一、BP神经网络在醋酸乙烯生产中的应用研究（论文文献综述）
张彦粉,魏华,葛纪者,邹洋[1]（2021）在《基于遗传算法优化BP神经网络的可食用油墨粘度的预测》文中认为目的通过研究遗传算法优化BP神经网络建立自变量与因变量之间的关系,从而对可食用油墨的粘度进行预测和模拟。方法在前期关于可食用油墨的研究基础上,以醋酸浓度、壳聚糖用量、酒精用量、研磨速度为自变量,以配制得到的油墨粘度作为因变量,利用正交实验设计实验,运用BP神经网络结合遗传算法对可食用油墨的粘度进行预测和模拟。结果以正交实验设计得到30组实验数据,利用Matlab 2018a软件中GAOT遗传算法工具箱,经过38次迭代训练,得到收敛精度为10-4的神经网络,粘度的预测值与对应的真实值相对误差介于0.05%～3.7%,拟合度R2值为0.8672,表明该神经网络对可食用油墨的粘度具有较好的预测能力和较高的预测精度。结论遗传算法优化BP神经网络可以用来预测和模拟可食用油墨的粘度,可以将神经网络拓展到可食用油墨其他性能的评价体系中,从而对可食用油墨的生产和应用提供指导性的建议。
张东[2]（2021）在《基于神经网络的油浸式变压器故障诊断方法研究》文中提出变压器在电力系统中的作用是变换电压、分配以及传输电能。变压器发生故障将直接影响电力生产和传输安全,因此对变压器的运行状态实时监测。本文研究油浸式电力变压器故障诊断方法,采用基于油中溶解气体成分分析的方法,设计了变压器故障在线监测与诊断系统。本文首先分析油浸式变压器故障类型和故障原因,然后分析油浸式变压器油中溶解特征气体成分与故障类型之间的关系。采用BP神经网络算法进行了变压器故障诊断分析,针对神经网络训练中存在的训练时间长和收敛性差问题,采用自适应速率法以及附加动量法对诊断过程进行优化。所提方法在MATLAB平台进行了仿真验证,仿真结果表明改进后的BP神经网络在训练时间以及收敛性上均有很大的改进。最后,本文设计了变压器故障在线检测装置和上位机管理系统。故障在线检测装置采用STM32F103C8T6为主控芯片,具有气体成分检测、数据存储、数据显示和远程通信等功能。上位机管理系统具有用户管理、变压器数据采集、故障诊断和数据管理等功能。系统测试结果表明所设计的系统能够实现油浸式变压器故障在线监测和诊断。
胡本源[3]（2021）在《乙烯过程在线监测与优化控制系统的研究开发》文中认为乙烯作为石化产业的基础原料,其生产能力是评价一个国家石油化工发展水平的关键指标。当前,除了原料受限以外,生产管控水平低等因素造成了国内乙烯生产能耗偏高。因此开发面向国内乙烯过程的能效监测与优化控制技术有利于提高国内炼化企业的能源利用效率和产品竞争力,符合碳达峰、碳中和的国家政策,体现高质量发展。本文基于“面向石化企业工业能效监测评估及优化控制技术与系统”863项目提出面向设备级、过程级、系统级的能效评估标准和在线评估指标体系,引入了价值优化的因素,并进行了相关灵敏度的分析,验证了其有效性,可以对乙烯整个生产过程进行能效监测和诊断,完成乙烯系统的价值优化并可寻找系统能效最优的工况点。依托“高可靠工业在线色谱仪的工程化及其示范应用”国家重点研发计划项目,利用在线色谱仪对裂解过程关键的裂解气组分分布进行实时监测,并以关键组分信息计算乙烯流程的实时能效监测线;另外一方面,采用改进的TOPSIS方法得到乙烯过程的实时能效上限和下限基准线。通过实时能效监测线和能效基准线的对比,当实时监测的能效值偏离以当前工况计算得到的应有能效值时,可以启动乙烯系统能效的优化控制。本文以乙烯过程的关键部分乙烯裂解炉作为实际验证和应用案例。为有效地对系统能效进行优化控制,本文提出了一种干扰Hammerstein模型的优化控制算法。该算法的策略分为两步,第一步考虑系统状态不可测的情况,对无约束受干扰的线性模型采用鲁棒输出反馈预测控制方法计算中间变量,其中为了处理干扰,采用二次有界技术设计出能够在线更新的估计误差集合的方法使得系统有界收敛。第二步通过中间变量求解非线性代数方程和采用解饱和的方法得到满足约束的实际控制输入并以乙烯流程中的聚丙烯合成牌号切换过程作为示范和验证。以东北某年产80万吨乙烯装置为背景,综合考虑背景企业的乙烯生产工艺和实际位置情况等,对在线色谱系统的预处理系统、色谱小屋等进行优化和设计,完成了基于系统能效的乙烯过程在线监测与控制系统的搭建和上线运行。开发了集能效标准、能源实时监测、能耗分析、能效指标、能效统计、能效分析、能源优化、数据管理、能源计划、系统管理等功能于一体的能效监测评估与优化平台。该系统采用客户端、应用服务和数据库三层架构方式进行开发,遵循对象抽象、接口定义和接口实现服务三个步骤,实现了统一的远程服务访问。系统投用后,年能耗降幅为7.26%,折算后乙烯装置综合能效提升2.28%,创造了可观的经济效益。
