The quality of on-line measurement data usually cannot meet the demands of practical process monitoring and control due to the influence of measurement noise. Although extended Kalman filter (EKF) is able to improve the quality by reconciling the measurement data to fit the dynamic process model describing nonlinear and Gaussian processes, it rarely considers the presence of different types of gross errors, such as outliers, bias and drift. However, the three types of gross errors often simultaneously appear in dynamic process systems. We propose a robust EKF combined with measurement compensation (MC-REKF) approach, in which a statistical test method is used to detect the abnormal measurement data, where gross error identification is accomplished within a moving window. Subsequently, the magnitudes of gross errors are estimated and used for measurement compensation. Finally, the compensated measurements are updated to re-estimate the accurate states via EKF. The effectiveness of the proposed MC-REKF is demonstrated through a complex nonlinear dynamic chemical process system, namely the free radical polymerization of styrene. With three different types of gross errors, the mean squared error (MSE) of reconciled measurements based on the MC-REKF decreases 37 fold compared to EKF. The magnitude of the residuals between the estimated states and the true states falls below 1.0E−6 when using the MC-REKF. The implementation results imply that the proposed MC-REKF can identify and estimate different types of gross errors and finally decreases their influence on state estimation and measurement reconciliation.

由于测量噪声的影响，在线测量数据的质量通常不能满足实际过程监控的要求。尽管扩展卡尔曼滤波器（EKF）可以通过调和测量数据以适应描述非线性和高斯过程的动态过程模型来提高质量，但它很少考虑存在不同类型的总误差，例如离群值，偏差和漂移。但是，三种类型的重大错误通常同时出现在动态过程系统中。我们提出了一种结合测量补偿（MC-REKF）的鲁棒EKF方法，其中使用统计测试方法来检测异常测量数据，其中在移动窗口内完成总误差识别。随后，估计总体误差的大小，并将其用于测量补偿。最后，补偿的测量值将更新，以通过EKF重新估计准确的状态。通过复杂的非线性动态化学过程系统，即苯乙烯的自由基聚合，证明了所提出的MC-REKF的有效性。在三种不同类型的总体误差下，与EKF相比，基于MC-REKF的协调测量的均方误差（MSE）降低了37倍。使用MC-REKF时，估计状态和真实状态之间的残差幅度将低于1.0E-6。实施结果表明，提出的MC-REKF可以识别和估计不同类型的粗差，并最终减少其对状态估计和测量对账的影响。最后，补偿的测量值将更新，以通过EKF重新估计准确的状态。通过复杂的非线性动态化学过程系统，即苯乙烯的自由基聚合，证明了所提出的MC-REKF的有效性。在三种不同类型的总体误差下，与EKF相比，基于MC-REKF的协调测量的均方误差（MSE）降低了37倍。使用MC-REKF时，估计状态和真实状态之间的残差幅度将低于1.0E-6。实施结果表明，提出的MC-REKF可以识别和估计不同类型的粗差，并最终减少其对状态估计和测量对账的影响。最后，补偿的测量值将更新，以通过EKF重新估计准确的状态。通过复杂的非线性动态化学过程系统，即苯乙烯的自由基聚合，证明了所提出的MC-REKF的有效性。在三种不同类型的总体误差下，与EKF相比，基于MC-REKF的协调测量的均方误差（MSE）降低了37倍。使用MC-REKF时，估计状态和真实状态之间的残差幅度将低于1.0E-6。实施结果表明，提出的MC-REKF可以识别和估计不同类型的粗差，并最终减少其对状态估计和测量对账的影响。通过复杂的非线性动态化学过程系统，即苯乙烯的自由基聚合，证明了所提出的MC-REKF的有效性。在三种不同类型的总体误差下，与EKF相比，基于MC-REKF的协调测量的均方误差（MSE）降低了37倍。使用MC-REKF时，估计状态和真实状态之间的残差幅度将低于1.0E-6。实施结果表明，提出的MC-REKF可以识别和估计不同类型的粗差，并最终减少其对状态估计和测量对账的影响。通过复杂的非线性动态化学过程系统，即苯乙烯的自由基聚合，证明了所提出的MC-REKF的有效性。在三种不同类型的总体误差下，与EKF相比，基于MC-REKF的协调测量的均方误差（MSE）降低了37倍。使用MC-REKF时，估计状态和真实状态之间的残差幅度将低于1.0E-6。实施结果表明，提出的MC-REKF可以识别和估计不同类型的粗差，并最终减少其对状态估计和测量对账的影响。与EKF相比，基于MC-REKF的协调测量的均方误差（MSE）降低了37倍。使用MC-REKF时，估计状态和真实状态之间的残差幅度将低于1.0E-6。实施结果表明，提出的MC-REKF可以识别和估计不同类型的粗差，并最终减少其对状态估计和测量对账的影响。与EKF相比，基于MC-REKF的协调测量的均方误差（MSE）降低了37倍。使用MC-REKF时，估计状态和真实状态之间的残差幅度将低于1.0E-6。实施结果表明，提出的MC-REKF可以识别和估计不同类型的粗差，并最终减少其对状态估计和测量对账的影响。