei nt h i sf i e l da n d m u c hp r o g r e s sh a sb e e nm a d ei nt h el a s tf e wy e a r s t h er e s e a r c ho nt h ed a t a r e c o n c i l i a t i o nt e c h n o l o g ya n di t sa p p l i c a t i o nh a si m p o r t a n tt h e o r e t i c a la n dp r a c t i c a l s i g n i f i c a n c ei nt h eo p t i m a lc o n t r o la n dm a n a g e m e n to f p r o c e s sp l a n t o nt h eb a s i so fa n a l y z i n gt h ep r e s e n tm e t h o do fd a t ar e c o n c i l i a t i o n ，as t r a t e g yw h i c h c o m b i n e dt h ed a t ar e c o n c i l i a t i o nm e t h o dw i t ht h eg r o s se r r o rd e t e c t i o ni ss t u d i e d t h e r e s u l to ft h ed a t ar e c o n c i l i a t i o n 埘t ht h ei n e q u a l i t yc o n s t r a i n t sw a su s e dt oc a l c u l a t et h e s t a t i s t i c a lv a l u et od e t e c tt h eg r o s se r r o lam e t h o dw h i c hc o m b i n e dt h ed a t a r e c o n c i l i a t i o nu s i n gi n e q u a l i t yc o n s t r a i n t sw i t l lt h et r a d i t i o n a lm t - n tm e t h o dw a s p r e s e n t e d i no r d e rt od e t e c ta n di d e n t i f ym o r et h a nt w og r o s se r r o r se f f i c i e n t l y , as t r a t e g y w h i c hc o m b i n e dt h ea n nr a r t i f i c i a ln e u r a ln e t w o r k s ) w i t lt h es t a t i s t i c a lt e s tm e t h o d w a sp r o p o s e d ( 1 ) f o r t h ec a s e so f p r o c e s sm o d e lw i t hu n c e r t a i n t i e sa n de q m p m e n tl e a k a g e ，ad a t a r e c o n c i l i a t i o nm e t h o d 谢mi n e q u a l i t yc o n s t r a i n t sa n di t sa p p l i c a t i o ne x a m p l e sw e r e p r e s e n t e d c o m p a r a dw i t ht h et r a d i t i o n a lm e t h o dw i t he q u a l i t yc o n s t r a i n t ，t h er e s u l t s h o w st h a tt h i sm e t h o dw a so f m o r ee x t e n s i v ea p p l i c a t i o n e v e ni nt h ec a s eo fl e a k a g e ，a n a c c u r a t er e s u l tc o u l ds t i l lb eo b t a i n e db yi n e q u a l i t yd a t ar e c