| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 选题的目的和意义 | 第8页 |
| 1.2 论文选题的国内外研究现状 | 第8-10页 |
| 1.2.1 超临界萃取装置的研究现状 | 第8-9页 |
| 1.2.2 超临界萃取控制技术的研究现状 | 第9-10页 |
| 1.3 超临界萃取技术的应用领域 | 第10-12页 |
| 1.3.1 超临界萃取技术在食品和天然产物提取中的应用 | 第10-11页 |
| 1.3.2 超临界萃取技术在生物工程和医药工程中的应用 | 第11页 |
| 1.3.3 超临界萃取技术在石油化工中的应用 | 第11页 |
| 1.3.4 超临界萃取技术在环境保护领域的应用 | 第11-12页 |
| 1.4 本设计完成的主要工作 | 第12-13页 |
| 第2章 超临界萃取工艺及其影响因素的分析 | 第13-19页 |
| 2.1 超临界萃取基本原理和特点 | 第13-15页 |
| 2.1.1 超临界流体萃取基本原理 | 第13页 |
| 2.1.2 超临界流体的特点 | 第13-15页 |
| 2.2 超临界流体萃取工艺流程 | 第15-17页 |
| 2.3 超临界流体萃取工艺的影响参数分析 | 第17-18页 |
| 2.3.1 萃取温度的影响 | 第17页 |
| 2.3.2 萃取压力的影响 | 第17页 |
| 2.3.3 萃取时间的影响 | 第17页 |
| 2.3.4 CO2流量的影响 | 第17-18页 |
| 2.3.5 其他因素的影响 | 第18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 基于粒子群优化RBF的萃取工艺参数预测 | 第19-31页 |
| 3.1 人工神经网络概述 | 第19-23页 |
| 3.1.1 RBF神经网络模型 | 第20页 |
| 3.1.2 RBF神经网络的输出 | 第20-21页 |
| 3.1.3 RBF神经网络的学习算法 | 第21-22页 |
| 3.1.4 应用RBF神经网络预测模型 | 第22-23页 |
| 3.2 基于粒子群算法的优化分析 | 第23-27页 |
| 3.2.1 标准粒子群算法 | 第23-24页 |
| 3.2.2 基于粒子群算法的预测模型的学习 | 第24-26页 |
| 3.2.3 系统优化目标及参数设置 | 第26-27页 |
| 3.3 预测仿真结果及分析 | 第27-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 超临界萃取温度控制方法的研究 | 第31-45页 |
| 4.1 超临界萃取温度控制系统模型的建立 | 第31-32页 |
| 4.2 PID控制概述 | 第32-34页 |
| 4.3 Smith控制 | 第34-36页 |
| 4.3.1 Smith预估控制基本原理 | 第34-35页 |
| 4.3.2 Smith预估控制参数的选择 | 第35-36页 |
| 4.4 模糊控制 | 第36-38页 |
| 4.4.1 模糊控制概述 | 第36页 |
| 4.4.2 模糊控制系统构成 | 第36-38页 |
| 4.5 Smith-Fuzzy-PID控制器的设计 | 第38-40页 |
| 4.5.1 Smith Fuzzy-PID控制的基本结构 | 第38页 |
| 4.5.2 Smith-Fuzzy-PID控制器的结构设计 | 第38-40页 |
| 4.6 系统建模与仿真分析 | 第40-44页 |
| 4.7 本章小结 | 第44-45页 |
| 第5章 超临界萃取控制系统的设计 | 第45-57页 |
| 5.1 控制系统的总体方案设计 | 第45页 |
| 5.2 系统硬件的设计 | 第45-51页 |
| 5.2.1 控制器的选择 | 第45-47页 |
| 5.2.2 信号的采集与控制 | 第47-51页 |
| 5.3 控制系统软件设计 | 第51-54页 |
| 5.4 基于OPC技术的WinCC与MATLAB的数据通信 | 第54-56页 |
| 5.4.1 OPC技术的概述 | 第54-55页 |
| 5.4.2 WinCC和MATLAB的OPC通信 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 结论 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 作者简介 | 第63页 |
| 攻读学位期间研究成果 | 第63页 |