卢政印[4]（2021）在《基于深度学习的精馏过程质量参数软测量方法研究》文中认为石化产业是我国的重要支柱产业,精馏过程是石化生产过程中重要的操作单元,对精馏过程的优化操作和先进控制将降低生产能耗和提高产品质量。然而,精馏生产过程中的一些重要质量参数无法被直接测量,软测量技术研究为解决这一问题提供了一条途径。本文从精馏过程质量参数软测量建模方法的角度,研究了提高精馏过程质量参数软测量模型精度的相关问题。首先,建立了精馏过程的动态机理模型,对连续精馏过程及间歇精馏过程进行了仿真研究。根据连续精馏过程中各塔板组分的动态浓度曲线以及稳态时的浓度变化曲线可知,其进料流量与回流比对连续精馏的工业生产具有很大的影响,表明了变量选择对于后续实际精馏过程仿真建模的必要性。同样通过间歇精馏过程中各塔板的动态浓度曲线可知,其根据控制回流比来控制精馏过程的特点针对某些精馏过程中品种组分会产生变化的情况具有更好的适用性。其次,分别研究了BP神经网络、RBF神经网络以及SVM算法三种机器学习方法的基本原理,结合多核学习算法的优势,提出了一种混合核最小二乘支持向量机算法（MKLS-SVM）,采用MSE、RMSE、拟合优度作为评价指标来评价四种机器学习算法分别在非线性函数数据集以及噪声扰动下的连续精馏仿真数据集上的仿真实验表现,仿真结果表明在两个数据集上MKLS-SVM算法的效果是最好的,其性能优于其他三种算法。最后,针对噪声扰动较大的常减压精馏过程质量参数航空煤油的干点软测量问题,提出了一种基于LASSO和PSO-DBN神经网络结合的航空煤油干点软测量方法。首先采用LASSO变量选择方法选择辅助变量来剔除原始变量中对输出变量影响较小的辅助变量,之后选用DBN深度置信网络算法进行建模仿真,同时利用PSO算法优化DBN的结构参数,与BP神经网络、RBF神经网络、SVM算法、MKLS-SVM算法、DBN神经网络五种方法在精馏标称数据集以及工业精馏数据集上分别进行仿真实验对比,结果表明基于LASSO和PSO-DBN算法的软测量模型具有更高的精度,为精馏过程的优化操作和先进控制设计提供了研究基础。
曾青[5]（2020）在《基于模糊极限学习机的能效分析方法的研究及应用》文中进行了进一步梳理随着工业化进程的加快推进,人类对能源的需求量飞速提升,伴随而来的能源枯竭和环境恶化等问题亟待解决。化工过程中的能效分析在可持续发展中起着非常重要的作用,对生产能效进行评估诊断,了解生产水平,分析节能潜力是提效降耗的关键举措。然而,由于生产工艺复杂,流程数据包含高噪音而且具有很强的不确定性,传统的能效分析方法受到多种条件的制约而无法广泛应用,复杂化工行业的生产预测、能效分析及优化的理论研究和实际应用仍然存在诸多不足。因此,本文以化工生产的能效分析方法的研究及应用为选题,提出了基于模糊极限学习机（Fuzzy Extreme Learning Machine,FELM）的能效分析和预测框架,对实际生产过程中的能效进行合理预测,并分析生产装置的节能潜力。应用案例分析表明,基于FELM的能效分析和预测方法在性能上要优于传统方法,可以为实际生产提供科学指导。论文主要的研究内容包括:1.针对生产数据存在的波动性和不确定性问题,建立基于模糊极限学习机的能效分析和预测框架。采用三角模糊数对样本数据进行模糊化处理,最大隶属度方法去模糊后,获得能效数据的最小值、平均值以及最大值,将三角模糊数进行交叉重组建立三种效率模型,应用于极限学习机的训练当中。在网络泛化的基础上获得效率的上下限,从而进行能效预测和分析节能潜力。2.将基于模糊极限学习机的能效分析与预测框架应用于乙烯生产过程中的能效分析及预测,分别建立最低效生产情况模型,平均生产情况模型和最高效生产情况模型,对比实验验证方法的有效性和实用性,对乙烯实际生产进行能效预测和生产优化指导,分析节能潜力。3.设计开发并实现能效分析与预测原型系统,详述系统的功能模块设计,可视化展示生产数据,使得能效分析操作流程更加产品化和高效化。
孔德钱[6]（2020）在《面向变压器故障的智能诊断方法研究》文中提出变压器是电力系统中复杂昂贵的电气设备,在电网中使用频繁,也是电网中容量较大、故障率较高的设备之一,一旦变压器出现故障,将对电力系统运行的安全稳定性产生重大影响,给国家和人民带来巨大的经济损失。因此,为了避免和减少变压器故障带来的损失,及时有效发现变压器潜在故障,进行变压器故障诊断研究就显得格外重要。针对传统神经网络在变压器故障诊断应用中,网络模型学习速度慢、诊断精度低、易陷入局部极值的缺点,本文对变压器故障的智能诊断方法进行研究分析。具体研究内容如下:（1）以油浸式电力变压器为基础,研究其基本结构和常见故障类型。分析阐述变压器油中溶解气体来源及溶解过程,基于油中溶解气体提取用于变压器故障诊断的特征气体组分。分析变压器各故障类型与特征气体之间的对应关系,为后续变压器故障诊断提供依据。（2）分析遗传算法（GA）、差分进化算法（DE）和BP神经网络的参数选择及实现过程,通过实例应用分析阐述遗传算法与差分进化算法的性能优劣。以BP神经网络为基础,研究分别利用遗传算法与差分进化算法优化BP神经网络的具体实现步骤,以此获取BP神经网络最佳的权值与阈值参数。（3）分析收集的变压器故障样本数据,利用归一化函数对原始故障样本数据进行归一化处理,并将故障样本数据以比例分为训练样本数据集和测试样本数据集。研究变压器各故障类型的编码方式,将经过编码的变压器故障作为网络模型输出向量,并以经过归一化处理的故障样本数据作为网络模型输入向量。（4）建立用于变压器故障诊断的BP神经网络模型、GA-BP网络模型和DE-BP网络模型,以训练样本集对建立的三种网络模型进行训练,得到最终变压器故障诊断模型;利用测试样本集对变压器的最终网络模型进行验证,并将三种网络模型的测试结果进行对比分析。