o n c i l i a t i o nm e t h o d ，a n di nt h e c a s eo fp r e c e 辐m o d e lw i t hu n c e r t a i n t i e s ，am o r er a t i o n a lr e c o n c i l i a t i o nr e s u l tc o u l db e a c q u i r e d ( 2 ) o nt h eb a s i so ft h ep e r f o r m a n c eo fd a t ar e c o n c i l i a t i o nw i t ht h ei n e q u a l i t y c o n s t r a i n t s ，t h eg r o s se r r o rd e t e c t i o nm e t h o dw a sp r e s e n t e dw h i c hm a k e su s eo ft h e r e s u l t st os e tu pt h es t a t i s t i c a lv a l u ea n dt h e nd e t e c t sa n di d e n t i f i e st h eg r o s se r r o r t h e p r a c t i c a la p p l i c a t i o nr e s u l t ss h o w st h a tt h i sm e t h o dc a nw e a k e nt h es p r e a do ft h eg r o s s i i l 整合数据校正的过失误差侦破方法研究 e r r o rb e t w e e nt h ed a t aa n dd e c r e a s et h ep r o b a b i l i t yo f t y p eie r r o r sg r e a t l y ( 3 ) an e ws t r a t e g yo fg r o s se r r o rd e t e c t i o ni sp r o p o s e di nt h i sp a p e r , i nw h i c h t h e d a t ar e c o n c i l i a t i o nw i t hi n e q u a l i t yc o n s t r a i n t si sc o m b i n e dw i t ht h et r a d i t i o n a lm t 二n t ( m e a s u r e m e mt e s t - n o d et e s t ) m e t h o d n 地b a s i ei d e ai st oo b t a i nt h er e c o n c i l i a t i o n r e s u l t st h r o u g hi n e q u a l i t yc o n s t r a i n t si ne v e r yr o u n do fm e a s u r e m e n tt e s ta n dt h en o d e t e s t c o m p a r e dw i t ht h et r a d i t i o n a lm t - n tm e t h o d ，t h ep r a c t i c a la p p l i c a t i o ns h o w st h a t t h i sm e t h o di sf e a s i b l ei ng r o s se r r o rd e t e c t i o na n dn e e d s f e w e ri t e r a f i o ns t e p s ( 4 1a r t i f i c i a ln e u r a ln e t w o r k si sau s e f u ls i r e u l a t i v et o o la n dh a sap o t e n t i a lt o i d e n t i f yr a p i d l ya n de a s i l yo nn o n l i n e a rs y s t e ms o l e l yo nt h eb a s i so fh i s t o d c a id a t a n l e s p e c i f i e dp r o c e s sm o d e la n dd e f t n i