神经网络技术在石油化工过程中的应用

摘要

石油化工过程是十分典型的复杂大系统，在工艺过程与装置确定的情况下，基于生产数据驱动的生产运行优化的研究与应用具有重要的现实意义。一方面由于现场生产数据具有海量、高维、强藕合性、不确定性、不完备性、不一致性、多时标性和数据类型多样性、多模态性，又由于工作环境复杂，电、磁、噪声干扰使数据易受污染。因此，基于数据驱动的任何研究、设计、运行工作首先都需要进行数据处理工作。另一方面由于石油化工过程的非线性、不确定性、大时滞、参数分布性和时变性等内在的复杂机理问题，导致工业过程建模困难。基于神经网络技术的工业数据处理与智能建模是重要的研究方向。 本文在综述工业数据预处理和建模技术的基础上，分析了具有特殊结构的自联想神经网络和递级神经网络，提出采用自联想神经网络进行工业数据滤波和输入空间压缩、用递级神经网络实现建模的工业智能实用思路，在模拟数据验证的基础上，对中石化某工业PTA装置和中石油某高密度聚乙烯装置进行了应用，验证了神经网络工业应用的有效性和实用性，为优化操作奠定了基础。

目录

文摘

英文文摘

声明

第一章 绪论

1.1工业过程与现场数据的复杂性

1.2数据处理方法

1.3工业建模方法

1.4本文的主要工作

第二章 神经网络概述

2.1 BP神经网络

2.2自联想神经网络

2.3递阶神经网络

第三章 工业装置介绍

3.1 PTA工业过程介绍

3.2 HDPE工业过程介绍

第四章 基于AANN的数据滤波

4.1 AANN网络结构

4.2 AANN训练

4.3 基于AANN的PTA工业数据滤波实例

4.4 基于AANN的HDPE工业数据滤波实例

第五章 HNN工业建模应用

5.1 HNN在PTA中的应用

5.2 HNN在HDPE中的应用

5.3 结果分析

第六章 结论

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介