李松[7]（2019）在《基于软测量的SBR污水处理控制系统设计与实现》文中指出富营养化现象会导致水中藻类过度繁殖,水中溶解氧降低,水体发臭,影响水体质量。导致此类现象产生的原因,主要为水中总磷未经污水处理厂有效去除。序批式活性污泥法（Sequencing Batch Reactor,SBR）污水处理工艺是一种常见的除磷工艺,在除磷过程中由于总磷在线仪表价格昂贵且存在大滞后,无法对总磷含量实时检测,不能建立有效的控制系统,且又不能将总磷超标排放,所以导致除磷剂过量投加,对活性污泥产生毒性及增加成本。利用软测量技术可以实现对总磷值的实时预测,建立除磷过程的反馈系统,减少除磷剂投加量。因此研究基于软测量的SBR污水处理控制系统具有重要意义及实际应用价值。对SBR污水处理控制系统进行了改进,提出了一种基于软测量的SBR污水处理控制系统,分析与除磷过程存在关联的辅助变量,以软测量模型为基础,预测实时总磷含量,利用OPC通讯技术连接系统软硬件,将预测总磷值作为系统反馈值,实现对除磷药剂投加量的闭环控制;该系统还包括数据采集系统,与化学分析实验相结合,建立软测量数据集,在软测量模型的建立中,研究采用基于遗传算法对BP神经网络进行优化,调整BP神经网络的权值与阈值,减少预测误差,并通过对遗传算法参数的修改,寻找构成最优软测量模型。实验表明,利用GA优化模型参数后的BP神经网络,其在SBR工艺运行中可以准确预测实时总磷含量,提出的基于软测量的SBR污水处理控制系统与传统控制系统相比可以减少除磷剂投加量,避免了过量投加试剂所产生的危害,使SBR工艺稳定运行,具有很好的工程应用价值。
徐猛[8]（2019）在《化工时序数据建模分析方法研究与应用》文中研究表明近年来,复杂化工工业得到了迅速的发展,化工生产装置对实现节能减排和低碳经济的目标有着直接的影响。然而,随着化工生产装置的迅速增加,产能利用率有所降低。同时,复杂化工生产数据因具有动态、噪声以及不确定性等特点,导致在生产过程中很难直接预测原材料消耗以及测量生产过程中的产品质量,因此不断优化提升化工生产装置的能效水平具有重要的研究意义和实际应用意义。为此,本文选取了精对苯二甲酸（PTA）溶剂系统和乙烯生产装置进行建模分析与优化。本文的主要研究内容:1、针对化工过程的复杂性使得收集到的数据会存在异常的问题,本文提出了一种结合密度聚类的3Sigma异常检测方法用于降低原始3Sigma检测方法的误识别率,通过PTA和乙烯的数据验证了该方法的有效性。2、针对化工过程具有动态、实时的特点,难以对内部生产过程中的一些变量进行准确预测。本文提出了一种结合改进的注意力机制与逻辑回归的长短期记忆网络（AttLR-LSTM）的方法能够有效提取并利用化工数据的时序性特征,获取化工生产数据在不同时间点的依赖关系,从而得到更加准确的预测结果。最终通过标准UCI数据集验证所提方法的有效性。3、将本文所提方法对PTA溶剂系统和乙烯生产装置进行建模分析,并对不同的对比模型所产生的结果进行比较分析,从而验证所提方法的有效性,实用性和优越性。最终根据本文所提方法对PTA和乙烯的生产过程进行优化,为工业生产提供操作指导意见,从而实现提高产能和降低能耗的目标。
秦琳[9]（2017）在《面向复杂化工领域的RBF神经网络建模方法研究与应用》文中指出随着计算机技术的快速发展,各种人工智能方法（专家系统、遗传算法、神经网络等）被广泛应用于生产过程的数据建模分析与优化,并且取得了良好的应用效果。其中,径向基函数（Radial Basis Function,RBF）神经网络是一种学习性能优良的单隐含层前馈神经网络,具有训练速度快,全局逼近性能最佳等优点。然而,由于复杂工业数据具有维度高、耦合强、包含大量冗余信息等特点,导致了 RBF神经网络对其生产过程建模复杂,无法准确预测其生产状况,需要人为提取原始数据的特征作为网络输入数据,来提高RBF神经网络对复杂工业数据的建模能力。但当原始输入数据不易做人为提取或人为提取的效果难以保证的时候,需要改变预测或分类模型的结构,例如增加隐含层层数,构建深度网络结构。因此,本文针对不同的任务要求和不同类型的原始输入数据,提出两种不同角度的改进方式来提高RBF神经网络的学习性能。主要研究内容如下:1.针对普通RBF神经网络对维度高、耦合强、包含大量冗余信息的工业数据建模困难的问题,结合模糊C均值（Fuzzy c-means algorithm,FCM）聚类算法,提出一种基于摘权的层次分析法（Analytic Hierarchy Process,AHP）（FAHP）。