基于历史数据的数据校正技术研究

摘要

现代工业过程系统中往往需要设置众多用于测量的仪器仪表，对生产过程中各项生产指标进行实时监测与控制。准确可靠的测量数据是生产决策制定，过程控制以及工厂管理的基础。然而在实际生产过程中，测量误差与显著误差的存在使测量数据与实际情况有所差别。数据校正技术就是针对这类问题，利用测量数据之间的冗余度，采用一定的算法，得到一组基本满足化工系统物料平衡、能量平衡或化学规律的校正数据，校正后的数据更接近真实值，能更加真实的反映化工生产过程的状态。本文主要研究了如何利用历史数据提炼信息，并将其应用于数据校正的方法。论文的主要研究内容如下:
　　(1)主元分析法的研究:分析了主元分析法在数据校正技术中的应用，针对其无法识别历史数据中显著误差的缺点，引入IMT显著误差检测方法进行改进，提出了PCA-IMT、IPCA-IMT迭代联合算法，该算法可在历史测量数据中含显著误差时，有效识别显著误差并剔除，获得更为精确的系统模型及校正结果。
　　(2)广义T分布数据校正技术研究:分析了如何利用广义T分布获得误差分布模型，进而进行鲁棒数据校正的方法。通过与最小二乘法及Huber估计校正效果进行比较，说明了广义T分布数据校正技术在误差分布模型不明确时的优势。
　　(3)群优化算法研究:针对如何基于历史数据辨识广义T分布模型中参数这一问题，研究了利用群优化算法寻找最优解的途径，对比研究了粒子群优化算法(PSO)及萤火虫算法(FA)在参数识别中的优势与劣势。
　　(4)卡尔曼滤波方法研究:分析了传统卡尔曼滤波中存在的不足，针对其易受显著误差影响的缺点，引入并讨论了EM-KF方法识别显著误差的性能。通过引入Sage-Husa自适应卡尔曼滤波方法对EM-KF方法进行改进，提出了EM-AKF方法，可实现误差方差自适应估计与显著误差检测。

目录

声明

摘要

1 绪论

1．1 引言

1．2 数据协调及显著误差检测

1．2．1 稳态数据协调

1．2．2 动态数据协调

1．2．3 显著误差检测

1．3 鲁棒数据校正

1．4 基于历史数据的数据校正技术

1．5 实际应用情况

1．6 本文结构安排

2 数据校正基本原理

2．1 引言

2．2 数据协调基本原理

2．3 显著误差检测原理

2．3．1 整体检验法(GT)

2．3．2 节点检验法(NT)

2．3．3 测量残差检验法(MT)

2．3．4 主元检测法(PCT)

2．4 鲁棒数据校正原理

2．4．1 鲁棒最小二乘估计原理

2．4．2 Huber估计

2．4．3 Fair估计

2．5 本章小结

3 多稳态历史数据校正——基于PCA方法

3．1 引言

3．2 主元分析法基本原理

3．3 主元分析法数据协调原理

3．3．1 误差方差矩阵已知——PCA

3．3．2 误差方差矩阵未知——IPCA

3．4 迭代测量检验法(IMT)

3．4．1 迭代测量检验法(IMT)原理

3．4．2 修正的迭代测量检验法(MIMT)

3．4．3 改进型IMT法

3．5 基于改进型IMT法和主元分析法的迭代算法

3．5．1 PCA-IMT迭代算法

3．5．2 IPCA-IMT迭代算法

3．6 仿真实例

3．7 本章小结

4 误差分布模型未知的历史数据——基于GT估计

4．1 引言

4．2 广义T分布数据校正技术原理

4．2．1 广义T(GT)分布

4．2．2 GT估计原理

4．2．3 最大似然法求参数

4．3 粒子群优化算法(PSO)

4．3．1 PSO算法基本概念

4．3．2 PSO算法参数辨识

4．4 萤火虫算法(FA)

4．4．1 FA算法原理

4．4．2 FA算法参数辨识

4．5 仿真实例

4．5．1 历史数据规模选择

4．5．2 GT分布参数辨识

4．5．3 GT估计结果比较

4．6 本章小结

5 动态数据校正技术研究

5．1 引言

5．2 卡尔曼滤波原理

5．2．1 EM算法原理

5．2．2 EM-KF方法原理

5．3 改进型EM-AKF方法

5．4 仿真实例

5．4．1 EM-KF方法性能分析

5．4．2 AKF方法性能分析

5．4．3 EM-AKF方法性能分析

5．5 本章小结

6 总结与展望

6．1 总结

6．2 展望

致谢

参考文献

攻读硕士学位期间发表的论文和出版著作情况