基于遗传算法优化神经网络的醋酸乙烯聚合率软测量研究

论文摘要

本论文针对目前醋酸乙烯（VAC）聚合工序中VAC聚合率没有有效的实时在线检测方法的实际情况,在研究分析了VAC聚合反应的工艺流程的基础之上,提出了将软测量技术应用于VAC聚合率在线检测的方案。在全面研究了软测量技术的原理、组成要素和实现流程的基础之上,重点讨论了软测量技术中辅助变量的选择、数据预处理、软测量建模三个方面的内容。然后开展针对VAC聚合率的软测量研究,所做的主要研究工作如下:1、论文首先通过选取VAC聚合率为主导变量;引发剂添加率、甲醇配比、聚合温度、VAC活性度为辅助变量;采用数据归一化变换方法和拉依达准则处理原始数据;在MATLAB7.1环境下开展了基于BP神经网络的VAC聚合率软测量方面的仿真研究。对BP神经网络的原理、结构、算法做了较为详细的论述。进行BP网络软测量建模时,采用先通过编程计算网络输出误差,再通过误差分析的方法来确定BP网络的拓扑结构。在网络训练过程中,采用BP网络的Levenberg-Marquardt改进算法对网络进行训练,并且根据网络训练和测试的结果对基于BP神经网络的VAC聚合率软测量方案做了评价。2、针对BP网络局部寻优的缺陷,决定采用遗传算法对BP网络进行优化。论文中全面阐述了遗传算法的产生、原理、实现流程以及遗传算法与BP网络的结合方式。并选取遗传算法确定神经网络连接权重的合作式结合方式作为BP神经网络的优化方案,以此来组建遗传BP神经（GA-BP）网络。最后,将GA-BP网络用于VAC聚合率软测量建模。从仿真研究的结果来看,GA-BP网络的训练和测试结果都比BP网络有了较大的改善,达到了误差要求。研究结果证明基于遗传算法优化BP网络的VAC聚合率软测量方案是成功可行的,这对于联合运用软测量技术、神经网络技术与遗传算法来解决实际工程问题和实现VAC聚合率的实时在线检测都具有重要意义。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的背景和意义
• 1.2 醋酸乙烯聚合反应工艺流程概述
• 1.3 醋酸乙烯聚合率检测技术的研究现状
• 1.3.1 离线分析法
• 1.3.2 醋酸乙烯聚合率在线连续检测方法
• 1.4 软测量技术的研究现状
• 1.4.1 国内外软测量技术的发展现状
• 1.4.2 醋酸乙烯聚合率软测量的研究现状
• 1.5 本论文的主要研究工作
• 第二章 软测量技术
• 2.1 软测量的基本概念
• 2.2 软测量的辅助变量选择
• 2.3 软测量的数据预处理
• 2.3.1 数据变换
• 2.3.2 数据的误差处理
• 2.3.3 数据的平滑消噪
• 2.3.4 用小波分析进行数据处理
• 2.4 软测量的建模方法
• 2.4.1 机理分析法建模
• 2.4.2 系统辨识软测量建模
• 2.4.3 多变量统计软测量建模
• 2.4.4 人工神经网络软测量建模
• 2.4.5 其它软测量建模方法
• 2.5 软测量实施与在线校正
• 第三章 基于BP神经网络的醋酸乙烯聚合率软测量研究
• 3.1 BP神经网络的理论基础
• 3.1.1 BP神经网络的结构
• 3.1.2 BP算法
• 3.1.3 基于BP神经网络的软测量实现流程
• 3.2 仿真软件 MATLAB 简介
• 3.3 辅助变量的选择
• 3.4 数据采集和预处理
• 3.5 BP网络软测量模型
• 3.5.1 BP网络的神经网络工具箱函数
• 3.5.2 BP网络的结构
• 3.6 BP 网络软测量模型的训练和测试
• 3.6.1 BP网络软测量模型的训练
• 3.6.2 BP网络软测量模型的测试
• 3.7 BP 网络软测量建模过程的C 语言实现
• 3.8 BP 网络软测量建模的缺陷
• 第四章 基于GA-BP神经网络的醋酸乙烯聚合率软测量研究
• 4.1 遗传算法概述
• 4.1.1 遗传算法的基本概念
• 4.1.2 遗传算法的特点
• 4.1.3 基本遗传算法的实现流程
• 4.2 遗传算法与BP 神经网络的结合
• 4.2.1 遗传算法与BP网络的结合方式
• 4.2.2 GA-BP 网络的实现流程
• 4.3 GA-BP 网络软测量建模
• 4.3.1 遗传算法工具箱函数
• 4.3.2 编码方案与适应度函数的设计
• 4.3.3 GA-BP网络软测量模型的训练
• 4.3.4 GA-BP网络软测量模型的测试
• 第五章 总结与展望
• 5.1 论文工作总结
• 5.2 研究展望
• 参考文献
• 附录 A 经过预处理的样本数据
• 附录 B 编码函数与适应值函数
• 个人简历 在读期间发表的学术论文
• 致谢