首先利用FCM算法对高维数据的输入属性进行聚类,然后利用基于熵权的数据驱动型AHP算法对具有较高相似度的输入属性进行数据融合,过滤冗余信息,实现原始输入数据的特征提取;通过标准数据集（University of California Irvine,UCI）验证 FAHP 算法对提高RBF神经网络建模精度的可行性与有效性;2.针对不易或者是不适合用FAHP算法做处理的原始输入数据建模时,需要以其他方式来提取特征,简化网络学习过程。通常,可以通过改变神经网络模型结构,例如增加隐含层层数的方法来实现数据的特征提取。相比于单隐含层神经网络,具有多层隐含层的深度神经网络对数据的刻画能力更强,但是随着网络结构的深入,利用传统神经网络的学习机制来训练网络会越发困难,很有可能出现“梯度消失”的问题。针对这一难题,本文借鉴深度学习的训练思想,尝试使用基于RBF的特征提取模块来构建多层学习结构,实现对输入信息的特征学习与高级表示;完成深度RBF（DRBF）神经网络模型的构建,并详细阐述该网络模型的训练步骤。通过UCI标准数据集的实验验证DRBF网络模型的可行性与有效性;3.将FAHP-RBF、DRBF两种预测模型应用于复杂化工领域不同行业（乙烯工业与精对苯二甲酸（PTA）工业）的生产预测以及生产装置运行水平分析中,从预测精度、建模所需时间等不同角度分析上述两种建模方法的特点以及适用场景;并设计构建基于B/S架构的Web原型系统-复杂化工生产状况分析原型系统。
赵柏杨[10]（2016）在《醋酸乙烯合成过程建模与中温寻优》文中提出醋酸乙烯是应用非常广的化工产品,全球消耗量很大,对于企业来说如何降低消耗,生产更多醋酸乙烯是有意义的。本课题的目的是找到醋酸乙烯合成过程的最佳中温,使醋酸乙烯产量提高。由于现场缺少必要的检测设备来反映合成的过程,所以通过构建合成反应的数学模型来模拟反应过程。分析醋酸乙烯合成过程影响醋酸乙烯合成的因素,本课题加入触媒活性这一关键影响因素,使所建模型能反映真实的合成反应。比较几种常用的建模算法,课题选用RBF神经网络对合成反应建模,由于中心向量和宽度选取的随机性,传统的RBF神经网络不能满足论文的建模需求。中心向量和宽度选取的问题,本课题引入遗传算法,充分利用遗传算法全局寻优能力,找到适应度最高的中心向量和宽度,再利用最小二乘法计算出隐含层到输出层的权值,建立遗传-RBF神经网络模型。解决传统RBF神经网络时中心向量和中心宽度的选取影响泛化能力的问题。最后仿真证明建立的遗传-RBF神经网络模型有较强的函数拟合能力和更小的误差。寻找醋酸乙烯合成反应的最佳中温时,本课题采用遗传算法。利用已经建立好的数学模型作为遗传算法寻优过程的性能指标,经过遗传迭代后找出适合当时反应条件下的最佳中温,并计算出最佳温度下的时空收率,计算并比较优化前后的两组数据差值作为证明。
二、BP神经网络在醋酸乙烯生产中的应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、BP神经网络在醋酸乙烯生产中的应用研究（论文提纲范文）
（1）基于遗传算法优化BP神经网络的可食用油墨粘度的预测（论文提纲范文）
| 1 实验 |
| 1.1 原料与仪器 |
| 1.2 方法 |
| 2 遗传算法优化BP神经网络构建 |
| 2.1 正交实验的设计 |
| 2.2 BP神经网络模型的建立 |
| 2.3 遗传算法优化 |
| 3 结果 |
| 3.1 神经网络训练结果 |
| 3.2 遗传算法的优化结果 |
| 3.3 遗传算法优化BP神经网络的验证 |
| 4 结语 |
（2）基于神经网络的油浸式变压器故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 变压器故障研究现状 |
| 1.2.1 变压器油中溶解气体研究现状 |
| 1.2.2 变压器在线检测技术研究现状 |
| 1.3 本文主要研究内容 |
| 2 油浸式变压器故障类型及判断方法 |
| 2.1 变压器的故障类型 |
| 2.2 变压器不同故障类型的产气特性 |
| 2.2.1 过热性故障的产气特性 |
| 2.2.2 火花放电故障的产气特性 |
| 2.2.3 电弧放电故障的产气特性 |
| 2.3 变压器传统故障诊断方法 |
| 2.3.1 基于特征气体的故障诊断方法 |
| 2.3.2 基于产气速率的故障诊断方法 |
| 2.3.3 三比值故障诊断方法 |
| 2.4 本章小结 |
| 3 基于BP神经网络的油浸式变压器故障诊断分析 |
| 3.1 人工神经网络在故障识别中的应用 |
| 3.2 BP 神经网络算法基础理论 |
| 3.3 基于BP神经网络算法的变压器故障诊断方法 |
| 3.4 BP神经网络的优化方法 |
| 3.4.1 基于自适应学习速率法的故障诊断方法 |
| 3.4.2 基于附加动量法的变压器故障诊断方法 |
| 3.5 本章小结 |
| 4 变压器故障在线检测装置设计 |
| 4.1 系统总体设计 |
| 4.2 气体检测电路设计 |
| 4.3 无线通信电路设计 |
| 4.4 人机接口电路设计 |
| 4.5 数据存储电路设计 |
| 4.6 软件程序设计 |
| 4.7 本章小结 |
| 5 变压器在线监测与故障诊断管理系统设计 |
