一、植物有效成分常规浸取的软测量模型（论文文献综述）
郑蓉建[1]（2020）在《谷氨酸发酵过程的软测量建模研究》文中研究说明生物产业（含发酵食品、发酵化学品、发酵医药品、发酵能源等）是国民经济的支柱产业,广泛应用于食品、饲料、医药和化工等领域。谷氨酸是世界上产量最大的氨基酸,主要通过发酵生产。在发酵过程中,重要生化参数（如菌体浓度、基质浓度、产物浓度等）的实时获取,对于过程的控制与优化具有十分重要的意义。然而发酵过程具有强烈非线性、时变性、强耦合等特征,关键生化参数无法在线检测,目前生产中大都采用实验室取样分析方法来得到。为此,软测量技术通过建立过程在线易测辅助变量与难测主导变量（重要生化参数）之间的数学模型,来实现对发酵过程重要生化参数的预测估计,是解决上述问题的有效途径。在过去几十年里,软测量技术已经成为过程控制领域的研究热点,并在工业过程中得到广泛应用。本课题来源于国家自然科学基金面上项目（项目编号61273131）“生物反应过程的在线支持向量机建模与优化”,以典型生化过程——谷氨酸发酵过程为研究背景,结合谷氨酸发酵过程的实际生产操作机理,对谷氨酸发酵过程中难于在线测量的关键生化参数的软测量建模及相关问题进行了深入研究,取得的研究成果如下:（1）针对谷氨酸发酵过程关键生化参数无法在线检测给发酵优化控制带来困难问题,建立了改进遗传算法对模型参数进行辨识的谷氨酸分批流加非结构动力学模型。在发酵过程常用的Logistic模型、Luedeking-Piret等方程基础上建立了谷氨酸分批流加非结构动力学模型,分别采用非线性规划、基本遗传算法、改进遗传算法对模型参数进行辨识,并对不能在线测量的重要生化参数如菌体浓度、基质浓度和产物谷氨酸浓度进行拟合和估计预测,谷氨酸发酵实验和仿真结果验证了所建动力学模型的有效性。（2）针对高度非线性、时变性的谷氨酸发酵过程动力学模型存在批次性、预测精度差、机理建模困难问题,基于生化过程多阶段特性,提出多阶段支持向量机回归的数据驱动软测量模型、并应用于谷氨酸发酵过程产物浓度的预测。为此,首先建立了基于移动窗的皮尔逊相关系数结合线性回归的发酵过程阶段分割方法,分割结果与常规离线化验分析结果基本一致;其次,基于阶段划分的基础上建立多阶段支持向量机回归的产物谷氨酸浓度预测软测量模型。实验和仿真结果表明,多阶段模型相比全局单模型具有更高的预测能力。（3）针对支持向量机回归模型运算时间过长、谷氨酸发酵过程影响因素存在耦合等问题,在分析最小二乘支持向量机理论基础上,建立了偏最小二乘和最小二乘支持向量机相结合的谷氨酸发酵过程软测量模型。首先通过相关系数矩阵对输入变量进行相关性分析,表明变量间存在较强相关性;进一步采用方差膨胀因子对变量的多重共线性进行诊断,结果表明变量间存在中等程度共线性,需要对输入相关变量进行筛选。为此,利用偏最小二乘找出对预测模型输出变量重要的输入变量,降低预测模型输入变量维数、消除相关性、简化模型,以提高预测模型的精度。进一步,运用耦合模拟退火算法对最小二乘支持向量机的参数进行优化,谷氨酸发酵实验仿真结果表明,所建模型预测精度高,可为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。（4）针对支持向量机回归和最小二乘支持向量机等参数化回归软测量建模存在过拟合、参数设置困难、不能刻画预测结果不确定问题,设计了一种基于特征关联性的输入变量选择、超参数自适应获取、输出具有概率特性的自相关决定高斯过程软测量模型,并应用于谷氨酸发酵过程。首先应用高斯过程回归模型进行训练,同时在贝叶斯框架下,确定协方差函数中的超参数,利用训练好的高斯过程回归模型进行预测。其次,分析了谷氨酸浓度对发酵参数的感度发现,发酵时间、CO2释放速率CER、O2消耗速率OUR对谷氨酸浓度影响最大。进一步,分析了预测值的不确定性即方差和模型输入在线变量之间变化关系,当发酵罐温度T、CO2释放速率CER、O2消耗速率OUR异常变化时,发现预测值的方差随之发生明显变化,可利用预测值的方差异常变化作为发酵过程状态或传感器异常的指示器。谷氨酸发酵实验和仿真研究表明,所建基于特征关联性的自相关决定高斯过程回归的软测量模型可以实现对谷氨酸浓度的较高精度预测,且预测结果具有较小的置信度区间,满足发酵过程实时控制需要。（5）谷氨酸发酵过程是一个复杂的生化过程,在无法根据发酵过程复杂内部机理建立准确的动力学模型的条件下,要实现发酵过程的优化控制是一个具有挑战性的课题。基于对谷氨酸发酵过程机理分析和研究,运用软测量技术建立了难测参数的软测量模型,设计和优化了谷氨酸发酵过程溶氧控制,将所建软测量模型应用于谷氨酸发酵过程异常批次的识别,并基于罗克韦尔公司开发的RSLogix5000编程软件平台开发了一套谷氨酸发酵过程软测量建模及优化控制系统。通过实际应用表明,该系统能满足谷氨酸发酵过程的实际运行需求,提高了自动化水平,减轻操作人员的劳动强度。
杨刚[2]（2020）在《钢渣用于Ni/Pb污染土壤原位固化稳定化修复的研究》文中进行了进一步梳理为开发钢渣高附加值资源化利用新途径,本文基于在重金属污染土壤固化剂方面的应用,考察了宝钢三种钢渣的基本性质,并在重金属溶液中开展不同钢渣对Ni2+、Pb2+离子的吸附性能研究,最终选择转炉钢渣粉为研究对象。开展转炉钢渣粉作为固化剂对Ni2+、Pb2+重金属污染土壤固化效果的研究:考察了转炉钢渣粉固化Ni2+、Pb2+重金属污染土壤的效果,研究了转炉钢渣粉固化Ni2+、Pb2+重金属离子的作用机理、转炉钢渣粉-水泥复配协同固化Ni2+、Pb2+重金属污染土壤的效果,开发了一种全新的重金属污染土壤固化剂新材料。具体成果如下:研究了铁水渣、转炉渣和电炉渣的浸出毒性、矿物组成、粉磨功指数、胶砂活性指数、f-CaO含量、孔结构等基础性质,并利用不同细度的钢渣在Ni2+、Pb2+离子溶液中进行吸附试验,得出了以下结论:（1）铁水渣在粉磨功指数、胶砂活性指数等方面有优势,但f-CaO含量太高,易因安定性不良导致固化体开裂;电炉渣的粉磨功指数、胶砂活性指数指标均不理想,粉磨能耗高且胶凝性差;而转炉渣各方面性能均适于作为固化剂使用。（2）细度区间为320-340目的转炉钢渣粉对重金属溶液中Ni2+离子、Pb2+离子吸附效果最优。研究了转炉钢渣粉对Ni2+、Pb2+重金属污染土壤的固化效果,测试分析了转炉钢渣粉添加量、固化时间等因素对Ni2+、Pb2+重金属污染土壤的固化效果的影响,为了提高固化率,研究磷酸改性转炉钢渣粉对重金属污染土壤修复效果的影响。发现:（1）转炉钢渣粉的加入可以明显提高重金属污染土壤的pH值,创造适宜重金属“钝化”所需的碱环境。（2）随着转炉钢渣粉的增加,重金属土壤中Ni2+离子浸出浓度和Pb2+离子浸出浓度均呈现明显的下降趋势,对重金属土壤具有良好的修复效果。转炉钢渣粉添加量为25%时,随着固化时间的增加,重金属土壤中Ni2+离子的浸出浓度下降显着,Pb2+离子的浸出浓度下降不显着且比较平稳。（3）适量磷酸处理有利于磷酸改性转炉钢渣粉形成较好的多孔结构,增大比表面积和孔体积,不仅利用离子交换方式将Ni2+离子、Pb2+离子固定在其表面,而且利用水化形成含水硅酸钙（C-S-H）实现对重金属土壤的包裹效果。当转炉钢渣粉用量为80g,磷酸用量为3.2mL时,磷酸改性转炉钢渣粉具有良好的孔结构;磷酸改性转炉钢渣粉用量为25%时对重金属污染土壤具有良好的修复效果。为揭示转炉钢渣粉固化Ni2+离子、Pb2+离子的作用机理,以转炉钢渣粉作为研究对象,采用傅里叶红外光谱仪研究不同固化时间节点下转炉钢渣粉对重金属污染土壤的固化效果,并从微观的层面揭示转炉钢渣粉对重金属污染土中Pb2+离子、Ni2+离子的固化过程以及重金属污染土壤-转炉钢渣粉混合物的微观结构。同时利用扫描电镜及能谱仪对上述测试与分析结果进行佐证。发现:（1）转炉钢渣粉对重金属污染土壤中Pb2+离子、Ni2+离子均具有较好的固化效果,在180d内固化率均达到了90%以上,其最低固化时间为3d,Pb2+离子、Ni2+离子分别以PbCO3、3Ni（OH）2·2H2O、Ni2SiO4的形式进行钝化。（2）转炉钢渣粉对重金属污染土壤中Pb2+离子、Ni2+离子固化过程可以分为三个阶段:前期（1～3d）,重金属污染土壤-转炉钢渣粉混合物中碱环境较高,加速形成3Ni（OH）2·2H2O,固化方式以离子交换为主;中期（7～42d）,重金属污染土壤-转炉钢渣粉混合物中OH-浓度下降,离子交换作用减弱和凝胶固化作用增强,促使Ni2SiO4的生成,同时形成大量CO32-,有利于PbCO3的形成;后期（56～180d）,重金属污染土壤-转炉钢渣粉混合物中形成大量C-S-H凝胶,对重金属污染土壤进行包裹,凝胶固化作用进一步增强。（3）利用高碱度环境通过离子交换固化Pb2+离子、Ni2+离子的效果强于水化硅酸钙凝胶（C-S-H）的固化效果,同时高碱度环境能抑制重金属污染土壤中的Pb2+离子、Ni2+离子的浸出,从而进一步提升转炉钢渣粉对污染土壤的固化效果。