基于神经网络的乙烯裂解炉软测量建模与优化
| 摘要 | 第1-7页 |
| 英文摘要 | 第7-13页 |
| 第一章 绪论 | 第13-25页 |
| ·引言 | 第13页 |
| ·课题背景及意义 | 第13-14页 |
| ·乙烯裂解炉建模技术研究现状 | 第14-17页 |
| ·裂解过程反应动力学模型 | 第14-16页 |
| ·裂解炉膛辐射室传热模型 | 第16-17页 |
| ·裂解炉优化技术研究现状 | 第17-19页 |
| ·软测量技术概况 | 第19-23页 |
| ·软测量技术 | 第19-22页 |
| ·智能软测量技术 | 第22-23页 |
| ·本文主要研究内容 | 第23-25页 |
| 第二章 裂解炉生产工艺流程与机理 | 第25-31页 |
| ·裂解炉工艺流程 | 第25-27页 |
| ·热裂解反应原理 | 第27-28页 |
| ·影响工业裂解收率的因素 | 第28-30页 |
| ·裂解温度和停留时间 | 第28-29页 |
| ·烃分压 | 第29页 |
| ·稀释蒸汽 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 神经网络建模方法研究及在裂解炉建模中应用 | 第31-53页 |
| ·BP神经网络 | 第31-38页 |
| ·BP网络的算法 | 第32-34页 |
| ·BP网络的改进算法 | 第34-36页 |
| ·BP网络的设计 | 第36-38页 |
| ·RBF网络 | 第38-41页 |
| ·RBF网络概述 | 第38-39页 |
| ·RBF网络训练方法 | 第39-41页 |
| ·Elman神经网络 | 第41-43页 |
| ·裂解炉乙烯、丙稀收率软测量模型 | 第43-51页 |
| ·问题描述 | 第43-44页 |
| ·数据预处理 | 第44-48页 |
| ·模型建立及结果分析 | 第48-51页 |
| ·模型在线校正 | 第51页 |
| ·本章小结 | 第51-53页 |
| 第四章 小波分析方法在裂解炉建模优化中的应用 | 第53-63页 |
| ·小波分析的基本理论 | 第53-57页 |
| ·Fourier分析概述 | 第53-55页 |
| ·小波分析概述 | 第55-57页 |
| ·小波网络 | 第57-61页 |
| ·小波分析和神经网络的结合途径 | 第57-58页 |
| ·小波网络结构 | 第58-59页 |
| ·小波网络的算法 | 第59-61页 |
| ·仿真结果 | 第61页 |
| ·本章小结 | 第61-63页 |
| 第五章 乙烯裂解炉模型及优化系统的工程设计 | 第63-74页 |
| ·DCS应用系统概述 | 第63-70页 |
| ·DeltaV系统简介 | 第63-67页 |
| ·装置配置 | 第67-69页 |
| ·系统架构 | 第69页 |
| ·系统数据库 | 第69-70页 |
| ·裂解炉控制系统 | 第70-71页 |
| ·裂解深度智能控制系统设计 | 第71-72页 |
| ·本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| ·工作总结 | 第74-75页 |
| ·展望 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 作者攻读硕士期间参加的项目及发表的论文 | 第82页 |
