| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 国内外研究与发展状况 | 第9-12页 |
| 1.2.1 石灰石/石膏湿法烟气脱硫工艺研究与发展状况 | 第9页 |
| 1.2.2 内模控制研究与发展状况 | 第9-10页 |
| 1.2.3 PH值控制研究与发展状况 | 第10-11页 |
| 1.2.4 RBF神经网络研究与发展状况 | 第11-12页 |
| 1.3 课题研究内容和主要工作 | 第12-14页 |
| 2 烟气脱硫系统工艺概述 | 第14-30页 |
| 2.1 燃煤烟气脱硫技术的概述 | 第14-16页 |
| 2.2 湿法烟气脱硫工艺流程和基本原理 | 第16-19页 |
| 2.2.1 湿法烟气脱硫工艺流程 | 第16-18页 |
| 2.2.2 湿法烟气脱硫基本原理 | 第18-19页 |
| 2.3 湿法烟气脱硫系统组成 | 第19-20页 |
| 2.4 湿法烟气脱硫效率影响因素 | 第20-22页 |
| 2.5 湿法烟气脱硫系统过程分析 | 第22-26页 |
| 2.5.1 系统过程控制分析 | 第22-24页 |
| 2.5.2 系统过程参数分析 | 第24页 |
| 2.5.3 系统过程特性分析 | 第24-26页 |
| 2.6 湿法烟气脱硫系统浆液PH值控制方案分析 | 第26-28页 |
| 2.7 本章小结 | 第28-30页 |
| 3 吸收塔浆液PH值控制过程辨识 | 第30-42页 |
| 3.1 Hammerstein模型及递推最小二乘算法 | 第30-34页 |
| 3.1.1 Hammerstein模型 | 第30-32页 |
| 3.1.2 递推最小二乘算法 | 第32-34页 |
| 3.2 吸收塔浆液PH值数学模型辨识 | 第34-40页 |
| 3.3 本章小结 | 第40-42页 |
| 4 改进的RBF神经网络算法和内模控制的研究 | 第42-64页 |
| 4.1 内模控制的结构及性质 | 第42-46页 |
| 4.1.1 内模控制的结构 | 第42-44页 |
| 4.1.2 内模控制的性质 | 第44-46页 |
| 4.2 基于减聚类算法和梯度下降算法的RBF神经网络算法 | 第46-57页 |
| 4.2.1 RBF神经网络的结构 | 第46-49页 |
| 4.2.2 RBF神经网络的算法研究 | 第49-52页 |
| 4.2.3 改进的RBF神经网络算法 | 第52-55页 |
| 4.2.4 改进的RBF神经网络算法与常规的RBF神经网络聚类算法的比较 | 第55-57页 |
| 4.3 改进的RBF神经网络辨识正向、逆向模型 | 第57-62页 |
| 4.3.1 数据归一化处理 | 第57页 |
| 4.3.2 PH值控制系统正向模型辨识过程 | 第57-59页 |
| 4.3.3 PH值控制系统逆向模型辨识过程 | 第59-62页 |
| 4.4 本章小结 | 第62-64页 |
| 5 基于RBF神经网络的内模控制在PH值控制系统中的研究 | 第64-76页 |
| 5.1 基于改进的RBF神经网络的内模控制 | 第64-71页 |
| 5.1.1 基于改进的RBF神经网络的内模控制方案 | 第64页 |
| 5.1.2 改进的RBF神经网络对正向模型的建立 | 第64-66页 |
| 5.1.3 改进的RBF神经网络对逆向模型的建立 | 第66-69页 |
| 5.1.4 滤波器的建立 | 第69-71页 |
| 5.2 仿真结果分析 | 第71-75页 |
| 5.2.1 内模控制与PID控制效果的对比 | 第71-72页 |
| 5.2.2 滤波器参数对系统输出的影响 | 第72页 |
| 5.2.3 系统抑制扰动的能力 | 第72-75页 |
| 5.3 本章小结 | 第75-76页 |
| 6 总结与展望 | 第76-78页 |
| 6.1 总结 | 第76-77页 |
| 6.2 前景展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 攻读学位期间发表学术论文目录 | 第84-85页 |
