鲁棒数据协调技术研究+文献综述(2)
况等等都可以通过分析这些测量数据进行决策，甚至还可以通过采集数据的分析确定化工过
程中的未知变量，实现全程监控、提高控制的效果等。除此之外，还可以利用分析采集数据
使单个设备的物料和热量到达守恒，为化工流程的设计提供资料等等，而大量精确的采集数
据可以保证这些工作的完成。然而，由于大量采集数据无法避免的带有误差，这样，采集数
据就无法准确的反馈流程的具体情况。因为这些从工业流程中采集到的数据是关于流程状态
的基础数据，是第一手的资料。如何确保采集数据的准确性、它们能够采纳的程度,成为企业
单位等等必须考虑的一个重要问题。
在通常的情况下，工业过程测量或采集的数据因为测量采集中无法消除的误差，使得测
量到的数据无法精准地符合化工过程中许多的内在化学和物理规律。产生这种情况的原因是
因为采集的数据有误差，包含显著误差与随机误差两大类[1]
。随机误差在所有测量数据中都
存在，并且服从相应的统计规律，运用数据协调技术能够减小测量采集到数据中的随机误差,
并且估算未测量的数据。过失误差的出现毫无规律可言，以下几个原因会导致过失误差的产
生： 1：检测仪器故障；2：操作错误；3：偏离稳态[2]
； 4：过程中原料泄漏等等。因为采
集的数据中存在显著误差，将会严重影响校正结果数据的精确性，因而在数据协调之前需对
显著误差进行侦破,减小采集到的数据中的显著误差[3]
。
数据协调理论是使用工业进程中的能量平衡或者物料平衡等关系，在初始采集或测量数
据的基础之上，对初始采集数据进行校正，这样可以使校正后的数据更加良好地文持能量平
衡或者物料平衡等等关系。校正后的数据可以更加好地适用于过程优化，过程性能评价和过
程控制等方面。数据校正技术主要包含三个方面[4]
：数据协调技术(Data Reconciliation)、测
量网冗余性分析(Redundancy Analysis) 和显著误差检测技术(Gross Error Detection)[5]
。 本课题在研究中将采用建立模型进行仿真的方法来检验数据校正的可靠性，在数据处理
时将用到 matlab 中提供的最优化计算工具箱中的函数 fmincon[6，7]
进行数据优化，fmincon 是
当目标函数为非线性多元函数时，用来求解目标函数最小值的 matlab 函数，可以对具有线性
约束条件和非线性约束条件的目标函数进行求解。其一般格式为：
x= fmincon(fun，x0，A，b)；
x= fmincon(fun，x0，A，b，Aeq，beq)；
x= fmincon(fun，x0，A，b，Aeq，beq，l，u)；
x= fmincon(fun，x0，A，b，Aeq，beq，l，u，nonlcon)；
x= fmincon(fun，x0，A，b，Aeq，beq，l，u，nonlcon，options)；
x= fmincon(fun，x0，A，b，Aeq，beq，l，u，nonlcon，options，P1，P2，…)；
[x，fval]= fmincon(...)；
[x，fval，exitflag]= fmincon(...)；
[x，fval，exitflag，output]= fmincon(...).
其中，fun为需要求得最小值的目标函数
() fx
，通常用.m 文件来定义。
0 x
为解的初始估计值。
A ，b 为线性不等式约束
Ax b
；如果不需要此约束时，此变量用方括号“[ ]”代替。
Aeq， beq：线性等式约束 Aeq x=beq；如果不需要此约束时，此变量用方括号“[ ]”代
替。
l，u：线性不等式约束的上限和下限，使得
nonlcon为非线性约束函数，在有非线性约束条件时可以调用。该函数返回两个输出值，
一个为不等式约束