نوع اول ـ فیلترینگ آمار محور  (Statistic-based Filtering)

این نوع فیلترینگ، یک روش متعارف در بسیاری از سیستم‌های رایج پردازش و مدیریت داده‌ها می‌باشد. در این روش، داده‌های اندازه‌گیری شده با حد بالا و پایین هر سنسور مقایسه می‌شود. از این گذشته، به دلیل عدم همزمانی بسیاری از اندازه‌گیری‌ها، از شاخص‌های آماری نظیر میانگین متحرک (Moving Average) برای تراز داده‌ها استفاده می‌شود. از این روش، عموماً برای شناسایی خطاهای تصادفی (Random Errors) استفاده می‌شود.  

نوع دوم ـ فیلترینگ مدل محور   (Model-based Filtering)

در این روش، داده‌ها در قالب یک مدل ریاضی، با یکدیگر تلفیق می‌شوند. برای حل مدل، از روش‌های برنامه‌ریزی ریاضی استفاده می‌شود. در این روش، علاوه بر شناسایی خطاهای تصادفی، معتبرسازی داده‌ها با کاهش خطاها و افزایش دقت داده‌ها انجام می‌شود. به این روش، فیلترینگ پیشرفته (Advanced Filtering) یا تلفیق داده‌ها (Data Reconciliation) نیز اطلاق می‌شود.

تلفیق داده‌ها، در حقیقت یک نوع فیلترینگ پیشرفته داده‌ها، مبتنی بر مدل ریاضی می‌باشد (فیلترینگ مدل محور). برای تلفیق داده‌ها، از یک مدل ریاضی مبتنی بر اصول اولیه ترمودینامیک نظیر ترازهای جرم و انرژی و روابط تعادلی شیمیایی استفاده می‌شود. با حل این مدل، ضمن کاهش خطاها و افزایش صحت، ترازهای بسته (Closed Balance) جرم، انرژی و اجزای ترکیبی (Component Balance) به دست می‌آید. همچنین، مقادیر KPI پس از حل مدل، با استفاده از داده‌های معتبر شده، محاسبه می‌شود.

معتبرسازی و تلفیق داده‌ها که به اختصار DVR نامیده می‌شود، مجموعه‌ای از اقدامات همزمان (علاوه بر تلفیق داده‌ها) است که در نهایت، منجر به معتبرسازی داده‌ها می‌شود. الگوریتم این روش، شامل هشت مرحله می‌باشد:

1ـ جمع‌آوری داده‌های اندازه‌گیری شده (Measurement Collection)

2ـ فیلترینگ (Filtering)

3ـ بررسی وضعیت فرآیند (Verifying the Process Condition)

4ـ کشف خطاهای فاحش (Gross Error Detection)

5ـ امکانسنجی تلفیق داده‌ها (Feasibility of Data Reconciliation)

6ـ حل مسئله تلفیق داده‌ها (The Solution of the Data Reconciliation Problem)

7ـ تحلیل حساسیت (Sensitivity Analysis)

8ـ بایگانی و گزارش‌دهی (Archive and Reporting)