软测量技术及其在蒸馏装置上的应用
建立石油化工生产过程的质量模型是石油炼制工程领域的重要课题.该文以克拉玛依石化厂一套常减压蒸馏装置为研究开发对象,从炼油工艺机理出发,系统分析了常减压蒸馏的生产过程,从中筛选出影响常三线、减一线、减二线、减三线和减四线油品的闪点和粘度较大的变量.用神经元网络理论建立了这些侧线油品的闪点和粘度共10个质量估计模型.回归分析是一种最常用的经典建模方法,为寻找多变量之间的函数关系或相关关系提供了有效的手段.该文介绍多元线性回归方法(MLR)、多元逐步回归方法(MSR)、主元分析(PCA,Principal Component Analysis)和主元回归(PCR,Principal Component Regression)以及偏最小二乘法(PLS,Partial Least Square)的基本原理,并通过仿真比较这些方法的优点和局限性.RBF(Radial Basis Function)神经元网络是近年来刚发展起来的新型网络.它的基函数具有非线性映射关系,并具有输出-权值线性关系,训练方法快速易行.我们将它与系统辨识技术结合起来,采用递推最小二乘法修正网络权值,使得RBF网络具有良好的自适应能力.同时,为了克服生产过程的时变性和数据饱和,使用了带遗忘因子的加权最小二乘递推算法.该十个质量估计模型具有自适应能力,克服了一般神经元网络仅有"内插"功能,使它有了"外推"能力.实际应用表明该数学模型能较准确地描述和跟踪常减压蒸馏过程并具有较高的精度,满足工程要求.为实现常减压蒸馏过程直接质量控制奠定了良好的基础.
原油蒸馏过程;多元线性回归;多元逐步回归;主元分析和主元回归;偏最小二乘法;人工神经元网络;系统辨识;质量估计模型
北京化工大学
硕士
控制工程
潘立登;甄新平
2004
中文
TE624.2;O212.1
63
2004-10-21（万方平台首次上网日期，不代表论文的发表时间）