臺灣博碩士論文加值系統

近年來由於電腦科技的迅速發展，使得以往學術上各個領域難以解決的複雜問題，均可藉由電腦的快速運算解決。在許多領域資料分析上，如何經由已知的資料歸納預測未來的結果是一項倍受重視的課題。
石化產業是高投資、技術密集與高風險工業，必須不斷地降低營運成本與開發新產品，才可繼續生存。本研究是探討如何建立石化製程中的模式，希望藉此模式有助於產能的提升及相關決策的支援。而本研究對象是以石化產業中之燃煤發電廠及重油轉化製程為主，首先先收集、分析過去數年的操作數據，從數據中找出主要的操作變數。了解變數群對產出的影響。傳統做法為建立操作參數與產出間的多重線性迴歸，但過程並非如想像中簡單，結果也不如預期。
因此續而使用倒傳遞類神經網路(back-propagation neural network)來模擬製程中不同操作變數與其產出之相關性模式，由類神經網路模式提出一種非線性迴歸的方法，該方法能有效地解決傳統多元迴歸分析難以解決的非線性多元迴歸問題。研究結果顯示由類神經網路所建構之預測模式皆優於多元線性迴歸公式，故本研究所建立的網路模式具有可靠性及正確性。

Numerical solutions relying on computer software are so commonly seen that most come to believe every manufacturing process must have gone through certain stage of so-called optimization. As the computer hardware gets cheaper, applications exploring the system transfer function between input and output parameters based on daily monitoring data from the discrete control system of the plant started to appear.

Though deemed as a not-so-high technological, traditional industry, the petro-chemical industry manages to fine tune every sector of operation in order to remain competitive while keeping the plant safe. However, none of the fine tunings are easy without compromise, since all the process parameters are inter-related and improvement on one is often accompanied by deterioration of another. Hence, on-stream performance levitation of a process involves balancing multiple criteria simultaneously. Multiple regressions have always the first choice due to simplicity and neat relationships among the parameters. However, it is extremely difficult to acquire highly accurate simulation results, and often requires huge amount of historical data.

Back-propagation neural network-based software utility is chosen as the major learning program for handling the cumbersome yet sophisticated natures in the refining and fossil power generating process. Objectives of this study include investigating physical meanings of weights and bios as well as their values as applied to multi-criteria decision modeling for determining optimal ranges of parameters. Also, issues regarding stability and reliability of the neural networks are also discussed.

摘要 I
Abstract II
致謝 III
目 錄 IV
表目錄 VI
圖目錄 VII
符號表 IX
第1章 前言 1
1.1 研究動機與目的 1
1.2 研究之流程 2
1.3 論文架構 3
第2章 文獻回顧 4
2.1 線性迴歸 4
2.2 類神經網路 6
2.3 類神經網路之發展 7
2.4 神經網路之應用 8
第3章 類神經網路理論基礎 11
3.1 類神經網路 11
3.2 神經元模型 12
3.2.1 生物神經元 12
3.2.2 人工神經元 13
3.3 神經網路的分類 14
1. 前饋式網路(feed forward networks) 14
2. 循環式網路(recurrent network) 14
3.4 神經網路的優缺點 16
3.5 倒傳遞類神經網路 17
3.5.1 倒傳遞類神經網路架構 17
3.5.2 學習步驟 20
第4章 研究方法 26
4.1 線性迴歸 27
4.1.1 迴歸係數 27
4.1.2 線性迴歸實例 29
4.2 類神經網路 31
4.2.1 輸入向量變數 31
4.2.2 隱藏層層數及隱藏層神經元 31
4.2.3 資料前處理(尺度化) 32
4.2.4 網路效能評估 35
4.2.5 學習法則 36
第五章、研究結果與分析 37
5.1 迴歸分析-以燃煤發電廠製程為例 37
5.1.1 影響燃煤發電廠發電量的因素 38
5.1.2 應用多元線性迴歸分析建立發電量與進料煤質之關係預測模式 40
5.2 迴歸分析-重油轉化製程為例 44
5.2.1 影響燃重油轉化製程的因素 45
5.2.2 應用多元線性迴歸分析建立汽油轉化率、CFB、LCO與操作條件間關係預測模式 48
5.3 類神經網路-以燃煤發電廠為例 57
5.4 類神經網路-以重油轉化製程為例 64
第6章 結論 72
6.1 結論 72
6.2 研究建議 74
參考文獻 76
附錄一 79
附錄二 85

[1]Baughman,D.R.and Liu,Y.A. (1995) Neural Networks in Bioprocessing and Chemical Engineering Academic Press, San Diego, California, USA.

