论文摘要
测量数据是实现过程设计、模拟、优化及控制等很多工程技术工作的基础和出发点,然而在实际的工业过程中,测量数据不可避免地含有各种误差,包括随机误差和过失误差。数据校正技术是利用冗余信息,结合各种统计分析方法和生产过程机理,剔除原始数据中的显著误差,降低随机误差的影响,并设法估计出未测变量。数据校正的目的就是要提高测量数据的准确性和可靠性,同时对工业过程中的未测变量进行估计。数据校正包括三部分：数据协调、显著误差检测和测量网冗余性分析。本文主要针对工业稳态过程,对数据协调,数据分类,显著误差检测方面做了如下研究。首先,对数据协调的稳态模型和需要处理的问题进行了深入的分析,并对非线性条件和动态条件下的数据协调问题有所认识。针对由于存在数据协调过程中一些不可协调的已测变量和不可估计的未测变量,从而导致计算中断的问题,对目前国际上通用的数据分类方法进行了研究,包括Crowe矩阵投影法,QR分解法,并且对现有的两步矩阵投影算法进行了改进。经过理论证明和实例计算分析,改进的两步矩阵投影算法,可以对数据进行正确的分类,不仅可以避免由于投影矩阵不唯一造成的可校正变量的丢失,而且可以降低矩阵的维数,简化计算,很好的解决了因为矩阵奇异而导致计算中断的问题。其次,研究了显著误差检测的原理以及显著误差检测的方法,包括节点检验法,整体检验法,测量残差检验法,主元分析法,基于聚类分析的显著误差检测等方法；并且综合利用MT-NT方法的优点,研究了MT-NT合成的显著误差检测方法；同时对测量误差的方差估计方法进行了分析,即运用直接法和间接法估计测量误差的方差。最后,对基于神经网络的显著误差检测方法进行了研究,得到了较好的结果。神经网络法作为非参数模型估计方法,只要求利用历史数据进行网络训练,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,神经网络法对测量数据中随机误差的分布不做特殊要求,和各种迭代非线性规划方法相比,神经网络方法计算迅速,适于在线运行。