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
相关论文文献
标签:连续搅拌反应釜论文; 软测量论文; 多神经网络论文; 机理模型论文; 混合模型论文;
连续搅拌反应釜(CSTR)反应物浓度软测量方法研究
下载Doc文档