t i v ek n o w l e d g eo ft h em e a s u r e m e n te r r o rs t a t i s t i c sa r e n o tn e c e s s a r y i no r d e rt ot a k et h e s ea d v a n t a g e so fa n n w ec o m b i n e dt h ea n nw i t ht h e t r a d i t i o n a ls t a t i s t i c a lt e s tm e t h o dt od e t e c ta n di d e n t i f yt h eg r o s se r r o r n a m e l yr e c o n c i l e t h ed a t at h r o u g ht h ec o n s t i t u t i o no fi t e r a t i v es e q u e n c e sw i t ha n n t h e nd e t e c ta n d i d e n t i f yt h eg r o s se r r o ru s i n gt h es t a t i s t i c a lv a l u e n l ep r a c t i c a la p p l i c a t i o ns h o w st h a tt h i s m e t h o dd e t e c t sg r o s se r r o r sr a p i d l ya n de f f i c i e n t l ya f t e ra n n b e i n gt r a i n e dp r o p e r l y k e yw o r d s ：d a t ar e c o n c i l i a t i o n ；i n e q u a l i t yc o n s t r a i n t s ；g r o s se r r o rd e t e c t i o n ；a r t i f i c i a l n e u r a ln e t w o r k s 青岛科技大学研究生学位论文 符号说明 已测数据的系数矩阵 待估参数的系数矩阵 常数列向量 测量噪声的上边界 测量噪声的下边界 单位矩阵 过程变量误差的方差一协方差矩 阵 约束方程残差上限 约束方程残差下限 似然比检验统计量 待估参数向量 测量数据检验统计量 测量数据检验统计量临界值 节点检验统计量 节点检验统计量临界值 测最值向量 真实值向量 校正值向量 4 b c 一。 o ， q ) 一， r u z 乙 拼 驯 x 一 整合数据校正的过失误差侦破方法研究 对于所有n 检验发生第类错误的 总或然率 疗 每个独立检验发生第一类错误的 。 或然率 s 由测量噪声产生的误差向量 万 国 校正量 权重因子 青岛科技大学研究生学位论文 刖舌 近年来，随着计算机软硬件技术的不断提高，计算机在流程工业的控制、管理 等方面的应用得到迅猛发展。如何更好地利用过程数据，以满足日益增长的信息化 需求，优化操作参数以降低成本和能耗，成为流程工业企业面临的重要课题。 因此很多流程工业正逐步采用生产管理和过程控制一体化计算机集成制造系统 ( c i m s ) ，作为提高生产效益和管理水平的重要手段。过程测量数据作为反映装置运 行状况的特征信息，是实现计算机过程控制、模拟、优化和生产管理的基本依据。 深入开展过程数据校正技术的研究工作，对更好地实现过程工业装置的优化控制与 管理具有重要的理论意义和现实意义，该领域已经成为过程系统工程的一个重要研 究前沿。 过程数据通常是指与工艺过程有关的装置操作信息如流量、浓度、温度等现场 操作和分析数据。一般来说，这些实际测量数据往往因带有误差而不能严格符合化 工过程的内在规律，如化学反应计量关系，物料平衡和热量平衡等。如果把这种带 有较大误差的原始数据直接用于优化控制或决策管理，将会对实际操作带来严重影 响，很难保证过程处于最优状态下运行。另外，由于现场条件和经济上的原因，有 些关键的参数没有测量，或者被遗漏，所得到的测量数据往往是不完整的。因此， 对一组过程测量数据进行处理，是为了提高它的精确性和平衡性，同时对缺少的数 据设法通过已测数据和一些物理或化学规律模型进行估计，给出它们的校正值。 目前对过程测量数据校正技术的研究主要集中在数据校正、过失误差侦破、参 数估计等领域。其目的是为了提高测量数据的可靠性、精确性和完整性，增加有用 的信息量。