软测量技术及其在工业煤气化炉装置中的应用的任务书.docx

该【软测量技术及其在工业煤气化炉装置中的应用的任务书 】是由【wz_198613】上传分享，文档一共【4】页，该文档可以免费在线阅读，需要了解更多关于【软测量技术及其在工业煤气化炉装置中的应用的任务书 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。软测量技术及其在工业煤气化炉装置中的应用的任务书
任务书
一、背景介绍：
软测量技术是指通过数学模型和计算机技术，利用少量的、间接的、难以直接测量的、或传感器测量不便的变量来推测、预测或估计感兴趣的变量。软测量技术在工业生产过程中已经得到广泛应用，具有测量精度高、成本低、实时性强等特点。工业煤气化炉装置是指利用煤作为原料进行气化反应，产生合成气和一些化学原料的装置。在工业煤气化炉装置中，温度、压力、流量等参数是关键的操作变量，然而直接测量这些参数会造成设备的昂贵和复杂性。因此，采用软测量技术对这些参数进行估计和预测，在提高煤气化炉装置的性能和控制效果上具有重要意义。
二、研究目标：
本次研究的目标是探讨软测量技术在工业煤气化炉装置中的应用，并基于该技术开发一个可行的在线测量系统。具体目标如下：
1. 研究并分析煤气化炉装置中的重要操作变量；
2. 探讨和比较不同软测量技术在煤气化炉装置中的适用性；
3. 建立煤气化炉装置中温度、压力、流量等参数与间接测量变量之间的数学模型；
4. 开发一个在线测量系统，能够实时估计和预测煤气化炉装置中的关键操作变量；
5. 验证软测量系统的性能，并与实际测量结果进行对比分析。
三、研究内容：
1. 文献综述：对软测量技术在工业煤气化炉装置中的应用进行系统的调研与总结；
2. 数据采集和预处理：收集煤气化炉装置中的工作数据，并对数据进行预处理，消除异常值和噪声；
3. 数学建模：基于收集到的数据，建立温度、压力、流量等参数与间接测量变量之间的数学模型；
4. 软测量算法研究：研究和比较不同的软测量算法，并选择合适的算法用于煤气化炉装置的在线测量系统；
5. 开发测量系统：基于选择的软测量算法，开发一个在线测量系统，能够实时估计和预测煤气化炉装置中的关键操作变量；
6. 系统性能验证：通过实验数据对开发的在线测量系统进行验证，并与实际测量结果进行对比分析；
7. 结果分析与总结：对研究结果进行分析与总结，提出进一步改进的建议。
四、研究方法和步骤：
1. 文献综述：查阅相关文献，了解软测量技术的研究现状和应用情况；
2. 数据采集和预处理：在实际煤气化炉装置中安装传感器，采集工作数据，并对数据进行处理；
3. 数学建模：使用收集到的数据，建立温度、压力、流量等参数与间接测量变量之间的数学模型；
4. 软测量算法研究：研究和比较不同的软测量算法，选择合适的算法用于煤气化炉装置的在线测量系统；
5. 开发测量系统：基于选择的软测量算法，开发一个在线测量系统，能够实时估计和预测煤气化炉装置中的关键操作变量；
6. 系统性能验证：利用实际测量数据对开发的在线测量系统进行验证，并与实际测量结果进行对比分析；
7. 结果分析与总结：对研究结果进行分析与总结，提出进一步改进的建议。
五、进度安排：
1. 第1周：文献综述；
2. 第2-3周：数据采集和预处理；
3. 第4-5周：数学建模；
4. 第6-7周：软测量算法研究；
5. 第8-9周：开发测量系统；
6. 第10-11周：系统性能验证；
7. 第11-12周：结果分析与总结。
六、预期成果：
1. 完成软测量技术在工业煤气化炉装置中的应用的研究；
2. 建立煤气化炉装置中关键操作变量和间接测量变量之间的数学模型；
3. 开发一个能实时估计和预测关键操作变量的在线测量系统；
4. 验证软测量系统的性能，并与实际测量结果进行对比分析；
5. 提出进一步改进的建议和措施。
七、参考文献：
1. Gao W, Yin S, Ding, X, et al. Soft Sensor Modeling Based on Incremental Extreme Learning Machine with Generalized Fading Memory[J]. IEEE Transactions on Cybernetics, 2015, 45(12):2849-2860.
2. Hu, Jinle, et al. Dynamic H∞ Soft-Sensor Design for a Continuous Isomerization Process with Multiple Model Subsystems and Output Constraints[J]. Industrial & Engineering Chemistry Research, 2016, : 7361-7371.
3. Wang, Ping, et al. Dynamic gaussian process soft sensor modeling method and application in wastewater treatment process[J]. Industrial & Engineering Chemistry Research, 2017, : 14070-14078.
4. Zhao, He, et al. Online soft sensor modeling using Deep Belief Networks[J]. Industrial & Engineering Chemistry Research, 2017, : 1522-1531.