| 中文摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 第一章 绪论 | 第10-18页 |
| ·研究背景及选题意义 | 第10-11页 |
| ·炼油企业生产的特点 | 第11-13页 |
| ·生产装置大型化 | 第11-12页 |
| ·生产过程具有高度的连续性 | 第12页 |
| ·工艺过程和辅助系统庞大复杂 | 第12页 |
| ·生产过程自动化程度高 | 第12-13页 |
| ·生产过程危险性大 | 第13页 |
| ·资金集中 | 第13页 |
| ·国内外研究现状 | 第13-17页 |
| ·国际炼油企业的发展趋势 | 第13-14页 |
| ·世界炼油企业全面进入成熟期 | 第13页 |
| ·新技术被广泛采用 | 第13页 |
| ·轻质油品的需求日益增长 | 第13-14页 |
| ·油品质量要求洁净化、高档化，升级换代速度加快 | 第14页 |
| ·采用新工艺、新技术、新设备来消除“瓶颈” | 第14页 |
| ·国内炼油企业发展现状及存在的问题 | 第14-15页 |
| ·发展现状 | 第14页 |
| ·存在的问题 | 第14-15页 |
| ·国内炼油企业面临的挑战 | 第15页 |
| ·神经网络技术的应用现状 | 第15-16页 |
| ·人工神经网络在炼油企业中应用的适应性 | 第16-17页 |
| ·本文研究内容 | 第17-18页 |
| 第二章 人工神经网络基础 | 第18-29页 |
| ·引言 | 第18-19页 |
| ·人工神经网络 | 第19-23页 |
| ·人工神经网络结构 | 第19-22页 |
| ·神经元模型 | 第19-20页 |
| ·激励函数 | 第20-21页 |
| ·单层神经元网络模型结构 | 第21-22页 |
| ·多层神经网络 | 第22页 |
| ·人工神经网络分类 | 第22-23页 |
| ·多层BP网络 | 第23-25页 |
| ·BP网络的原理 | 第23页 |
| ·BP网络的学习算法 | 第23-25页 |
| ·径向基函数网络 | 第25-26页 |
| ·遗传算法 | 第26-29页 |
| ·遗传算法的特点 | 第27页 |
| ·遗传算子 | 第27-29页 |
| 第三章 神经网络及遗传算法在常减压蒸馏装置上的应用 | 第29-43页 |
| ·静电脱盐系统的建模与优化研究 | 第29-37页 |
| ·静电脱盐的工艺过程 | 第29-30页 |
| ·基于BP神经网络的系统建模分析 | 第30-32页 |
| ·系统的建模分析 | 第30-31页 |
| ·系统的BP神经网络训练 | 第31-32页 |
| ·基于遗传算法的系统优化分析 | 第32-37页 |
| ·惩罚函数法的改进 | 第32-34页 |
| ·遗传算法优化计算 | 第34-37页 |
| ·结论 | 第37页 |
| ·原油常压蒸馏过程中汽油干点和柴油倾点的软测量 | 第37-43页 |
| ·汽油干点与柴油倾点软测量的目的 | 第37页 |
| ·常压蒸馏的生产工艺 | 第37-38页 |
| ·神经网络拓扑结构的确定 | 第38-39页 |
| ·基于神经网络的汽油干点的软测量 | 第39-41页 |
| ·观测模型的确定 | 第39-40页 |
| ·软件实现 | 第40页 |
| ·实验分析 | 第40-41页 |
| ·基于神经网络的柴油倾点的软测量 | 第41-43页 |
| 第四章 神经网络在催化裂化装置上的应用 | 第43-61页 |
| ·工艺流程简介 | 第43页 |
| ·基于神经网络的粗汽油干点的实时估计 | 第43-48页 |
| ·粗汽油干点估计的特点及方法选择 | 第43-45页 |
| ·影响因素变量的确定 | 第45-46页 |
| ·软测量模型的建立 | 第46-48页 |
| ·基于神经网络的催化裂化重整优化控制研究 | 第48-54页 |
| ·重整优化控制系统结构特点 | 第48页 |
| ·控制目标、控制变量及约束条件的确定 | 第48-50页 |
| ·控制模型的建立 | 第50-53页 |
| ·预测模型的建立 | 第50-53页 |
| ·芳潜、芳含变化的模糊规则 | 第53页 |
| ·控制过程的实现和调度策略 | 第53-54页 |
| ·基于神经网络的催化裂化装置自整定PID控制器 | 第54-61页 |
| ·方法的选择——反向传播算法 | 第54-55页 |
| ·控制器设计的一般原则 | 第55-56页 |
| ·神经元网络单变量非模型控制 | 第56-58页 |
| ·控制系统的结构描述 | 第56-57页 |
| ·控制算法 | 第57-58页 |
| ·仿真研究 | 第58-61页 |
| ·非线性系统的非模型控制 | 第58-59页 |
| ·催化裂化装置的单变量控制 | 第59-61页 |
| 第五章 神经网络在油品储运系统的应用 | 第61-72页 |
| ·引言 | 第61页 |
| ·神经网络在油罐计量中的应用 | 第61-64页 |
| ·静压式计量系统及其存在的问题 | 第61-63页 |
| ·HTG系统的原理 | 第61-62页 |
| ·HTG系统存在的缺陷 | 第62-63页 |
| ·神经网络对问题的解决 | 第63-64页 |
| ·汽油调合的汽油辛烷值的预测 | 第64-66页 |
| ·柴油调合的人工神经网络模型 | 第66-72页 |
| ·柴油调合的BP神经网络预测模型 | 第66-68页 |
| ·柴油调合RBF神经网络模型 | 第68页 |
| ·柴油调合生产的在线优化 | 第68-72页 |
| 第六章 前向神经网络在企业管理中的应用研究 | 第72-81页 |
| ·前向神经网络在企业管理应用中的样本处理 | 第72-74页 |
| ·数据特点 | 第72-73页 |
| ·量化处理 | 第73页 |
| ·归一化处理 | 第73-74页 |
| ·前向神经网络在企业管理应用中的变量选择方法 | 第74-75页 |
| ·基于径向基神经网络的股价预测 | 第75-77页 |
| ·时间序列预测和RBF神经网络 | 第75-76页 |
| ·对深能源A股价的预测 | 第76-77页 |
| ·结论 | 第77页 |
| ·神经网络在原油评价中的应用 | 第77-81页 |
| ·神经网络模型 | 第77-78页 |
| ·神经网络训练样本 | 第78-79页 |
| ·辛烷值 | 第78-79页 |
| ·芳烃含量和硫含量 | 第79页 |
| ·十六烷值 | 第79页 |
| ·模型计算结果 | 第79-80页 |
| ·结论 | 第80-81页 |
| 结论 | 第81-83页 |
| 参考文献 | 第83-86页 |
| 发表论文和参加科研情况说明 | 第86-87页 |
| 致谢 | 第87页 |