基于机器学习的锅炉多工况优化建模研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 机器学习的研究应用 | 第11-12页 |
| 1.2.2 锅炉运行优化的现状 | 第12-14页 |
| 1.3 本主要研究内容和结构安排 | 第14-16页 |
| 第2章 供热锅炉介绍及工况分析 | 第16-28页 |
| 2.1 供热锅炉介绍 | 第16-21页 |
| 2.1.1 供热锅炉的结构 | 第16-17页 |
| 2.1.2 锅炉运行参数 | 第17-19页 |
| 2.1.3 供热锅炉多工况分析 | 第19-21页 |
| 2.2 模糊聚类理论 | 第21-25页 |
| 2.2.1 硬划分聚类算法 | 第21-22页 |
| 2.2.2 模糊划分 | 第22-23页 |
| 2.2.3 模糊划分目标函数 | 第23-25页 |
| 2.3 模糊C聚类算法 | 第25-27页 |
| 2.3.1 硬C-均值聚类算法 | 第25-26页 |
| 2.3.2 模糊C-均值聚类算法 | 第26-27页 |
| 2.4 锅炉工况划分步骤 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 PCA-RBF神经网络的工况识别 | 第28-41页 |
| 3.1 主元分析法 | 第28-30页 |
| 3.1.1 主元分析法的思想 | 第28-29页 |
| 3.1.2 主元分析法的原理 | 第29页 |
| 3.1.3 主成分分析法建模过程 | 第29-30页 |
| 3.2 RBF神经网络 | 第30-35页 |
| 3.2.1 RBF神经网络发展 | 第30-31页 |
| 3.2.2 RBF神经网络结构及工作原理 | 第31-33页 |
| 3.2.3 RBF神经网络解决分类问题相关理论 | 第33-35页 |
| 3.3 锅炉工况识别模型的建立 | 第35-37页 |
| 3.3.1 网络输入层的确定 | 第35-36页 |
| 3.3.2 网络隐含层的确定 | 第36-37页 |
| 3.3.3 网络输出层的确定 | 第37页 |
| 3.4 锅炉工况识别过程 | 第37-40页 |
| 3.4.1 锅炉当前运行工况判断 | 第37-38页 |
| 3.4.2 工况识别模型的建立 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 锅炉多工况优化模型的建立 | 第41-51页 |
| 4.1 KPCA概述及工作原理 | 第41-43页 |
| 4.1.1 KPCA概述 | 第41页 |
| 4.1.2 KPCA的原理 | 第41-43页 |
| 4.2 核函数的选择 | 第43-44页 |
| 4.3 KPCA优化监控方法 | 第44-47页 |
| 4.3.1 控制限 | 第44-46页 |
| 4.3.2 主元个数的选取 | 第46-47页 |
| 4.3.3 贡献量计算法 | 第47页 |
| 4.4 锅炉多工况优化模型库建立 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 锅炉运行优化指导 | 第51-66页 |
| 5.1 锅炉运行数据处理及工况分析 | 第52-55页 |
| 5.2 锅炉运行工况识别 | 第55-59页 |
| 5.3 锅炉优化模型建立 | 第59-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-67页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读学位期间公开发表论文 | 第70-71页 |
| 致谢 | 第71页 |
