基于数据驱动的灰渣含碳量软测量方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 选题背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 第2章 软测量理论 | 第15-19页 |
| 2.1 软测量相关概念 | 第15-17页 |
| 2.1.1 辅助变量的选取 | 第15页 |
| 2.1.2 数据的分析与预处理 | 第15-16页 |
| 2.1.3 辅助变量与主导变量的时序对应 | 第16页 |
| 2.1.4 软测量模型的迭代修正 | 第16-17页 |
| 2.1.5 软测量的工程设计 | 第17页 |
| 2.2 软测量建模方法 | 第17-18页 |
| 2.2.1 基于机理分析的建模 | 第17-18页 |
| 2.2.2 基于数据驱动的建模 | 第18页 |
| 2.3 软测量技术的优缺点 | 第18页 |
| 2.3.1 软测量技术优点 | 第18页 |
| 2.3.2 软测量技术缺点 | 第18页 |
| 2.4 本章总结 | 第18-19页 |
| 第3章 基于数据驱动的软测量建模方法 | 第19-33页 |
| 3.1 回归分析 | 第19-23页 |
| 3.1.1 多元线性回归分析 | 第19-20页 |
| 3.1.2 多元逐步回归分析 | 第20-23页 |
| 3.2 模糊理论 | 第23-26页 |
| 3.2.1 模糊系统概述 | 第23-24页 |
| 3.2.2 模糊化 | 第24-25页 |
| 3.2.3 模糊推理 | 第25页 |
| 3.2.4 反模糊化 | 第25-26页 |
| 3.3 神经网络基本理论 | 第26-30页 |
| 3.3.1 人工神经网络 | 第26-27页 |
| 3.3.2 神经元的结构 | 第27-28页 |
| 3.3.3 神经网络的网络算法 | 第28-30页 |
| 3.4 自适应神经模糊推理系统 | 第30-31页 |
| 3.4.1 常规模糊系统的不足 | 第30页 |
| 3.4.2 模糊系统与神经网络的比较 | 第30页 |
| 3.4.3 模糊系统与神经网络的结合 | 第30-31页 |
| 3.4.4 自适应神经模糊推理产生背景 | 第31页 |
| 3.4.5 自适应神经模糊推理系统概述 | 第31页 |
| 3.5 本章小结 | 第31-33页 |
| 第4章 灰渣含碳量模型的构建与研究 | 第33-64页 |
| 4.1 锅炉燃烧工艺与灰渣含碳量的检测 | 第33-37页 |
| 4.1.1 锅炉的燃烧工艺 | 第33-34页 |
| 4.1.2 样本的选取 | 第34-35页 |
| 4.1.3 样本的测量 | 第35-37页 |
| 4.2 基于多元逐步回归建模 | 第37-45页 |
| 4.2.1 多元逐步回归辅助变量筛选 | 第37-39页 |
| 4.2.2 多元逐步回归建模 | 第39-43页 |
| 4.2.3 多元逐步回归模型的验证 | 第43-45页 |
| 4.3 BP神经网络建模 | 第45-49页 |
| 4.3.1 网络输入层变量的确定 | 第45页 |
| 4.3.2 隐含层神经元的确定 | 第45-46页 |
| 4.3.3 神经网络的建模 | 第46-49页 |
| 4.4 基于ANFIS建模 | 第49-61页 |
| 4.4.1 ANFIS结构 | 第49-51页 |
| 4.4.2 数据的归一化 | 第51-52页 |
| 4.4.3 基于ANFIS建模 | 第52-59页 |
| 4.4.4 ANFIS模型的验证 | 第59-61页 |
| 4.5 不同模型的对比 | 第61-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第5章 灰渣含碳量软测量模型在线应用 | 第64-71页 |
| 5.1 灰渣含碳量的分析 | 第64-65页 |
| 5.2 ANFIS模型的应用 | 第65-67页 |
| 5.2.1 MATLAB与上位机WINCC的连接 | 第65-66页 |
| 5.2.2 软件的设计 | 第66-67页 |
| 5.3 灰渣含碳量指导燃烧 | 第67-70页 |
| 5.3.1 煤层厚度的调节 | 第67-68页 |
| 5.3.2 风量的调节 | 第68-70页 |
| 5.4 经济效益分析 | 第70页 |
| 5.5 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