[2]Beal R. and Jackson T. (1990) Neural Computing: An Introduction, Adam Hilger.

[3]Belanche Lluis A. Valdes J. J. Comas J. Roda I. R. and Poch, M. (1999) Towards a Model of input-output Behaviour of Wastewater Treatment Plants Using Soft Computing Techniques, Environmental Modeling & Software, 14: pp. 409-419.

[4]Davis, J. and Brozovsky, J. A. (1995) Decision Support Software for Tax, The Tax
Adviser, 26(1), pp. 54-57.

[5]Fish, K. E. Barnes, J. H. and Aiken, M. W. (1995) Artificial Neural Networks: A New
Methodology for Industrial Market Segmentation, Industrial Marketing Management,
24(5): pp. 431- 438.

[6]Hagan, M. T. and Menhaj, M. B. (1994) Training Feedforward Networks with the
Marquardt Algorithm, IEEE Transactions on Neural Networks, 5(6): pp. 989 - 993.

[7]Huang S, and Zhang H. (1993) Neural Network in Manufacturing: A Survey, IEEE/CPMT International Electronics Manufacturing
Technology Symposium, pp.177-190.

[8]Liau,(2004) Expert system of a crude oil distillation unit for process optimization using neural networks, Expert Systems with Applications,vol.26,pp.247-255.

[9]Spellman G. (1999) An Application of Artificial Neural Networks to the Prediction of
Surface Ozone Concentrations in United Kingdom, Applied Geography, 19: pp. 123-136.

[10]Venugopal, V. and Baets, W. (1994) Neural Networks and Statistical Techniques in
Marketing Research: A Concept Comparison, Marketing Intelligence & Planning, 12(7), pp. 30-38.

[11]池耀宇，2001，「實證探討台灣高科技產業投資行為與資本結構-線性迴歸模式與類神經網路模式」，交通大學，碩士論文。

[12]林修平，2006，「主成份分析及類神經網路應用於工業區污水處理廠之水質預測」，立德管理學院，碩士論文。

[13]黃宗仁，2000，「利用類神經網路預測台中都會區臭氧趨勢之研究」，中興大學，碩士論文。

[14]羅華強，民國九十年，類神經網路--MATLAB 的應用，清蔚科技，新竹。

[15]張智星，民國八十九年，MATLAB 程式設計與應用，清蔚科技。

[16]葉怡成，民國八十六年，應用類神經網路，儒林圖書公司。

[17]林生甫，洪成安，1993，類神經網路入門與圖樣辨識，全華科技圖書股份有限公司，台北市。

[18]周鵬程，2002，類神經網路入門，全華科技圖書股份有限公司，台北市。

[19]曾燕明,1995，「類神經網路於配電系統負載預測及饋線開關操作之應用」，中山大學，博士論文。

[20]郭炳煌，2001，「以統計方法與類神經網路模式預估工程直接成本之研究」， 高雄第一科技大學，碩士論文。

[21]楊智堯，1999，「類神經網路於邊坡破壞潛能分析之應用研究」，碩士論文，國立成功大學，碩士論文。

[22]邱一薰，2002，「類神經網路預測台灣50股價指數之研究」，國立彰化師範大學，碩士論文。

[23]湯順雄，2003，「觸媒重組工場重組油辛烷值之預測與操作最適化」，國立高雄第一科技大學 ，碩士論文。

[24]林慶山，2003，「天然氣發電廠氮氧化物污染物濃度排放預測」，國立高雄第一科技大學 ，碩士論文。

[25]楊耀宗，2003，「觸媒重組工場重組油辛烷值之預測與操作最適化」，國立高雄第一科技大學，碩士論文。

[26]黃國偉，2003，「半導體機台網路式預防保養功能架構之設計與實作」，國立成功大學，碩士論文。