基于过程系统测量数据的稳态检测与数据处理方法

本资料包含pdf文件1个，下载需要1积分

工业生产过程采集的测量数据对数据校正、参数估计及过程控制和优化的结果影响重大。由于现场采集的测量数据既有动态变化过程的数据也有稳态过程的数据 ，因此首先必须选择有效 而又可靠的测量数据。如何从海量的数据中提取出有价值的信息，有不少的学者对这个问题进行了深入的研究。在过程系统的稳态检测方法研究上主要 有组 合 统计 检验 法 CST 、置 信度 法MTE 、滤波法 、小波变换法 、滑动窗 口法及 F-检测法 等。毕小龙等利用滑动窗滤波法在火电机运行过程 中进行稳态检测 ，用实例验证了该方法具有较高的准确性 。付克昌等提出了- 种基于多项式滤波算法的自适应稳态检测方法，该方法可以自适应确定滤波窗口的大小，通过非绝热连续反应釜的仿真验证了该方法的有效性 。吕游等采用分段曲线拟合方法在某电厂600MW直流炉给水系统的稳态检测中，能很好地检测该系统的稳态过程 。陈文驰和刘飞提出-种融合 自适应平滑技术的稳态检测方法，该方法能显著提高稳态检测处理的准确性，检测结果明显优于传统的基于多项式滤波的检测方法 。林占江则详细介绍了测量误差分析与数据处理的方法和步骤 。

笔者提出-种对过程系统海量测量数据稳态检测与数据处理-体化的方法。工业采集的测量数据-般都是大量的，既有动态变化过程的数据也有稳态过程的数据，所以要先对这些海量数据进行稳态检测。稳态检测是非常重要的环节，稳态检测方法不完善则会直接影响后期数据处理的准确度。后期的数据处理方法也是相当重要的。

数据处理后可得 到最终有用 、可靠 的信息。现场采集测量数据-般是按某个间隔时间采集-组数据。笔者基于空气分离工业过程采集的现场测量数据，采用滑动窗口稳态检测器进行过程的稳态检测，而后应用数据处理方法减小随机误差的影响，删除显著误差(-般由系统误差或疏失误差引起)，从而得到准确、可靠的测量值。

1 基于测量数据的稳态检测工业上较常用和高效的稳态检测方法是基于滑动窗 口的思想 ，即选择-定的窗 口长度，当窗 口中的数据波动较大时，则认为窗口中的数据为动态数据 ，否则为稳态数据。笔者基 于过程系统测量数据采用滑动窗 口法进行稳态检测 ，原理是沿着原始数据的时间轴移动窗口，判断窗口内的数据是否处于稳态，若是则把该窗口的数据标为稳态，否则标为非稳态。其具体实施步骤分述如下。

根据数据的波动情况及处理要求，确定窗口Ⅳ的大小 ；将要处理数据的前 Ⅳ个数，置于窗口。

对窗口内的数据求平均值：收稿 日期：2012-11-12(修改稿)基金项目：工业控制技术国家重点实验室(浙江大学)开放课题(ICT1112)；浙江省新苗人才计划项目(2012R424007)第 2期 陈玉玲等.基于过程系统测量数据的稳态检测与数据处理方法亩. (1)式中 Ⅳ--窗口大小；- - 包含测量数据的平均值。

求窗口内数据的标准差 ：6 √志 u (2)根据具体要求(如 - I

将窗口后移-格，根据后 3步继续判断下-个窗口内的数据，直到所有数据处理完毕。

2 稳态检测后的数据处理方法稳态检测后，对各稳态下的测量数据进行数据处理，即对各稳态下的测量数据计算平均值：： 1。

求剩余误差： 。- 五 (4)求标准差的估计值，由贝塞尔公式可知：r- --- 6 √ 蓍 (5)判断疏失误差，剔除坏值。当测量次数 n足够多时 ，先求随机不确定度 ：A38 (6)当I l>A时，该数据可认为是坏值，应剔除。如果测量次数 n较少时，采用格拉布斯准则进行处理。当I M I>C，8 时，应视为坏值而剔除。

剔除坏值后，再重复求剩下数据的算术平均值、剩余误差和标准差，再次判断，直到不包括坏值为止。

剔除坏值以后的算术平均值为：专i知1 (7) n z其中n n-口，o是坏值的数目。这时的剩余误差 是剔除坏值后，剩下的测量数据与剔除坏值后的算术平均值之差： l- (8)这时的标准差估计值为：厂- -- ----- 6 √南 (U t) (9)随机不确定度用6 进行计算：再次剔除坏值。同理，当测量次数 n较少时，用I M I>∞ 作为判断依据。

判断有无变值系统误差。用剩余误差观察法判断是否存在变值系统误差，也可以用马利科夫判断和阿卑 -赫梅特判据判断有无线性和周期性系统误差 。即：r j- ∑ ，n为偶数△ ≥ - ， 名手妻殳 (1)如果 I△I>I u I，可认为存在线性系统耋。

l u ·u l>/-nsT8 (12)可认为存在周期性系统误差。这里的 和均应用无坏值时的数据 。

若存在变值(线性、周期性或二者同时存在)系统误差，其对应的测量数据原则上-般舍弃不用。

求算术平均值的标准差估计值：占 / (13)求算术平均值的不确定度：当n足够大时，可取：A；3爰 (15)给出测量结果的表达式。对于技术测量，需要指明不确定度 A；时，可表示为：A ±A； (16)式中 --不包含疏失误差时测量数据的算术平均值。