近几十年来，国内外学者对此进行了大量的研究工作，并且推出了实用 化的软件，在过程工业的科研开发、生产规划、操作优化、工艺监控及故障诊断等 方面得到应用。随着计算机软硬件技术的提高与广泛应用，对过程数据校正技术及 过失误差侦破方法的研究也逐渐增多，并取得较大进展，但现有的方法大都具有一 定的局限性，传统的数据校正方法受过程模型限制，对存在泄漏的过程等不准确模 型的情况容易出现校正结果失真。同样以传统数据校正结果构建检验统计量进行过 失误差侦破的方法也容易出现错误侦破，并且对于多个过失误差的侦破结果不理想， 因此从理论和实际应用上都有许多工作值得深入探讨。 本文在综合分析现有测量数据校正技术研究进展的基础上，深入探讨了数据校 正领域的过失误差侦破和数据协调方法。对整合数据校正的过失误差侦破策略进行 研究。为了避免传统数据校正过程中过失误差在数据间的传递而造成误侦破的情况， 整合数据校正的过失误差侦破方法研究 采用不等式约束条件代替等式约束条件进行数据校正，在校正的基础上，结合统计 检验的方法进行过失误差侦破：研究了将不等式约束的数据校正与m t n t 检验方法 相结合进行过失误差侦破的方法：为了验证对比上述方法对多过失误差的侦破效果， 研究了采用神经网络进行过失误差侦破的方法，通过深入探讨神经网络在数据校正 领域的具体应用，提出将神经网络与统计检验相结合的过失误差侦破策略，并对各 种侦破策略进行实例验证。 青岛科技大学研究生学位论文 1 1 概述 第一章文献综述 通常在过程工艺、工程及自动控制的设计、研究和生产操作中，经常要分析来 自单元设备，甚至复杂过程的一系列测量数据，以便掌握它们的运行特性，改善操 作。有时需要用这些测量数据确定数学模型中的未知参数，用测量值做反馈控制， 实现过程监控或最优化控制，根据测量数据做出单元设备或全过程的物料衡算和热 量衡算，为设计提供依据，等等。所以测量数据是实现过程设计、模拟、优化及控 制等许多工程技术工作的基础和出发点，它的可靠性和正确性直接影响上述工作的 质量。近年来，随着计算机软硬件技术的不断提高，如何更好地利用过程数据，满 足日益增长的信息化需求，优化操作参数，降低成本和能耗，成为化工企业面临的 重要课题之一。特别是当生产装置己实现d c s ( d i s t r i b u t i o nc o n t r o ls y s t e m ) 控制， 需随时向全厂c i p s ( c o m p e e ri m e 掣a t e dp r o c e s ss y s t e m ) 提供可靠数据信息，提供 给管理和技术人员分析决策时，如何对过程测量数据进行筛选加工以获得高质量的 数据，实现过程的优化控制问题，受到石化企业的极大关注【h l 。 1 2 化工过程数据校正的必要性 化工过程数据又称工艺数据，一般情况下指的是物料流率、组成、温度、压力 和相分率等。由于测量过程存在中不可避免的误差，测量值不能精确地符合化工过 程的一些内在的物理和化学规律，这种现象称为测量数据的不平衡性。产生不平衡 性的原因是测量数据有误差，它又可分成随机误差和过失误差两大类。前者受不可 避免的随机因素的影响而产生，服从一定的统计规律，任何测量数据都含有随机误 差。后者可能是由三方面情况发生而引起的：测量仪器失灵。操作不稳定和设备有 泄漏现象。过失误差的存在使得测量数据严重失真，也就是在测量数据的测量值与 真实值之间存在着显著的差异。另一方面，从化工装置采集到测量数据是不完整的。 例如由于安装测试仪表和进行测试的代价昂贵，测量技术不可靠，条件苛刻不允许 采样或仪表因故不工作等原因，使得不可能采集到所有测量值。不平衡和不完整的 数据给过程分析和研究工作带来很多困难，甚至失败。所以，对一组化工过程数据 的测量值进行处理，是为了提高它的精确性和平衡性，给出它们的校正值。对缺少 整合数据校上e 的过失误差侦破方法研究 的数据，设法用已测数据的一些物理或化学规律予以估算。数据经过这番去伪存真 的加工处理后，其有用的信息量就得到很大的增加【4 】。 由于石油化工过程很复杂，因此要对未测量数据进行估计和对已测量数据进行 校正具有很大的难度。长期以来，在实际工作中，人们往往是凭经验来对数据估计 和校正，但由于缺乏定量的分析和检验，故还不足以用于各项研究开发工作中。上 世纪六十年代以来，随着计算机技术的广泛应用和不断发展，越来越多的石油化工 企业将计算机应用于过程控制、操作优化、性能评价等方面，数据的采集量大为增 加，同时也为数据校正的研究和应用提供了强有力的技术支持，使得数据校正问题 的求解交得容易进行。因此，许多工程研究人员开始利用计算机通过建立和求解数 据校正模型的方法来得到较准确的操作及分析数据，并在理论和应用上有了很大的 进展，但是，由于所用各种方法本身固有的缺点和局限性，理论与实际应用之间存 在着很大的距离，许多困难有待突破。