基于高斯过程回归建立软测量模型,研究了用该模型预测固化剂对污染土壤中Pb2+离子、Ni2+离子固化效果的有效性,发现该模型的预测结果与实际结果相比略偏小,其绝对误差为-0.94～-0.62,相对误差为-0.63%～-1.00%。为了弥补用转炉钢渣粉固化重金属污染土壤的无侧限抗压强度不足的缺点,将转炉钢渣粉与普通硅酸盐水泥进行复合制备转炉钢渣粉-水泥复合固化剂。采用正交试验方法,研究粉胶比、添加量、液固比和固化时间对复合固化剂固化Pb2+离子、Ni2+离子效果的影响,采用生化试验验证了复合固化剂对污染土壤中Ni2+、Pb2+离子的固化效果。研究结果表明该复合固化剂对重金属污染土壤中Ni2+离子、Pb2+离子具有良好的固化效果:（1）固化时间与添加量是影响复合固化剂对Ni2+离子、Pb2+离子固化效果的主要因素,但粉胶比对不同重金属离子的固化效果影响也很明显。（2）当粉胶比3:7、添加量25%、液固比1:3和固化时间28d时复合固化剂对Ni2+离子固化效果最佳。（3）当粉胶比6:4、添加量25%、液固比1:3和固化时间28d时复合固化剂对Pb2+离子固化效果最佳。（4）复合固化剂对Ni2+离子的固化率可达96%～99%,而对Pb2+离子的固化率大多在96%以下,因此,复合固化剂对Ni2+离子比Pb2+离子的固化效果更好。
郭爱静[3]（2020）在《植保机运行速度与喷药量最佳匹配优化方法研究》文中提出植保机械的智能化发展是现代农业发展的重要组成部分。而当植保机在作业过程中受到路况和植保机自身部件工作状态的影响,或者在工作过程中植株高度的变化和对喷药系统参数的设置不当时,易发生喷杆欠喷、过喷以及药滴产生漂移而没有落在叶面上的情况,导致喷药分布均匀性差、喷药质量不高、喷药效率低等问题。为了提高喷药质量,对植保机喷药分布均匀性的控制进行研究具有重要意义。文章研究内容如下:首先,针对实际作业中不能直接得到分布变异系数值对喷药质量进行评价的情况,对植保机工艺原理和影响均匀性的因素进行分析,考虑到喷头磨损对于喷药分布均匀性存在影响,而大多数研究都忽略了此因素。本文将喷头磨损与工作压力、喷药高度和植保机运行速度四种影响因素作为输入,采用深度置信网络方法建立喷药分布均匀性的软测量模型,确定影响因素与喷药分布均匀性之间的关系,对喷药质量进行评价。根据植保机试验台测得的数据对软测量模型进行试验验证,结果表明该模型能够准确的预测喷药分布变异系数值,证明了均匀性软测量模型的有效性。其次,根据所建立的喷药均匀性软测量模型和实际作业中通过压力控制流量的方式保证均匀性,利用神经网络逆模型的方法根据工作压力、喷药高度、喷头使用时间和分布变异系数确定喷药系统最佳压力设定值。在此基础上,建立了喷药系统的状态空间模型,采用滑模变结构控制算法设计了压力控制器,使工作压力能够快速跟踪到所求得的最佳压力设定值,保证喷药分布均匀性。仿真结果表明本文所设计的滑模控制器具有良好的跟踪控制性能,满足植保机喷药系统作业所需的控制精度,保证喷药质量。
李霏[4]（2020）在《污水处理过程智能检测与优化控制的研究》文中研究表明污水处理过程（Wastewater treatment process,WWTPs）具有复杂的生物、物理和化学特性,且因其变量之间严重的耦合关系和高度的非线性而难以控制。目前,我国采用活性污泥法去除水中的污染物,该生化反应过程耗电量高,产生了巨大的运行成本,且鲜有研究专注于减少或完全消除污染物浓度峰值超标的问题。此外,随着世界范围内实施愈加严格的标准和法规,高额的罚款将导致成本增加。因此,如何实现污水处理全流程出水水质实时达标,提高污水处理质量并减少能耗是一个亟待解决的难题。其主要体现在:1)出水氨氮（Ammonia nitrogen,NH4-N）做为污水处理过程中水污染控制系统的关键因素,水质在线检测难以实现并具有挑战性;2)如何求得收敛性与分布性最好的帕累托（Pareto）最优解,从而获得最佳的溶解氧和硝态氮设定值;3)WWTPs的评估策略不仅仅涉及一个目标,而是多个目标,如出水水质、运行成本及系统的稳定性。如何实现在保证平均出水水质达标的前提下降低成本显得尤为重要;4)污水处理过程是一个复杂动态系统,多个目标随时间变化,如何采用动态控制策略实现在环境发生变化时快速跟踪移动的Pareto前沿,实现污水处理的优化运行;5)如何实时在完全消除出水峰值超标的前提下,提高污水处理质量并减少能耗。针对以上问题,本文提出了污水处理过程智能检测与优化控制的研究策略。首先,分析了污水处理过程特性,建立基于数据驱动的污水处理过程智能检测方法预测出水氨氮浓度。其次,设计能耗和水质多目标优化算法,求取溶解氧和硝态氮的优化设定值,并采用自组织跟踪控制器来追踪该设定值。此外,提出动态多目标优化控制方法,从而应对环境的动态变化,获得较好的控制性能。最后,依据关键水质智能检测结果,设计知识决策方案,提供抑制峰值超标的优化控制策略,并采用国际基准仿真平台（Benchmark Simulation Model No.1,BSM1）进行验证。论文主要研究工作和创新点如下:（1）基于人工免疫自组织径向基神经网络（Radial basis function neural network,RBFNN）出水NH4-N预测器水污染是一个重要的环境问题,水质在线检测仍是亟待解决的难题,特别是出水NH4-N超标已成为焦点之一。NH4-N超标可能引起水体富营养化,增加污水遗传毒性,危及人类健康。为了使污水处理过程能够实时了解NH4-N浓度,本论文提出了一种基于距离浓度人工免疫自组织RBFNN（Self-organizing RBF neural network based on distance concen-tration immune algorithm,DCIA-SORBF）的NH4-N预测器。首先,对实际采集到的数据进行预处理,并选择与出水NH4-N具有较强相关性的过程变量。此外,采用RBFNN创建出水NH4-N的软测量模型,并通过距离浓度人工免疫算法对其结构和参数自组织调整。最后,采用训练好的DCIA-SORBF模型对出水NH4-N进行实时预测。实验结果表明,所提出的出水NH4-N预测器在效率和精度上具有显着的优越性。（2）基于均匀分布的自适应混合进化人工免疫算法通常,在迭代过程中的进化算法,无论是多目标优化问题还是单目标优化问题,目标空间都存在个体分布不均匀的问题。这种不均匀的分布大大降低了种群的多样性和收敛速度。为此,本论文提出了一种基于均匀分布选择机制的自适应混合进化免疫算法（Adaptive hybrid evolutionary immune algorithm based on a uniform distribution selection mechanism,AUDHEIA）。在该算法中,种群中的个体被映射到与目标空间相对应的超平面,并聚类以增加种群中个体的多样性。为了改善解的分布性,将映射的超平面进行均匀分区。随着迭代过程中分布性的不断变化,自适应地调整判断种群分布标准的阈值。当相应区间内不满足阈值时,激活分布性增强模块。随后,在每个区间内选择相同数量的个体。然而,在迭代过程中,有时某些区间内没有足够的个体或为空。此时,采用最优个体的极限优化变异策略来补足个体。实验结果表明,该算法能够较好地跳出局部最优,具有较高的收敛速度。此外,该算法的分布性和收敛性均优于文中同类的测试算法。（3）污水处理过程免疫多目标优化控制方法针对污水处理过程控制中能耗过大,出水水质严重超标等问题,提出了一种基于免疫优化的智能控制方法。首先,该方法以污水处理能耗和出水水质作为优化目标,建立优化目标函数模型。其次,采用本论文提出的AUDHEIA来获得收敛性和分布性较好的Pareto解,从而得到最佳的溶解氧和硝态氮优化设定值。最后,应用自组织递归模糊神经网络控制器对该设定值进行底层的跟踪控制。为了验证算法的有效性,在国际基准的污水处理仿真平台BSM1上进行实验。结果显示,所提出的免疫优化控制方法,能够在满足出水水质达标的同时,有效地降低污水处理过程能耗。（4）污水处理动态过程免疫优化控制方法由于污水处理过程动态变化,且能耗和水质存在相互冲突的耦合关系。在环境发生变化时,固定的优化设定值已无法有效地快速实现污水处理的优化运行。为此,本论文提出了一种动态多目标免疫优化控制（Dynamic multi-objective immune optimization control,DMOIA-OC）方法。该方法通过数据建模获得动态变化的目标函数,并设计动态免疫优化（Dynamic multi-objective immune algorithm,DMOIA）算法来获取随环境动态变化的溶解氧和硝态氮的最佳设定值。DMOIA采用多向预测策略,以提高进化算法求解动态多目标优化问题的性能。为了更精确地预测Pareto解集的移动位置,通过自适应均匀分布策略将种群聚类为多个代表性的组,并根据环境变化预测个体进化方向,在预测的新位置周围重新初始化种群。最后,该方法通过BSM1仿真平台进行验证。实验结果表明,所提出的DMOIA-OC方法与同类方法相比,控制性能显着提高。（5）污水处理过程智能检测与优化控制系统为了实现污水处理过程全流程有效抑制出水水质峰值超标且节能降耗的目的,本论文提出了污水处理过程智能检测与优化控制（Intelligent detection and optimal control of wastewater treatment process,IDOC）系统。首先,该系统采用提出的DCIA-SORBF软测量模型预测出水氨氮和总氮浓度。并根据该预测结果与专家知识,设计污水处理过程全流程优化控制策略。当预测水质达标时,采用动态免疫优化算法求取高质量的溶解氧和硝态氮设定值,以达到节能降耗的目的。当预测出水水质不达标时,启动峰值超标抑制控制策略实现出水水质实时达标。最后,采用BSM1仿真模型对该方法进行验证。实验结果表明,所提出的IDOC系统可以实现全流程污水处理实时达标并能够有效地降低能耗,从而具有较好的实际应用价值。
