| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 对流受热面结渣积灰的原理及对锅炉运行的影响 | 第8-9页 |
| 1.1.2 我国大型燃煤机组锅炉受热面的吹灰现状及问题 | 第9页 |
| 1.2 燃煤锅炉受热面污染监测及优化吹灰研究现状 | 第9-12页 |
| 1.2.1 燃煤锅炉受热面灰污形成机理和模型的研究 | 第9-10页 |
| 1.2.2 对流受热面污染在线监测的研究 | 第10-12页 |
| 1.2.3 人工智能方法在吹灰系统中的应用 | 第12页 |
| 1.3 本文研究内容 | 第12-14页 |
| 第二章 人工神经网络、遗传算法及粒子群算法简介 | 第14-27页 |
| 2.1 人工神经网络 | 第14-16页 |
| 2.1.1 人工神经网络概述 | 第14页 |
| 2.1.2 人工神经元数学模型 | 第14-15页 |
| 2.1.3 人工神经网络的拓扑结构 | 第15页 |
| 2.1.4 神经网络的学习方式分类 | 第15-16页 |
| 2.2 BP神经网络 | 第16-21页 |
| 2.2.1 BP算法的定义、特点及应用 | 第16页 |
| 2.2.2 BP神经网络拓扑结构 | 第16-17页 |
| 2.2.3 BP算法数学推导过程 | 第17-20页 |
| 2.2.4 BP算法的不足 | 第20-21页 |
| 2.2.5 L-M型BP神经网络模型 | 第21页 |
| 2.3 遗传算法 | 第21-23页 |
| 2.3.1 遗传算法概述 | 第21页 |
| 2.3.2 遗传算法的基本要素及运算流程 | 第21-23页 |
| 2.4 粒子群算法 | 第23-24页 |
| 2 4.1 粒子群算法概述 | 第23页 |
| 2.4.2 粒子群算法的基本原理 | 第23页 |
| 2.4.3 粒子群算法的一般流程 | 第23-24页 |
| 2.5 遗传算法与粒子群算法在BP神经网络方面的优化 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 锅炉对流受热面污染监测的建模方法 | 第27-43页 |
| 3.1 对流受热面污染监测机理模型 | 第27-31页 |
| 3.1.1 一般对流受热面基本传热模型 | 第27-30页 |
| 3.1.2 空预器污染监测模型 | 第30-31页 |
| 3.2 对流受热面积灰特性分析 | 第31-32页 |
| 3.3 受热面灰污监测BP神经网络模型 | 第32-38页 |
| 3.3.1 样本的选取和处理 | 第32-34页 |
| 3.3.2 输入层和输出层节点的选择 | 第34页 |
| 3.3.3 隐层数目及隐层节点的确定 | 第34-35页 |
| 3.3.4 输入参数敏感性测试 | 第35-38页 |
| 3.4 用遗传算法和粒子群算法优化神经网络 | 第38-42页 |
| 3.4.1 BP神经网络各项参数的确定 | 第38-39页 |
| 3.4.2 遗传算法优化BP神经网络 | 第39-40页 |
| 3.4.3 粒子群算法优化BP神经网络 | 第40-41页 |
| 3.4.4 三种神经网络的训练结果的比较 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 现场试验及模型验证 | 第43-58页 |
| 4.1 试验对象简介 | 第43-44页 |
| 4.1.1 锅炉结构介绍 | 第43-44页 |
| 4.1.2 试验数据采集和处理 | 第44页 |
| 4.2 试验目的及内容 | 第44-45页 |
| 4.3 试验要求及安排 | 第45-46页 |
| 4.4 现场试验结果 | 第46-54页 |
| 4.4.1 吹灰敏感性试验 | 第46-53页 |
| 4.4.2 灰污因子上下限试验 | 第53-54页 |
| 4.5 PSO-BP神级网络模型仿真结果分析 | 第54-57页 |
| 4.5.1 模型训练样本和验证样本的选取及处理 | 第54-55页 |
| 4.5.2 模型的训练 | 第55-56页 |
| 4.5.3 模型仿真结果分析 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 结论与展望 | 第58-60页 |
| 5.1 结论 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间发表的论文及参与的项目 | 第64-65页 |
| 附录 | 第65-73页 |