| 5.1 在线监测软件系统结构 |
| 5.2 数据库管理系统 |
| 5.3 上位机管理界面设计 |
| 5.3.1 用户登录管理 |
| 5.3.2 变压器状态监测 |
| 5.3.3 故障诊断 |
| 5.4 系统测试 |
| 5.4.1 监测系统测试 |
| 5.4.2 气体分析与故障诊断界面测试 |
| 5.4.3 数据管理界面测试 |
| 5.5 本章小结 |
| 6 结论 |
| 参考文献 |
| 致谢 |
（3）乙烯过程在线监测与优化控制系统的研究开发（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论与综述 |
| 1.1 论文背景与研究意义 |
| 1.2 石化工业能效评价研究 |
| 1.2.1 乙烯能效评估方法 |
| 1.2.2 乙烯裂解炉模拟 |
| 1.3 石化行业优化控制研究 |
| 1.4 石化行业能效在线监测现状 |
| 1.5 本文主要研究内容 |
| 1.5.1 研究内容 |
| 1.5.2 论文组织结构 |
| 2 乙烯装置系统能效模型 |
| 2.1 能效指标体系的建立 |
| 2.1.1 乙烯行业能效指标体系概述 |
| 2.1.2 乙烯过程指标体系详述 |
| 2.2 乙烯系统级模型的灵敏度分析与模型验证 |
| 2.2.1 裂解深度对产品分布的影响 |
| 2.2.2 裂解深度对能源物料消耗的影响 |
| 2.2.3 裂解深度对能效的影响 |
| 2.2.4 不同原料对能效的影响 |
| 2.2.5 物料价格对能效的影响 |
| 2.2.6 能效与收率最大化的对比 |
| 2.2.7 能效优化影响因素的分析 |
| 2.3 小结 |
| 3 基于系统能效模型的乙烯裂解过程实时监测 |
| 3.1 能效评估基线计算方法 |
| 3.1.1 裂解炉模拟 |
| 3.1.2 动态能效基线计算 |
| 3.2 基于在线色谱分析仪计算实时系统能效线 |
| 3.2.1 基于在线色谱分析的能效监测系统搭建 |
| 3.2.2 基于在线色谱分析的实时能效线的计算 |
| 3.3 乙烯过程系统能效的监测与评估 |
| 3.4 小结 |
| 4 基于系统能效模型的优化控制 |
| 4.1 基于干扰Hammerstein模型的化工过程预测控制 |
| 4.2 鲁棒MPC策略 |
| 4.2.1 离线估计器设计 |
| 4.2.2 二次有界性条件 |
| 4.2.3 实际控制输入 |
| 4.2.4 乙烯过程中聚丙烯的控制优化 |
| 4.3 小结 |
| 5 乙烯过程系统能效实时监测平台系统开发与应用 |
| 5.1 乙烯过程系统能效实时监测平台系统总体架构 |
| 5.1.1 能效监测模块 |
| 5.1.2 能效评估模块 |
| 5.1.3 能效优化模块 |
| 5.2 系统编写过程关键问题的解决方案 |
| 5.2.1 OPC数据接口技术 |
| 5.2.2 无线通信技术 |
| 5.2.3 在线色谱分析仪应用调校 |
| 5.3 系统软硬件配置及效益分析 |
| 5.3.1 实际应用的软硬件配置 |
| 5.3.2 效益分析 |
| 结论 |
| 创新点及展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）基于深度学习的精馏过程质量参数软测量方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 精馏过程介绍 |
| 1.1.3 软测量方法介绍 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容及结构 |
| 2 精馏过程的动态机理模型建立 |
| 2.1 精馏塔过程工艺原理 |
| 2.1.1 精馏塔的结构 |
| 2.1.2 精馏过程的分类 |
| 2.2 精馏过程基本公式 |
| 2.3 连续精馏过程仿真模型建立 |
| 2.3.1 连续精馏基本公式 |
| 2.3.2 连续精馏过程的仿真模型 |
| 2.4 间歇精馏过程仿真模型建立 |
| 2.4.1 间歇精馏基本公式 |
| 2.4.2 间歇精馏过程的仿真模型 |
| 2.5 本章小结 |
| 3 基于机器学习的精馏过程软测量方法研究 |
| 3.1 机器学习方法 |
| 3.2 BP神经网络 |
| 3.3 RBF神经网络 |
| 3.4 SVM原理 |
| 3.5 混合核最小二乘支持向量机(MKLS-SVM) |
| 3.5.1 最小二乘支持向量机原理 |
| 3.5.2 混合核最小二乘支持向量机原理 |
| 3.6 仿真实验及结果分析 |
| 3.6.1 评价指标介绍 |
| 3.6.2 非线性函数仿真实验 |
| 3.6.3 噪声扰动下连续精馏仿真数据集仿真实验 |
| 3.7 本章小结 |
| 4 基于深度学习的精馏过程软测量方法研究 |
| 4.1 变量选择方法的研究 |
| 4.2 LASSO变量选择算法 |
| 4.2.1 LASSO算法原理 |
| 4.2.2 LASSO变量选择结果对比 |