于文志[5]（2020）在《生物质废弃物发酵制乙醇过程软测量方法研究》文中认为随着我国经济的快速增长和工业的飞速发展,对石油、天然气等化石能源的消耗也与日俱增,这些不可再生能源的全球储备量在不断的减少,且在消耗过程中会产生二氧化硫、二氧化氮等有害气体,污染大气环境。因此有必要寻找一种可替代能源,燃料乙醇作为一种清洁能源,可以由粮食、秸秆等发酵制取,是一种理想的替代能源。在发酵期间,乙醇浓度作为最终产物,是衡量一次发酵是否成功的标准,但是目前没有成熟的检测乙醇浓度的传感器能够应用于实际生产中,离线测量的方法滞后性大,且存在染菌的风险,适合在实验室中使用。生物质废弃物发酵制取乙醇的过程是一个十分复杂的生化反应过程,乙醇浓度、温度、湿度、酸碱度等各元素之间具有较强的非线性和滞后性。为了准确对发酵过程中发酵液中乙醇浓度进行实时检测,本文主要做了以下研究内容:首先,介绍了生物质废弃物发酵制取乙醇的工艺流程,并根据实际操作环境选择合适的发酵工艺和发酵装置。其次,对现有发酵过程中关键变量的测量方法进行研究,分析各方法的优缺点。以所调查的现有测量方法为基础,以发酵机理为理论依据,对发酵环境的检测进行了硬件设计,包括溶解氧、二氧化碳、温湿度等参数的测量。最后,针对发酵过程中乙醇浓度难以检测的情况建立了BP神经网络软测量模型,为了提高软测量模型的预测精度,选用天牛须搜索算法对BP神经网络结构中的权值和阈值进行寻优,建立了BAS-BP软测量模型;针对发酵过程中存在的大滞后现象,采用广义差分算法对时滞测量值进行辨识,并将时滞值融入到样本数据中,建立T-BAS-BP软测量模型。仿真结果表明,经BAS寻优的软测量模型具有更高的预测精度,将时滞测量值融入到软测量模型中,有利于建立更加精准的软测量模型,能够实现对乙醇浓度的实时检测。
于美芳[6]（2020）在《海洋碱性蛋白酶MP发酵过程软测量建模及监测系统研究》文中认为近年来,海洋开发技术迅猛发展,使得海洋工程在国民经济体系中占据重要地位。海洋低温碱性蛋白酶MP（marine protease）是一种新型来源的蛋白酶,与其他陆源蛋白酶相比,能够有效地解决工业生产中存在的酶活要求高,恶劣环境下不稳定及易失活等问题,这些优良特性使其在洗涤业、环境保护、食品加工以及国防等领域内大量应用。在实际的发酵过程中,为了提高酶制剂的生产效率和产品品质,缩减经济成本,必须将发酵过程的关键参量调节在特定的范围内。但细胞的生长及产酶过程受外界环境影响较大,发酵过程各状态参量间存在着复杂的非线性动态关系,解耦困难,且反映发酵品质的关键参量在测量方面存在测量稳定性不高、价格昂贵等严重缺陷,成为制约海洋碱性蛋白酶优化控制的瓶颈问题。基于上述问题,本文在国家自然科学基金（41376175）、江苏省自然科学基金（BK20140568）和江苏省高校自然科学基金面上项目（14KJB51005）的支持下,研究了海洋低温碱性蛋白酶MP发酵过程中关键生物量的软测量问题。论文主要包括以下研究内容。考虑到海洋低温碱性蛋白酶MP发酵过程的多输入多输出、非线性、强耦合特性,以及关键生物参数（菌体浓度、基质浓度以及相对酶活等）很难在线预测等因素,设计了一种基于ABC-MLSSVM（人工蜂群的多维最小二乘支持向量机）逆的海洋碱性蛋白酶MP发酵过程软测量方法,并利用MATLAB进行仿真,验证了该软测量建模方法能较好地解决海洋碱性蛋白酶MP发酵过程关键生物参数在线实时估计问题。首先,基于发酵过程物料平衡关系建立海洋碱性蛋白酶MP连续发酵过程的“灰箱”动力学模型,理论证明该系统可逆后,引入海洋碱性蛋白酶MP发酵过程的参数信息参与逆扩展模型的构建;然后利用LSSVM（最小二乘支持向量机）的拟合能力离线辨识初始逆扩展模型,同时为了减小模型偏差,通过ABC（人工蜂群）算法在线校正所建立的初始逆扩展模型;最后,把该逆扩展模型与海洋碱性蛋白酶MP发酵过程相串联形成单位复合系统,从而实现对发酵过程关键生物参数的实时在线估计,以海洋碱性蛋白酶MP发酵过程为例进行仿真实验,结果表明,与传统的支持向量机软测量方法相比,该软测量建模方法能够解决发酵过程中关键生物参量的在线预测问题,且具有更高的精度和泛化能力。其次,为了便于对海洋低温碱性蛋白酶MP发酵过程进行监测,设计了海洋碱性蛋白酶MP发酵过程监测系统,首先通过下位机嵌入式系统对发酵过程中离线采集到的样本数据进行分析处理,为了便于实时监测,同时将其传输到上位机,并利用ABC-MLSSVM逆软测量算法预测模块,完成对关键变量（菌体浓度、基质浓度及相对酶活）的在线预测功能,促进了海洋低温碱性蛋白酶MP在工业生产中的应用。最后,总结了本文的主要研究内容及成果,提出了论文中的不足及今后相关研究的改进方向。
闫成忍[7]（2020）在《基于LM-GA算法的GA-PSO-BP神经网络烧结终点预测控制研究》文中进行了进一步梳理烧结过程是钢铁冶金生产的一项基础环节,也是非常复杂的非线性动态时变的一个过程。烧结终点（BTP）是指烧结混合料完全烧透的位置,可用烧结机的风箱表示。烧结终点作为烧结状态的一个重要参数,可以直接展现出烧结过程的状态,并对烧结矿的质量、产量有重要影响。烧结终点具有多变量、非线性、强耦合、大滞后等特点,利用系统的机理建模和传统控制方法难以对其准确预测和控制。针对烧结终点难以预测和控制的问题,本文开展了烧结终点预测模型和烧结终点预测控制器的研究。具体研究如下:首先本文在分析烧结过程的特点特性以及影响烧结终点相关因素基础上,确定了五个较大的影响因素:烧结台车运行速度、BRP处（17号）风箱温度、点火温度、布入料层厚度、二混含水量。利用废气风箱温度建立了烧结终点的软测量模型。由于BP神经网络对非线性系统有很强的逼近能力,因此选用BP神经网络做烧结终点模型的辨识,为使BP性能更优,采用遗传-粒子群（GA-PSO）混合算法优化神经网络的权值和阈值,建立了GA-PSO-BP神经网络烧结终点预测模型,通过仿真表明该预测模型具有较高预测精度。然后对于L-M算法对初值较为依赖的缺点,使用遗传算法对L-M算法改进,利用GA算法的全局收敛能力强的优点为L-M算法提供优质初值,从而提高L-M算法的计算速度,克服L-M算法过于依赖初值的不足,经仿真测试表明LM-GA算法的寻优性能更优。最后针对烧结终点的预测控制器做了设计研究。利用GA-PSO-BP建立烧结终点预测模型,在BP神经网络预测控制器的滚动优化部分使用LM-GA算法获取最优初始控制量台车速度,控制器通过台车速度控制烧结终点。通过仿真结果分析,本文设计的烧结终点预测控制器比常规的预测控制器、PID控制器的性能更优,其响应速度更快,调节时间更短,抗干扰能力和鲁棒性更强。
