阳极焙烧炉故障预警方法研究
| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第1章 绪论 | 第10-22页 |
| ·问题的提出 | 第10-11页 |
| ·机器学习是推进智能化故障预警技术的关键 | 第11-14页 |
| ·故障智能预警技术的发展概况 | 第14页 |
| ·统计学习理论与故障预警 | 第14-16页 |
| ·支持向量机的优点 | 第16-17页 |
| ·支持向量机在故障智能预警中的研究现状 | 第17-19页 |
| ·SVM机器学习算法的发展历史和现状 | 第17-18页 |
| ·SVM机器学习算法的故障智能预警中的研究现状 | 第18-19页 |
| ·本文研究的内容 | 第19-22页 |
| 第2章 阳极焙烧炉信号的检测与校正 | 第22-40页 |
| ·引言 | 第22-23页 |
| ·测温热电偶非线性校正的基本原理 | 第23-25页 |
| ·热电偶被测量温度的预测与估计方法 | 第25-29页 |
| ·RBF网络的原理和应用方法 | 第25-26页 |
| ·PSO的原理与应用方法 | 第26-28页 |
| ·RBF-PSO用于校正N型热电偶传感器的原理 | 第28-29页 |
| ·仿真及应用结果 | 第29-33页 |
| ·学习样本库的建立 | 第29-30页 |
| ·仿真结果 | 第30-32页 |
| ·实际应用结果 | 第32-33页 |
| ·小结 | 第33页 |
| ·压力传感器非线性校正的基本原理 | 第33-34页 |
| ·排烟负压的预测与估计方法 | 第34-37页 |
| ·小波神经网络 | 第34-36页 |
| ·PSO-WNN用于校正排烟负压的方法 | 第36-37页 |
| ·仿真研究 | 第37-39页 |
| ·学习样本库的建立 | 第37页 |
| ·仿真结果 | 第37-39页 |
| ·小结 | 第39-40页 |
| 第3章 基于支持向量机的故障预警模型的研究 | 第40-50页 |
| ·支持向量机的理论基础 | 第40-46页 |
| ·统计学习理论的基础 | 第40-41页 |
| ·支持向量机 | 第41-45页 |
| ·最小二乘支持向量机 | 第45-46页 |
| ·故障预警模型的研究 | 第46-49页 |
| ·故障预警模型的建立 | 第46-47页 |
| ·仿真研究 | 第47-48页 |
| ·实际应用结果 | 第48-49页 |
| ·小结 | 第49-50页 |
| 第4章 基于SVM的阳极焙烧炉故障预警的应用 | 第50-60页 |
| ·引言 | 第50-51页 |
| ·阳极焙烧的原理 | 第51-53页 |
| ·支持向量机用于故障预警的研究 | 第53-56页 |
| ·焙烧炉预警的基本思想 | 第53-54页 |
| ·支持向量机用于预警的基本原理 | 第54-56页 |
| ·仿真及应用结果 | 第56-58页 |
| ·学习样本库的建立 | 第56页 |
| ·仿真结果 | 第56页 |
| ·实际应用的结果 | 第56-58页 |
| ·系统硬件框图 | 第58-59页 |
| ·小结 | 第59-60页 |
| 第5章 结论与展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第66页 |
