1。2。3  冗余性分析论文网

在测量过程中，实际测量数据比不包含测量误差时得到的测量数据 多，这些多出的数据称为冗余数据。冗余有三种表现：硬件冗余、空间冗余和时间冗余。硬件冗余是同一变量由多个传感器同时测量的情况；空间冗余是测量多于 个变量，这些变量通过各种途径在空间结构上实行估计；时间冗余就是对相同的变量进行重复测量。

在工业流程中，传感器一直处于工作状态，必然会存在时间冗余。硬件冗余具有限制性，主要是由于经济上的负担。在冗余性分析过程中，主要的研究内容是空间冗余。

数据协调的过程是以冗余信息为基础的，因此冗余性分析是一个必要的环节，它主要包括大系统的分解降维，过程变量的分类和测量网络的优化设计改造等。

1。 大系统的分解降维

在实际生产中，协调计算是一个很复杂的过程。可以通过大系统的分解降维缩小问题的规模，从而提高工作效率。

2。 过程变量的分类

过程变量有四类：冗余型（测量变量）、非冗余型（测量变量）、可观测型（未测量变量）、不可观测型（未测量变量）。有时会遇到矩阵不可逆的问题，主要是由于在进行协调运算前既没有剔除非冗余型变量，也没有剔除不可观测型变量。只能通过计算机对比较复杂的流程变量进行分类，变量类型与流程拓扑结构密切相关。过程变量分为两种：一种方法是用图论方法，该方法基于测量网络图并且面向流程。用图中的点表示设备，叫做节点，图中的有向线段表示两个设备之间的连接通道，叫做弧。这种网络图和传统的流程图是不一样的，它是先了解具体的需要，然后有所依据地对流程图进行处理得到的，例如，如果网络只是关于物流的测量问题，那么就会删除流程图中的设备管线，并且对节点进行合并处理。实际上从流程图经过处理转变成测量网络图的过程是一个建模的过程。另一种方法是利用矩阵论分类并且以约束方程组为理论模型的面向方程。约束方程组通常以矩阵的形式表示，关联矩阵的每行对应着某个节点的平衡方程，“0”则表示物流是与该节点不相关的，“+l”则表示物流是流入的，“-1”则表示物流是流出的。所以可以得知，约束方程组即为测量网络图的代数表达式，也就是数学模型。

3。 测量网络的优化设计改造

在数据协调中，有可能遇到无法协调的情况，通常是由于网络结构的不合理，网络结构不合理可能是由于删除了包含显著误差的变量，也有可能是网络自身的问题，在这种情况下就需要对测量网络结构进行调整，调整是通过改变传感器的位置，从而提高系统冗余度，从而使得计算能够顺利运行。因此，如何选择最优配置点成为一个重要问题。同时，面对一个新网络，如何使得投产后的数据协调过程能够顺利地运行，也面临着一个以数据协调为基础的测量网络优化的问题。文献综述

1。3  鲁棒数据校正

传统的数据协调理念是以最小二乘法为基础的。显而易见，经典最小二乘法有很大缺陷，它只考虑了随机误差而忽略了显著误差，因此当数据中出现显著误差时，最小二乘估计对数据校正的效果不具有良好的效应，即协调得到的值不准确，具有较大偏差的测量值会使得所有协调值受到污染，从而出现了一个新的校正理论：鲁棒估计（抗差估计）。

鲁棒估计是一种数理统计的理论，它最初来源于统计学。由于数据回归和数据校正具有相似性，我们可以在数据校正中引入数据回归的部分方法。鲁棒估计法是通过对误差构造某种特定的概率密度函数而不用假定误差的分布函数。这种概率密度函数具有显著优势，即为当出现某种偏离时，该函数并不敏感，因此数据校正的效果不会受到过度影响，得到的校正数据也比较准确，系统比较稳定。