电站锅炉燃烧系统优化运行与应用研究
| 独创性声明 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-13页 |
| 第一章 绪论 | 第13-19页 |
| ·研究背景及意义 | 第13-14页 |
| ·锅炉燃烧系统优化运行研究动态 | 第14-17页 |
| ·基于火焰图像处理技术的锅炉燃烧优化运行研究 | 第14-15页 |
| ·基于燃烧理论建模技术的锅炉燃烧优化运行研究动态 | 第15页 |
| ·人工神经网络技术的锅炉燃烧优化运行研究动态 | 第15-17页 |
| ·本文的研究内容 | 第17-19页 |
| 第二章 电站锅炉热效率的计算方法 | 第19-28页 |
| ·概述 | 第19-20页 |
| ·锅炉热效率计算 | 第20-22页 |
| ·排烟损失q2的计算 | 第20-21页 |
| ·可燃气体不完全燃烧热损失q3的计算 | 第21页 |
| ·机械不完全燃烧损失q4的计算 | 第21页 |
| ·锅炉散热损失q5的计算 | 第21-22页 |
| ·其它热损失q6的计算 | 第22页 |
| ·计算方法的验证 | 第22-23页 |
| ·提高电站锅炉热效率的措施 | 第23-26页 |
| ·电站锅炉煤粉燃烧过程对热损失的影响 | 第23-25页 |
| ·过量空气系数的调整 | 第25-26页 |
| ·燃烧方式调整 | 第26页 |
| ·本章小结 | 第26-28页 |
| 第三章 非线性系统神经网络建模理论基础 | 第28-54页 |
| ·BP神经网络与RBF神经网络 | 第29-39页 |
| ·反向传播(BP)神经网络 | 第29-34页 |
| ·径向基(RBF)神经网络 | 第34-38页 |
| ·BP网络与RBF网络的比较 | 第38-39页 |
| ·模型验证 | 第39-50页 |
| ·基于MISO模型仿真实验 | 第40-43页 |
| ·基于实际电站锅炉数据的实验 | 第43-50页 |
| ·模块化神经网络 | 第50-52页 |
| ·本章小结 | 第52-54页 |
| 第四章 模块化电站锅炉燃烧系统神经网络组合模型 | 第54-70页 |
| ·燃烧系统神经网络组合模型的建立 | 第54-55页 |
| ·模型的验证 | 第55-61页 |
| ·RBF神经网络模型在线建模 | 第61-69页 |
| ·RBF神经网络模型在线学习 | 第61-66页 |
| ·在线建模的验证 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 第五章 电站锅炉燃烧系统的优化 | 第70-88页 |
| ·锅炉燃烧优化 | 第70-71页 |
| ·基于实数编码的遗传算法(RGA) | 第71-78页 |
| ·遗传算法简介 | 第71-73页 |
| ·基于实数编码的加速遗传算法 | 第73-76页 |
| ·基于实数编码GA的验证 | 第76-78页 |
| ·电站锅炉燃烧优化系统遗传算法的改进 | 第78-82页 |
| ·算法改进的验证 | 第82-87页 |
| ·本章小结 | 第87-88页 |
| 第六章 阜新电厂#2锅炉燃烧系统优化运行 | 第88-104页 |
| ·锅炉现状 | 第88-89页 |
| ·锅炉燃烧优化系统硬件构成 | 第89-91页 |
| ·硬件系统的配置 | 第89-90页 |
| ·飞灰含碳量的测量 | 第90-91页 |
| ·锅炉燃烧优化系统软件构成 | 第91-92页 |
| ·系统运行模式 | 第92-93页 |
| ·应用效果分析 | 第93-98页 |
| ·模块化锅炉燃烧系统神经网络组合模型建立 | 第93页 |
| ·基于遗传算法的燃烧参数寻优 | 第93-94页 |
| ·实际锅炉运行结果 | 第94-98页 |
| ·软件界面功能 | 第98-102页 |
| ·建模 | 第99-101页 |
| ·最优化 | 第101-102页 |
| ·本章小结 | 第102-104页 |
| 第七章 结论与展望 | 第104-106页 |
| 参考文献 | 第106-114页 |
| 致谢 | 第114-115页 |
| 在学期间已发表的论文 | 第115-116页 |
| 在学期间承担的科研项目 | 第116-117页 |
| 个人简历 | 第117页 |