王丹[8]（2020）在《SMB色谱分离过程软测量建模方法研究》文中研究指明针对传统人工检测方法在测量模拟移动床色谱分离过程时存在精度低、实时性差等问题,采用软测量技术来完成对模拟移动床色谱分离关键过程的预测。因此本文提出采用基于模糊神经网络的软测量方法对移动床色谱分离过程的实时控制具有重要意义的。本文具体的工作主要有以下几个方面:首先基于模拟移动床色谱分离过程和自适应神经模糊推理系统的应用特点,采用自适应神经模糊推理系统建立了软测量模型;采用基于网格划分、减法聚类和模糊C均值聚类算法对自适应神经模糊推理系统输入数据空间进行划分;采用Gradient算法、Kalman算法、Kaczmarz算法和Pseudoinv算法对其后件参数进行优化;利用数据空间划分方法和后件参数优化算法相结合的混合算法来优化自适应神经模糊推理系统;建立基于ANFIS的软测量模型对模拟移动床色谱分离过程进行预测。其次采用粒子群优化算法优化自适应模糊推理系统参数,对粒子群的不同惯性权重调整方法进行分组研究,比较其优化后的自适应模糊推理系统的性能;分别建立基于随机惯性权重、迭代次数函数的惯性权重和反馈信息函数的惯性权重的粒子群算法优化自适应模糊推理系统软测量模型;提出了一种软测量建模方法,该方法采用基于改进的自适应种群进化粒子群算法（New Adaptive Population evolution Particle Swarm Optimization,NAPEPSO）和最小二乘（LMS）方法相结合的混合学习算法来优化自适应模糊推理系统的模型参数,通过仿真实验验证所提软测量模型的有效性。最后针对前两种模型规则数过多的问题,对动态模糊神经网络的不同参数调整方法进行研究;分别建立基于卡尔曼滤波算法（KF）、线性最小二乘法（LLS）和扩展卡尔曼滤波法（EKF）的动态模糊神经网络软测量模型;采用滑动窗算法实现软测量模型的自适应校正;建立了基于动态模糊神经网络的模拟移动床色谱分离过程软测量模型并进行仿真研究。总之,通过仿真结果表明三种模糊神经网络软测量模型都能取得良好的预测效果,能够提高模拟移动床色谱分离过程中经济技术指标预测精度和鲁棒性,可以满足模拟移动床色谱分离过程的实时控制要求。
王磊[9]（2019）在《回声状态网络优化设计及应用研究》文中提出随着类脑计算和人工智能的发展,人工神经网络得到了广泛的应用。人工神经网络能够模拟人脑结构和功能,是一种智能信息处理系统。传统的人工神经网络一般采用梯度类算法训练权值,然而梯度算法存在一些问题,如训练过程复杂、容易陷入局部最优、存在着梯度消失和梯度爆炸的现象。近几年出现的回声状态网络（Echo state network,ESN）因其较快的学习速度和较好的泛化能力,引起了广泛的关注,并成功应用到各个领域。回声状态网络模仿大脑中递归连接的神经元电路结构,包含输入层、储备池层和输出层,其核心是由随机稀疏连接的神经元构成的储备池。ESN的输入权值、储备池权值及储备池相关参数一般进行随机初始化。本论文针对传统回声状态网络的权值随机初始化问题,建立了回声状态网络的权值初始化模型,解决了回声状态网络随机权值的优化问题;针对回声状态网络的共线性问题,建立了回声状态网络输出权值的学习算法,解决了回声状态网络的共线性问题及不适定问题;针对传统回声状态网络储备池结构的随机设定问题,建立了回声状态网络结构自组织设计模型,解决了回声状态网络的结构设计问题。针对城市污水处理过程出水氨氮的测量问题,建立了回声状态网络的软测量模型,给出了一种出水氨氮的软测量方法。因此,回声状态网络优化设计研究不但能推动ESN理论的发展,而且具有很高的实际应用价值。论文的主要研究工作和创新点如下:1.回声状态网络权值初始化研究针对回声状态网络输入权值和储备池权值的随机初始化问题,提出了权值初始化回声状态网络（Weight initialization for ESN,WIESN）。首先,利用柯西不等式和线性代数方法,确定输入权值和储备池权值的随机生成区间。其次,得到了优化的初始权值与输入样本、储备池规模和储备池状态相关,并确保神经元的输出位于sigmoid函数的激活区域。最后,对权值初始化后的ESN进行训练。2.基于自适应二阶算法的回声状态网络输出权值计算研究针对回声状态网络的不适定问题,提出了一种基于自适应Levenberg-Marquardt（LM）算法的回声状态网络（Adaptive LM-ESN,ALM-ESN）。在对输出权值训练之前,首先,采用线性代数方法对输入权值和储备池权值进行初始化,得到优化的权值区间。其次,采用LM算法代替经典的训练输出权值的线性回归方法,自适应选择阻尼项,对自适应因子采用信赖域技术进行修正。最后,给出了收敛性和稳定性理论分析。实验结果表明,与其他ESNs相比较,改进的网络具有较好的预测性能。3.基于稀疏正则化的回声状态网络输出权值计算研究针对回声状态网络储备池规模过大,冗余神经元可能导致共线性问题,提出了自适应lasso（Least absolute shrinkage and selection operator）回声状态网络（Adaptive lasso ESN,ALESN）。首先,ALESN可以间接修剪冗余神经元,从而自动选择重要的储备池神经元,得到稀疏模型,且具有oracle性质。鉴于自适应lasso本质上是一个带有l1约束的凸优化问题,因此,可以用求解lasso的相同算法求解自适应lasso。其次,对于正则化参数的选择方面,提出了一种改进的贝叶斯信息准则来进行参数选择。最后,给出了改进模型的稳定性理论分析。仿真结果表明,与其他ESNs相比较,ALESN具有较好的预测性能及较小的输出权值范围。4.增量式正则化回声状态网络结构设计针对回声状态网络的结构设计问题,给出了增量式正则化回声状态网络（Incremental regularized ESN,IRESN）。首先,通过奇异值分解原理生成子储备池,所构造的子储备池权值矩阵奇异值均小于1。其次,根据残差或者问题复杂度,将子储备池逐个添加至网络中,直至满足给定的终止条件,网络的增长过程中不需要对储备池权值矩阵进行缩放就可以保证回声状态特性。然后,正则化参数采用留一交叉验证的方法进行选取。最后,给出了IRESN的收敛性理论分析。仿真结果表明,与其他ESNs相比较,所得网络具有紧凑的结构和较高的预测精度。5.修剪型模块化回声状态网络结构设计针对回声状态网络的结构设计问题,给出了基于灵敏度分析的修剪型模块化回声状态网络（Pruning modular ESN,PMESN）。首先,利用奇异值分解原理构造多个相互独立的子储备池。其次,根据灵敏度定义网络规模适应度,由网络规模适应度确定保留的子储备池模块。最后,为了保留所删除的子储备池模块的特征信息,同时对过拟合信息进行处理,采用权值平均横向传播的方法对子储备池模块的输入权值进行更新。所提算法不需要对储备池权值进行缩放就可以保证回声状态特性。6.基于稀疏贝叶斯回声状态网络的出水氨氮软测量模型针对城市污水处理过程出水氨氮的测量问题,提出了稀疏贝叶斯回声状态网络软测量模型（Sparse Bayesian ESN,SBESN）。首先,进行数据处理及变量选择。其次,建立SBESN模型,引入两个超参数,其值由II-型极大似然估计确定,输出权值与独立先验有关,因此复杂度可以有效控制。零输出权值对应的储备池神经元可以被修剪掉,从而得到一个紧凑的结构,建立根据具体工况相匹配的网络结构,实现模型的自组织。最后,利用训练好的SBESN模型进行氨氮软测量。实验结果表明,SBESN能够实现城市污水处理过程出水氨氮快速、准确测量。
李松[10]（2019）在《基于软测量的SBR污水处理控制系统设计与实现》文中研究说明富营养化现象会导致水中藻类过度繁殖,水中溶解氧降低,水体发臭,影响水体质量。导致此类现象产生的原因,主要为水中总磷未经污水处理厂有效去除。序批式活性污泥法（Sequencing Batch Reactor,SBR）污水处理工艺是一种常见的除磷工艺,在除磷过程中由于总磷在线仪表价格昂贵且存在大滞后,无法对总磷含量实时检测,不能建立有效的控制系统,且又不能将总磷超标排放,所以导致除磷剂过量投加,对活性污泥产生毒性及增加成本。利用软测量技术可以实现对总磷值的实时预测,建立除磷过程的反馈系统,减少除磷剂投加量。因此研究基于软测量的SBR污水处理控制系统具有重要意义及实际应用价值。对SBR污水处理控制系统进行了改进,提出了一种基于软测量的SBR污水处理控制系统,分析与除磷过程存在关联的辅助变量,以软测量模型为基础,预测实时总磷含量,利用OPC通讯技术连接系统软硬件,将预测总磷值作为系统反馈值,实现对除磷药剂投加量的闭环控制;该系统还包括数据采集系统,与化学分析实验相结合,建立软测量数据集,在软测量模型的建立中,研究采用基于遗传算法对BP神经网络进行优化,调整BP神经网络的权值与阈值,减少预测误差,并通过对遗传算法参数的修改,寻找构成最优软测量模型。实验表明,利用GA优化模型参数后的BP神经网络,其在SBR工艺运行中可以准确预测实时总磷含量,提出的基于软测量的SBR污水处理控制系统与传统控制系统相比可以减少除磷剂投加量,避免了过量投加试剂所产生的危害,使SBR工艺稳定运行,具有很好的工程应用价值。
二、植物有效成分常规浸取的软测量模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、植物有效成分常规浸取的软测量模型（论文提纲范文）
（1）谷氨酸发酵过程的软测量建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外谷氨酸产业的发展现状 |
| 1.2.1 谷氨酸物化性质及发展历史 |
| 1.2.2 国内外谷氨酸产业现状 |
| 1.3 软测量技术 |
