Python移动地平线时间序列非线性回归中的坏数据

我有一个应用程序来估计和控制工业聚合物制造过程（UNIPOL聚乙烯）的干扰。该方法是更新未知催化剂活性，以最小化测量和预测生产率之间的差异。然后将催化剂活性用于生产控制。预测生产率基于与冷却水的热交换。我遇到的问题是，有时生产率测量不好，因为在大的瞬态过程中，与测量（流量计、温度）和计算相关的间歇性问题。分布式控制系统（带TDC3000的霍尼韦尔Experion）具有适当的保护措施，可防止不良测量，并报告一个状态不良的值。在Python-Gekko中，如何使用可用的良好度量，而忽略间歇性的不良度量？由于专有问题，我没有可以共享的示例代码，但它是

范围（1，n）内的i的

：
#以摄氏度为单位读取温度
T1m[i]=a.T1
T2m[i]=a.T2
#插入测量值
TC1.MEAS=T1m[i]
TC2.MEAS=T2m[i]
Q1.MEAS=Q1s[i-1]
Q2.MEAS=Q2s[i-1]
#用MHE预测参数和温度
m、 求解（disp=True）

---

我可以使用

np.nan

（nan）作为测量值，还是有其他方法来处理不良数据？

对于任何不良数据，您可以将FV、MVs、SVs或CVs的反馈状态

FSTATUS

设置为off（0）

如果测量值不正确：
TC1.FSTATUS=0
TC2.FSTATUS=0
Q1.FSTATUS=0
Q2.FSTATUS=0
其他：
TC1.FSTATUS=1
TC2.FSTATUS=1
Q1.FSTATUS=1
Q2.FSTATUS=1

Gekko消除了时间序列模型更新中的不良测量，但保留了良好的数据。对于CVs，它通过存储和时移测量值以及每个测量值的fstatus值来实现这一点。坏数据最终与

FSTATUS=0

指示器一起离开数据范围。如果要过滤输入数据，还可以将

FSTATUS

值设置为介于0和1之间：

x=LSTVAL∗(1−FSTATUS）+MEAS∗FSTATUS

---

其中，

LSTVAL

是最后一个值，

MEAS

是测量值，

x

是该测量值的新过滤输入。有关

FSTATUS

的更多信息，请参阅。

使用

np.nan

忽略测量是不起作用的。目标变为NaN，因此在

TC1.MEAS=np.NaN

时使用该值。