基于时间冗余度侦破过失误差的修正系数法

为正确侦破与识别测量数据中含有的过失误差以保证数据校正结果的可靠性 ,提出一种修正系数法 ,利用过程测量数据的时间冗余度对测量数据中可能含有的过失误差进行侦破与识别 ,并对过失误差的大小进行估计。应用实例表明 ,此方法对过失误差的数目、位置等因素并不敏感 ,具有较好的鲁棒性 ,适用于空间冗余度较小的实际问题。     

范数有界的鲁棒卫星姿态估计方法

针对现有卫星姿态鲁棒滤波器中计算量大、时变系统估计效果不理想的问题,将范数有界鲁棒滤波器应用于卫星姿态估计系统中.该方法将一部分系统模型误差视为系统的不确定度,降低了系统的建模难度.通过欧几里德范数确定状态的不确定度上界,对系统进行误差有界的鲁棒估计,保证了估计精度.仿真结果表明:在假设的不准确条件下,该鲁棒滤波器展现了良好的鲁棒性,其估计性能比传统扩展卡尔曼滤波(EKF)方法在三轴的估计精度(RMS)方面分别提高了11.21%,17.97%和38.13%.     

双线性过程的鲁棒数据协调

针对基于鲁棒目标函数的双线性数据协调问题,提出了一种新的算法.首先利用两步法将双线性数据协调问题转化为两个线性数据协调问题,然后利用罚函数法把约束优化问题转化为无约束优化问题,最后给出了Huber函数的等价权,以及利用等价权法求解双线性鲁棒数据协调问题的表达式.在迭代求解过程中考虑了变量的上下限约束.仿真结果表明该方法能有效地求解双线性鲁棒数据协调问题,降低显著误差的影响.     

小波域多通道图像数字水印嵌入方法

针对用于数字作品版权保护的鲁棒水印方法对局部强度攻击所存在的弱点，提出了小波域多通道水印模型和参考水印的概念，采用多通道水印方法实现水印的嵌入；提出了一种鲁棒水印的线性估计方法，比特误差分析表明，该线性估计方法能够准确估计出局部高强度攻击后嵌入的鲁棒水印，对于抵抗高强度局部化攻击具有显著效果。     

基于鲁棒主元分析的故障诊断方法

针对工业过程的建模数据中含有离群点的情况,提出了一种基于鲁棒主元分析(PCA)的故障诊断方法.该方法使用广义极大似然估计(M估计)代替最小二乘估计,将传统的主元分析问题转化为一个加权的重构误差优化问题,然后通过改进的非线性迭代部分最小二乘(NIPALS)算法来求得问题的最优解,在此基础上建立主元模型并构造监控统计量检测过程故障.在连续搅拌反应器(CSTR)仿真系统上的应用结果表明,鲁棒PCA方法能够消除离群点对主元模型的影响,比PCA方法分析过程数据更为准确,能更有效地诊断过程故障.     

基于鲁棒主元分析的故障诊断方法

针对工业过程的建模数据中含有离群点的情况,提出了一种基于鲁棒主元分析(PCA)的故障诊断方法.该方法使用广义极大似然估计(M估计)代替最小二乘估计,将传统的主元分析问题转化为一个加权的重构误差优化问题,然后通过改进的非线性迭代部分最小二乘(NIPALS)算法来求得问题的最优解,在此基础上建立主元模型并构造监控统计量检测过程故障.在连续搅拌反应器(CSTR)仿真系统上的应用结果表明,鲁棒PCA方法能够消除离群点对主元模型的影响,比PCA方法分析过程数据更为准确,能更有效地诊断过程故障.     

