在工业过程的监测、控制、优化甚至生产决策中,过程数据扮演着极其重要的角色,但在测量中过程数据往往受到工业过程中随机误差甚至显著误差的干扰,使得基于受干扰的过程数据的控制、优化、建模和决策的性能下降。数据协调与显著误差检测是一种用来降低这种干扰以至去除显著误差的技术。本论文以流程行业为背景,探讨了数据协调与显著误差检测若干问题的解决方法及其在全厂物料平衡系统中的应用。全文首先分析数据协调与显著误差检测方法现有框架的不足,继而提出一种新的框架和方法,并将该框架和方法按照从线性稳态系统到非线性动态系统这一由简单到复杂的顺序不断进行完善,使所提出的方法能够有效处理数据协调与显著误差检测中多方面的问题,成为一个比较完整的理论体系。最后,将本文所提出的理论框架中的同步数据协调与测量偏差及过程泄漏估计方法应用于全厂物料平衡系统中,在实际应用中对该方法进行了检验。从而不仅在理论研究中,也在实际应用中验证了本文所提理论框架及相应方法的有效性。本论文主要研究工作如下:1.首先提出一种线性稳态系统中的迭代数据协调与显著误差检测策略,该策略将统计检验与基于赤池信息准则(AIC)的混合整数非线性规划方法相结合,采用迭代策略以减少原方法的计算量,并采用统计假设检验的方法来改善对显著误差的检测性能。通过仿真研究,可以看出该策略能够在很大程度上减少计算量从而缩短计算时间,并且在显著误差检测效果上较原方法也有一定的提高。同时,通过研究发现,虽然一般认为采用完整AIC形式作为数据协调与显著误差检测的框架具有良好的性能,但实际的效果却难以令人满意。因此,需要一种比AIC具有更好特性的数据协调与显著误差检测方法框架。2.为了解决前一研究中所提出的问题,将统计学习理论引入以代替AIC作为数据协调与显著误差检测的框架,并提出了基于支持向量回归(SV回归)的同步数据协调与显著误差检测方法。该方法可将测量数据中的显著误差和离群值视为回归模型的复杂性从而进行去除,同时,该方法的影响函数是有界的,所以对测量数据集中的离群值也有一定的鲁棒性。又由于SV回归自身的参数对结果具有鲁棒性,所以该方法对于自身的参数选取也较宽松。通过稳态和线性动态系统的仿真研究,可以看出该方法所具有的优良特性。3.由于显著误差不仅表现为与测量相关的偏差,也可表现为过程中的泄漏或者错误的过程模型,这也会严重影响数据协调的结果,但只有少数方法能够考虑过程泄漏问题。在数据协调与显著误差检测的统计学习理论框架下,将所提出的SV回归方法进行扩展,使得该方法能够同时处理与测量相关的偏差和过程泄漏问题,从而使得本论文所提出的框架与方法能够处理显著误差检测的多方面问题。仿真研究和与其它方法的比较结果显示了该方法的有效性。4.对于非线性动态系统,本论文基于无迹变换迭代非线性动态数据协调技术(URNDDR),提出了增广的URNDDR(AURNDDR)方法,该方法考虑了状态、测量以及参数的不确定性,能够提供更准确的状态及参数估计结果。同时,仍然在数据协调与显著误差检测的统计学习理论框架下,将SV回归方法应用到非线性动态系统中,提出SV回归AURNDDR方法(SVRAURNDDR),该方法能够克服测量中离群值的干扰并同时实现准确的状态与参数估计。将该方法应用于闭环控制回路中,即使在测量中含有离群值的情况下,也能够得到较好的控制性能。5.在任何一个现代化的炼化工厂中,能够反映全厂真实生产状况的全厂级物料平衡数据是进行生产计划、生产调度以及绩效分析等制造运行管理的关键因素。数据协调与显著误差检测技术的自身特性,决定了该技术适用于解决全厂级物料平衡的问题。针对实际应用问题,本论文给出了一种符合制造运行管理国际标准的全厂物料平衡系统的架构,基于该架构将本论文中提出的基于SV回归的同步数据协调与测量偏差及泄漏估计方法应用到全厂物料平衡系统中,使得该系统能够有效地处理测量上的显著误差以及物料移动事件上的错误及缺失。该系统已在中石化下属某炼油厂及大连某化工厂得以实施,并已推广到后续的项目中。实际工业中的使用效果说明了所提框架和该方法的有效性以及该应用架构的规范与易用性。