连续搅拌反应釜（CSTR）反应物浓度软测量方法研究

论文摘要

利用连续搅拌反应釜(Continuous Stirred Tank Reactor, CSTR)来进行聚合化学反应是目前广泛采用的一种生产方式,该过程具有复杂工业生产过程的典型特性,如：非线性、大惯性、时变性等等。反应物浓度是该过程中一个关键的化学参数,但是由于经济或技术的原因,对于该参数很难实现在线测量,通常只能通过采用人工采样离线化验分析的方法获得其采样值,这样的测量信息存在较大的测量滞后,这就给生产过程的在线监测以及质量控制带来了很大的困难。针对上述问题,本文对反应物浓度的软测量方法展开深入的研究。软测量技术的核心思想是：通过建立无法在线测量关键过程变量和与其密切相关的过程可测信息之间的数学模型,实现对不可测变量的预估。本文以连续搅拌反应釜中的聚合化学反应为背景,从软测量技术的角度,对其反应过程中重要参数(即反应物浓度)的软测量问题展开了较为深入研究。本文主要研究内容包括：根据多模型理论,提出了一种基于多神经网络的连续搅拌反应釜反应物浓度的软测量建模方法。将输入信息进行分类得到一系列的子模型,然后再对这些子模型进行融合,形成最终的多模型结构。多模型建模方法在一定程度上提高了模型的精度与泛化能力。将机理建模与智能建模相结合,提出了混合建模方法用以实现CSTR内反应物浓度的软测量。用串行和并行两种方法分别对CSTR内反应物浓度进行混合建模,这种混合建模方法降低了模型对训练数据的依赖程度,并提高了模型的泛化能力。最后针对软测量模型的在线校正问题做了简单的讨论。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景与意义
• 1.2 软测量技术
• 1.2.1 软测量模型描述与应用
• 1.2.2 辅助变量的选择
• 1.2.3 数据的采集及预处理
• 1.2.4 软测量模型的建立方法
• 1.2.5 在线校正
• 1.3 本文的主要内容
• 第二章 建立软测量模型的预备知识
• 2.1 生产过程介绍
• 2.2 CSTR非线性动力学模型建立
• 2.3 RBF神经网络介绍
• 2.3.1 神经网络简介
• 2.3.2 RBF网络的网络结构
• 2.3.3 RBF网络的训练方法
• 2.3.4 RBF网络建模步骤
• 2.4 本章小结
• 第三章 基于多神经元网络的反应物浓度软测量方法
• 3.1 引言
• 3.2 问题的提出
• 3.3 多神经网络模型结构
• 3.4 基于多神经网络的反应物浓度软测量建模
• 3.4.1 模型主导变量和辅助变量的选取
• 3.4.2 训练数据的预处理
• 3.4.3 多模型结构的确定
• 3.4.4 多模型的训练
• 3.4.5 实验结果与模型输出比较
• 3.5 本章小结
• 第四章 基于混合模型的反应物浓度软测量方法
• 4.1 引言
• 4.2 软测量混合建模的一般步骤
• 4.3 并行混合建模
• 4.3.1 并行混合模型结构
• 4.3.2 机理部分分析
• 4.3.3 并行混合建模
• 4.3.4 混合模型训练与仿真
• 4.3.5 并行混合建模方法的总结
• 4.4 串行混合建模
• 4.4.1 串行模型结构
• 4.4.2 机理模型部分
• 4.4.3 黑箱模型部分
• 4.4.4 串行混合模型
• 4.4.5 混合模型训练与仿真
• 4.5 两种混合模型的比较
• 4.6 模型修正方法
• 4.7 本章小结
• 第五章 结论与工作展望
• 5.1 本文工作总结
• 5.2 工作展望
• 参考文献
• 致谢