中文摘要 | 第1-5页 |
英文摘要 | 第5-9页 |
1 绪论 | 第9-16页 |
1.1 锅炉火焰检测的重要性及当前发展现状 | 第9-14页 |
1.1.1 锅炉炉膛安全监控系统的重要性 | 第10页 |
1.1.2 火焰检测是炉膛安全系统不可或缺的一部分 | 第10页 |
1.1.3 锅炉火焰检测的发展与现状 | 第10-12页 |
1.1.4 HHG-98红外动态火焰检测器 | 第12-14页 |
1.2 本文的主要研究内容 | 第14-16页 |
2 锅炉火焰检测的原理 | 第16-22页 |
2.1 锅炉火焰的可检测性 | 第16-19页 |
2.1.1 锅炉火焰的特性 | 第16-17页 |
2.1.2 锅炉火焰在不同燃烧阶段的变化过程 | 第17页 |
2.1.3 火焰检测的前端设备 | 第17-19页 |
2.2 锅炉火焰检测方法的发展 | 第19-20页 |
2.3 新型火焰检测器的要求 | 第20页 |
2.4 本章小结 | 第20-22页 |
3 现代谱估计技术在火焰信号检测中的应用 | 第22-36页 |
3.1 随机信号的谱估计 | 第22-23页 |
3.1.1 频率估计的经典和现代方法分析 | 第22-23页 |
3.2 锅炉火焰信号的分析和预处理 | 第23-25页 |
3.2.1 直流分量 | 第23-24页 |
3.2.2 数字滤波去除背景噪声 | 第24-25页 |
3.3 从经典谱分析方法到现代谱分析方法 | 第25-27页 |
3.3.1 系统模型的选择 | 第26页 |
3.3.2 系统算法的选择 | 第26-27页 |
3.4 系统的实现与分析 | 第27-35页 |
3.4.1 系统的软件实现 | 第28-29页 |
3.4.2 AR模型的定阶 | 第29-32页 |
3.4.3 经典谱估计和现代谱估计实时性的比较 | 第32-33页 |
3.4.4 AR模型的平滑特性 | 第33-34页 |
3.4.5 经典谱估计和现代谱估计分辨率的比较 | 第34-35页 |
3.5 本章小结 | 第35-36页 |
4 锅炉火焰的神经网络模式识别 | 第36-48页 |
4.1 神经网络模式识别的理论基础 | 第36-39页 |
4.1.1 从传统模式识别到智能模式识别 | 第36-37页 |
4.1.2 神经网络模式识别的发展 | 第37-38页 |
4.1.3 常见的神经网络和学习算法 | 第38-39页 |
4.2 火焰识别系统的实现 | 第39-43页 |
4.2.1 火焰信号的特征选择和提取 | 第39-41页 |
4.2.2 使用多层前向网络进行模式识别 | 第41-43页 |
4.3 神经网络识别系统的具体设计与问题分析 | 第43-46页 |
4.3.1 网络拓扑结构的确定 | 第43-44页 |
4.3.2 激励函数与理想输出 | 第44-45页 |
4.3.3 改进的BP算法 | 第45页 |
4.3.4 样本数量问题的解决 | 第45-46页 |
4.3.5 系统的泛化能力和局部极小点 | 第46页 |
4.4 神经网络模式识别方法与传统方式的比较 | 第46-47页 |
4.5 本章小结 | 第47-48页 |
5 系统的软硬件实现 | 第48-61页 |
5.1 数据采集系统 | 第48-50页 |
5.1.1 数据采集硬件系统 | 第48-49页 |
5.1.2 数据采集的程序实现 | 第49-50页 |
5.2 数据的存储 | 第50-53页 |
5.2.1 历史数据的存储 | 第50-51页 |
5.2.2 系统控制信息的记录 | 第51-52页 |
5.2.3 神经网络的存储 | 第52-53页 |
5.3 数据的显示和用户界面 | 第53-54页 |
5.4 数据处理系统 | 第54-55页 |
5.4.1 数据预处理模块 | 第54-55页 |
5.4.2 谱估计模块 | 第55页 |
5.4.3 神经网络模块 | 第55页 |
5.4.4 A/D采集模块 | 第55页 |
5.5 控制判断系统 | 第55-56页 |
5.6 实验结果及分析 | 第56-60页 |
5.6.1 仿真结果 | 第56-57页 |
5.6.2 实验室模拟实验 | 第57-58页 |
5.6.3 实际锅炉火焰信号的识别情况 | 第58-60页 |
5.7 本章小结 | 第60-61页 |
6 结论与展望 | 第61-63页 |
致谢 | 第63-64页 |
参考文献 | 第64-66页 |