研究小脑小脑模型网络在氧化铝高压溶出和沉降分离中运用

论文导读：由www.7ctime.com,需要论文可以联系人员哦。摘要4-5Abstract5-101引言10-181.1课题的提出10-121.1.1课题的社会背景101.1.2课题的探讨背景10-111.1.3课题的探讨目的和作用11-121.2国内外探讨近况12-161.

2.1软测量技术探讨近况12-141.2小脑模型神经网

摘要：氧化铝生产工艺是一个复杂连续的化工工业生产历程，高压溶出和沉降分离是氧化铝生产历程中很关键的两个工序。苛性比值是高压溶出历程一项重要的技术指标，稀释固含则是沉降分离工序重要的制约参数，它们不仅对氧化铝生产具有重要的指导作用，而且反映了氧化铝工业的产品质量。然而，目前苛性比值与稀释固含的检测是通过化学浅析直接计算得到，测量结果有着较大的滞后，不能实时反映生产工况。由此，本论文基于小脑模型(Cerebella ModelArticulation Controller,CMAC)神经网络建立苛性比值与稀释固含的软测量模型，通过CMAC网络构造可测辅助变量与主导变量的联系模型，间接估计主导变量，实现对苛性比值与稀释固含的在线实时检测。论文主要工作内容如下：第一、针对Albus提出的CMAC网络概念映射算法有着映射地址空间分布不均匀的缺陷，引入基于启发式策略的最优偏移矢量算法，使地址空间分布更加统一均匀，提升CMAC网络建模的精度和泛化性能；第二、针对传统CMAC网络的学习算法—最小均方(Least Mean Square,LMS)算法本身有着收敛速度和稳态性能之间的矛盾，采取基于双曲正割函数的变步长LMS自适应算法作为CMAC网络学习算法，兼顾收敛速度和稳态失调两个指标，提升CMAC网络建模的鲁棒性和稳定性；第三、浅析氧化铝高压溶出和沉降分离历程的工艺机理，选取苛性比值与稀释固含软测量模型的可测辅助变量，并采取部分最小二乘法对辅助变量降维，简化苛性比值与稀释固含软测量模型的输入空间，降低软测量模型的复杂性，提升模型的收敛速度和精度；第四、设计并编码实现了基于小脑模型网络的苛性比值与稀释固含软测量系统，实现对苛性比值与稀释固含的在线实时检测，并对采取传统CMAC网络的软测量系统与采取改善CMAC网络的软测量系统进行性能比较，结果表明改善后的CMAC网络建立的软测量系统预测的苛性比值与稀释固含和实际生产值非常接近，准确率更高，且预测的稳定性更好。基于对氧化铝高压溶出和沉降分离历程的机理浅析，探讨苛性比值与稀释固含在高压溶出与沉降分离历程中的运用，采取实时检测的苛性比值与稀释固含指导高压溶出和沉降分离历程，制约氧化铝生产工况，提升氧化铝工业效益。关键词：高压溶出论文沉降分离论文小脑模型神经网络论文苛性比值论文稀释固含论文软测量技术论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要4-5
Abstract5-10
1 引言10-18

1.1 课题的提出10-12

1.1 课题的社会背景10

1.2 课题的探讨背景10-11

1.3 课题的探讨目的和作用11-12

1.2 国内外探讨近况12-16

1.2.1 软测量技术探讨近况12-14

1.2.2 小脑模型神经网络探讨近况14-15

1.2.3 氧化铝生产历程中苛性比值与稀释固含的软测量技术探讨近况15-16

1.3 课题面对的难题16-17

1.4 章节安排17-18

2 小脑模型神经网络18-28

2.1 CMAC 神经网络18-22

2.

1.1 CMAC 神经网络的结构18-19

2.

1.2 CMAC 神经网络的工作原理19-21

2.

1.3 CMAC 神经网络的学习算法21-22

2.2 CMAC 神经网络的探讨近况22-25

2.1 CMAC 泛化性能的探讨22

2.2 Albus 的 CMAC 的概念映射算法22-23

2.3 主对角线概念映射算法23-25

2.3 CMAC 网络学习算法的改善探讨25-26

2.3.1 变步长因子迭代算法25

2.3.2 基于指数函数的变步长 LMS 自适应算法25-26

2.4 小结26-28

3 软测量技术28-34

3.1 软测量技术介绍28-29

3.2 软测量实现历程29-33

3.

2.1 软测量的辅助变量选择29-30

3.2.

1.1 辅助变量数量的选择29-30

3.2.

1.2 辅助变量类型的选择30

3.2.

1.3 辅助变量检测点位置的选择30

3.2.2 软测量的数据处理30
3.

2.3 软测量建模30-33

3.

2.3.1 多变量统计建模策略31

3.

2.3.2 系统辨识策略31

3.

2.3.3 人论文导读：

工神经网络31-33

3.

2.4 软测量的在线校正33

3 小结33-34 4 氧化铝高压溶出和沉降分离工艺34-46

4.1 氧化铝工业介绍34

4.2 拜耳法生产工艺介绍34-36

4.3 高压溶出工艺36-41

4.

3.1 溶出工艺介绍36-37

4.

3.2 高压溶出历程的化学反应37-38

4.

3.3 铝酸钠溶液的苛性比值38-39

4.

3.4 影响苛性比值的因素浅析39

4.

3.5 苛性比值机理模型39-41

4.4 沉降分离工艺41-44

4.1 赤泥沉降分离系统41-42

4.2 稀释固含42

4.3 影响赤泥沉降分离的其他因素42-43

4.4 絮凝剂的运用43

4.5 絮凝剂添加机理模型43-44

4.5 小结44-46

5 小脑模型网络在氧化铝高压溶出和沉降分离中的运用46-64

5.1 软测量模型的输入变量46-49

5.

1.1 苛性比值和稀释固含的影响因素46-47

5.

1.2 部分最小二乘法47-49

5.

1.3 软测量模型的输入变量49

5.2 改善的小脑模型神经网络49-52
5.

2.1 基于启发式策略的最优偏移矢量算法49-51

5.

2.2 基于双曲正割函数的变步长 LMS 自适应算法51-52

5.3 基于小脑模型神经网络的软测量建模52-55
5.

3.1 输入数据规范化52-53

5.

3.2 输入向量量化53

5.

3.3 输入空间 X→虚拟存储空间 Ac53

5.

3.4 虚拟地址空间 Ac→实际地址空间 Ap53-54

5.

3.5 CMAC 网络输出和权值调整54-55

5.4 小脑模型网络在氧化铝高压溶出和沉降分离中的运用55-62
5.

4.1 苛性比值软测量系统在高压溶出历程的运用56-59

5.

4.2 稀释固含软测量系统在沉降分离历程的运用59-62

5.5 小结62-64
6 总结与展望64-66

6.1 工作总结64

6.2 有着的不足与展望64-66

致谢66-68
参考文献68-72
个人简历、在学期间发表的学术论文及取得的探讨成果72