一种鲁棒的约束总体最小二乘无源定位算法

摘要：
为解决异常误差导致的机载单站无源定位不准确问题,提出了一种鲁棒的约束总体最小二乘(RCTLS)定位算法.首先建立定位模型,构建了加权的约束总体最小二乘(WCTLS)定位准则,并给出了牛顿迭代解.然后,利用广义M估计原理构建了WCTLS准则的鲁棒极值函数,将鲁棒CTLS问题转化为对等价权函数的设计问题,并根据丹麦法构建了等价权函数.理论分析表明,RCTLS算法能够有效识别异常误差,并降低异常测量数据的权值以减小其对定位结果的影响.仿真结果显示,存在异常误差时, RCTLS算法能够获得理想的定位估值,具有较强的鲁棒性.
     

传感器数据异常下动力定位鲁棒状态估计方法

针对时变环境带来的传感器数据异常、未知环境干扰等影响,导致基于无迹卡尔曼滤波的动力定位状态估计方法估计精度下降的问题,提出了一种鲁棒无迹卡尔曼滤波方法,该方法通过引入一种基于指数加权的观测噪声协方差矩阵R自适应更新模块和一种基于卡方分布假设检验方法的过程不确定性识别模块处理传感器数据异常情况并估计未知环境力．最后,以某平台供应船的船模为仿真对象,进行了仿真对比实验．仿真结果表明,鲁棒无迹卡尔曼滤波能够准确及时地识别传感器数据异常情况,相较于传统无迹卡尔曼滤波而言,鲁棒无迹卡尔曼滤波状态估计精度更高,收敛速度更快,表现出较强的鲁棒性．     

多维位置数据最优融合方法

本文给出了一种多传感器多维位置数据融合的方法。这种方法基于多维位置数据的鲁棒估计和最小方差结合法。每个传感器用鲁棒估计得到自身数据的位置估计和方差估计,把这些估计融合为一个最优估计,即传感器系统的估计。     

采用干扰估计的液压系统自适应鲁棒控制

针对液压伺服系统的建模不确定性和未建模不确定性问题,提出基于精确干扰估计的自适应鲁棒控制算法。该算法通过反步方法融合了有限时间干扰观测器和自适应鲁棒控制器;有限时间干扰观测器用于估计非匹配集中干扰,能够保证有限时间精确估计干扰;自适应鲁棒控制器用于处理系统参数不确定性并保证闭环系统稳定性。该算法理论上能够保证描述的瞬时控制精度和稳态跟踪误差,并且在某一时间T1后取得渐近跟踪性能。实验结果表明:该算法能够准确估计非匹配干扰,系统稳态跟踪误差最大约为0.06mm,相对跟踪误差约为0.15%,系统跟踪精度得到了提高。     

化工过程系统的多层数据调和框架

过程数据的可靠性和一致性在化工过程系统中是非常重要的。过程的测量数据一般含有随机误差和显著误差,必须应用数据调和与显著误差检测技术来减小过程测量数据的误差。测量数据具有不同的类型。针对不同类型的测量数据的数据调和问题,提出了一种多层数据调和框架。此框架可以根据不同的测量数据选择不同层次的机理模型,进行数据调和。不同类型的测量数据的数据调和问题分为三层:第一层是基于总物料平衡层,第二层是基于物料和组分平衡层,第三层是基于严格机理模型层。在此数据调和框架中,应用加权最小二乘目标函数作为调和目标,采用鲁棒高效的显著误差检测方法。基于此框架,对于化工过程系统的测量信息的不同,均可选择合理的模型有效地对测量数据进行数据调和。联塔系统和空气分离系统的数值模拟试验说明了此框架的灵活性和有效性。     

热力系统性能监测中的数据调和及不良数据检测

基于数据调和技术提出了一种不良数据检测方法，利用测量数据时间序列间的联系进行参数的预估计，按照所定义的测量数据可信度，能够正确估计参出突变情况。     

重油催化裂化稳态过程数据协调与检测

最小二乘估计法和测量数据检验法用于重油催化裂化（ＦＣＣ）稳态过程的数据协调与检测．在正确构造ＦＣＣ系统的拓朴网络结构图之后，运用改进的迭代测量测试（ＭＩＭＴ）算法，成功实现了ＦＣＣ流量数据的协调，保证了数据的真实性和精确性     