为此，本工作根据化工过程的实际情况，将 过失误差侦破与数据校正相互结合进行研究，以开辟出一条能解决实际问题的新途 径。 1 3 数据校正的主要内容及应用领域 1 3 1 数据校正的主要内容 化工过程数据根据是否被测量分为已测数据和未测数据。已测数据中可以根据 平衡方程由其它已测数据计算出来的称为冗余型( 或可校正型) 已测数据，否则称为 非冗余型( 或不可校正型) 已测数据；未测数据中可根据平衡方程由已测数据唯一确 定的称为可观测型( 或可估计型) 未测数据，否则称为不可观测型( 或不可估计型) 未测 数据。只有可校正型的已测数据和可估计型的未测数据可以参加计算，而不可校正 型已测数据和不可估计的未测数据必须在校正前从数据中消去。我们将利用冗余对 测量数据进行随机误差去除来使其满足约束关系的过程称为数据协调( d a t a r e c o n c i l i a t i o n ) ；对未测数据中的可观测型数据进行估计的过程称为参数估计 ( p a r a m e t e re s t i m a t i o n ) 。为方便起见，下面提到数据协调时，其中也包括参数估计。 此外，由于过失误差的存在，在数据协调的过程中，过失误差会分摊到其他原本没 有过失误差的数据上，从而使得测量数据协调和未测量变量估计的结果比没有进行 协调和估计时的情况更加恶化，造成这组数据协调值和估计值的完全不可信。因此 在进行测量数据协调和未测变量估计前，必须及时准确地侦破出过失误差的存在进 而识别并剔除含过失误差的测量数据或补偿其影响，以保证和提高协调值及估计值 的可信度。这个过程称为过失误差侦破( g r o s se l l o fd e t e c t i o n ) 。将数据协调和过失误 6 青岛科技大学研究生学位论文 差侦破统一地称为数据校j e ( d a t ar e c t i f i c a t i o n ) 。因此，过程数据校正的主要内容就是 校正含随机误差的测量数据，侦破和剔除含过失误差的测量数据，估计末测量数据， 诊断故障源5 4 j 。其目的是为了提高测量数据的可靠性、精确性和完整性，增加有用 的信息量。 随着计算机在现代化工行业中的广泛应用，越来越多的事实表明，化工过程监 控水平的提高，首先依赖于测量数据的质量。因此，数据校正是一项十分必要和重 要的工作。 1 3 2 数据校正的主要应用领域： ( 1 ) 计划与统计管理 数据校正技术可为管理人员提供可靠的装置测量数据，作为化工企业进行装置 物料和能耗计算的依据，用于全厂的计划管理、统计报表和生产决策。 ( 2 ) 过程监测与分析 数据校正技术可在生产装置上实时地分析过程数据，做到跟踪设备和装置的运 行状态、趋势和干扰，识别仪表的出错和失灵情况。在中试装置上，经过校正处理 的测量数据，能更可靠、更精确地用于过程模拟分析与放大设计。 ( 3 ) 过程控制与模拟优化 数据校正技术与流程模拟优化程序联合使用，可提供可靠的过程优化控制与操 作方案。如果不经过数据校正处理，优化控制的作用就可能被测量误差所掩盖。 ( 4 ) 设备性能分析 数据校正软件可全过程地追踪关键设备和装置的行为，如催化剂的活性、压缩 机的效率或换热器的污垢因子等。 ( 5 ) 仪表配置与管理 数据校正技术中的冗余分析可确定最佳测量点的位置。该技术可协助仪表工程 师设计出经济、安全、可靠和有效的控制仪表系统。同时使用数据校正软件能使操 作者密切地监控仪表的运行情况，在众多的仪表中确定哪些需要重新标定或检修。 1 4 数据校正技术研究进展 数据校正及过失误差侦破从上世纪六十年代开始至今，得到了广泛、深入的研 究，在工业生产中也得到了广泛的重视与应用，并在理论上有了很大的进展。 1 4 1 数据校正 1 9 6 1 年k u e h n 和d a v i d s o n 8 1 在从事计算机控制工艺过程的研究中，首先提出数 据校正的概念，其准则是：在满足物料平衡和热量平衡的条件下，要求校正值与它 整合数据校正的过失误差侦破方法研究 对应的测量值的偏差的加权平方和最小，权重由测量数据的方差确定。这样数据校 正问题就成了一个优化问题，其求解方法与优化问题的求解方法相同。这是带线性 约束的最d , - 乘问题，可以用拉格朗日乘子法求解。 为了进行数据校正，必须首先获得测量值的协方差阵。a l m a s y 和m 甜h 9 1 提出从 约束残差的方差阵中估计测量值的协方差阵的方法，为获得唯一解，前提是不同设 备的协方差应该很小，偏离对角线元素的平方和最小。