| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-29页 |
| 1.1 引言 | 第12-13页 |
| 1.2 软测量技术 | 第13-19页 |
| 1.2.1 软测量模型建模方法 | 第14-16页 |
| 1.2.2 数据驱动的软测量模型建模流程 | 第16-18页 |
| 1.2.3 制浆造纸过程中软测量技术的应用需求 | 第18-19页 |
| 1.3 软测量技术在制浆造纸过程的应用现状 | 第19-25页 |
| 1.3.1 基于机理的软测量模型 | 第19-21页 |
| 1.3.2 基于数据驱动的软测量模型 | 第21-23页 |
| 1.3.3 软测量模型在生产中的应用及存在的问题 | 第23-25页 |
| 1.4 本文研究对象及内容 | 第25-27页 |
| 1.4.1 APMP高浓磨浆过程 | 第25-26页 |
| 1.4.2 造纸备料阶段打浆过程 | 第26页 |
| 1.4.3 漂白过程二氧化氯和氯气漂白阶段 | 第26-27页 |
| 1.5 论文提纲 | 第27-29页 |
| 第二章 基于案例推理（CBR）的软测量技术 | 第29-45页 |
| 2.1 案例推理技术的应用现状 | 第29-30页 |
| 2.2 基于案例推理的软测量技术 | 第30-36页 |
| 2.2.1 案例表示 | 第31-32页 |
| 2.2.2 案例检索 | 第32-34页 |
| 2.2.3 案例重用 | 第34-35页 |
| 2.2.4 案例修正和保留 | 第35-36页 |
| 2.2.5 案例维护 | 第36页 |
| 2.3 初始案例库的建立 | 第36-44页 |
| 2.3.1 数据收集和预处理 | 第37-38页 |
| 2.3.2 变量之间的时序匹配 | 第38页 |
| 2.3.3 数据的标准化 | 第38-39页 |
| 2.3.4 辅助变量的筛选与确定 | 第39-43页 |
| 2.3.5 案例存储结构 | 第43页 |
| 2.3.6 案例特征权值 ωi的确定 | 第43-44页 |
| 2.4 本章小结 | 第44-45页 |
| 第三章 CBR软测量技术在APMP高浓磨浆过程的应用 | 第45-79页 |
| 3.1 APMP制浆过程 | 第45-47页 |
| 3.1.1 工艺介绍 | 第45-46页 |
| 3.1.2 磨浆过程建模研究进展 | 第46-47页 |
| 3.2 APMP高浓磨浆过程 | 第47-51页 |
| 3.2.1 木片的预处理 | 第48页 |
| 3.2.2 高浓磨浆 | 第48-50页 |
| 3.2.3 高浓磨浆过程的分析 | 第50-51页 |
| 3.3 基于案例推理的磨浆浓度和游离度的软测量模型 | 第51-66页 |
| 3.3.1 数据采集及预处理 | 第54-55页 |
| 3.3.2 辅助变量的选取 | 第55-61页 |
| 3.3.3 特征权值 ωi的确定 | 第61-62页 |
| 3.3.4 基于案例推理的软测量模型 | 第62-63页 |
| 3.3.5 结果分析与评价 | 第63-66页 |
| 3.4 不同软测量建模方法的对比 | 第66-78页 |
| 3.4.1 基于BP神经网络的软测量算法 | 第66-71页 |
| 3.4.2 基于支持向量回归的软测量算法 | 第71-74页 |
| 3.4.3 结果对比 | 第74-78页 |
| 3.5 本章小结 | 第78-79页 |
| 第四章 CBR软测量技术在打浆过程的应用 | 第79-115页 |
| 4.1 纸料制备的打浆过程 | 第79-87页 |
| 4.1.1 打浆过程的工艺 | 第80-82页 |
| 4.1.2 打浆过程的能耗分析 | 第82-85页 |
| 4.1.3 打浆过程的控制 | 第85-87页 |
| 4.2 基于案例推理的打浆度和湿重的软测量建模 | 第87-102页 |
| 4.2.1 软测量模型的建立 | 第88-93页 |
| 4.2.2 软测量模型的结果 | 第93-102页 |
| 4.3 串联打浆过程的优化设定 | 第102-113页 |
| 4.3.1 节能优化分析 | 第102-104页 |
| 4.3.2 优化模型 | 第104-105页 |
| 4.3.3 线性回归分析 | 第105-109页 |
| 4.3.4 案例分析 | 第109-113页 |
| 4.4 本章小结 | 第113-115页 |
| 第五章 CBR软测量技术在漂白过程的应用 | 第115-145页 |
| 5.1 纸浆的二氧化氯和氯气漂白工艺 | 第116-122页 |
| 5.1.1 生产流程介绍 | 第116-118页 |
| 5.1.2 木素脱除速率的机理模型 | 第118-119页 |
| 5.1.3 常用的控制策略 | 第119-122页 |
| 5.2 基于案例推理的卡伯值在线估计模型 | 第122-126页 |
| 5.2.1 实际生产中存在的问题 | 第122-123页 |
| 5.2.2 工艺特征分析 | 第123-124页 |
| 5.2.3 基于案例推理的卡伯值在线估计模型 | 第124-126页 |
| 5.3 优化控制模型的建立 | 第126-131页 |
| 5.3.1 生产数据的预处理和分析 | 第126-128页 |
| 5.3.2 最优工况的判别模型 | 第128-130页 |
| 5.3.3 优化控制目标函数 | 第130-131页 |
| 5.4 实时操作优化 | 第131-135页 |
| 5.4.1 实际生产中的两种调节方式 | 第131-134页 |
| 5.4.2 优化控制模型的求解 | 第134-135页 |
| 5.5 优化控制系统的设计和实施 | 第135-143页 |
| 5.5.1 氯气流量的软测量 | 第135-138页 |
| 5.5.2 控制方案的结构和功能 | 第138-139页 |
| 5.5.3 控制方案的实施 | 第139-142页 |
| 5.5.4 系统应用结果与分析 | 第142-143页 |
| 5.6 本章小结 | 第143-145页 |
| 结论与展望 | 第145-147页 |
| 参考文献 | 第147-156页 |
| 附录 | 第156-166页 |
| 攻读博士学位期间取得的研究成果 | 第166-167页 |
| 致谢 | 第167-168页 |
| 答辩委员会对论文的评定意见 | 第168页 |