笔者所提出的基于过程系统测量数据的稳态检测与数据处理方法是将工业生产过程采集过来的数据，先采用滑动窗口法进行稳态检测，得到各稳态下的测量数据；再将各稳态下的测量数据分别处理，最终得到减小随机误差且剔除显著误差后的较准确的测量值。基于过程系统测量数据的稳态检测与数据处理方法流程如图 1所示。

3 数据处理方法的比较将基于滤波器的数据处理方法与笔者提出的数据处理方法进行 比较，从而说明方法的高化 工 自 动 化 及 仪 表 第 40卷图 1 基 于过程 系统测量数据的稳态检 测与数 据 处理方 法其中滤波器采用指数滤波器和非线性滤波器。

3.1 指数滤波器指数滤波器是迄今为止在工业应用中最常用的-种，它是-个时间离散滤波器，相当于在-个连续系统的-阶滞后，并在许多 DCS系统中，它是-个标准的过滤器，也被称为第-阶滤波器控制区，具体表达式为：y OX (1-日)y -l (17)式中 --在时间t 时的原始测量数据；y --在时间t 时的过滤值；0--滤波参数。

3.2 非线性滤波器- 般的非线性滤波可以归结为求条件期望的问题。对于有限多个观测值的情形，条件期望原则上可以用贝叶斯公式来计算。但即使在比较简单的诚，这样得出的结果也是相当繁杂的，无论对实际应用或理论研究都很不方便。与卡尔曼滤波类似，人们也希望能给出非线性滤波的某种递推算法或它所满足的随机微分方程。但-般它们并不存在，因此必须对所讨论过程的 与 y加以适当的限制。非线性滤波的研究工作相当活跃 ，它涉及随机过程论的许多近代成果，如随机过程- 般理论、随机微分方程及点过程等。非线性指数滤波器是指数滤波器的另-种变化，该滤波器在减少延迟的同时大量地过滤了噪音。在非线性指数滤波中，要定义-个确定标准偏差的 ，同时在式(17)的基础上，0的定义有所改变：-min[t， ]式中 JR--调整参数；- - 测量误差的标准偏差。

与上述指数滤波器相比，非线性指数滤波器更易得到∩以写为 ：y- lp(x -Yk-1)y-1OAX (19)那么式 (19)中：min[， 3.3 处理方法的比较指数滤波器，当 0的取值不同时，结果不同。

为了更好地说明问题 ，该次 比较是取残差之和最小时的 0(0.1，0.2，)。非线性滤波法 ，R取 6。

滑动窗口取 2，数据波动要小于 6%(滑动窗口的大型稳态判断标准可以根据不 同的要求 ，设定不同的值。在这次比较中，为了使数据尽量处于稳态，设定滑动窗口较孝稳态标准较大)。具体数据来源于文献[11]中。图2是3种数据处理方法的结果 比较。

.三皇n昌寤辍面嘲嚣图 2 3种数 据处理 方 法的比较表 1是3种数据处理方法及未处理时的残差(测量值或处理后的测量值与真实值之差)绝对值之和的比较 。

可以看出，只要选择合适的窗口大小，滑动窗口法稳态检测可以明显优于滤波法。

4 工业过程的应用实例该过程的测量数据来源于某厂2008年 5月28日凌晨到7月30日14点，平均每2h采集-次表 1 3种数据处理方法的绝对误差比较第 2期 陈玉玲等.基于过程系统测量数据的稳态检测与数据处理方法 225的数据。该厂-次在同-时间采集 28组数据，其中有 4组是关键 数据 ，所 以本次主要考虑这 4组数据的稳态检测与数据处理。对于多组数据稳态检测和单组数据稳态检测原理-样，即判断每组数据是不是都属于稳态，如果其中-组数据不属于稳态，则该时刻测得的数据不属于稳态。

通过编程来实现稳态检测及数据处理，根据实际对象的工艺要求和具体情况，测量数据允许波动在 1%以内，滑动窗口设定为4(即8h内工况波动较小则认为是处于稳态)。用图 3来标示稳态区间，图中加粗部分为稳态区间，可以看出，用滑动窗口法可以较为准确地检测稳态区间。

皇嘲图3 稳态检测结果该系统处理后得到共 42个稳态区间。采用数据处理方法分别对各个稳态区间进行平均值、不确定度的计算及线性误差、周期误差判断。

采用本数据处理 的结果 ，应用于空气分离过程的数据校正与参数估计中，可得到较准确的过程数据与模型参数值 。

5 结束语通过上述实例，笔者提出的基于过程系统测量数据的稳态检测与数据处理方法，较准确地判断出稳态区间和这些稳态数据处理后的测量值，而且方法简单、适用范围广。由于是采用移动窗口法判断稳态 ，故该方法还可应用于工厂 ，可以随时警报工厂生产时的过程是否处于稳态，以便检查原因，所以该方法应用及发展前景广阔。