| 1.3.1 软测量建模概述 |
| 1.3.2 软测量建模步骤与内容 |
| 1.3.3 软测量建模方法 |
| 1.3.4 软测量技术应用 |
| 1.4 发酵过程软测量建模国内外研究现状 |
| 1.4.1 基于机理模型的发酵过程软测量 |
| 1.4.2 基于数据驱动的发酵过程软测量 |
| 1.4.3 混合模型软测量 |
| 1.5 主要研究内容和结构安排 |
| 第二章 谷氨酸发酵过程动力学建模 |
| 2.1 引言 |
| 2.2 发酵过程基础数学模型 |
| 2.2.1 发酵过程合成和和代谢分解反应 |
| 2.2.2 发酵过程典型数学模型 |
| 2.2.3 发酵过程比反应速率模型 |
| 2.3 谷氨酸发酵过程代谢(流)网络分析 |
| 2.3.1 材料与方法 |
| 2.3.2 发酵过程影响因素分析 |
| 2.3.3 代谢网络模型的简化、计算和求解 |
| 2.3.4 基于代谢网络结构模型的谷氨酸浓度预测 |
| 2.4 谷氨酸发酵分批流加非结构动力学建模 |
| 2.4.1 非线性规划确定非结构动力学模型参数 |
| 2.4.2 遗传算法确定非结构动力学模型参数 |
| 2.4.3 改进遗传算法确定非结构动力学模型参数 |
| 2.5 本章小结 |
| 第三章 基于多阶段支持向量机回归的谷氨酸发酵过程软测量 |
| 3.1 引言 |
| 3.2 支持向量机 |
| 3.2.1 支持向量机分类 |
| 3.2.2 支持向量机回归 |
| 3.3 多阶段分割算法 |
| 3.4 基于多阶段支持向量机回归的谷氨酸浓度软测量 |
| 3.5 结果与讨论 |
| 3.6 本章小结 |
| 第四章 基于偏最小二乘和最小二乘支持向量机的谷氨酸发酵过程软测量 |
| 4.1 引言 |
| 4.2 偏最小二乘 |
| 4.2.1 PLS原理与计算方法 |
| 4.2.2 模型提取成分的确定 |
| 4.3 最小二乘支持向量机 |
| 4.4 基于耦合模拟退火的最小二乘支持向量机软测量 |
| 4.4.1 模拟退火算法 |
| 4.4.2 耦合模拟退火算法 |
| 4.4.3 耦合模拟退火优化参数算法 |
| 4.4.4 基于CSA优化的LSSVM软测量预测算法 |
| 4.5 基于PLS-LSSVM的谷氨酸发酵过程软测量 |
| 4.5.1 PLS-LSSVM软测量预测模型实现流程 |
| 4.5.2 辅助变量选择 |
| 4.6 结果与讨论 |
| 4.6.1 模型性能评估指标 |
| 4.6.2 PLS与 LSSVM模型比较 |
| 4.6.3 SVM和 LSSVM预测模型比较 |
| 4.6.4 PLS-LSSVM简化模型性能分析 |
| 4.7 本章小结 |
| 第五章 基于高斯过程的谷氨酸发酵过程软测量 |
| 5.1 引言 |
| 5.2 高斯过程模型 |
| 5.2.1 无参预测 |
| 5.2.2 高斯过程回归 |
| 5.2.3 协方差函数 |
| 5.2.4 高斯过程的模型选择 |
| 5.2.5 高斯过程稀疏化 |
| 5.3 基于PLS-GP的谷氨酸发酵过程软测量 |
| 5.3.1 基于PLS-GP的软测量模型架构 |
| 5.3.2 训练数据的准备 |
| 5.3.3 输入变量选择 |
| 5.3.4 协方差函数的确定 |
| 5.3.5 结果和讨论 |
| 5.4 基于预测方差的谷氨酸发酵过程异常状态分析 |
| 5.4.1 基于预测方差的自主动高斯过程模型 |
| 5.4.2 基于预测方差的谷氨酸发酵过程异常状态分析 |
| 5.5 基于自相关决定高斯过程的谷氨酸发酵软测量 |
| 5.5.1 基于特征关联性的自相关决定变量选择 |
| 5.5.2 结果和讨论 |
| 5.6 本章小结 |
| 第六章 谷氨酸发酵过程软测量建模及优化控制系统的开发 |
| 6.1 引言 |
| 6.2 谷氨酸发酵过程软测量实施系统软件构架 |
| 6.3 谷氨酸发酵过程计算机控制系统 |
| 6.3.1 溶解氧控制 |
| 6.3.2 温度控制 |
| 6.3.3 pH值控制 |
| 6.3.4 压力的控制 |
| 6.3.5 泡沫的控制 |
| 6.4 谷氨酸发酵过程溶解氧的优化控制 |
| 6.4.1 材料与方法 |
| 6.4.2 DO控制算法 |
| 6.4.3 结果和讨论 |
| 6.5 监控系统设计 |
| 6.6 Matlab与 RSView32 通信的实现 |
| 6.7 软测量应用实例——谷氨酸发酵过程异常批次识别 |
| 6.8 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读博士学位期间的成果 |
（2）钢渣用于Ni/Pb污染土壤原位固化稳定化修复的研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.1.1 污染土壤的现状 |
| 1.1.2 钢渣的利用现状 |
| 1.2 重金属污染土壤修复技术研究现状 |
| 1.2.1 物理修复技术 |
| 1.2.2 化学修复技术 |
| 1.2.3 物理化学修复技术 |
| 1.2.4 植物修复技术 |
| 1.2.5 重金属污染土壤修复技术比较 |
| 1.3 固化稳定化修复材料的研究现状 |
| 1.3.1 无机类土壤固化剂 |
| 1.3.2 无机类土壤稳定剂 |
| 1.3.3 固化稳定化修复材料的比较 |
| 1.4 钢渣吸附重金属离子的研究现状 |
| 1.5 研究目的、研究内容及技术路线 |
| 1.5.1 研究目的 |
| 1.5.2 研究内容与技术路线 |
| 2 试验原料与分析测试方法 |
| 2.1 试验原料 |
| 2.1.1 钢渣 |
| 2.1.2 水泥 |
| 2.1.3 重金属污染土壤 |
| 2.1.4 试验用试剂 |
| 2.2 分析测试方法与仪器 |
| 2.2.1 物料常规性质检测方法与仪器 |
| 2.2.2 重金属离子吸附性能测试 |
| 2.2.3 重金属离子解吸性能测试 |
| 2.2.4 其他常规仪器设备 |
| 3 不同钢渣的基础性质分析 |
| 3.1 概述 |
| 3.2 不同钢渣的基础性质分析 |
| 3.2.1 化学组成 |
| 3.2.2 易磨性 |
| 3.2.3 矿物组成 |
| 3.2.4 胶砂活性指数 |
| 3.2.5 f-CaO含量 |
| 3.2.6 浸出毒性 |
| 3.2.7 孔结构 |
| 3.2.8 水悬浮液pH值 |
| 3.3 制备固化剂用钢渣的选择 |
| 3.4 本章小结 |
| 4 钢渣对重金属离子的吸附与稳定效果 |
| 4.1 概述 |
| 4.2 研究方法 |
| 4.3 三种渣粉对Ni~(2+)、Pb~(2+)离子的吸附与稳定效果的对比 |
| 4.3.1 三种渣粉对Ni~(2+)离子的吸附与稳定效果的对比 |
| 4.3.2 三种渣粉对Pb~(2+)离子的吸附和稳定效果的对比 |
| 4.4 用转炉渣粉吸附Ni~(2+)、Pb~(2+)离子的优化试验 |
| 4.4.1 转炉钢渣粉添加量对重金属离子吸附效果的影响 |
| 4.4.2 溶液中重金属离子初始浓度变化对吸附效果的影响 |
| 4.4.3 溶液的pH值变化对吸附效果的影响 |
| 4.4.4 吸附时间对吸附效果的影响 |
| 4.5 本章小结 |
| 5 转炉钢渣粉对重金属污染土壤固化效果的研究 |
| 5.1 概述 |
| 5.2 研究方法 |
| 5.3 试验结果与分析 |
| 5.3.1 固化剂添加量对重金属污染土壤渗滤液pH值的影响 |
| 5.3.2 固化剂添加量对污染土壤中Ni~(2+)、Pb~(2+)离子固化效果的影响 |
| 5.3.3 固化时间对污染土壤中Ni~(2+)、Pb~(2+)离子固化效果的影响 |
| 5.3.4 固化后污染土壤的无侧限抗压强度测试结果 |
| 5.3.5 磷酸改性转炉钢渣粉对重金属污染土壤固化效果的影响 |
| 5.4 本章小结 |
| 6 转炉钢渣粉固化Ni~(2+)、Pb~(2+)离子的机理研究 |
| 6.1 概述 |
| 6.2 研究方法 |
| 6.3 转炉钢渣粉固化Ni~(2+)、Pb~(2+)离子的机理 |
| 6.3.1 各固化时间节点污染土壤-转炉钢渣粉混合物的XRD测试分析 |
| 6.3.2 各固化时间节点污染土壤-转炉钢渣粉混合物的FT-IR测试分析 |
| 6.3.3 各固化时间节点污染土壤-转炉钢渣粉混合物的SEM/EDS测试分析 |
| 6.4 本章小结 |
| 7 转炉钢渣粉对Ni~(2+)、Pb~(2+)离子固化效果的预测模型 |
| 7.1 概述 |
| 7.2 转炉钢渣粉固化Ni~(2+)、Pb~(2+)离子的长期效果 |
| 7.3 预测模型的建立方法 |
| 7.4 基于高斯过程回归的软测量预测模型 |
