软测量建模方法研究及其在FCCU主分馏塔上的应用

摘要

软测量是基于推断控制理论的一门新兴工业技术，它通过数学模型计算得到工程上难以检测的变量，有着广阔的应用前景，己成为过程检测技术与仪表研究的主要方向之一。本文主要研究了软测量建模方法及其在独山子石化公司炼油厂催化车间第1催化裂化主分馏塔上的应用。主要内容包括： 第一，对软测量技术进行综述。介绍了软测量技术产生的工业背景、应用范围、现状及前景，阐述了软测量的基本概念，对软测量的各个环节进行了描述，讨论了软测量技术的工程设计实现，包括辅助变量选择、数据采集及预处理、软测量模型的建立、在线校正和工程化实施等。第二，软测量技术的核心是模型的建立问题，本文对建立软测量模型的各种方法进行了较为详细的总结和分析，并对它们各自的特点进行了阐述，提出了改进的PCA-LS-SVM软测量建模方法。第三，利用最小二乘支持向量机方法对催化裂化主分馏塔柴油闪点进行了软测量，并结合PCA算法验证了其具有较强的泛化能力和鲁棒性。研究结果表明，改进的PCA-LS-SVM软测量建模方法具有可行性和有效性，完全能够满足工业生产需要。第四，在最小二乘支持向量机的基础上，提出了多输入多输出PCA-LS-SVM软测量建模方法，并运用到催化裂化主分馏柴油闪点和柴油干点的软测量中，取得了较好的结果，证明了这种方法的可行性。最后，在总结全文工作的基础上，给出了理论与应用的若干有待深入的研究问题。

目录

文摘

英文文摘

声明

第1章前言

第2章软测量技术综述

2.1辅助变量的选择

2.2输入变量的时间滞后

2.3输入数据预处理

2.4软测量模型的建立

2.4.1基于工艺机理分析的软测量

2.4.2基于辨识的方法

2.5在线校正

2.6软测量的设计步骤

2.7软测量技术的应用

2.8发展软测量技术的意义

2.9本章小结

第3章常规的软测量建模方法

3.1偏最小二乘(PLS)回归

3.1.1偏最小二乘回归的基本原理

3.1.2偏最小二乘回归的基本特点

3.2径向基神经网络

3.2.1 RBF神经网络模型

3.2.2 RBF训练方法

3.2.3 RBF网络用于软测量的优点及问题

3.3 PCA-RBF软测量建模方法

3.4非线性PLS算法

3.4.1多项式PLS(QPLS)

3.4.2神经网络PLS算法(PLS-RBF)

3.5仿真实例

3.6本章小结

第4章基于支持向量机的软测量技术

4.1统计学习理论

4.1.1经验风险最小化准则

4.1.2 VC维

4.1.3推广性的界

4.1.4结构风险最小化准则

4.2支持向量机(SVM)

4.2.1支持向量机的定义

4.2.2核函数

4.2.3支持向量机分类理论

4.2.4支持向量机回归理论

4.2.5支持向量机与神经网络

4.3最小二乘支持向量机(LS-SVM)

4.3.1最小二乘支持向量机(LS-SVM)原理

4.3.2最小二乘支持向量机的稀疏化处理

4.4 PCA-LS-SVM软测量建模方法

4.4.1 PCA-LS-SVM软测量建模方法

4.4.2改进的PCA-LS-SVM软测量建模方法

4.5 PLS-LS-SVM软测量建模方法

4.6对于LS-SVM模型参数的说明及参数对推广能力的影响

4.6.1对于核函数参数γ的说明

4.6.2对于模型参数C的说明

4.6.3模型参数的选择

4.7仿真实例

4.8本章小结

第5章软测量技术在FCCU主分馏塔上的应用

5.1概述

5.2催化裂化工艺流程简介

5.2.1反应-再生系统流程

5.2.2分流系统流程

5.3柴油闪点软测量模型

5.3.1柴油闪点影响因素分析

5.3.2辅助变量的选择

5.3.3数据来源及预处理

5.3.4柴油闪点软测量模型的建立及结果分析

5.4多输入多输出最小二乘支持向量机软测量模型

5.4.1多输入多输出的最小二乘支持向量机算法

5.4.2多输入多输出最小二乘支持向量机软测量模型建立

5.4.3结果分析

5.5软测量的工程化应用中应注意的问题

5.6本章小结

第6章结论与展望

6.1主要工作总结

6.2今后工作展望

参考文献

附录

致谢

个人简历、攻读硕士期间的研究成果