| 4.3 深度学习算法 |
| 4.4 深度置信网络算法 |
| 4.4.1 RBM算法 |
| 4.4.2 PSO-DBN算法 |
| 4.5 仿真实验及结果分析 |
| 4.5.1 精馏标称数据集仿真实验 |
| 4.5.2 实际工业精馏数据集仿真实验 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）基于模糊极限学习机的能效分析方法的研究及应用（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 能效分析方法研究现状 |
| 1.2.2 模糊理论研究现状 |
| 1.2.3 人工神经网络研究现状 |
| 1.3 课题研究内容 |
| 1.4 论文组织结构 |
| 第二章 基本原理 |
| 2.1 三角模糊数理论 |
| 2.2 人工神经网络 |
| 2.2.1 BP神经网络 |
| 2.2.2 RBF神经网络 |
| 2.2.3 极限学习机ELM |
| 2.3 本章小结 |
| 第三章 基于FELM的能效分析和预测框架 |
| 3.1 基于三角模糊数的数据驱动建模 |
| 3.2 FELM方法设计 |
| 3.3 基于FELM的能效分析和预测框架 |
| 3.4 基于FELM的能效分析和预测操作步骤 |
| 3.5 框架的可行性和有效性分析实验 |
| 3.5.1 Airfoil Self-Noise数据集实验 |
| 3.5.2 Combined Cycle Power Plant数据集实验 |
| 3.6 本章小结 |
| 第四章 乙烯能效分析应用研究 |
| 4.1 乙烯工业流程 |
| 4.2 乙烯能效数据分析 |
| 4.3 乙烯生产的能效管理与预测建模 |
| 4.4 本章小结 |
| 第五章 能效分析与预测原型系统的设计与实现 |
| 5.1 系统设计 |
| 5.1.1 系统需求分析 |
| 5.1.2 系统整体架构 |
| 5.2 系统功能设计 |
| 5.3 系统模块设计 |
| 5.3.1 系统管理与数据维护模块 |
| 5.3.2 数据统计展示模块 |
| 5.3.3 能效分析与预测模块 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（6）面向变压器故障的智能诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 变压器常见故障及油中溶解气体分析 |
| 2.1 变压器常见故障 |
| 2.1.1 电力变压器结构简介 |
| 2.1.2 电力变压器故障分类 |
| 2.2 变压器油中溶解气体分析 |
| 2.2.1 油中溶解气体来源及溶解过程 |
| 2.2.2 变压器故障与特征气体的对应关系 |
| 2.3 本章小结 |
| 第3章 变压器故障诊断方法研究 |
| 3.1 GA算法分析 |
| 3.1.1 GA算法参数选择 |
| 3.1.2 GA算法实现步骤与流程 |
| 3.1.3 GA算法应用实例 |
| 3.2 DE算法分析 |
| 3.2.1 DE算法概念简介 |
| 3.2.2 DE算法算子的数学描述 |
| 3.2.3 DE算法实现步骤与流程 |
| 3.2.4 DE算法应用实例 |
| 3.3 用于变压器故障诊断的BP神经网络分析 |
| 3.3.1 BP神经网络结构 |
| 3.3.2 BP神经网络算法原理 |
| 3.3.3 BP算法步骤及流程图 |
| 3.4 用于变压器故障诊断的BP神经网络优化研究 |
| 3.4.1 BP神经网络的GA算法优化研究 |
| 3.4.2 BP神经网络的DE算法优化研究 |
| 3.5 本章小结 |
| 第4章 变压器故障诊断模型训练与测试 |
| 4.1 变压器故障编码及数据处理 |
| 4.1.1 变压器故障编码 |
| 4.1.2 样本数据处理 |
| 4.2 变压器故障诊断模型的建立 |
| 4.2.1 BP神经网络参数设置 |
| 4.2.2 GA-BP网络模型建立 |
| 4.2.3 DE-BP神经网络模型建立 |
| 4.3 变压器故障诊断模型的训练 |
| 4.3.1 GA-BP网络模型训练 |
| 4.3.2 DE-BP网络的训练 |
| 4.4 变压器故障诊断模型的测试 |
| 4.4.1 BP神经网络测试 |
| 4.4.2 GA-BP网络模型测试 |
| 4.4.3 DE-BP网络模型测试 |
| 4.4.4 三种网络模型诊断结果分析 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（7）基于软测量的SBR污水处理控制系统设计与实现（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 软测量技术概述 |
| 1.3 软测量技术在污水处理控制系统中的发展和现状 |
| 1.4 污水处理控制系统现状 |
| 1.5 研究意义和主要研究内容 |
| 1.5.1 研究意义 |
| 1.5.2 主要研究内容 |
