| 【中文题名】 | 基于神经网络的原油减压蒸馏塔的建模与控制 |
| 【英文题名】 | Modeling and Control of Vacuum Tower Based on Neural Network |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-2 |
| 【中关键词】 | 软测量仪表,粘度,闪点,对角回归神经网络,遗传算法,RBF神经网络 |
| 【英关键词】 | software instruments,viscosity,flash point,DRNN,genetic algorithm,RBF neural network,neural network adaptive control, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
原油蒸馏过程是炼油厂及大型石油化工企业的龙头。常减压塔是实现蒸馏过程的重要设备，其生产水平的高低直接影响着原油的利用率和企业的经济效益。本文选择了在原油蒸馏过程中有重要作用的减压蒸馏塔作为研究对象。
在了解了工艺流程和原油蒸馏原理的基础之上，分析了影响粘度和闪点的主要因素，从而利用遗传算法优化的对角神经网络(Diagonal Recurrent Neural Network-DRNN)建立了减压塔减三线的粘度和闪点的软测量仪表。仿真结果表明，所建软测量仪表精度很高，可替代质量分析仪表。
由于减压塔减三线是减压塔各侧线中最重要的，因此本文仅作减三线温度系统的控制方案并利用遗传算法优化的DRNN神经网络建立了减三线温度系统的神经网络模型。由于温度与质量有一一对应关系，因此控制好温度也就间接的控制好了产品的质量。在蒸馏系统中，是通过控制侧线抽出量来控制侧线温度。在仔细分析了减压塔的工艺特点及实际生产方案后，本文采用神经网络自适应控制技术对减压塔减三线温度系统进行控制。仿真结果表明，控制效果很好，完全达到控制要求。 |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-9 |
|
第1章 绪论 |
9-12 |
|
1.1 本课题来源及研究意义 |
9 |
|
1.2 国内外研究现状及发展水平 |
9-10 |
|
1.2.1 减压塔建模技术 |
9-10 |
|
1.2.2 智能控制 |
10 |
|
1.2.3 软测量仪表 |
10 |
|
1.3 本课题要完成的任务 |
10-12 |
|
第2章 原油减压蒸馏塔概况 |
12-16 |
|
2.1 工艺简介 |
12-13 |
|
2.2 原油蒸馏原理 |
13 |
|
2.3 工艺流程 |
13-14 |
|
2.4 质量控制指标 |
14-16 |
|
2.4.1 闪点介绍 |
14 |
|
2.4.2 粘度介绍 |
14-16 |
|
第3章 神经网络概述 |
16-25 |
|
3.1 神经网络的基本知识 |
16-19 |
|
3.1.1 神经网络简介 |
16 |
|
3.1.2 神经网络原理 |
16-19 |
|
3.1.3 神经网络控制技术 |
19 |
|
3.2 DRNN神经网络 |
19-22 |
|
3.2.1 DRNN网络结构 |
20-21 |
|
3.2.2 DRNN网络的学习过程 |
21-22 |
|
3.3 RBF神经网络 |
22-25 |
|
第4章 应用遗传算法优化的DRNN神经网络建立软测量仪表 |
25-48 |
|
4.1 问题的提出 |
25 |
|
4.2 软测量技术 |
25-29 |
|
4.2.1 软测量技术简介 |
25-26 |
|
4.2.2 软测量仪表 |
26-27 |
|
4.2.3 软测量仪表的建模方法 |
27-28 |
|
4.2.4 软测量仪表的参数选取 |
28-29 |
|
4.3 遗传算法优化 DRNN神经网络 |
29-35 |
|
4.3.1 选用遗传算法的原因 |
29 |
|
4.3.2 遗传算法介绍 |
29-31 |
|
4.3.3 遗传算法的基本操作 |
31-32 |
|
4.3.4 遗传算法的构成要素 |
32-33 |
|
4.3.5 遗传算法的应用步骤 |
33-34 |
|
4.3.6 遗传算法优化 DRNN网络参数 |
34-35 |
|
4.4 建立减三线闪点、粘度软测量仪表 |
35-47 |
|
4.4.1 减三线软测量仪表的建立方法 |
36 |
|
4.4.2 减三线软测量仪表参数的选取 |
36-37 |
|
4.4.3 实验数据的选取和预处理 |
37-38 |
|
4.4.4 建立减三线闪点软测量仪表 |
38-42 |
|
4.4.5 建立减三线粘度软测量仪表 |
42-47 |
|
4.5 本章总结 |
47-48 |
|
第5章 减压塔减三线温度系统建模 |
48-58 |
|
5.1 建模技术简介 |
48 |
|
5.2 典型的非线性系统辨识方法及其特点简介 |
48-50 |
|
5.3 减三线温度系统的建模方法 |
50-53 |
|
5.3.1 减三线温度系统的特点 |
50-51 |
|
5.3.2 本文使用的方法 |
51-53 |
|
5.4 减三线温度系统模型的建立 |
53-57 |
|
5.5 本章总结 |
57-58 |
|
第6章 减压塔减三线温度神经网络自适应控制 |
58-72 |
|
6.1 问题的提出 |
58 |
|
6.2 自适应控制技术 |
58-60 |
|
6.2.1 自适应控制研究解决的问题 |
59 |
|
6.2.2 自适应控制系统的功能 |
59-60 |
|
6.3 神经网络自适应控制 |
60-62 |
|
6.3.1 神经网络自适应控制简介 |
60-62 |
|
6.3.2 本文选用的控制方案 |
62 |
|
6.4 减三线温度系统神经网络自适应控制 |
62-70 |
|
6.4.1 控制思想与控制要求 |
62-63 |
|
6.4.2 减三线温度控制系统设计 |
63-65 |
|
6.4.3 遗传算法优化 RBF网络参数 |
65-66 |
|
6.4.5 系统仿真 |
66-69 |
|
6.4.6 与 PID控制比较 |
69-70 |
|
6.5 本章总结 |
70-72 |
|
第7章 总结 |
72-73 |
|
致谢 |
73-74 |
|
参考文献 |
74-77 |
|
附录I 图表索引 |
77-79 |
|
附录II 硕士研究生期间论文发表情况 |
79 |
|
| 【DOI】 | LunWen.ID:2.2008.388764 |
