| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-16页 |
| ·课题来源及研究意义 | 第9页 |
| ·国内外研究现状及发展水平 | 第9-11页 |
| ·常压塔侧线油品质量的软测量技术 | 第9-10页 |
| ·原油蒸馏塔建模技术 | 第10-11页 |
| ·常压塔工艺特点 | 第11-13页 |
| ·本文研究的问题和主要任务 | 第13-16页 |
| ·本文研究的问题 | 第13-14页 |
| ·本文的主要任务 | 第14-16页 |
| 第2章 常压塔工艺概况 | 第16-23页 |
| ·常压塔生产工艺简介 | 第16页 |
| ·工艺流程说明 | 第16-18页 |
| ·脱盐脱钙部分 | 第17页 |
| ·蒸馏部分 | 第17-18页 |
| ·常压塔系统控制方案 | 第18-20页 |
| ·影响侧线油品粘度与闪点的因素分析 | 第20-21页 |
| ·油品的闪点 | 第20页 |
| ·油品的粘度 | 第20-21页 |
| ·常压塔软测量仪表和侧线温度多变量模型的建模要求 | 第21-23页 |
| 第3章 RBF神经网络技术 | 第23-28页 |
| ·RBF神经网络简介 | 第23-27页 |
| ·RBF神经网络的结构 | 第23-24页 |
| ·RBF神经网络的学习方法 | 第24-25页 |
| ·RBF网络的学习过程 | 第25-27页 |
| ·RBF网络的缺点以及经典学习算法比较 | 第27-28页 |
| ·RBF网络难以广泛应用的原因分析 | 第27页 |
| ·RBF经典算法优缺点比较 | 第27-28页 |
| 第4章 RBF神经网络建立软测量仪表 | 第28-50页 |
| ·软测量技术 | 第28-31页 |
| ·软测量技术的产生 | 第28页 |
| ·软测量仪表的描述 | 第28-29页 |
| ·建立软测量仪表的方法 | 第29-30页 |
| ·影响软测量仪表性能的因素 | 第30-31页 |
| ·利用遗传算法和梯度下降法优化RBF | 第31-35页 |
| ·遗传算法简介 | 第32-33页 |
| ·遗传算法基本操作 | 第33-34页 |
| ·遗传算法的应用步骤 | 第34页 |
| ·遗传算法在优化RBF软测量模型参数中的应用 | 第34-35页 |
| ·常压塔侧线油品闪点和粘度软测量仪表的建立 | 第35-47页 |
| ·实验数据的选取和预处理 | 第35-37页 |
| ·常压塔侧线油品软仪表关键变量的选择 | 第37-38页 |
| ·常压塔侧线油品软仪表的建立方法 | 第38-39页 |
| ·常二线闪点软仪表的建立 | 第39-42页 |
| ·常三线闪点软仪表的建立 | 第42-45页 |
| ·常三线粘度软仪表的建立 | 第45-47页 |
| ·软测量仪表的维护与应用 | 第47-50页 |
| ·软测量仪表维护 | 第48-49页 |
| ·软测量仪表的应用 | 第49-50页 |
| 第5章 常压塔侧线温度非线性多变量系统建模 | 第50-72页 |
| ·系统建模技术分类 | 第50页 |
| ·典型的非线性系统辨识方法 | 第50-53页 |
| ·非线性辨识典型模型及辨识方法特点 | 第50-52页 |
| ·非线性系统参数估计的特点 | 第52-53页 |
| ·常压塔机理模型的建立与分析 | 第53-55页 |
| ·常压塔侧线温度多变量系统建模 | 第55-65页 |
| ·关键变量的选择 | 第55页 |
| ·常压塔侧线温度系统ANN-MIMO模型建模方法 | 第55-58页 |
| ·常压塔侧线温度系统ANN-MIMO动态模型的建立过程 | 第58-65页 |
| ·基于ANN-MIMO模型的常压塔侧线温度智能解耦控制方案设计 | 第65-71页 |
| ·多变量解耦控制简介 | 第65页 |
| ·自适应控制技术 | 第65-66页 |
| ·DRNN神经网络技术 | 第66-67页 |
| ·基于DRNN神经网络的PID自校正解耦控制 | 第67-71页 |
| ·本章小结 | 第71-72页 |
| 第6章 结论与展望 | 第72-74页 |
| ·本文主要研究工作和结论 | 第72-73页 |
| ·主要研究工作 | 第72页 |
| ·结论 | 第72-73页 |
| ·进一步研究工作及展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 附录Ⅰ 图表索引 | 第78-80页 |
| 附录Ⅱ 作者硕士研究生期间论文发表情况 | 第80页 |
| 附录Ⅲ MATLAB程序(另册装订) | 第80页 |