基于神经网络模型的环氧乙烷反应器预测控制
| 第一章 绪论 | 第1-16页 |
| 1．1 模型预测控制概述 | 第8-10页 |
| 1．2 环氧乙烷反应器的过程控制 | 第10-12页 |
| 1．3 环氧乙烷反应器的MPC方案 | 第12-14页 |
| 1．4 待解决的问题综述 | 第14页 |
| 1．5 论文结构安排 | 第14-16页 |
| 第二章 过程数据采集 | 第16-27页 |
| 2．1 TDC-3000系统结构简介 | 第16-18页 |
| 2．2 数据收集与传送 | 第18-19页 |
| 2．3 通讯网络结构与数据接收处理 | 第19-20页 |
| 2．4 动态数据交换 | 第20-22页 |
| 2．5 样本数据的预处理 | 第22-24页 |
| 2．6 样本数据的撷取 | 第24-26页 |
| 2．7 本章小结 | 第26-27页 |
| 第三章 EO反应器的神经网络模型 | 第27-53页 |
| 3．1 人工神经网络原理 | 第27-29页 |
| 3．2 前向神经网络的BP算法 | 第29-33页 |
| 3．3 RBF前向神经网络及其算法 | 第33-42页 |
| 3．3．1 RBF前向神经网络 | 第33-36页 |
| 3．3．2 RBF网络的学习方法 | 第36-42页 |
| 3．4 EO反应器的RBFN模型 | 第42-48页 |
| 3．4．1 EO反应器的RBFN模型与训练算法 | 第42-43页 |
| 3．4．2 RBFN模型的学习结果讨论 | 第43-46页 |
| 3．4．3 RBFN模型的在线校正（RLS算法） | 第46-47页 |
| 3．4．4 RBFN模型在线校正的预测结果讨论 | 第47-48页 |
| 3．5 EO反应器的双ANN结构模型 | 第48-51页 |
| 3．5．1 过程模型的双ANN结构与在线校正 | 第49-51页 |
| 3．5．2 双ANN模型的预测结果讨论 | 第51页 |
| 3．6 本章小结 | 第51-53页 |
| 第四章 模型预测控制 | 第53-76页 |
| 4．1 模型预测控制原理 | 第53-59页 |
| 4．1．1 模型预测控制的三大特征 | 第53-54页 |
| 4．1．2 预测控制典型算法—DMC | 第54-57页 |
| 4．1．3 基于人工神经网络的预测控制算法 | 第57-59页 |
| 4．2 EO反应器的预测控制 | 第59-73页 |
| 4．2．1 预测控制方案简述 | 第59-60页 |
| 4．2．2 过程变量的预处理 | 第60-62页 |
| 4．2．3 反应器性能参数计算 | 第62-64页 |
| 4．2．4 过程参数的慢趋势预测 | 第64-67页 |
| 4．2．5 氧气浓度的优化控制 | 第67-72页 |
| 4．2．6 模型的预测误差校正 | 第72-73页 |
| 4．3 MPC的工程实现 | 第73-75页 |
| 4．3．1 对象研究和方案设计 | 第73页 |
| 4．3．2 数据准备和过程测试 | 第73-74页 |
| 4．3．3 算法程序设计和编程 | 第74页 |
| 4．3．4 程序调试与程序优化 | 第74页 |
| 4．3．5 方案改进和软件优化 | 第74-75页 |
| 4．4 讨论和说明 | 第75页 |
| 4．5 本章小结 | 第75-76页 |
| 第五章 全文总结 | 第76-78页 |
| 5．1 论文总结 | 第76-77页 |
| 5．2 研究展望 | 第77页 |
| 5．3 后记 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 致谢 | 第83页 |
