| 学位论文数据集 | 第4-5页 |
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-29页 |
| 1.1 研究背景和意义 | 第15-18页 |
| 1.2 裂解炉建模的国内外研究状况 | 第18-22页 |
| 1.2.1 反应动力学建模方法 | 第19-21页 |
| 1.2.2 热传递过程建模方法 | 第21-22页 |
| 1.3 裂解炉优化控制研究状况 | 第22-23页 |
| 1.4 基于神经元网络的软测量技术概述 | 第23-25页 |
| 1.5 主要研究工作 | 第25-29页 |
| 第二章 裂解炉工艺流程 | 第29-37页 |
| 2.1 裂解炉工艺简介 | 第29-30页 |
| 2.2 裂解机理简介 | 第30-32页 |
| 2.3 裂解产品收率的影响因素分析 | 第32-36页 |
| 2.3.1 裂解温度 | 第32-33页 |
| 2.3.2 停留时间 | 第33-34页 |
| 2.3.3 烃分压 | 第34-35页 |
| 2.3.4 出口压力 | 第35-36页 |
| 2.4 软测量建模辅助变量的选择 | 第36页 |
| 2.5 小结 | 第36-37页 |
| 第三章 基于改进的K均值双模型结构的RBF神经网络建模 | 第37-47页 |
| 3.1 RBF神经网络 | 第37-41页 |
| 3.1.1 RBF神经网络结构 | 第38页 |
| 3.1.2 输入输出关系 | 第38-40页 |
| 3.1.3 中心点学习方法 | 第40-41页 |
| 3.1.4 学习过程 | 第41页 |
| 3.2 基于改进K均值聚类的RBF神经元网络建模方法 | 第41-44页 |
| 3.2.1 改进K均值聚类方法 | 第41-42页 |
| 3.2.2 基于改进K均值聚类的RBF神经元网络建模方法 | 第42页 |
| 3.2.3 仿真结果 | 第42-44页 |
| 3.3 基于改进K均值双模型结构的RBF神经网络建模方法 | 第44-45页 |
| 3.4 小结 | 第45-47页 |
| 第四章 基于神经网络的裂解炉双烯收率软测量建模 | 第47-57页 |
| 4.1 问题描述 | 第47页 |
| 4.2 辅助变量的选取与确定 | 第47-48页 |
| 4.3 输入数据的处理 | 第48-51页 |
| 4.3.1 误差处理 | 第48-49页 |
| 4.3.2 数据变换 | 第49-50页 |
| 4.3.3 仿真结果 | 第50-51页 |
| 4.4 双烯收率软测量模型的建立 | 第51-55页 |
| 4.4.1 基于改进K均值聚类的RBF神经元网络建模 | 第51-53页 |
| 4.4.2 基于改进K均值双模型结构的RBF神经网络建模 | 第53-55页 |
| 4.5 小结 | 第55-57页 |
| 第五章 基于自适应变异的粒子群优化算法的裂解炉操作优化 | 第57-65页 |
| 5.1 生产过程优化概述 | 第57-58页 |
| 5.2 基于自适应变异的粒子群优化算法 | 第58-60页 |
| 5.3 基于自适应变异的粒子群优化算法的裂解炉操作优化 | 第60-63页 |
| 5.3.1 问题描述 | 第61-62页 |
| 5.3.2 裂解炉操作优化 | 第62-63页 |
| 5.4 小结 | 第63-65页 |
| 第六章 结论与展望 | 第65-67页 |
| 6.1 结论 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 导师与作者简介 | 第73-74页 |
| 北京化工大学专业学位硕士研究生学位论文答辩委员会决议书 | 第74-75页 |
