PTA氧化过程中4-CBA含量的软测量建模研究

摘要

PTA氧化过程是石油化工生产的重要化学反应过程，其反应产物是生产聚酯产品的重要化工原料，4-CBA是氧化过程中的主要副产物。PTA氧化过程反应条件苛刻，反应机理和反应过程复杂，采用软测量技术来对反应过程进行实时预测。软测量技术采用一些可测变量来对不可测变量预测，本文将对PTA氧化过程进行研究，以4-CBA含量为研究对象，通过AdaBoost算法建立软测量模型。
　　本研究选择BP神经网络和支持向量机作为弱学习器。为解决AdaBoost算法中训练弱化的问题，采用双阈值的方法更新样本权重，减小误差较大的样本对弱学习器的影响，采用轮盘赌的方法对样本进行重采样，并通过非线性函数拟合来证明改进算法的可行性。针对PTA氧化过程中4-CBA含量软测量模型，分别以BP神经网络和支持向量机做为弱学习器，以改进的AdaBoost算法做为强学习器建立软测量模型，通过MATLAB训练仿真对4-CBA含量进行预测。并且分别与单一弱学习器建模和未改进AdaBoost算法建模进行分析比较，结论证明改进的AdaBoost算法建立的软测量模型在这几种模型中预测精度更高。

目录

声明

第一章 绪论

1.1 引言

1.2 PTA氧化过程及研究现状

1.2.1 PTA工艺简介

1.2.2 PTA研究发展及现状

1.3 软测量技术

1.3.1软测量的数学描述

1.3.2 软测量模型的建立

1.4 研究内容与论文结构

第二章 相关理论基础

2.1 BP神经网络

2.1.1 网络结构

2.1.2 BP算法

2.2 支持向量机

2.2.1 简介

2.2.2支持向量机回归算法简介

2.3 AdaBoost算法

2.3.1算法概述

2.3.2算法原理及描述

2.3.3 对AdaBoost算法的改进

第三章 基于改进BP_AdaBoost算法的软测量技术

3.1 PTA生产建模研究

3.2改进BP_AdaBoost算法仿真实例及结果分析

3.3 基于改进的BP_AdaBoost算法的4-CBA含量软测量

3.3.1 改进BP_AdaBoost算法软测量建模

3.3.2 模型结构优化

第四章 基于改进SVR_AdaBoost算法的软测量技术

4.1基于改进SVR_AdaBoost算法

4.1.1 SVR模型的训练仿真步骤

4.1.2 改进SVR_AdaBoost算法描述

4.2 基于改进的SVR_AdaBoost算法的4-CBA含量软测量

4.2.1改进算法在PTA氧化过程中的仿真

4.2.2算法模型的分析

4.2.3基于不同弱学习器的4-CBA含量的软测量精度建模分析

第五章 总结与展望

5.1总结

5.2展望

参考文献

附录1攻读硕士学位期间撰写的论文

附录2攻读硕士学位期间申请的专利

致谢