数据校正1.pdf

动态过程的数据校正和显著误差的侦破 叶蕾 侍洪波 叶蕾女士，华东理工大学自动化研究所硕士研究生。侍洪波先生，教授。 关键词：动态数据校正 聚类分析 显著误差检测 一 前言 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。 数据协调模型最早由 Kuehn 等人提出，该模型要求在满足物料平衡和能量平衡的条件 下，协调值与它对应的测量值的平方和达到最小。该数据协调模型对测量值中存在的随机误 差的消除效果较好，但由于该模型的建立没有考虑到显著误差的存在，当测量数据中存在显 著误差时，该模型对测量值的协调结果会将显著误差分散到各个测量值中，从而造成协调的 失败。因此，及时准确地检测显著误差的存在进而剔除或补偿其影响有助于数据协调的完成。 对于稳态过程的显著误差的检测已有很多方法，包括基于残差的统计假设检验方法、主 成分分析方法和基于双误差模型的同步方法。然而，将稳态过程的显著误差检测方法应用到 动态过程仍有很大的难度。本文探索了一种检测显著误差和动态数据协调相结合的方法，并 对这种方法进行了仿真验证，结果证实了该方法的有效性。 二 显著误差的检测 带有显著误差的测量值和其他测量值的数学分布是不同的，它只是所有测量值的很小部 分。因此，通过比较数据的特征可检测出带有显著误差的测量值。聚类分析亦称群分析、簇 群分析等，是数值分类学的一个分支，可将相近的对象聚成一类。在动态过程中，不含显著 误差的测量值可看成一个加长类。 图 1 所示的为二维空间的 3 个类，B 为加长类，A 、C 为带有误差的类。在实际过程中， 测量值的变化具有连续性、一致性和相关性。相比 而言，带有显著误差的测量值是不相关的。加长类 中的数据是连续、一致和相关的。因此，任何不属 于加长类的数据都是带有显著误差的测量值。 为了度量分类对象之间的接近与相似程度，需 要定义一些分类统计量，用作划分类别的数量指 标，从而可定量地进行分类。常用的分类统计量有 距离和相似系数。本文采用距离来衡量对象间的相 似程度。 对于 d 维空间的一组数据 Y ，Y ，∧，Y ， 1 2 N 平均最短距离 rM 定义为： 1 N d 2 1 rM= ∑min j ≠i [(∑(yik - y jk ) ) 2 ] (1) N j 1 k 1 在实际应用中，各个测量变量的变化幅度是不等的。例如，流量测量值的波动比温度测 量值的波动要大。因此必须将协方差引入式(1) 中。则式(1)转化为如下形式： 1 N d (yik - y jk )2 1 2 rM= ∑min j ≠i [(∑ ) ] (2) N j 1 k 1 Vk 式中，vk 为协方差阵 V 的对角元素。 采用滑动窗口技术可以获取动态过程的特征。然而，窗口长度的大小是可以调节的参数， 太小了，则检测不到含有显著误差的测量值；太大了，就会产生时滞。 三 动态数据协调和显著误差的检测 动态数据协调的模型可表示为： c ^ ^ minΦ= ∑ [y(t ) −y ]T V -1 [y(t ) −y ] 1 i i i i i o 2 s.t. ^ d y ^ f[ , y(t) ]=0