| 第二章 基于软测量的SBR污水处理控制系统集成方法研究 |
| 2.1 引言 |
| 2.2 SBR工艺概述 |
| 2.3 SBR工艺中软测量模型变量分析 |
| 2.3.1 SBR工艺水质参数分析 |
| 2.3.2 主导变量与辅助变量的选择 |
| 2.3.3 主导变量与辅助变量分析 |
| 2.4 总磷软测量模型建立方法研究 |
| 2.4.1 BP神经网络软测量方法 |
| 2.4.2 GA-BP神经网络软测量方法 |
| 2.5 基于软测量的SBR污水处理控制系统集成方案 |
| 2.5.1 SBR控制系统需求分析 |
| 2.5.2 SBR工艺软测量数据采集系统集成方案 |
| 2.5.3 基于软测量的SBR污水处理控制系统集成方案 |
| 2.6 小结 |
| 第三章 基于软测量的SBR污水处理控制系统设计与实现 |
| 3.1 引言 |
| 3.2 SBR工艺软测量数据采集系统设计与实现 |
| 3.2.1 SBR工艺软测量模型数据采集系统硬件设计 |
| 3.2.2 SBR工艺软测量模型数据采集系统PLC程序设计 |
| 3.2.3 SBR工艺软测量模型数据采集系统组态程序设计 |
| 3.3 SBR工艺软测量模型数据采集 |
| 3.3.1 SBR工艺污泥驯化 |
| 3.3.2 软测量模型数据采集 |
| 3.4 总磷含量软测量模型设计 |
| 3.4.1 基于BP神经网络的总磷软测量方法设计 |
| 3.4.2 基于GA-BP神经网络的总磷软测量方法设计 |
| 3.5 基于软测量技术的SBR污水处理控制系统设计与实现 |
| 3.5.1 SBR控制系统与软测量模型实时通讯设计与实现 |
| 3.5.2 基于软测量的SBR污水处理控制系统设计与实现 |
| 3.6 小结 |
| 第四章 实验与分析 |
| 4.1 引言 |
| 4.2 SBR工艺软测量系统性能测试 |
| 4.2.1 GA-BP神经网络隐含层节点数优化测试 |
| 4.2.2 GA-BP神经网络迭代次数优化测试 |
| 4.2.3 GA-BP神经网络选择概率优化测试 |
| 4.2.4 GA-BP神经网络优化结果 |
| 4.2.5 GA-BP神经网络在SBR工艺中实际效果测试 |
| 4.3 基于软测量的SBR污水处理控制系统效果测试 |
| 4.3.1 系统测试条件 |
| 4.3.2 系统效果测试 |
| 4.4 小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 附件 |
（8）化工时序数据建模分析方法研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 课题研究内容 |
| 1.4 论文组织结构 |
| 第二章 神经网络理论基础 |
| 2.1 极限学习机ELM |
| 2.2 循环神经网络 |
| 2.2.1 循环神经网络RNN的结构与原理 |
| 2.2.2 LSTM网络的结构与原理 |
| 2.2.3 循环神经网络的性能分析 |
| 2.3 逻辑回归 |
| 2.3.1 逻辑回归模型的结构与原理 |
| 2.3.2 逻辑回归的性能分析 |
| 2.4 注意力机制 |
| 2.4.1 注意力机制的结构与原理 |
| 2.4.3 改进的注意力机制的学习方法 |
| 2.5 本章小结 |
| 第三章 化工生产异常数据检测与处理方法研究 |
| 3.1 异常数据检测与处理的必要性 |
| 3.2 异常数据检测分析 |
| 3.2.1 基于聚类的异常检测 |
| 3.2.2 基于统计的异常检测 |
| 3.3 结合dbscan与3Sigma原则的异常检测方法研究 |
| 3.4 异常数据处理 |
| 3.5 本章小结 |
| 第四章 基于改进的注意力机制与逻辑回归的LSTM方法研究 |
| 4.1 AttLR-LSTM方法的可行性与必要性分析 |
| 4.2 AttLR-LSTM方法研究 |
| 4.3 评测方法 |
| 4.4 实验验证 |
| 4.4.1 Airfoil数据集验证 |
| 4.4.2 WineQuality数据集验证 |
| 4.5 本章小结 |
| 第五章 化工时序数据建模分析研究 |
| 5.1 时序数据介绍 |
| 5.2 AttLR-LSTM方法在化工时序建模的可行性与必要性分析 |
| 5.3 PTA时序建模与能效分析 |
| 5.3.1 PTA装置介绍 |
| 5.3.2 AttLR-LSTM方法在PTA数据建模分析中的应用 |
| 5.3.3 实验结果分析与操作优化 |
| 5.4 乙烯时序数据建模与能效分析 |
| 5.4.1 乙烯生产装置介绍 |
| 5.4.2 AttLR-LSTM方法在乙烯数据建模分析中的应用 |
| 5.4.3 实验结果分析与操作优化 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（9）面向复杂化工领域的RBF神经网络建模方法研究与应用（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 神经网络与深度学习领域研究现状 |
