将其作为过程设计、模拟优化、控制、装置性能分析及生产管理决策分析的直接依据。
但由于仪表测量和因仪表错标、失灵或设备泄漏会不可避免地导致误差的产生,其中
包含随机误差和显著误差。随机误差是由随机因素的影响产生的，它服从一定的统计
规律；显著误差是由于测量仪表操作不稳定或是设备遗漏原因引起的。由于误差的存
在，这些测量数据往往不能满足物料、能量和组分平衡等物理化学规律;另一方面,出
于费用考虑或因安装困难、测量技术不可行等原因,有些数据没有进行测量，这样一
来就给过程分析和研究工作带来许多困难。
因此，针对改善化工过程测量数据质量，数据校正技术应运而生。 数据协调[1]
(Data
Reconciliation)，参数估计(Parameter Estimation)和显著误差侦破(Gross Error
Detection)统称为数据校正(Data Rectification)，数据校正技术是指利用过程冗余
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，并根据
物料平衡和能量平衡模型对测量数据进行协调，降低随机误差的影响，并设法估计出
未测变量。数据协调问题通常描述为以数学模型为约束条件，以变量协调值和测量值
之间的偏差最小为目标函数的优化问题。从数学的角度讲，用于显著误差检测的各种
统计方法和以加权最小二乘[2，3]
为目标函数的协调算法都是基于测量误差正态分布假
设的，当数据含有显著误差时，假设被打破，由此推导得到的各种统计推断理论依据
不足，协调结果也因显著误差的存在出现较大偏差。许多学者提出了数据校正与显著
误差侦破同步进行的方法，如 Tjoa 和 Biegler 提出的污染正态分布模型校正法，
Albuquerque 和 Biegler，Arora 和 Biegler，Moustapha 和 Ragot以及 Ozyurt 和
Pike等人提出的广义极大函数校正法。
如今，数据校正技术已经发展成为一个综合信号处理，统计分析，过程建模，优
化计算，人工智能等多学科的交叉学科领域，其研究涉及数据协调，显著误差检测，
数据分类以及测量网设计等多项内容[4，5]
。
1.1  数据校正技术概述
数据校正技术是在利用原始测量数据的基础上, 对原始测量数据进行协调, 以
便使协调后的数据更好地保持物料平衡或能量平衡等关系。协调后的数据能更好地应
用于过程控制、过程建模和过程性能评估等方面。为此，需要对测量数据进行校正处
理，一个完整的数据校正过程包括稳态检测、数据分类、显著误差检测与处理机数据
过程处于稳态是实施稳态数据校正的前提，对于时间度尺为“日”的厂级物料平
衡，在现有的技术上，准稳态的假定通常可以得到保证。
1.2  数据分类技术
由于技术和经济上的限制，在实际的化工生产中只能对部分变量进行测量。未测
变量则利用已测变量值根据物料平衡、能量守恒方程等进行估测。因而测量数据的校
正是以过程变量的冗余为前提的，只有可观测性变量可以被估计，冗余性数据才可以
被校正[7]
。
在化工过程测量网络中，选择测量变量的方案并不是唯一的，对于相同的变量，
可以采用不同的测量仪表进行测量。测量网络如何配置，使得在满足设计性能的前提
下测量网络费用最低，这就是测量网络优化问题。设计性能的指标包括变量的可观测
性、变量的可靠性、变量的精度、变量的可估计度、过失误差侦破能力等。
冗余分为空间冗余、硬件冗余和时间冗余。空间冗余是测量多于 N个变量，这样 基于鲁棒目标函数的数据协调技术研究(2):http://www.youerw.com/zidonghua/lunwen_5859.html