基于神经网络与模糊C均值聚类的锅炉及其辅助系统能效诊断
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11页 |
| 1.3 存在问题及本文研究内容 | 第11-13页 |
| 第2章 锅炉及其辅助系统能效指标影响因素分析 | 第13-20页 |
| 2.1 故障树原理 | 第13-15页 |
| 2.2 基于FTA的能效影响因素分析 | 第15-19页 |
| 2.2.1 能效诊断树的建立 | 第15-19页 |
| 2.2.2 能效影响因素的确定 | 第19页 |
| 2.3 本章小结 | 第19-20页 |
| 第3章 锅炉及其辅助系统能效诊断模型建立 | 第20-33页 |
| 3.1 能效诊断分析方法概述 | 第20页 |
| 3.2 基于神经网络的敏感性系数计算模型 | 第20-23页 |
| 3.2.1 神经元模型及BP网络 | 第21-22页 |
| 3.2.2 敏感性分析方法概述 | 第22页 |
| 3.2.3 基于网络连接权的敏感性分析 | 第22-23页 |
| 3.3 基于正交试验的神经网络参数优化模型 | 第23-27页 |
| 3.3.1 传统的神经网络结构确定方法 | 第23-24页 |
| 3.3.2 基于正交试验的网络参数优化 | 第24-27页 |
| 3.4 基于数据挖掘的偏差值确定模型 | 第27-29页 |
| 3.4.1 模糊C均值聚类算法概述 | 第27-28页 |
| 3.4.2 基于FCM的偏差值计算 | 第28-29页 |
| 3.5 基于压差的可维护类故障诊断模型 | 第29-32页 |
| 3.5.1 设备可维护类故障分析 | 第29页 |
| 3.5.2 基于压差的清洁因子计算 | 第29-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第4章 锅炉及其辅助系统诊断流程 | 第33-41页 |
| 4.1 能效诊断系统总体结构 | 第33页 |
| 4.2 锅炉及其辅助系统诊断流程 | 第33-40页 |
| 4.2.1 运行类影响参数诊断流程 | 第34-39页 |
| 4.2.2 可维护类故障诊断流程 | 第39-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第5章 工程应用 | 第41-52页 |
| 5.1 某电厂 | 第41页 |
| 5.2 某电厂 | 第41-50页 |
| 5.3 本章小结 | 第50-52页 |
| 第6章 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第57-58页 |
| 致谢 | 第58页 |