c h c n 等【10 】和m o r a d ( 1 9 9 9 ) ”】 分别提出用m 估计( 广义极大似然估计) 的抗差( r o b u s t ) 变量协方差估计法。 未测变量的存在，给数据校正问题求解和分析带来了困难，c r o w ef 1 9 8 3 ) 1 2 】提 出的投影矩阵法，在平衡方程两边同乘一个矩阵，使未知变量系数阵为全零阵，从 而消除了未知变量。但c r o w e 的投影矩阵求解算法只是理论算法，k e l l yf 1 9 9 9 ) 1 3 j 提出了一种直接算法和一种更适用于工程实际的基于奇异值分解的算法。 实际过程多数处于“准稳态”或动态。s t a n l e y 和m a h 于1 9 7 7 年提出准稳态的 概念，即除了偶尔的突变和缓慢的漂移外，过程都处在稳态的情况，并采用k a l m a n 滤波法解决此类问题 1 4 - 1 5 j 。 1 9 9 1 年d a r o u a c he ta 1 1 6 1 将基于k a l m a n 滤波的算法用于广义线性动态系统。 1 9 9 2 年r a g o t 和m a q u i n l l7 j 等提出正交滤波法，可以估计校正所有的线性状态方程。 其局限性在于，需要一个线性或局部线性模型，且模型误差将导致显著偏差。 1 9 9 2 年l i e b m a n 1 8 】等提出用非线性规划法( n l p ) 解决非线性约束和不等式约束的 动态数据校正问题。1 9 9 3 年r a m a m u r t h i l l 9 等提出了基于n l p 的分段线性化的动态 数据校正法。其局限性在于，计算效率不能满足在线动态数据校正需求。 1 9 9 2 年k a o a l a t 2 0 】等用e l m a n 神经元网络来求解非线性的数据校正问题。1 9 9 8 年m e e r t 2 l 】提出了一种具有非线性动态数据校正功能的实时回归学习神经元网络。 2 0 0 3 年周传光等1 2 2 1 提出了自反馈增益神经网络的模型和训练算法。该类方法的优点 在于不需要掌握过程本身的精确模型，避免了过程模型误差可能带来的校正误差。 其局限性在于，用于动态数据校正的神经元网络仅是一个提前一步预测模型，它需 要大量的样本训练网络，而且当操作条件改变时，需要重新训练网络。 除了以上经典的校正算法以外，1 9 9 8 年b i n d e r 和b l a n k 等1 2 3 j 在前人的基础上改 进了动态数据校正的描述公式，并且基于多尺度近似法提出了一种新的动态数据校 正的数学方法。受多尺度理论固有的自适应的启发，不断地改进最优化问题，从粗 糙的近似开始上升到精确的近似，这不同于已提出的信号逐步解决法。该方法总是 可以利用有限的计算资源，提出尽可能精确的解。 以前线性滤波器多用于在线滤波，但是只适用于单尺度过程，而非线性滤波器 虽然适用于多尺度过程，却不能在线滤波。针对基于小波分析的在线非线性滤波， 1 9 9 9 年n o u n o u 和b a k s h i 2 4 l 提出了一种在线多尺度( o l m s ) 校正法，对于高斯噪声， 8 青岛科技大学研究生学位论文 经过小波分解、阈值去除、重构即可去除，而对于非高斯噪声，则在小波分解之前 加一个均值滤波器循环运用，这种方法称为鲁棒在线多尺度校正。 2 0 0 2 年孔明放等【2 5 1 基于动态数据校正特性的分析，提出一种积分法，综合了有 限元素配置法，滤波法和鲁棒法，具有很高的计算效率。有限元数配置法的优点在 于，能减少离散模型制约方程的数目，从而在不损失测量信息的情况下降低闷题复 杂度。滤波法能有效削弱输入变量的随机变量，且不会造成延滞和信号扭曲。鲁棒 法则能削弱异常测量对动态数据校正的影响，获得好的校正结果。 2 0 0 3 年李津蓉1 2 6 l 提出了一种新的数据校正模型，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，以减小过失误差对其他测量值校正结果的影响。 在工业实际应用中，存在大量的非线性约束的情况。如多组分过程组分流率平 衡方程中有总流率和浓度的乘积，这种由两个变量乘积组成的非线性约束是最常见 的，又称作“双线性”约束，2 0 0 4 年金思毅等 2 7 】在分析s i m p s o n 法基本原理的基础 上，指出了该方法直接用于多组分过程数据校正不满足组分流率与总流率平衡约束 的缺陷。通过在目标函数中引入组分独立物流与总独立物流平衡的约束条件，推导 给出了新的计算方法。k e l l y l 2 8 1 详细描述了如何用公式表示和使用在工业过程进行数 据校正时建立的常规双线性数量一质量平衡，平衡方程包括数量和质量的线性和非 线性项。 