| 摘要 | 第1-5页 |
| Abstract | 第5-12页 |
| 第一章 绪论 | 第12-15页 |
| 第一节 课题研究背景 | 第12-13页 |
| 第二节 研究的主要内容 | 第13-14页 |
| 参考文献 | 第14-15页 |
| 第二章 燃煤锅炉高效低污染燃烧及神经网络、优化算法文献综述 | 第15-33页 |
| 第一节 锅炉氮氧化物生成及控制文献综述 | 第15-21页 |
| ·NOx的生成机理 | 第15-17页 |
| ·热力型NOx | 第15页 |
| ·燃料型NOx | 第15-17页 |
| ·快速反应型NOx | 第17页 |
| ·煤粉炉NOx排放的影响因素与控制方法 | 第17-21页 |
| ·燃料特性影响 | 第17-18页 |
| ·过量空气系数影响 | 第18页 |
| ·燃烧温度(炉温)影响 | 第18页 |
| ·一次风率影响 | 第18页 |
| ·负荷率影响 | 第18-19页 |
| ·煤粉细度的影响 | 第19页 |
| ·空气预热温度的影响 | 第19页 |
| ·燃烬风的影响 | 第19页 |
| ·二次风分布的影响 | 第19页 |
| ·三次风对NOx生成的影响 | 第19-20页 |
| ·配风方式对NOx排放的影响 | 第20页 |
| ·一次风速对NOx排放的影响 | 第20页 |
| ·燃烧器摆动对NOx排放量的影响 | 第20-21页 |
| 第二节 炉内NOx生成量的预测 | 第21-23页 |
| ·日本川崎重工的计算方法 | 第21页 |
| ·日本三菱重工的计算方法 | 第21-22页 |
| ·NOx的数值计算 | 第22-23页 |
| ·NOx排放量神经网络模型预测 | 第23页 |
| 第三节 人工神经网络、优化算法在锅炉燃烧优化中的应用文献综述 | 第23-27页 |
| 第四节 本章小结 | 第27-28页 |
| 参考文献 | 第28-33页 |
| 第三章 BP神经网络及其在大型电站锅炉燃烧建模中的应用 | 第33-76页 |
| 第一节 人工神经网络概述 | 第33-34页 |
| 第二节 人工神经网络原理及算法推导 | 第34-41页 |
| ·人工神经元的数学模型 | 第34页 |
| ·BP神经网络拓扑结构 | 第34-35页 |
| ·BP神经网络模型算法推导-梯度下降法 | 第35-41页 |
| 第三节 BP网络的设计与优化 | 第41-50页 |
| ·网络的拓扑结构的确定与隐层神经元个数选取 | 第41-42页 |
| ·代价函数和激励函数 | 第42-45页 |
| ·学习方法和学习步长(学习率η)的选择 | 第45页 |
| ·初始权值及阈值的选择 | 第45-46页 |
| ·学习样本的选择和预处理 | 第46-47页 |
| ·BP网络的进化训练 | 第47-48页 |
| ·BP网络数值实验 | 第48-50页 |
| 第四节 BP神经网络在锅炉燃烧特性建模中的应用 | 第50-71页 |
| ·NOx排放特性的神经网络模型 | 第50-61页 |
| ·锅炉燃烧设备概况 | 第50-51页 |
| ·神经网络模型的输入与输出 | 第51页 |
| ·神经网络训练数据的准备和预处理 | 第51-54页 |
| ·网络模型的建立 | 第54-61页 |
| ·飞灰含碳量的神经网络模型 | 第61-65页 |
| ·飞灰含碳量 | 第61页 |
| ·300MW与600MW锅炉机组飞灰含碳量BP模型 | 第61页 |
| ·训练数据的准备及预处理 | 第61-63页 |
| ·飞灰含碳量BP模型的建立及仿真 | 第63-65页 |
| ·煤灰熔点的神经网络模型 | 第65-68页 |
| ·网络训练数据的准备及预处理 | 第66页 |
| ·网络的建立及仿真结果 | 第66-68页 |
| ·煤的发热量神经网络建模 | 第68-71页 |
| ·网络原始数据的准备 | 第68-71页 |
| 第五节 本章小结 | 第71页 |
| 参考文献 | 第71-76页 |
| 第四章 广义回归神经网络及其在大型电站锅炉燃烧建模中的应用 | 第76-102页 |
| 第一节 广义回归神经网络的理论 | 第76-83页 |
| ·广义回归公式推导 | 第77-78页 |
| ·广义回归神经网络 | 第78-80页 |