软测量建模中的数据校正

为有效剔除工业现场采集数据中的显著误差,降低随机误差的影响,使校正后的数据更好的满足物料平衡和能量平衡,最大程度提高软测量模型的精度,提出一种基于同步算法的数据协调方法,并对双酚A生产工艺现场采集到的数据进行校正。仿真表明,校正后的数据误差率得到显著降低,提高了数据源的精度和模型的泛化能力。     

厂级监控系统中数据校正算法模型研究

探讨厂级监控系统中实时数据的校正算法及其应用技术.介绍了测量数据误差的相关概念;基于多元统计分析基本原理,建立了数据校正的基本模型;基于信号处理原理,重点研究了数字滤波方法在数据协调中的应用;结合火电机组厂级监控系统的应用特点,提出了数据分级的概念,建立了基于设备特性的数据误差识别及其修补的关联模型.应用上述关联模型,在冗余检验和数字滤波等技术的支持下,建立并实现了数据显著误差检验与数据协调相互统一的数据校正方法.应用结果表明,该方法具有算法简单,概念清晰,保证了实时分析结果的有效性.     

测量数据处理中粗差问题的探讨

粗差的探测与剔除是测量数据处理中非常重要的一项工作,它直接关系到平差结果的可靠性。对测量粗差的来源进行了分析,指出了粗差的特点,从粗差探测与抗差估计两个方面对粗差的处理方法进行了探讨,并给出了粗差处理的建议。     

基于GLR-NT的显著误差检测与数据协调

提出了一种广义似然比法（Generalized Likelihood Ratio,GLR）与节点检测法（NodalTest,NT）组合的显著误差检测和稳态数据协调方法。该方法充分发挥了GLR法和NT法的优点,采用逐次侦破、补偿校正的策略,避免了传统显著误差侦破方法中系数矩阵降秩问题,并且融入了测量变量的上、下限约束,最...     

回归函数的小波支持向量机鲁棒估计法

小波网络具有小波的多尺度特性和神经网络的自学习功能,在回归估计中得到广泛的应用,但其性能受到样本中粗差的严重影响.虽然以M-估计作为目标函数可以解决这个问题,但由于其对应的影响函数由残差绝对值决定,因此如何选择初始参数值成为一个关键问题.为此,提出回归函数的小波支持向量机鲁棒估计方法(小波支持向量回归,WSVR,Wavelet Support Vector Regression).该方法中首先提出并证明了一种新的小波支持向量机(WSVM,Wavelet Support Vector Machine),用于确定初始参数值方法,这种方法能够确定合理的网络结构和合适的初始参数值,保证含有粗差的样本点的残差绝对值较大;然后使用一种构造的M-估计作为目标函数,并提出了自适应确定阈值方法.仿真结果表明,使用这种方法得到的回归模型不仅具有良好的多尺度逼近特性,而且有较好的鲁棒性和较高的推广性能,具有较高的理论和应用价值.     

Multivariate Statistical Process Monitoring Using Robust Nonlinear Principal Component Analysis

The principal component analysis （PCA） algorithm is widely applied in a diverse range of fields for performance assessment, fault detection, and diagnosis. However, in the presence of noise and gross errors, the nonlinear PCA （NLPCA） using autoassociative bottle-neck neural networks is so sensitive that the obtained model differs significantly from the underlying system. In this paper, a robust version of NLPCA is introduced by replacing the generally used error criterion mean squared error with a mean log squared error. This is followed by a concise analysis of the corresponding training method. A novel multivariate statistical process monitoring （MSPM） scheme incorporating the proposed robust NLPCA technique is then investigated and its efficiency is assessed through application to an industrial fluidized catalytic cracking plant. The results demonstrate that, compared with NLPCA, the proposed approach can effectively reduce the number of false alarms and is, hence, expected to better monitor real-world processes.