| 7.4.1 软测量预测模型的预测效果 |
| 7.4.2 软测量预测模型的预测精度 |
| 7.5 本章小结 |
| 8 转炉钢渣粉-水泥复合固化剂协同固化Ni~(2+)、Pb~(2+)离子的效果研究 |
| 8.1 概论 |
| 8.2 研究方法 |
| 8.2.1 重金属污染土壤的样品采集与测定 |
| 8.2.2 转炉钢渣粉-水泥复合固化剂的制备 |
| 8.2.3 转炉钢渣粉-水泥复合固化剂固化Ni~(2+)、Pb~(2+)离子的效果测试 |
| 8.3 单因素影响试验 |
| 8.3.1 粉胶比对污染土壤中Ni~(2+)、Pb~(2+)离子固化效果的影响 |
| 8.3.2 掺加量对污染土壤中Ni~(2+)、Pb~(2+)离子固化效果的影响 |
| 8.3.3 液固比对污染土壤中Ni~(2+)、Pb~(2+)离子固化效果的影响 |
| 8.3.4 固化时间对污染土壤中Ni~(2+)、Pb~(2+)离子固化效果的影响 |
| 8.4 正交试验设计与分析 |
| 8.4.1 正交试验方案 |
| 8.4.2 影响复合固化剂固化效果因素的重要性分析 |
| 8.5 固化效果生化验证试验 |
| 8.6 本章小结 |
| 9 结论与展望 |
| 9.1 结论 |
| 9.2 本论文工作的主要创新点 |
| 9.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）植保机运行速度与喷药量最佳匹配优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变量喷药系统现状 |
| 1.2.2 喷药分布均匀性研究现状 |
| 1.3 研究内容及章节安排 |
| 第2章 植保机均匀性影响因素分析 |
| 2.1 植保机工艺介绍 |
| 2.1.1 喷药系统 |
| 2.1.2 喷杆系统 |
| 2.2 影响因素分析及均匀性衡量指标 |
| 2.3 本章小结 |
| 第3章 基于深度置信网络的喷药均匀性软测量模型建立 |
| 3.1 深度置信网络 |
| 3.2 喷药均匀性软测量模型 |
| 3.2.1 软测量模型的结构设计及数据的预处理 |
| 3.2.2 喷药均匀性软测量模型学习算法 |
| 3.3 试验验证 |
| 3.3.1 试验数据的获取 |
| 3.3.2 喷药均匀性软测量模型验证 |
| 3.4 本章小结 |
| 第4章 基于滑模控制的喷药系统最佳控制器设计 |
| 4.1 压力最佳设定值的确定 |
| 4.2 基于滑模控制的压力控制器设计 |
| 4.2.1 喷药压力系统模型建立 |
| 4.2.2 喷药压力控制器设计 |
| 4.3 试验结果分析 |
| 4.4 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（4）污水处理过程智能检测与优化控制的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.1.3 课题来源 |
| 1.2 污水处理过程国内外研究现状 |
| 1.2.1 污水处理氨氮预测研究现状 |
| 1.2.2 污水处理过程优化控制研究现状 |
| 1.3 论文的主要研究内容和创新点 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文主要创新点 |
| 1.4 论文的组织构架 |
| 第2章 污水处理过程特性分析及控制系统设计 |
| 2.1 引言 |
| 2.2 污水处理过程概述 |
| 2.2.1 污水处理过程机理分析 |
| 2.2.2 污水处理过程工艺分析 |
| 2.2.3 污水处理过程影响要素分析 |
| 2.3 污水处理过程控制系统架构 |
| 2.3.1 污水处理过程控制流程 |
| 2.3.2 污水处理过程控制主要组成 |
| 2.4 污水处理过程关键变量检测 |
| 2.4.1 污水处理过程水质变量分析 |
| 2.4.2 污水处理过程水质状态分析 |
| 2.5 污水处理过程能耗和水质优化分析 |
| 2.5.1 污水处理过程能耗和水质多目标优化 |
| 2.5.2 污水处理动态过程能耗和水质优化 |
| 2.6 污水处理过程智能控制 |
| 2.6.1 污水处理过程控制目标分析 |
| 2.6.2 污水处理过程优化控制分析 |
| 2.6.3 污水处理动态过程优化控制分析 |
| 2.6.4 污水处理过程水质超标抑制控制分析 |
| 2.7 本章小结 |
| 第3章 污水处理过程出水氨氮预测 |
| 3.1 引言 |
| 3.2 城市污水处理过程水质变量分析 |
| 3.2.1 污水处理过程数据采集与预处理 |
| 3.2.2 污水处理过程水质参数特征变量选取 |
| 3.3 基于距离浓度的人工免疫自组织RBF神经网络 |
| 3.3.1 RBF神经网络结构 |
| 3.3.2 距离浓度人工免疫算法 |
| 3.3.3 人工免疫自组织RBF神经网络结构设计 |
| 3.3.4 收敛性分析 |
| 3.4 实验结果与分析 |
| 3.4.1 仿真实验设计 |
| 3.4.2 仿真实验结果 |
| 3.4.3 实验结果讨论 |
| 3.5 本章小结 |
| 第4章 基于自适应混合进化人工免疫的多目标优化算法 |
| 4.1 引言 |
| 4.2 多目标优化问题 |
| 4.2.1 基本概念 |
| 4.2.2 免疫多目标优化 |
| 4.3 AUDHEIA算法设计与分析 |
| 4.3.1 映射和聚类 |
| 4.3.2 分布性判断模块 |
| 4.3.3 分布性加强模块 |
| 4.3.4 局部变异策略 |
| 4.3.5 进化策略 |
| 4.3.6 AUDHEIA算法 |
| 4.4 实验结果及分析 |
| 4.4.1 仿真实验设计 |
| 4.4.2 仿真实验结果 |
| 4.4.3 实验结果讨论 |
| 4.5 本章小结 |
| 第5章 基于AUDHEIA算法的污水处理优化控制方法 |
| 5.1 引言 |
| 5.2 污水处理过程分析 |
| 5.2.1 污水处理过程BSM1仿真模型 |
| 5.2.2 能耗和水质模型 |
| 5.3 污水处理过程优化控制方法 |
| 5.3.1 污水处理过程控制目标 |
| 5.3.2 污水处理过程多目标控制优化层设计 |
| 5.3.3 污水处理过程底层控制器设计 |
| 5.3.4 污水处理过程智能优化控制整体流程 |
| 5.4 实验结果与分析 |
| 5.4.1 仿真实验设计 |
| 5.4.2 仿真实验结果 |
| 5.4.3 实验结果讨论 |
| 5.5 本章小结 |
| 第6章 城市污水处理动态过程优化控制方法 |
| 6.1 引言 |
| 6.2 城市污水处理动态特性分析 |
| 6.3 基于DMOIA的动态优化控制器 |
| 6.3.1 目标函数的设计 |
| 6.3.2 动态免疫优化算法设计 |
| 6.3.3 基于DMOIA的动态优化控制 |
| 6.4 实验结果与分析 |
| 6.4.1 仿真实验设计 |
| 6.4.2 仿真实验结果 |
| 6.4.3 实验结果讨论 |
| 6.5 本章小结 |
| 第7章 污水处理过程智能检测与优化控制系统 |
| 7.1 引言 |
| 7.2 污水处理数据分析 |
| 7.3 污水处理过程智能检测与优化控制 |
| 7.3.1 知识决策层 |
| 7.3.2 智能检测与优化控制系统结构 |
| 7.4 实验结果与分析 |
| 7.4.1 仿真实验设计 |
| 7.4.2 仿真实验结果 |
| 7.4.3 实验结果讨论 |
| 7.5 本章小结 |
| 结论及展望 |
| 参考文献 |
| 攻读博士学位期间所发表的学术论文 |
| 攻读博士学位期间参与的科研项目 |
| 致谢 |
（5）生物质废弃物发酵制乙醇过程软测量方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 生物质废弃物发酵制取燃料乙醇研究现状 |
| 1.2.2 软测量技术研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文章节安排 |
| 第2章 生物质废弃物发酵制乙醇工艺流程 |
| 2.1 基本原理 |
| 2.2 预处理 |
| 2.3 水解 |
| 2.4 发酵 |
| 2.4.1 发酵工艺 |
| 2.4.2 发酵装置 |
| 2.5 乙醇浓度检测 |
| 2.6 废液再利用 |
| 2.7 本章小结 |
| 第3章 检测系统设计 |
| 3.1 硬件总体设计 |
| 3.2 主控模块选型及设计 |
| 3.2.1 单片机选型 |
| 3.2.2 串口 |
| 3.2.3 电源驱动电路 |
| 3.2.4 复位电路 |
| 3.2.5 AD转换电路 |
