摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 绪论 | 第9-15页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 燃煤锅炉燃烧优化研究现状 | 第10-12页 |
1.3 模糊神经网络研究现状 | 第12-13页 |
1.4 遗传算法研究现状 | 第13页 |
1.5 本文研究内容 | 第13-15页 |
第二章 锅炉燃烧系统特性分析及燃烧试验 | 第15-34页 |
2.1 锅炉燃烧系统 | 第15-18页 |
2.1.1 锅炉工作过程简介 | 第15页 |
2.1.2 锅炉工作原理及结构 | 第15-16页 |
2.1.3 锅炉燃烧系统简介 | 第16-18页 |
2.2 电站锅炉NO_x排放特性分析 | 第18-21页 |
2.2.1 电站锅炉NO_x生成机理 | 第18-20页 |
2.2.2 电站锅炉NO_x生成的主要影响因素 | 第20-21页 |
2.3 电站锅炉热效率分析 | 第21-24页 |
2.3.1 电站锅炉热效率的测定 | 第22-23页 |
2.3.2 电站锅炉热效率的主要影响因素 | 第23-24页 |
2.4 锅炉燃烧特性试验 | 第24-33页 |
2.4.1 氧量调整试验 | 第24-26页 |
2.4.2 燃尽风量调整试验 | 第26-28页 |
2.4.3 配煤方式调整试验 | 第28-30页 |
2.4.4 配风方式调整试验 | 第30-32页 |
2.4.5 燃烧试验数据获取及数据处理 | 第32-33页 |
2.5 本章小结 | 第33-34页 |
第三章 锅炉燃烧过程改进模糊神经网络建模 | 第34-52页 |
3.1 模糊神经网络简介 | 第34-37页 |
3.1.1 神经网络简介 | 第34页 |
3.1.2 模糊理论简介 | 第34-35页 |
3.1.3 神经网络与模糊理论的结合 | 第35页 |
3.1.4 基于T-S模型的模糊神经网络 | 第35-37页 |
3.2 一种基于对象燃烧机理的改进模糊神经网络 | 第37-44页 |
3.2.1 基于燃烧机理的模糊神经网络理论基础 | 第37页 |
3.2.2 基于燃烧机理的模糊神经网络的结构和各层功能 | 第37-39页 |
3.2.3 基于燃烧机理的改进模糊神经网络的特点 | 第39-40页 |
3.2.4 基于燃烧机理的改进模糊神经网络的学习算法 | 第40-44页 |
3.3 基于燃烧机理的电站锅炉燃烧系统模糊神经网络模型的建立 | 第44-50页 |
3.3.1 模糊神经网络结构辨识初始参数设定的结果 | 第44页 |
3.3.2 模糊神经网络参数逼近初始参数设定的结果 | 第44页 |
3.3.3 燃煤锅炉NO_x排放量模糊神经网络训练结果 | 第44-46页 |
3.3.4 燃煤锅炉热效率模糊神经网络训练结果 | 第46-47页 |
3.3.5 燃烧模型的机理分析 | 第47页 |
3.3.6 燃烧模型的增量分析 | 第47-49页 |
3.3.7 改进模型与传统模型的比较 | 第49-50页 |
3.4 本章小结 | 第50-52页 |
第四章 锅炉燃烧模型多目标遗传算法优化 | 第52-62页 |
4.1 遗传算法及多目标优化 | 第52-54页 |
4.1.1 遗传算法简介 | 第52页 |
4.1.2 遗传算法基本步骤 | 第52-53页 |
4.1.3 多目标优化 | 第53-54页 |
4.2 基于NSGA-Ⅱ的多目标遗传算法 | 第54-56页 |
4.2.1 NSGA-Ⅱ算法简介及算法流程 | 第54-56页 |
4.2.2 NSGA-Ⅱ算法的优点 | 第56页 |
4.3 基于NSGA-Ⅱ多目标遗传算法的锅炉燃烧优化 | 第56-60页 |
4.4 本章小结 | 第60-62页 |
第五章 锅炉燃烧优化控制系统的现场实现 | 第62-68页 |
5.1 燃烧优化控制系统的现场实现方式 | 第62-65页 |
5.2 燃烧优化控制系统投用效果 | 第65-67页 |
5.2.1 SCR入口NO_x浓度 | 第65-66页 |
5.2.2 CO排放浓度 | 第66-67页 |
5.3 本章小结 | 第67-68页 |
第六章 总结与展望 | 第68-70页 |
6.1 总结 | 第68页 |
6.2 展望 | 第68-70页 |
致谢 | 第70-71页 |
参考文献 | 第71-73页 |
附表A | 第73-74页 |
附表B (NO_x排放量模型) | 第74-75页 |
附表C (锅炉热效率模型) | 第75-76页 |
硕士期间发表的科研成果 | 第76页 |