2 0 0 4 年，k e l l y 2 9 1 在另一篇文献里面重点介绍了求解工业非线性数据校正问题的 几种技术。包括初始值的生成，行列的缩放比例，核心矩阵的规则化，并使用了不 同的独立非约束求解法，如凸衰退、矩阵投影、牛顿法和奇异值分解与不可行性处 理等。 到上个世纪9 0 年代，对非稳态( 即动态) 系统的数据校正技术开始引起注意， 但是到目前为止，和稳态相比，动态系统的数据校正还远未得到充分的发展，还处 于初期阶段，研究发表的文献比稳态少得多。这是因为与稳态时不同，物料平衡、 能量平衡等守恒方程在过程操作处于动态的情况下不能提供任何冗余，任何对该守 恒定律的违反都可以归咎于过程单元在动态中的积累，因此必须引入过程的动态模 型作为约束条件的补充，使得数据校正及参数估计能够产生更为准确的结果，而且 模型中引入的未知参量的数目要小于模型的方程数目。而实际上动态过程模型很难 确定，而且动态数据校正计算量大，这些都导致了动态数据校正研究的困难。 1 9 8 8 年a l m a s y 就进行了动态数据校正问题的研究l l ”。目前主要采用的方法有 三种：( 1 ) 扩展的k a l m a n 滤波法，( 2 ) 制约的非线性规划( n l p ) ，( 3 ) 神经网络。 但是三种方法都有一些限制。 k a l m a n 及扩展的k a l m a n 滤波方法p o j 要求线性或者线性化的模型和完全知道过 整合数据校正的过失误差侦破方法研究 程动态特性，模型中的任何误差都将造成明显的估计偏差。此外，k a l m a n 滤波需要 进行参数调整及要求掌握有关测量值及过程噪声的协方差矩阵等先验知识。尽管如 此，该方法运算速度快，适于在线运行。d a r o u a c h 和z a s a d a i n s k i ( 1 9 9 1 ) 1 提出了后 向差分近似和递推技术以解决带约束最小二乘优化问题，对线性动态系统校正问题 给出了分析解，并证明了解的收敛性。该方法是一种k a l m a n 滤波方法的变形。 非线性规划( n l p ) 方法基本上是稳态过程校正方法的扩展。模型约束方程一 般用动态微分方程表示，l i e b m a ne ta 1 ( 1 9 9 2 ) 1 3 2 】提出有限元正交配置求解方法， a l b u q u e r q u e 和b i e g l e r ( 1 9 9 5 ) 3 3 1 用r u n g e k u r a 方法离散化代数微分方程( d a e ) 系 统，开发了有效的逐次二次规划( s q p ) 方法。n l p 法在参数变化时的响应、模型 存在误差时的鲁棒性及系统存在严重的非线性相对于k a l m a n 滤波方法具有明显的 优越性。然而，动态数据校正的n l p 问题的求解方法所需的计算时间很长，般来 说，比k a l m a n 滤波长得多，不适用于时间要求苛刻的场合。 几乎所有动态过程的校正文献都是有关上述两种方法的，但是它们都依赖于精 确动态过程模型和精确的过程参数，并且假设数据中噪声概率分布己知。和上述方 法相比，神经网络方法作为参数模型估计和易于进行非线性系统识别的方法，只要 求利用历史数据进行模型训练，不需要掌握过程本身的精确模型，因此避免了过程 模型误差可能带来的估计偏差：此外。神经网络方法突破了对约束条件的假设，并 且对测量数据中随机误差的分布不做特殊要求( 如正态分布) ：和各种迭代非线性规 划方法相比，神经网络方法在花很长时间训练好以后会迅速给出结果，适于在线运 行。然而。在实现神经网络方法之前，需要利用大量的相| 立操作区间的数据来进行 网络训练，因此训练样本选择的质量将直接影响神经网络方法的性能。如果操作条 件发生改变，必须进行新的网络训练过程。k a l j a l a 和h i m m e l b l a u 3 4 - 3 5 是第一个提出 用反馈神经网络来对含高斯噪音的过程测量进行动态数据校正的。他们以常规非线 性规划技术训练所用的网络，并通过计算实例的比较指出，神经嘲络去除随机误差 的性能是可以和传统扩展k a l m a n 滤波方法及基于模型的数据校正非线性规划技术 相比的。 虽然动态数据校正己经成为研究的热点，各种方法层出不穷，但都还存在种种 问题，例如计算复杂，不适合时间要求苛刻的场合，或难以适应突变状况等，因此 还很难见到成功的实际应用。 1 4 2 过失误差侦破的研究进展 数据校正的前提条件之一是测量数据中仅含有服从正态分布的随机误差。