精馏过程航煤干点的软测量应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 引言 | 第8-10页 |
| 1 工程背景 | 第10-14页 |
| 1．1 原油精馏工艺流程概述 | 第10-11页 |
| 1．2 蒸发塔工艺过程 | 第11页 |
| 1．3 常压精馏工艺过程 | 第11-12页 |
| 1．4 减压精馏工艺过程 | 第12-13页 |
| 1．5 航空煤油的干点 | 第13-14页 |
| 2 软测量技术概述 | 第14-22页 |
| 2．1 软测量技术的原理 | 第14-15页 |
| 2．2 软测量技术的内容 | 第15-16页 |
| 2．3 软测量技术建模方法 | 第16-22页 |
| 2．3．1 机理建模 | 第16页 |
| 2．3．2 回归分析建模 | 第16-19页 |
| 2．3．3 人工神经网络方法 | 第19-21页 |
| 2．3．4 支持向量机方法 | 第21-22页 |
| 3 统计学习理论和支持向量机 | 第22-39页 |
| 3．1 机器学习基本原理 | 第22-23页 |
| 3．2 统计学习理论 | 第23-31页 |
| 3．2．1 学习过程一致性 | 第23-27页 |
| 3．2．2 学习机器推广性的界 | 第27-30页 |
| 3．2．3 结构风险最小化归纳原则 | 第30-31页 |
| 3．3 支持向量机 | 第31-39页 |
| 3．3．1 最优分类超平面 | 第32-35页 |
| 3．3．2 支持向量机 | 第35-36页 |
| 3．3．3 支持向量机回归 | 第36-39页 |
| 4 航煤干点的软测量技术应用研究 | 第39-63页 |
| 4．1 现场数据的采集 | 第41-44页 |
| 4．1．1 OPC技术概述 | 第41-43页 |
| 4．1．2 过程测量数据的采集 | 第43-44页 |
| 4．2 辅助变量的确定 | 第44-45页 |
| 4．3 数据的误差处理 | 第45-47页 |
| 4．4 RBF神经网络建模 | 第47-50页 |
| 4．5 支持向量机回归建模 | 第50-55页 |
| 4．5．1 支持向量机软测量模型 | 第50-53页 |
| 4．5．2 参数C和ε的作用和调整 | 第53-55页 |
| 4．6 最小二乘支持向量机回归建模 | 第55-61页 |
| 4．6．1 最小二乘支持向量机回归原理 | 第55-57页 |
| 4．6．2 最小二乘支持向量机回归建模 | 第57-61页 |
| 4．7 软测量模型的校正 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间发表学术论文情况 | 第68-69页 |
| 致谢 | 第69-70页 |
| 大连理工大学学位论文版权使用授权书 | 第70页 |