| 3.3 检测模块选型 |
| 3.3.1 温度传感器 |
| 3.3.2 二氧化碳传感器 |
| 3.3.3 pH传感器 |
| 3.3.4 湿度传感器 |
| 3.3.5 气压传感器 |
| 3.3.6 溶解氧传感器 |
| 3.4 整体布局 |
| 3.5 本章小结 |
| 第4章 软测量方法研究 |
| 4.1 软测量介绍 |
| 4.1.1 软测量基本原理 |
| 4.1.2 软测量建模的基本步骤 |
| 4.1.3 数据的关联度分析 |
| 4.2 神经网络概述 |
| 4.2.1 人工神经网络 |
| 4.2.2 BP神经网络 |
| 4.3 天牛须搜索算法 |
| 4.4 BAS-BP软测量模型 |
| 4.5 发酵过程中的滞后问题 |
| 4.5.1 时滞系统 |
| 4.5.2 发酵过程中时滞参数的确定 |
| 4.6 本章小结 |
| 第5章 实验与分析 |
| 5.1 生物质废弃物发酵实验 |
| 5.1.1 搭建实验装置 |
| 5.1.2 实验过程 |
| 5.2 数据收集与分析 |
| 5.2.1 数据来源和样本选择 |
| 5.2.2 数据预处理 |
| 5.3 模型设计 |
| 5.3.1 BP神经网络软测量模型设计 |
| 5.3.2 BAS-BP软测量模型设计 |
| 5.3.3 融合时滞的软测量模型设计 |
| 5.3.4 基于发酵机理分析的软测量建模 |
| 5.4 仿真结果及分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其他科研成果 |
（6）海洋碱性蛋白酶MP发酵过程软测量建模及监测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 海洋碱性蛋白酶发酵工艺研究现状 |
| 1.2.2 发酵过程软测量方法研究现状 |
| 1.2.3 智能优化算法研究现状 |
| 1.2.4 发酵过程监测系统研究现状 |
| 1.3 论文的主要研究内容 |
| 第二章 海洋碱性蛋白酶MP发酵过程 |
| 2.1 海洋碱性蛋白酶MP发酵工艺 |
| 2.2 影响海洋碱性蛋白酶MP发酵过程主要因素 |
| 2.3 海洋碱性蛋白酶MP发酵过程动力学分析 |
| 2.4 本章小结 |
| 第三章 基于ABC-MLSSVM逆的海洋碱性蛋白酶MP发酵过程软测量 |
| 3.1 最小二乘支持向量机(LSSVM) |
| 3.2 逆软测量 |
| 3.2.1 逆软测量原理 |
| 3.2.2 虚拟子系统 |
| 3.3 人工蜂群优化算法 |
| 3.4 基于ABC-MLSSVM逆的海洋碱性蛋白酶MP软测量模型构建 |
| 3.5 本章小结 |
| 第四章 海洋碱性蛋白酶MP发酵过程监测系统设计 |
| 4.1 系统总体方案设计 |
| 4.2 下位机系统设计 |
| 4.2.1 系统硬件总体设计 |
| 4.2.2 核心处理器选取 |
| 4.2.3 数据采集通道 |
| 4.2.4 人机接口通道 |
| 4.2.5 串口通信电路 |
| 4.2.6 系统软件设计 |
| 4.3 上位机软件系统开发 |
| 4.3.1 系统初始化 |
| 4.3.2 COM组件构建 |
| 4.3.3 人机交互界面 |
| 4.4 本章小结 |
| 第五章 工作总结与未来展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（7）基于LM-GA算法的GA-PSO-BP神经网络烧结终点预测控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及目的意义 |
| 1.2 研究现状 |
| 1.2.1 烧结终点检测研究现状 |
| 1.2.2 烧结终点模型研究现状 |
| 1.2.3 烧结终点控制研究现状 |
| 1.3 本文主要内容 |
| 第二章 烧结基本工艺流程及特点分析 |
| 2.1 烧结基本工艺流程 |
| 2.2 烧结过程的特点分析 |
| 2.3 烧结终点控制及影响因素分析 |
| 2.3.1 烧结终点控制 |
| 2.3.2 主要控制问题 |
| 2.3.3 影响因素分析 |
| 2.4 本章小结 |
| 第三章 烧结终点GA-PSO-BP神经网络预测模型建立 |
| 3.1 烧结终点预测基本思想 |
| 3.2 烧结终点软测量模型 |
| 3.3 烧结现场数据处理 |
| 3.3.1 数据滤波处理 |
| 3.3.2 数据平滑处理 |
| 3.3.3 数据归一化处理 |
| 3.4 神经网络建模方法 |
| 3.4.1 神经网络基本原理概述 |
| 3.4.2 BP神经网络 |
| 3.4.3 BP神经网络预测模型 |
| 3.5 基于GA-PSO-BP神经网络预测模型 |
| 3.5.1 遗传算法(GA) |
| 3.5.2 粒子群(PSO)算法 |
| 3.5.3 GA-PSO混合优化算法 |
| 3.5.4 GA-PSO-BP混合优化算法 |
| 3.5.5 算法仿真 |
| 3.6 烧结终点预测模型的实验仿真与分析 |
| 3.7 本章小结 |
| 第四章 预测控制及改进的L-M算法 |
| 4.1 预测控制 |
| 4.1.1 预测控制基本原理 |
| 4.1.2 BP神经网络预测控制 |
| 4.2 L-M算法 |
| 4.3 LM-GA混合算法 |
| 4.4 仿真分析 |
| 4.5 本章小结 |
| 第五章 烧结终点预测控制的仿真研究 |
| 5.1 烧结终点预测控制 |
| 5.2 烧结终点预测控制模型 |
| 5.3 烧结终点预测控制器 |
| 5.3.1 控制器结构 |
| 5.3.2 基于GA改进L-M算法的滚动优化 |
| 5.3.3 控制器算法 |
| 5.4 烧结终点预测控制系统仿真实验及结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 插图列表 |
| 附录2 表格列表 |
| 附录3 部分数据 |
| 在学研究成果 |
| 致谢 |
（8）SMB色谱分离过程软测量建模方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 模拟移动床色谱分离过程 |
| 1.3 软测量技术基本原理 |
| 1.4 模糊神经网络在软测量模型的研究进展 |
| 1.4.1 自适应模糊推理系统在软测量模型的研究 |
| 1.4.2 模糊神经网络在软测量模型的研究 |
| 1.5 本文的主要内容和结构安排 |
| 2.基于自适应模糊推理系统的SMB软测量模型 |
| 2.1 基于网格划分的ANFIS基本原理 |
| 2.2 ANFIS前件参数确定算法 |
| 2.2.1 减法聚类算法 |
| 2.2.2 FCM聚类算法 |
| 2.3 ANFIS输出参数优化算法 |
| 2.3.1 Gradient算法 |
| 2.3.2 Kalman算法 |
| 2.3.3 Kaczmarz算法 |
| 2.3.4 Pseudoinv算法 |
| 2.4 仿真实验及结果分析 |
| 2.4.1 基于网格划分的ANFIS软测量模型 |
| 2.4.2 基于减法聚类的ANFIS软测量模型 |
| 2.4.3 基于FCM聚类的ANFIS软测量模型 |
| 2.5 小结 |
| 3.基于PSO-ANFIS的 SMB软测量模型 |
| 3.1 FCM聚类算法 |
| 3.2 粒子群优化算法及惯性权重调整策略 |
| 3.2.1 经典粒子群优化算法 |
| 3.2.2 惯性权重调整策略 |
| 3.3 自适应群进化粒子群优化算法 |
| 3.3.1 种群多样性度量函数 |
| 3.3.2 惯性权重自适应调节机制 |
| 3.3.3 基于PSO优化的ANFIS模型的算法流程 |
| 3.4 仿真实验及结果分析 |
| 3.4.1 基于随机性惯性权重的模型 |
| 3.4.2 基于迭代次数函数惯性权重的模型 |
| 3.4.3 基于反馈信息函数惯性权重的模型 |
| 3.5 小结 |
| 4.基于MWD-DFNN的 SMB软测量模型 |
| 4.1 动态模糊神经网络(D-FNN) |
| 4.1.1 D-FNN网络输入空间划分 |
| 4.1.2 D-FNN网络基本结构 |
| 4.1.3 D-FNN的学习算法 |
| 4.2 网络的参数调节方法及比较 |
| 4.2.1 LLS算法 |
| 4.2.2 KF算法 |
| 4.2.3 EKF算法 |
| 4.3 D-FNN自适应调整策略 |
| 4.3.1 滑动窗口 |
| 4.3.2 算法流程 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 基于LLS算法的模型比较 |
| 4.4.2 基于KF算法的模型比较 |
