现已发展出很多种理论来进行显著误差的识别。1963 年，Reilly[10]等首先提出显著误差 的存在会影响数据协调结果。构造了一个 2 检验统计量来判定测量数据是否含有显著误差，

将此法称为整体检验法(GT)。Mah[11]等提出了节点检验法(NT)，通过对每一个节点进行假设 检验显著误差是否存在，GT 与 NT 法的缺陷是不能识别显著误差的位置。Almasy 和 Sztano[12] 提出的测量数据检测法(MT)，能判断出哪个数据中含有显著误差，判定依据是数据的校正值 与测量值之间的偏差大小。MT 法的缺点是容易误判显著误差。为克服这个缺陷，很多学者 提出了对 MT 法的改进：迭代测量检测法(IMT)、修正迭代测量检测法(MIMT)等。修正迭代 测量检测法的运算效率高、速度快、检测误差率高，因而获得了广泛应用。1987 年，Narasimhan 和 Mah[13]发展了广义似然比法(GLR)，首先构造正态分布函数比，这些函数基于构造约束方 程残差，然后建立过程泄露模型和过程测量模型，最后利用统计的方法对可能存在的显著误 差进行估计。后来又将 GLR 推广到动态过程。

在等效集的基础上发展出的同步识别并同步补偿法(SEGE)，其核心思想是用遍历组合去 选择最满足条件的显著误差集,能够同时检测出显著误差的位置和幅度。但是同步补偿法的计 算量较大，为克服这个缺点，继而有学者研究出顺序识别并同步补偿法(SICC)。周凌柯[14]等 又继续对 SICC 进行改进，加入测量变量的上下限约束,且利用时间冗余特性，减少对显著误 差误判的发生概率。采用逐步补偿，运用 MT 法选出待确定的显著误差合集。此法称为 MSICC 法，省略了投影矩阵的运算过程，提高了系统的协调精度。此外，将单节点识别法与高置信 度相结合的综合检验法、选择删除显著误差变量算法等也都取得了很好的效果。最近 Ricardo 从线性回归的角度实现数据校正过程，为该领域的理论系统提供了较为新颖的思路。文献综述

针对各方法的优缺点，一些学者提出了一些组合法。MT 法可以克服 NT 法不能定位显著 误差的不足，用 NT 法弥补 MT 中显著误差会污染正确数据的缺点，一种 MT-NT 联合算法被 提出。后来学者们又运用逐次检测协调的策略，改进了 MT-NT 法，有效避免了在检测显著误 差的过程中出现的系数矩阵会降秩的现象。

若想得到高效的数据协调结果，就必须先进行显著误差检测。也有越来越多的学者注重 对显著误差检测的研究，这其中主要包括两大类：统计检验法、协调与检测同步进行法。现 虽然已发展出很多显著误差检测的方法，但在实际工业操作中，这些方法都不能完全适用于 不同情况。所以，工业实际过程中的显著误差检测仍将被视为重点研究方向。

1。3  数据校正技术的工业应用

在流程工业中，数据校正能够极大地完善测量数据的准确性而尤其重要，所以应用较为 广泛。目前数据校正是石油化工、钢铁等流程行业综合自动化系统的关键技术之一。工业应

用的主要方面为：

若管理人员在观测数据时得到错误信息，则他们会对工厂的实际情况产生误判。准确的 测量数据是工厂管理和生产决策的根本依据。因此，有必要进行数据校正，从而使得管理人 员掌握正确的生产数据，实现经济利益的提高。

企业在进行物料或热量计算时，便于工业模块管理者得到较准确的装置测量数据，在做 关于流程的计划与统计、生产决策时能够得到可靠信息，从而做出正确高效的决策。

在生产中使用数据校正技术，能够在线及时的分析测量数据，跟踪装备的运营情况、干 扰因素和运营趋势，在仪器仪表发生故障时可以及时发现。联合使用流程模拟优化技术，可 以在得到正确的过程数据后提供可靠的控制优化方案。