Details

Данная работа посвящена исследованию методов Gross Error Detection, предназначенных для выявления систематических погрешностей в индустриальных данных. В ходе работы был произведён обзор истории развития данной области, рассмотрены основные методы Global Test, Constraint Test (Nodal Test), Measurement Test, продемонстрирована их работа на практических примерах, произведён сравнительный анализ. Были изучены методы обнаружения множественных систематических погрешностей GLR, MIMT, SEGE и MUBET с подробным разбором алгоритма их работы. По итогу работы были реализованы программные реализации алгоритмов обнаружения множественных систематических погрешностей на языке MATLAB. Данные реализации были опробованы на разработанной симуляционной модели обогатительной фабрики, по итогу чего была собрана статистика и выполнен сравнительный анализ. Далее был реализован алгоритм попарного комбинирования методов с дальнейшим тестированием на ранее упомянутой симуляционной модели. По итогам исследования было установлено улучшение точности работы и уменьшение количества ложноположительных результатов по сравнению с изолированным применением методов. Доказана целесообразность комбинированного использования методов Gross Error Detection.

This work is devoted to the study of Gross Error Detection methods designed to identify bias errors in industrial data. The study includes a review of the historical development of this field, an examination of key methods such as the Global Test, Constraint Test (Nodal Test), and Measurement Test, as well as a demonstration of their application through practical examples and a comparative analysis. Additionally, methods for detecting multiple gross errors GLR, MIMT, SEGE, and MUBET were examined in detail, including an in-depth analysis of their algorithms. As a result of this work, software implementations of multiple gross error detection algorithms were developed in MATLAB language. These implementations were tested on the developed simulation model of a mineral processing plant, after which statistical data was collected, and a comparative analysis was performed. Furthermore, a pairwise combination algorithm of the methods was implemented and tested on the same simulation model. The research findings confirmed an improvement in accuracy and a reduction in false positives compared to the isolated use of the methods. The combined application of the methods proved to be effective and justified.

• СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
• ВВЕДЕНИЕ
• 1. ИСТОРИЯ ИЗУЧЕНИЯ МЕТОДОВ GED
• 2. МЕТОДЫ ОБНАРУЖЕНИЯ СИСТЕМАТИЧЕСКОЙ ПОГРЕШНОСТИ
  • 2.1. Теоретическая основа
  • 2.2. Global Test
    • 2.2.1. Преимущества и недостатки
    • 2.2.2. Применение
    • 2.2.3. Пример использования
  • 2.3. Constraint Test
    • 2.3.1. Преимущества и недостатки
    • 2.3.2. Применение
    • 2.3.3. Пример использования
  • 2.4. Measurement Test
    • 2.4.1. Преимущества и недостатки
    • 2.4.2. Применение
    • 2.4.3. Пример использования
  • 2.5. Сравнение методов
• 3. МЕТОДЫ ОБНАРУЖЕНИЯ МНОЖЕСТВЕННЫХ СИСТЕМАТИЧЕСКИХ ПОГРЕШНОСТЕЙ
  • 3.1. Generalized Likelihood Ratio Test (GLR)
    • 3.1.1. Алгоритм работы
    • 3.1.2. Программная реализация
  • 3.2. Modified Iterative Measurement Test (MIMT)
    • 3.2.1. Алгоритм работы
    • 3.2.2. Программная реализация
  • 3.3. Simultaneous Estimation of Gross Errors (SEGE)
    • 3.3.1. Алгоритм работы
    • 3.3.2. Программная реализация
  • 3.4. Modified Unbiased Estimation Technique (MUBET)
    • 3.4.1. Алгоритм работы
    • 3.4.2. Программная реализация
• 4. МОДЕЛИРОВАНИЕ И СРАВНЕНИЕ МЕТОДОВ МНОЖЕСТВЕННОГО ОБНАРУЖЕНИЯ
  • 4.1. Метрики для сравнения
  • 4.2. Модель для симуляции
  • 4.3. Симуляция технологического процесса
  • 4.4. Эффективность методов при раздельном применении
  • 4.5. Эффективность методов при комбинированном применении
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• Приложение 1
• Листинг файла separate_methods.m
• Приложение 2
• Листинг файла combined_methods.m