| 【中文题名】 | 常压蒸馏塔非线性多变量系统软测量技术与建模研究 |
| 【英文题名】 | Study on Software Instrument and Modeling of Nonlinear Multivariable System on the Crude Oil Atmospheric Distillable Tower |
| 【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,RBF神经网络,非线性多变量系统,动态模型,, |
| 【英关键词】 | software instrument,RBF neural network,multivariable nonlinear system,dynamic model, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>自动化系统>数据处理、数据处理系统>集中检测与巡回检测系统 |
| 【论文摘要】 |
本文是针对中石油克拉玛依石化分公司蒸馏装置(Ⅰ套)常压塔先进控制要求进行的，主要探讨了两方面的问题：采用神经网络建立常压塔各侧线闪点和粘度的软测量仪表；基于遗传算法和神经网络的常压塔侧线温度非线性多变量系统建模。
在掌握工艺机理、工艺流程和原油蒸馏原理的基础上，分析了影响闪点和粘度的各种因素，从而建立了基于遗传算法优化的径向基神经网络(Radial Basis Function，RBF)常二线闪点、常三线闪点和常三线粘度的软测量仪表。利用遗传算法离线优化RBF软测量模型的初值，然后利用梯度下降法在线调整软测量模型，由此确定RBF网络的节点中心矢量C、基宽向量B、权值向量W，克服了RBF网络参数难以确定的问题和遗传算法实时性差的弱点，充分发挥了梯度下降法的快速性。从MATLAB仿真训练曲线和检验曲线看，软测量仪表达到了较高的精度，满足工程要求。
克石化公司以高级变压器油和润滑油作为特色产品，国内能满足航天要求的变压器油和润滑油多产于此，但常压塔侧线温度多变量系统耦合严重，实际生产中通常采用的是开环控制，故能满足航天要求的特种油品产量很低。为提高特种油品的产量，常压塔侧线温度非线性多变量... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-9 |
|
第1章 绪论 |
9-16 |
|
1.1 课题来源及研究意义 |
9 |
|
1.2 国内外研究现状及发展水平 |
9-11 |
|
1.2.1 常压塔侧线油品质量的软测量技术 |
9-10 |
|
1.2.2 原油蒸馏塔建模技术 |
10-11 |
|
1.3 常压塔工艺特点 |
11-13 |
|
1.4 本文研究的问题和主要任务 |
13-16 |
|
1.4.1 本文研究的问题 |
13-14 |
|
1.4.2 本文的主要任务 |
14-16 |
|
第2章 常压塔工艺概况 |
16-23 |
|
2.1 常压塔生产工艺简介 |
16 |
|
2.2 工艺流程说明 |
16-18 |
|
2.2.1 脱盐脱钙部分 |
17 |
|
2.2.2 蒸馏部分 |
17-18 |
|
2.3 常压塔系统控制方案 |
18-20 |
|
2.4 影响侧线油品粘度与闪点的因素分析 |
20-21 |
|
2.4.1 油品的闪点 |
20 |
|
2.4.2 油品的粘度 |
20-21 |
|
2.5 常压塔软测量仪表和侧线温度多变量模型的建模要求 |
21-23 |
|
第3章 RBF神经网络技术 |
23-28 |
|
3.1 RBF神经网络简介 |
23-27 |
|
3.1.1 RBF神经网络的结构 |
23-24 |
|
3.1.2 RBF神经网络的学习方法 |
24-25 |
|
3.1.3 RBF网络的学习过程 |
25-27 |
|
3.2 RBF网络的缺点以及经典学习算法比较 |
27-28 |
|
3.2.1 RBF网络难以广泛应用的原因分析 |
27 |
|
3.2.2 RBF经典算法优缺点比较 |
27-28 |
|
第4章 RBF神经网络建立软测量仪表 |
28-50 |
|
4.1 软测量技术 |
28-31 |
|
4.1.1 软测量技术的产生 |
28 |
|
4.1.2 软测量仪表的描述 |
28-29 |
|
4.1.3 建立软测量仪表的方法 |
29-30 |
|
4.1.4 影响软测量仪表性能的因素 |
30-31 |
|
4.2 利用遗传算法和梯度下降法优化RBF |
31-35 |
|
4.2.1 遗传算法简介 |
32-33 |
|
4.2.2 遗传算法基本操作 |
33-34 |
|
4.2.3 遗传算法的应用步骤 |
34 |
|
4.2.4 遗传算法在优化RBF软测量模型参数中的应用 |
34-35 |
|
4.3 常压塔侧线油品闪点和粘度软测量仪表的建立 |
35-47 |
|
4.3.1 实验数据的选取和预处理 |
35-37 |
|
4.3.2 常压塔侧线油品软仪表关键变量的选择 |
37-38 |
|
4.3.3 常压塔侧线油品软仪表的建立方法 |
38-39 |
|
4.3.4 常二线闪点软仪表的建立 |
39-42 |
|
4.3.5 常三线闪点软仪表的建立 |
42-45 |
|
4.3.6 常三线粘度软仪表的建立 |
45-47 |
|
4.4 软测量仪表的维护与应用 |
47-50 |
|
4.4.1 软测量仪表维护 |
48-49 |
|
4.4.2 软测量仪表的应用 |
49-50 |
|
第5章 常压塔侧线温度非线性多变量系统建模 |
50-72 |
|
5.1 系统建模技术分类 |
50 |
|
5.2 典型的非线性系统辨识方法 |
50-53 |
|
5.2.1 非线性辨识典型模型及辨识方法特点 |
50-52 |
|
5.2.2 非线性系统参数估计的特点 |
52-53 |
|
5.3 常压塔机理模型的建立与分析 |
53-55 |
|
5.4 常压塔侧线温度多变量系统建模 |
55-65 |
|
5.4.1 关键变量的选择 |
55 |
|
5.4.2 常压塔侧线温度系统ANN-MIMO模型建模方法 |
55-58 |
|
5.4.3 常压塔侧线温度系统ANN-MIMO动态模型的建立过程 |
58-65 |
|
5.5 基于ANN-MIMO模型的常压塔侧线温度智能解耦控制方案设计 |
65-71 |
|
5.5.1 多变量解耦控制简介 |
65 |
|
5.5.2 自适应控制技术 |
65-66 |
|
5.5.3 DRNN神经网络技术 |
66-67 |
|
5.5.4 基于DRNN神经网络的PID自校正解耦控制 |
67-71 |
|
5.6 本章小结 |
71-72 |
|
第6章 结论与展望 |
72-74 |
|
6.1 本文主要研究工作和结论 |
72-73 |
|
6.1.1 主要研究工作 |
72 |
|
6.1.2 结论 |
72-73 |
|
6.2 进一步研究工作及展望 |
73-74 |
|
致谢 |
74-75 |
|
参考文献 |
75-78 |
|
附录Ⅰ 图表索引 |
78-80 |
|
附录Ⅱ 作者硕士研究生期间论文发表情况 |
80 |
|
附录Ⅲ MATLAB程序(另册装订) |
80 |
|
| 【DOI】 | LunWen.ID:2.2008.384314 |
