遗传算法与神经网络在常减压蒸馏装置监控中的应用研究

"人工智能-遗传算法和神经网络在常减压蒸馏装置监控中的应用" 本文主要探讨了遗传算法和神经网络在常减压蒸馏装置监控中的应用，这是北京化工大学硕士研究生吴宁川在其2002年的学位论文中所研究的主题，导师为潘立登教授。该研究聚焦于复杂系统建模，具体以新疆克拉玛依石化厂第一套常减压蒸馏装置作为工业对象。 在深入理解常减压蒸馏工艺流程、工艺机理和原油蒸馏原理的基础上，研究者分析了影响粘度和闪点的各种因素。论文中详细介绍了如何利用工控组态软件FIX，结合VC和VB开发了软测量仪表，用于实时监测和记录常三线、减一线、减二线、减三线和减四线的粘度和闪点。这些仪表具备实时曲线显示和历史数据报表输出功能。 核心研究内容集中在径向基函数(Radial Basis Function, RBF)神经网络的学习算法上。除了经典的聚类和正交最小二乘学习算法外，论文还引入了遗传算法来优化RBF神经网络的模型结构。遗传算法的应用使得网络能够更好地适应不断变化的工作区间。此外，考虑到工业对象可能存在多个工作区间的特点，研究者探索了多神经元网络的可能性，提出了基于广义信息熵融合策略的异构RBF多神经网络，并进行了编程实现。 通过仿真对象和实际工业对象的数据，作者对比了不同RBF神经网络模型的建模效果，实验结果显示每种学习算法都有其独特的优势和局限性。关键词涵盖了软测量仪表、遗传算法、RBF神经网络、广义信息熵融合策略、多神经网络以及FIX组态软件。 总体而言，这篇论文展示了遗传算法和神经网络在常减压蒸馏装置监控中的创新应用，为提高工业过程控制的精度和效率提供了新的技术思路。