而在 实际过程中，经常会出现由于测量仪表失灵、管道或设备泄漏以及操作不稳定等原 因造成的测量数据严重失真的情况，也就是说在测量数据中存在着过失误差。如果 1 0 青岛科技大学研究生学位论文 测量数据中存在过失误差，则在求解上述最优化问题的过程中，将会使过失误差分 摊到其它原本不含过失误差的数据上，从而使得测量数据校正和未测变量估计的结 果严重失真，甚至比不校正的数据精度还差。尽管这种过失误差数据在总的测量数 据中所占比例很小，但它的存在可能会严重影响协调、优化控制的可靠性。从另一 方面讲，过失误差的存在也是过程故障的反映。测量仪表故障和管道、设备泄漏是 造成测量数据出现过失误差的主要原因，所以在进行测量数据校正和估计时，必须 首先侦破和剔除含过失误差的测量数据，这是应用数据校正技术提高数据质量的关 键，同时也有助于及时发现和排除仪表或管道泄露故障。如果不能及时侦破和剔除 测量数据中所含的过失误差数据，就可能对过程的优化控制与管理操作造成严重影 响。 1 9 6 3 年，r e i l l y 和c a r p a n i 3 6 1 首先提出了过失误差的c h i s q u a r e 整体侦破法 ( g l o b a lt e s t ) 。该方法认为，当测量值服从以其真值为均值的正态分布时，协调的 目标函数的最小值服从c h i s q u a r e 分布。这样，根据平衡方程的个数选择c h i s q u a r e 分布的自由度，再将目标函数的值与c h i s q u a r e 分布真值表对照，在一定的置信度 水平下，便可做出测量值是否含有过失误差的判断。随后，a l m a s y 和s z t a n o ”】以及 m a d r o n ”j 也分别提出了类似的整体侦破法。该方法只能识别过失误差的存在而不能 判断其具体来源，n o g i t o ( 1 9 7 2 ) 1 3 9 ，r o s e n b e r g ( 1 9 8 7 ) 1 4 0 1 等提出了整体检验法结合顺 序删除法的过失误差定位方法。 所谓顺序删除法即从一组含过失误差的测量数据中依次删除每个测量数据，然 后重新计算剩余测量数据的检验统计量，如果发现剔除某个测量数据后使得检验统 计量显著下降，并使得统计量小于对应的临界值，即认为该测量数据含有过失误差。 1 9 7 5 年，a l m a s y 和s z t a n o 提出了测量残差侦破法( m e a s u r e m e n tt e s t ) ，它利用 测量数据的校正值和测量值的相对大小作为判断过失误差是否存在的依据，可以赢 接定位过失误差，并将所有侦破出带有过失误差的数据从测量数据集合中剔除。对 于测量值中只含有一个过失误差的情况，该方法具有相当高的侦破效率。 为避免出现虚警错误，s e r t h 和h e e n a n 提出了迭代测量检验法( i m t ) ，即在每 一次运算中，并不剔除所有包含过失误差的数据，只有对应偏离临界值最大的测量 数据才被剔除。为避免出现漏报错误，s e r t h 和h e e n a n 又提出了修正的迭代测量检 验法( m i m t ) ，在i m t 方法的基础上引入测量值的上下限，其主要缺陷在于它不能 保证在所有情况下得到的估计值都满足上下限的约束。r o s e n b e r g 等【3 4 】提出了扩展的 测量检验法( e m t ) 和动态测量检验法( d m t ) 。 1 9 6 3 年，r e i l l y 提出了节点检验法o d et e s t ) ，对每一个节点进行约束残差统 计量的假设检验，判断节点平衡状态进而判断过失误差的存在，该方法可以定位出 带有过失误差的测量数据所在的约束方程，从而大大地缩小了识别的范围。m a l l 整合数据校正的过失误差债破方法研究 ( 1 9 7 6 ) 4 2 】在此基础上结合节点合并等图论方法，在三个假设条件下实现了过失误差 的定位。 对于系统规模较小的情况，可以采用组合检验法，即先对节点平衡状态进行考 察，找出不平衡的节点，然后通过和与该节点相连的流股形成的组合进行匹配的方 式来确定过失误差分布情况。s e r t h 和h e e n a n 做了改进，提出了筛选组合法( s c ) 。 这种方法将节点检验法和组合识别法结合起来，利用节点检验法确定可能含有过失 误差的变量，然后进行组合匹配，以减少组合的规模。 上述方法针对的都是和测量直接相关的过失误差，然而正确地侦破及识别其他 类型的过失误差也是非常重要的。n a r a s i m h a n 和m a l l d 3 1 发展了广义似然比法( g l r ) ， 建立了过程测量模型及过程泄漏