Simultaneous Measurement Bias Correction and Dynamic Data Reconciliation

Authors


Abstract

The presence of measurement bias and random noise significantly deteriorates the information quality of plant data. Data reconciliation techniques for steady-state processes have been widely applied to processing industries to improve the accuracy and precision of the raw measurements. This paper develops an algorithm for simultaneous bias correction and data reconciliation for dynamic processes. The algorithm considers process model error as an important contributing factor in the estimation of the measurement bias and process state variables. It employs black-box models for the process as would be done when phenomenological models are difficult or impractical to obtain. Simulation results of a distillation column demonstrated that this algorithm effectively compensates constant and non-constant measurement biases yielding much improved reconciled values of process variables. It has computational advantages over previously proposed algorithms based on non-linear dynamic data reconciliation because an analytical solution is available when using linear process models to approximate the process.

Abstract

La présence de distorsions de mesures et de bruit aléatoire détériore de manière significative la qualité de l'information des données d'usine. Les techniques de réconciliation de données pour les procédés en régime permanent sont largement appliquées pour améliorer l'exactitude et la précision des mesures brutes. Dans cet article, on a établi un algorithme pour la correction des distorsions et la réconciliation des données simultanées pour des procédés dynamiques. L'algorithme considère l'erreur dans les modèles de procédés comme un facteur de contribution important dans l'estimation des distorsions de mesures et les variables d'état de procédés. Il emploie des modèles de boites noires pour le procédé comme il serait fait lorsque des modèles phénoménologiques sont difficiles ou pas pratiques à obtenir. Les résultats des simulations d'une colonne de distillation démontrent que cet algorithme compense efficacement les distorsions de mesures constantes et non constantes. Il présente des avantages pour le calcul par ordinateur comparativement aux algorithmes proposés antérieurement qui s'appuyaient sur la réconciliation des données dynamiques non linéaires, parce qu'une solution analytique est disponible lorsque des modèles de procédés linéaires sont utilisés pour les approximations du procédé.

Ancillary