| ·广义回归神经网络光滑参数的训练 | 第80-81页 |
| ·广义回归神经网络对动态过程模拟实例 | 第81-82页 |
| ·广义回归神经网络具有的特点 | 第82-83页 |
| 第二节 广义回归神经网络的应用 | 第83-91页 |
| ·广义回归神经网络建立NOx排放量模型 | 第83-85页 |
| ·广义回归神经网络建立飞灰含碳量模型 | 第85-89页 |
| ·广义回归神经网络建立煤灰熔点模型 | 第89-90页 |
| ·广义回归神经网络建立煤发热量模型 | 第90-91页 |
| 第三节 GRNN、BP和MLR(PLS)建模的比较 | 第91-98页 |
| ·预测误差的置信区间分析 | 第91-92页 |
| ·模型预测结果的相关性分析 | 第92-93页 |
| ·BP、GRNN与MLR(PLS)三种模型的比较 | 第93-98页 |
| 第四节 本章小结 | 第98-99页 |
| 参考文献 | 第99-102页 |
| 第五章 遗传搜索技术及其在大型电站锅炉燃烧优化中的应用 | 第102-132页 |
| 第一节 概述 | 第102页 |
| 第二节 遗传优化算法(GA)简介 | 第102-111页 |
| ·简单遗传算法(Simple Genetic Algorithm，简称SGA)简介 | 第103-105页 |
| ·改进的十进制实数编码的遗传算法 | 第105-108页 |
| ·实数编码遗传算法的控制参数 | 第108-109页 |
| ·约束条件的处理 | 第109页 |
| ·遗传算法求函数极值点算例 | 第109-111页 |
| 第三节 优化算法在燃烧优化中的应用 | 第111-128页 |
| ·GA优化BP网络的权值 | 第112-114页 |
| ·GA优化GRNN网络的光滑参数 | 第114-118页 |
| ·GA优化600MW锅炉NOx排放量 | 第118-121页 |
| ·GA优化300MW锅炉效率 | 第121-123页 |
| ·600MW锅炉NOx排放与锅炉效率的组合优化 | 第123-128页 |
| ·高效运行与低污染控制的协调 | 第123-124页 |
| ·锅炉燃烧优化问题的数学模型 | 第124页 |
| ·被优化的操作参数及其约束条件 | 第124-125页 |
| ·优化过程 | 第125-127页 |
| ·模型中存在的问题及其改进措施 | 第127-128页 |
| 第四节 本章小结 | 第128-129页 |
| 参考文献 | 第129-132页 |
| 第六章 光学波动法与气固两相流颗粒粒径和浓度测 | 第132-159页 |
| 第一节 气固两相流颗粒粒径与浓度测量技术综述 | 第132-137页 |
| ·煤粉浓度、粒度和速度对锅炉运行的影响 | 第132-133页 |
| ·煤粉参数的测量手段 | 第133-137页 |
| ·等速取样法 | 第134页 |
| ·热平衡法 | 第134-135页 |
| ·电学法 | 第135页 |
| ·高能射线吸收法 | 第135-136页 |
| ·超声法 | 第136页 |
| ·光学法 | 第136-137页 |
| 第二节 光学波动法测量颗粒粒径及浓度原理 | 第137-141页 |
| ·光学波动法 | 第137-139页 |
| ·测量误差分析 | 第139-141页 |
| 第三节 燃烧器出口流场浓度及粒度光学波动法测量 | 第141-150页 |
| ·测量系统 | 第141页 |
| ·试验系统 | 第141-144页 |
| ·水平浓淡燃烧器(45°扭转板)出口多相射流试验结果 | 第144-146页 |
| ·齿型燃烧器出口多相射流试验结果 | 第146-148页 |
| ·带侧边风齿型燃烧器出口多相射流试验结果 | 第148-150页 |
| 第四节 管内两相流浓度与颗粒粒度光学波动法测量 | 第150-156页 |
| ·试验系统 | 第150-152页 |
| ·管内气固多相流流动特性研究 | 第152-156页 |
| 第五节 本章小结 | 第156-157页 |
| 参考文献 | 第157-159页 |
| 第七章 全文总结与展望 | 第159-161页 |
| 作者在攻读硕士期间发表的论文 | 第161-162页 |
| 致谢 | 第162页 |