| 4.4.3 基于EKF算法的模型比较 |
| 4.5 小结 |
| 5.总结 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（9）回声状态网络优化设计及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.1.3 课题来源 |
| 1.2 回声状态网络国内外研究现状 |
| 1.2.1 储备池拓扑结构设计 |
| 1.2.2 储备池参数优化 |
| 1.2.3 储备池神经元类型选择 |
| 1.2.4 输出权值的训练方法 |
| 1.3 论文的主要研究内容及创新点 |
| 1.4 论文的组织架构 |
| 第2章 回声状态网络及性能分析 |
| 2.1 引言 |
| 2.2 人工神经网络 |
| 2.2.1 前馈神经网络 |
| 2.2.2 递归神经网络 |
| 2.3 回声状态网络 |
| 2.3.1 模型结构 |
| 2.3.2 回声状态特性 |
| 2.3.3 关键参数 |
| 2.3.4 记忆能力 |
| 2.4 回声状态网络的性能分析 |
| 2.4.1 实验描述 |
| 2.4.2 仿真实验及结果分析 |
| 2.5 回声状态网络存在的问题 |
| 2.6 本章小结 |
| 第3章 回声状态网络权值初始化研究 |
| 3.1 引言 |
| 3.2 回声状态网络权值初始化 |
| 3.2.1 权值初始化 |
| 3.2.2 算法分析及步骤 |
| 3.3 仿真实验及结果分析 |
| 3.3.1 Mackey-Glass系统 |
| 3.3.2 太阳黑子序列预测 |
| 3.4 本章小结 |
| 第4章 基于自适应二阶算法的回声状态网络输出权值计算 |
| 4.1 引言 |
| 4.2 回声状态网络不适定问题 |
| 4.3 基于自适应二阶算法的回声状态网络 |
| 4.3.1 算法分析及步骤 |
| 4.3.2 收敛性分析 |
| 4.3.3 稳定性分析 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 太阳黑子序列预测 |
| 4.4.2 污水处理过程出水生化需氧量预测 |
| 4.5 本章小结 |
| 第5章 基于稀疏正则化的回声状态网络输出权值计算 |
| 5.1 引言 |
| 5.2 回声状态网络共线性问题 |
| 5.3 稀疏正则化回声状态网络 |
| 5.3.1 自适应lasso回声状态网络 |
| 5.3.2 基于改进贝叶斯信息准则的正则化参数调整 |
| 5.3.3 稳定性分析 |
| 5.4 仿真实验及结果分析 |
| 5.4.1 Henon映射预测 |
| 5.4.2 Mackey-Glass时间序列预测 |
| 5.5 本章小结 |
| 第6章 基于增量式学习的正则化回声状态网络结构设计 |
| 6.1 引言 |
| 6.2 正则化回声状态网络 |
| 6.3 基于增量式学习的正则化回声状态网络 |
| 6.3.1 IRESN算法分析 |
| 6.3.2 IRESN算法设计 |
| 6.3.3 正则化参数的选取准则 |
| 6.3.4 收敛性分析 |
| 6.4 仿真实验及结果分析 |
| 6.4.1 Lorenz时间序列预测 |
| 6.4.2 NARMA系统辨识 |
| 6.5 本章小结 |
| 第7章 基于灵敏度分析的修剪型回声状态网络结构设计 |
| 7.1 引言 |
| 7.2 基于灵敏度分析的修剪型模块化回声状态网络储备池构造 |
| 7.2.1 模块化回声状态网络 |
| 7.2.2 灵敏度及网络规模适应度定义 |
| 7.2.3 PMESN算法设计 |
| 7.2.4 性能分析 |
| 7.3 仿真实验及结果分析 |
| 7.3.1 Lorenz时间序列预测 |
| 7.3.2 非线性系统辨识 |
| 7.4 本章小结 |
| 第8章 污水处理过程出水氨氮软测量模型设计 |
| 8.1 引言 |
| 8.2 城市污水处理系统简介 |
| 8.3 稀疏贝叶斯回声状态网络 |
| 8.3.1 算法设计 |
| 8.3.2 稳定性分析 |
| 8.4 氨氮水质软测量模型设计及实证研究 |
| 8.4.1 模型建立 |
| 8.4.2 实证研究 |
| 8.5 本章小结 |
| 结论及展望 |
| 参考文献 |
| 攻读博士学位期间的科研成果 |
| 攻读博士学位期间参与的科研项目 |
| 攻读博士学位期间所获得荣誉 |
| 攻读博士学位期间参加的学术会议 |
| 致谢 |
（10）基于软测量的SBR污水处理控制系统设计与实现（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 软测量技术概述 |
| 1.3 软测量技术在污水处理控制系统中的发展和现状 |
| 1.4 污水处理控制系统现状 |
| 1.5 研究意义和主要研究内容 |
| 1.5.1 研究意义 |
| 1.5.2 主要研究内容 |
| 第二章 基于软测量的SBR污水处理控制系统集成方法研究 |
| 2.1 引言 |
| 2.2 SBR工艺概述 |
| 2.3 SBR工艺中软测量模型变量分析 |
| 2.3.1 SBR工艺水质参数分析 |
| 2.3.2 主导变量与辅助变量的选择 |
| 2.3.3 主导变量与辅助变量分析 |
| 2.4 总磷软测量模型建立方法研究 |
| 2.4.1 BP神经网络软测量方法 |
| 2.4.2 GA-BP神经网络软测量方法 |
| 2.5 基于软测量的SBR污水处理控制系统集成方案 |
| 2.5.1 SBR控制系统需求分析 |
| 2.5.2 SBR工艺软测量数据采集系统集成方案 |
| 2.5.3 基于软测量的SBR污水处理控制系统集成方案 |
| 2.6 小结 |
| 第三章 基于软测量的SBR污水处理控制系统设计与实现 |
| 3.1 引言 |
| 3.2 SBR工艺软测量数据采集系统设计与实现 |
| 3.2.1 SBR工艺软测量模型数据采集系统硬件设计 |
| 3.2.2 SBR工艺软测量模型数据采集系统PLC程序设计 |
| 3.2.3 SBR工艺软测量模型数据采集系统组态程序设计 |
| 3.3 SBR工艺软测量模型数据采集 |
| 3.3.1 SBR工艺污泥驯化 |
| 3.3.2 软测量模型数据采集 |
| 3.4 总磷含量软测量模型设计 |
| 3.4.1 基于BP神经网络的总磷软测量方法设计 |
| 3.4.2 基于GA-BP神经网络的总磷软测量方法设计 |
| 3.5 基于软测量技术的SBR污水处理控制系统设计与实现 |
| 3.5.1 SBR控制系统与软测量模型实时通讯设计与实现 |
| 3.5.2 基于软测量的SBR污水处理控制系统设计与实现 |
| 3.6 小结 |
| 第四章 实验与分析 |
| 4.1 引言 |
| 4.2 SBR工艺软测量系统性能测试 |
| 4.2.1 GA-BP神经网络隐含层节点数优化测试 |
| 4.2.2 GA-BP神经网络迭代次数优化测试 |
| 4.2.3 GA-BP神经网络选择概率优化测试 |
| 4.2.4 GA-BP神经网络优化结果 |
| 4.2.5 GA-BP神经网络在SBR工艺中实际效果测试 |
| 4.3 基于软测量的SBR污水处理控制系统效果测试 |
| 4.3.1 系统测试条件 |
| 4.3.2 系统效果测试 |
| 4.4 小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 附件 |
四、植物有效成分常规浸取的软测量模型（论文参考文献）
- [1]谷氨酸发酵过程的软测量建模研究[D]. 郑蓉建. 江南大学, 2020(01)
- [2]钢渣用于Ni/Pb污染土壤原位固化稳定化修复的研究[D]. 杨刚. 西安建筑科技大学, 2020(11)
- [3]植保机运行速度与喷药量最佳匹配优化方法研究[D]. 郭爱静. 沈阳工业大学, 2020(01)
- [4]污水处理过程智能检测与优化控制的研究[D]. 李霏. 北京工业大学, 2020
- [5]生物质废弃物发酵制乙醇过程软测量方法研究[D]. 于文志. 齐鲁工业大学, 2020
- [6]海洋碱性蛋白酶MP发酵过程软测量建模及监测系统研究[D]. 于美芳. 江苏大学, 2020
- [7]基于LM-GA算法的GA-PSO-BP神经网络烧结终点预测控制研究[D]. 闫成忍. 安徽工业大学, 2020(07)
- [8]SMB色谱分离过程软测量建模方法研究[D]. 王丹. 辽宁科技大学, 2020(02)
- [9]回声状态网络优化设计及应用研究[D]. 王磊. 北京工业大学, 2019
- [10]基于软测量的SBR污水处理控制系统设计与实现[D]. 李松. 北京化工大学, 2019(06)