数据校正是一个传统的技术,经过半个多世纪的发展,该学科已经发展成为一个结合统计学、运筹学、系统建模、优化算法、管理学等领域的多学科交叉的研究领域。在流程工业领域,通过数据协调和显著误差检测所提供的准确数据是流程模拟、统计分析、故障诊断等上层应用有效运行的基础。随着工业自动化技术的不断完善与IT技术的日新月异,数据校正技术也融合进了人工智能等多项新的技术。伴随着企业规模的扩大和应用需求的提高,数据校正技术面临更严峻的挑战、更高的要求。面对新的需求,传统的算法需要改进,有很多新的问题需要解决。本文在综述国内外数据校正技术的重要性以及理论研究的概述之后,对分层建模、大系统分解、多层次校正,以及离散事件跟踪和动态数据协调算法进行了深入的研究。本文的主要内容和创新点如下:1.提出了混杂系统的多层次数据校正框架。在分析了流程工业数据的多层次特性和混杂特性的基础上,提出的带有离散事件的不同时间尺度下的分层物料平衡建模方法,充分挖掘了不同层次数据之间的关系,更准确地描述了现代流程工业企业的生产过程。在建模方法的基础上,结合实际生产中面临的问题,提出了混杂系统的多层次数据校正框架,该框架包含了单层次的大系统分解以及子系统的动态数据协调方法,通过离散事件跟踪与检测,为混杂系统提供可靠的事件信息。在该框架下可以准确地完成流程工业全厂数据校正。2.从单层次全局求解的角度,分析了复杂系统求解的困难,给出了大系统分解的意义。基于图论的基本原理,利用虚拟仪表简化复杂网络,利用割集搜索的方法,找到最佳分解方式,最大程度上降低子系统之间的耦合度,进而简化子系统之间的协调过程,提出了基于图论的大系统分解方法。并给出了单层次求解方法在多层次系统中的应用流程。3.为了更及时有效地为混杂系统提供离散事件的信息,提出了基于生产数据的调度事件跟踪和还原方法。基于生产数据的分析和处理,利用多源测量数据之间的信息冗余性,利用信息整合、事件跟踪与移动合成的方法,实现了对流程工业现场调度事件的在线跟踪和还原。4.提出了一种新的鲁棒最小二乘动态数据协调算法。通过引入局部冗余度更进一步提高了 Huber估计的鲁棒性。同时通过给Huber估计权重函数增加消除区间,迭代过程中最有显著误差嫌疑的测量值会被删除,提高了算法的准确性。弱冗余变量中显著误差的识别率得到了提升。通过上述改进,以及结合在线滤波的优势,提出了新的线性鲁棒最小二乘数据协调算法。