基于支持向量机的石脑油裂解制乙烯过程软测量建模研究的开题报告.docx

基于支持向量机的石脑油裂解制乙烯过程软测量建模研究的开题报告
一、研究背景和意义
近年来，石油化工行业的快速发展带动了石脑油裂解制乙烯技术的高速发展。在工业生产中，建立精确的计算机模型是实现精准智能化控制的前提。而软测量技术是实现精准计算机模型的重要手段。石脑油裂解制乙烯过程作为复杂的非线性过程，其产品质量与反应过程的温度、压力、流量等控制变量密切相关。因此，准确掌握这些关键过程变量的变化趋势和关联关系对于产品质量的稳定提高和工艺优化至关重要。在这个背景下，基于支持向量机的软测量建模研究有着广泛的应用前景。
二、研究内容和方法
该研究的目的是建立石脑油裂解制乙烯过程软测量模型，实现对关键过程变量的在线估计和预测。研究内容涉及以下几个方面：
1.搜集石脑油裂解制乙烯过程的历史数据，包括反应温度、反应压力、反应时间、加热炉温度、加热炉进料量等关键过程变量和乙烯产出量等产品性质变量。
2.对所搜集到的数据进行数据预处理和特征提取，并进行数据分析和规律挖掘，寻找关键过程变量之间的关联关系。
3.建立基于支持向量机的软测量模型，将关键过程变量和产品性质变量作为输入变量，构建合适的数据集，采用支持向量机算法对其进行训练和优化。
4.对模型进行测试和验证，在实验室条件下进行实时数据采集和分析，将实时采集的数据输入到模型中，检验模型的预测精度和稳定性，并进行模型优化。
三、研究预期成果
通过本研究，预期能够建立一种准确、可靠、稳定的基于支持向量机的软测量模型，实现对石脑油裂解制乙烯过程的关键过程变量的在线预测和估计。该模型能够提高产品质量的稳定性和工艺的优化水平，并为实现精准控制和智能化生产奠定基础。
四、研究难点及解决方案
本研究的难点主要包括：
1.关键过程变量之间的关联关系不确定性。
2.如何构建合适的数据集能够有效地对支持向量机模型进行训练和优化。
针对以上难点，我们将采取以下解决方案：
1.通过实验设计和数据分析的方法，准确从历史数据中提取关键变量之间的关联关系，构建合适的数据模型。
2.采用特征选择算法和特征排除算法提取出关键变量的主要特征，构建合适的数据集并进行训练和优化。
五、论文结构和进度安排
本研究的论文结构主要包括以下内容：
第一章：绪论，介绍研究背景、意义、研究内容和方法；
第二章：石脑油裂解制乙烯的工艺流程及关键过程变量的提取方法；
第三章：基于支持向量机的软测量建模方法及关键技术；
第四章：数据预处理和特征提取方法及数据筛选算法；
第五章：基于支持向量机的软测量模型的建立及模型优化方法；
第六章：实验结果分析、讨论、结论和展望。
本研究的进度安排如下：
第一年：完成研究背景和意义的分析、文献调研和石脑油裂解制乙烯过程的数据搜集和分析；
第二年：完成数据预处理和特征提取方法的建立和数据筛选算法的优化；
第三年：完成基于支持向量机的软测量建模和模型优化；
第四年：完成实验结果分析、讨论和撰写论文。
六、参考文献
1.Chou,Y.C.,Lin,Y.C.,Lin,J.R.(2008).AhybridsoftsensorbasedonPCAandsupportvectorregression,ProceedingsoftheIEEE-IECON.pp.3139-3144.
2.Coello,C.A.,Melin,P.,Pedrycz,W.(2005).Adaptivefuzzymodelingwithsphericalfuzzysetsandgenetictuningforsoftsensorapplications,IEEETransactionsonFuzzySystems.Vol.13,No.6,pp.821-837.
3.Guo,Q.,Wang,Y.,Zhang,J.,Liu,Y.(2012).Softsensormodelingbasedoncombinationofwaveletpackettransformandradialbasisfunctionneuralnetwork,IEEETransactionsonIndustrialElectronics.Vol.59,No.12,pp.4640-4649.
4.Wang,C.,Cheng,J.,Ma,Y.(2010).Anovelsoftsensormodelingmethodbasedonmultitasklearning,ProceedingsoftheIEEE-ICASE.pp.137-142.
5.Yuan,Y.,Yang,H.,Wang,Y.,Yu,X.,Qiao,B.,Wang,J.(2012).Softsensormodelingbasedonpartialleastsquaresandsupportvectorregression,Measu