| 1.2.2 特征提取领域研究现状 |
| 1.3 课题内容 |
| 1.4 论文组织结构 |
| 第二章 基于FAHP的RBF神经网络 |
| 2.1 前馈神经网络 |
| 2.1.1 神经网络生物学机制 |
| 2.1.2 人工神经网络算法 |
| 2.1.3 径向基函数神经网络 |
| 2.2 FAHP算法 |
| 2.2.1 FCM聚类算法 |
| 2.2.2 下侧关联函数 |
| 2.2.3 数据驱动型AHP算法 |
| 2.3 FAHP-RBF神经网络 |
| 2.4 实验验证 |
| 2.5 本章小结 |
| 第三章 深度RBF神经网络 |
| 3.1 深度神经网络与深度学习 |
| 3.2 基于RBF的特征提取模块 |
| 3.2.1 自编码器 |
| 3.2.2 基于RBF构建自编码器 |
| 3.3 深度RBF网络训练过程 |
| 3.4 实验验证 |
| 3.5 本章小结 |
| 第四章 复杂化工领域的实例应用 |
| 4.1 复杂化工领域分析 |
| 4.2 乙烯生产过程的预测建模 |
| 4.2.1 乙烯装置生产能力预测 |
| 4.2.2 乙烯生产装置能效分析 |
| 4.3 PTA溶剂系统的预测建模 |
| 4.4 本章小结 |
| 第五章 复杂化工生产状况分析原型系统设计与构建 |
| 5.1 系统设计 |
| 5.1.1 系统开发所需技术 |
| 5.1.2 系统整体架构 |
| 5.2 系统功能整体设计 |
| 5.3 系统模块设计 |
| 5.3.1 化工数据统计分析模块 |
| 5.3.2 乙烯生产预测建模与能效分析 |
| 5.3.3 PTA溶剂系统塔顶醋酸含量预测与操作指导 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（10）醋酸乙烯合成过程建模与中温寻优（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 醋酸乙烯合成过程优化研究现状 |
| 1.3 RBF神经网络参数寻优研究现状 |
| 1.4 论文组织结构 |
| 第2章 醋酸乙烯合成反应分析 |
| 2.1 VAC合成过程工艺介绍 |
| 2.2 合成反应影响因素分析 |
| 2.3 本章小结 |
| 第3章 基于RBF神经网络的合成反应建模 |
| 3.1 人工神经网络 |
| 3.1.1 神经网络概述 |
| 3.1.2 RBF神经网络 |
| 3.1.3 RBF神经网络的网络结构 |
| 3.2 算法选取 |
| 3.3 基于RBF神经网络醋酸乙烯合成反应建模 |
| 3.3.1 神经网络模型结构 |
| 3.3.2 RBF神经网络模型的建立 |
| 3.4 本章小结 |
| 第4章 基于遗传算法与RBF神经网络的合成反应建模 |
| 4.1 遗传算法 |
| 4.1.1 遗传算法的基本概念 |
| 4.1.2 遗传算法的基本流程 |
| 4.2 RBF神经网络与遗传算法的结合 |
| 4.2.1 算法结合的分析 |
| 4.3 基于遗传算法优化的RBF神经网络 |
| 4.3.1 遗传算法对隐含层的优化 |
| 4.3.2 遗传算法优化RBF神经网络的步骤 |
| 4.3.3 遗传算法优化RBF神经网络仿真的结果及分析 |
| 4.4 本章小结 |
| 第5章 基于遗传算法的合成反应中温寻优 |
| 5.1 参量寻优的方案 |
| 5.2 遗传算法参量寻优步骤 |
| 5.3 遗传迭代过程与结果 |
| 5.4 最优参量的仿真验证 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
四、BP神经网络在醋酸乙烯生产中的应用研究（论文参考文献）
- [1]基于遗传算法优化BP神经网络的可食用油墨粘度的预测[J]. 张彦粉,魏华,葛纪者,邹洋. 包装工程, 2021(19)
- [2]基于神经网络的油浸式变压器故障诊断方法研究[D]. 张东. 辽宁工业大学, 2021(02)
- [3]乙烯过程在线监测与优化控制系统的研究开发[D]. 胡本源. 大连理工大学, 2021(01)
- [4]基于深度学习的精馏过程质量参数软测量方法研究[D]. 卢政印. 大连理工大学, 2021(01)
- [5]基于模糊极限学习机的能效分析方法的研究及应用[D]. 曾青. 北京化工大学, 2020(02)
- [6]面向变压器故障的智能诊断方法研究[D]. 孔德钱. 新疆大学, 2020(07)
- [7]基于软测量的SBR污水处理控制系统设计与实现[D]. 李松. 北京化工大学, 2019(06)
- [8]化工时序数据建模分析方法研究与应用[D]. 徐猛. 北京化工大学, 2019(06)
- [9]面向复杂化工领域的RBF神经网络建模方法研究与应用[D]. 秦琳. 北京化工大学, 2017(04)
- [10]醋酸乙烯合成过程建模与中温寻优[D]. 赵柏杨. 河北科技大学, 2016(04)