精馏过程航煤干点的软测量工程实现
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 引言 | 第10-11页 |
| 1 软测量技术综述 | 第11-17页 |
| 1．1 软测量思想 | 第11-12页 |
| 1．2 软测量技术建模方法 | 第12-14页 |
| 1．2．1 基于工艺机理分析的软测量 | 第12页 |
| 1．2．2 基于回归分析的软测量 | 第12-13页 |
| 1．2．3 基于状态估计的软测量 | 第13页 |
| 1．2．4 基于模式识别的软测量 | 第13页 |
| 1．2．5 基于模糊数学的软测量 | 第13页 |
| 1．2．6 基于人工神经网络的软测量 | 第13-14页 |
| 1．2．7 基于支持向量机的软测量 | 第14页 |
| 1．3 软测量设计步骤 | 第14-16页 |
| 1．3．1 机理分析及辅助变量选择 | 第14-15页 |
| 1．3．2 数据采集及预处理 | 第15页 |
| 1．3．3 建立软测量模型 | 第15页 |
| 1．3．4 模型的校正处理 | 第15-16页 |
| 1．3．5 模型的计算机实现及评估 | 第16页 |
| 1．4 软测量技术的工业应用 | 第16-17页 |
| 2 工程背景及准备 | 第17-25页 |
| 2．1 工程背景 | 第17-20页 |
| 2．1．1 精馏工艺过程概述 | 第17-18页 |
| 2．1．2 蒸发塔工艺过程 | 第18页 |
| 2．1．3 常压塔工艺过程 | 第18-19页 |
| 2．1．4 航空煤油的干点 | 第19-20页 |
| 2．2 辅助变量的选择 | 第20-22页 |
| 2．2．1 辅助变量类型的选择 | 第20页 |
| 2．2．2 辅助变量数量的选择 | 第20页 |
| 2．2．3 辅助变量检测点的选择 | 第20-21页 |
| 2．2．4 航煤干点的辅助变量选择 | 第21-22页 |
| 2．3 现场数据的采集 | 第22-25页 |
| 2．3．1 OPC技术概述 | 第22-23页 |
| 2．3．2 过程测量数据的采集 | 第23-25页 |
| 3 数据校正技术 | 第25-31页 |
| 3．1 随机误差的处理 | 第25-26页 |
| 3．2 过失误差的处理 | 第26-27页 |
| 3．3 异常数据的处理方法 | 第27-28页 |
| 3．4 数据的变换 | 第28-29页 |
| 3．5 航煤干点的数据较正 | 第29-31页 |
| 4 航煤干点的软测量实现 | 第31-57页 |
| 4．1 主元分析方法 | 第32-35页 |
| 4．1．1 PCA技术的主要思想 | 第32页 |
| 4．1．2 提取主成分的计算方法 | 第32-33页 |
| 4．1．3 应用主元分析处理数据 | 第33-35页 |
| 4．2 神经网络模型 | 第35-40页 |
| 4．2．1 人工神经网络方法 | 第35页 |
| 4．2．2 人工神经网络模型 | 第35-36页 |
| 4．2．3 神经网络学习方法 | 第36页 |
| 4．2．4 RBF神经网络方法 | 第36-38页 |
| 4．2．5 RBF神经网络模型 | 第38-40页 |
| 4．3 支持向量机模型 | 第40-51页 |
| 4．3．1 统计学习理论 | 第40-43页 |
| 4．3．2 支持向量机原理 | 第43-49页 |
| 4．3．3 支持向量机模型 | 第49-51页 |
| 4．4 最小二乘支持向量机模型 | 第51-55页 |
| 4．4．1 最小二乘支持向量机回归原理 | 第51-53页 |
| 4．4．2 最小二乘支持向量机回归模型 | 第53-55页 |
| 4．5 模型比较 | 第55-57页 |
| 5 软测量模型的校正技术 | 第57-60页 |
| 5．1 模型校正方法 | 第57-58页 |
| 5．2 航煤干点的软测量模型校正 | 第58-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间发表学术论文情况 | 第64-65页 |
| 致谢 | 第65-66页 |
| 大连理工大学学位论文版权使用授权书 | 第66页 |
