| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9页 |
| 1.3 国内外研究情况 | 第9-12页 |
| 1.3.1 锅炉受热面壁温监测研究现状及趋势 | 第9-11页 |
| 1.3.2 建模方法研究现状及发展趋势 | 第11-12页 |
| 1.4 课题研究内容 | 第12-13页 |
| 2 锅炉受热面相关因素分析 | 第13-25页 |
| 2.1 锅炉设备概述 | 第13-18页 |
| 2.1.1 锅炉数据采集系统 | 第15-16页 |
| 2.1.2 最危管壁的选取 | 第16-17页 |
| 2.1.3 锅炉性能指标 | 第17-18页 |
| 2.2 最危管壁温度影响因素分析 | 第18-21页 |
| 2.2.1 锅炉管壁温度理论分析计算 | 第18-20页 |
| 2.2.2 锅炉汽温调节常用手段 | 第20-21页 |
| 2.3 模型输入变量的优化 | 第21-23页 |
| 2.3.1 灰色关联分析方法介绍 | 第21-23页 |
| 2.3.2 灰关斜率关联法筛选模型输入变量 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 末级再热器数据预处理 | 第25-36页 |
| 3.1 异常值处理方法的研究 | 第25-27页 |
| 3.1.1 统计分析法用于离群点检测 | 第25-26页 |
| 3.1.2 再热器离群点数据分析 | 第26-27页 |
| 3.2 基于小波变换的数据去噪处理技术研究 | 第27-35页 |
| 3.2.1 小波去噪的理论依据 | 第28-31页 |
| 3.2.2 小波去噪方法应用研究 | 第31-34页 |
| 3.2.3 锅炉数据去噪仿真 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 末级再热器温度的反向建模 | 第36-57页 |
| 4.1 反向建模概述 | 第36-37页 |
| 4.1.1 反向建模思想 | 第36页 |
| 4.1.2 数据准备与存储 | 第36-37页 |
| 4.2 SVM末级再热器 | 第37-42页 |
| 4.2.1 支持向量机原理 | 第37-39页 |
| 4.2.2 基于SVR的温度预测模型建立 | 第39-42页 |
| 4.3 BP神经网络末级再热器 | 第42-47页 |
| 4.3.1 BP神经网络原理 | 第42-44页 |
| 4.3.2 基于BP神经网络温度预测模型的建立 | 第44-47页 |
| 4.4 GA-BP末级再热器 | 第47-51页 |
| 4.4.1 遗传算法原理 | 第47-48页 |
| 4.4.2 GA-BP神经网络温度预测模型的建立 | 第48-51页 |
| 4.5 ABC-BP神经网络末级再热器 | 第51-56页 |
| 4.5.1 人工蜂群算法原理 | 第51-54页 |
| 4.5.2 ABC-BP神经网络温度预测模型的建立 | 第54-56页 |
| 4.6 本章小结 | 第56-57页 |
| 5 基于LabVIEW的末级再热器温度预测软件设计 | 第57-62页 |
| 5.1 末级再热器温度预测软件总体设计 | 第57页 |
| 5.2 温度预测软件功能设计 | 第57-61页 |
| 5.2.1 登录模块设计 | 第57-58页 |
| 5.2.2 数据导入模块 | 第58-59页 |
| 5.2.3 建立预测模型 | 第59-61页 |
| 5.3 本章小结 | 第61-62页 |
| 6 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69-70页 |