摘要 | 第5-7页 |
ABSTRACT | 第7页 |
第一章 绪论 | 第17-28页 |
1.1 数据预处理知识 | 第17-19页 |
1.1.1 拉依达准则剔除数据粗差 | 第17-18页 |
1.1.2 数据的噪声平滑 | 第18-19页 |
1.2 系统辨识基本方法 | 第19-20页 |
1.3 新兴的智能建模及参数优化方法 | 第20-23页 |
1.3.1 模糊逻辑(FL) | 第20-21页 |
1.3.2 人工神经网络(ANN) | 第21-22页 |
1.3.3 人工免疫系统(AIS) | 第22-23页 |
1.3.4 支持向量机(SVM) | 第23页 |
1.4 回转窑过程建模及控制的研究历史 | 第23-25页 |
1.5 课题研究的目的和意义 | 第25-26页 |
1.6 内容安排 | 第26-28页 |
第二章 锌钡白回转窑煅烧过程特性及建模分析 | 第28-39页 |
2.1 回转窑煅烧生产过程特性 | 第28-30页 |
2.1.1 工艺流程简介 | 第28-30页 |
2.1.2 消色力指标 | 第30页 |
2.2 干燥煅烧参数间相互关系及对质量指标的影响 | 第30-33页 |
2.2.1 原材料 | 第30-31页 |
2.2.2 煅烧温度和煅烧转速 | 第31页 |
2.2.3 进料量 | 第31-32页 |
2.2.4 窑头温度 | 第32页 |
2.2.5 排风温度和干燥转速 | 第32页 |
2.2.6 钢胆前温度 | 第32-33页 |
2.3 窑炉煅烧过程控制 | 第33-35页 |
2.3.1 人工调节方法 | 第33-34页 |
2.3.2 过程自动控制 | 第34-35页 |
2.4 煅烧过程建模 | 第35-37页 |
2.4.1 建模难点 | 第36页 |
2.4.2 建模思路 | 第36-37页 |
2.5 本章小结 | 第37-39页 |
第三章 窑头温度控制系统的闭环建模研究 | 第39-50页 |
3.1 窑头温度控制系统 | 第39-41页 |
3.1.1 回油阀的非线性补偿 | 第39-40页 |
3.1.2 窑头PID控制 | 第40-41页 |
3.2 闭环辨识的主要问题 | 第41-42页 |
3.3 两阶段闭环辨识方法 | 第42-46页 |
3.3.1 闭环系统辨识简述 | 第42-43页 |
3.3.2 辨识算法的基本原理 | 第43-45页 |
3.3.3 中间辨识模型与最终辨识结果的关系 | 第45页 |
3.3.4 中间辨识模型的结构及阶次选择 | 第45-46页 |
3.4 闭环仿真研究 | 第46-48页 |
3.5 模型的一致无偏检验 | 第48-49页 |
3.6 本章小结 | 第49-50页 |
第四章 基于能量平衡的煅烧过程控制及建模 | 第50-59页 |
4.1 煅烧过程控制特点 | 第50-51页 |
4.2 基于能量平衡的煅烧过程控制 | 第51-55页 |
4.2.1 控制思路来源 | 第51-52页 |
4.2.2 等能量等质量煅烧反应机理 | 第52-53页 |
4.2.3 过程能量值的推导 | 第53-54页 |
4.2.4 控制实现 | 第54-55页 |
4.3 过程回归建模与预估 | 第55-58页 |
4.3.1 过程数据的回归建模 | 第55-57页 |
4.3.2 过程参量值预估 | 第57-58页 |
4.4 本章小结 | 第58-59页 |
第五章 基于人工免疫聚类算法的ANFIS建模 | 第59-84页 |
5.1 基于T-S型的ANFIS煅烧过程建模及仿真 | 第59-65页 |
5.1.1 T-S模型 | 第59-60页 |
5.1.2 模糊聚类 | 第60页 |
5.1.3 ANFIS学习算法 | 第60-62页 |
5.1.4 ANFIS性能分析 | 第62-64页 |
5.1.5 建模仿真研究 | 第64-65页 |
5.2 AIS用于解决模糊结构辨识问题 | 第65-73页 |
5.2.1 人工免疫操作 | 第66-67页 |
5.2.2 AIS聚类算法 | 第67-69页 |
5.2.3 AIS算法收敛性分析 | 第69-71页 |
5.2.4 模糊规则的AIS聚类 | 第71-72页 |
5.2.5 煅烧过程的ANFIS建模 | 第72-73页 |
5.3 AIS聚类算法性能分析 | 第73-78页 |
5.3.1 AIS随机特性对系统学习的稳定性能影响 | 第73-74页 |
5.3.2 AIS的学习速度问题 | 第74-75页 |
5.3.3 其他聚类算法的ANFIS性能分析比较 | 第75-77页 |
5.3.4 小结 | 第77-78页 |
5.4 AIS在数据聚类分析中的应用 | 第78-83页 |
5.4.1 应用AIS算法对粉种信息的提取 | 第78-81页 |
5.4.2 过程参数相关性分类 | 第81-83页 |
5.5 本章小结 | 第83-84页 |
第六章 基于支持向量机的煅烧过程建模研究 | 第84-101页 |
6.1 SVM及LS-SVM的非线性建模思想 | 第84-89页 |
6.1.1 SVM的分类原理 | 第84-86页 |
6.1.2 SVM的非线性建模 | 第86-88页 |
6.1.3 LS-SVM的非线性建模 | 第88-89页 |
6.2 过程的LS-SVM建模研究 | 第89-91页 |
6.2.1 过程LS-SVM建模 | 第89-90页 |
6.2.2 LS-SVM与ANFIS辨识性能对比 | 第90-91页 |
6.3 混合核函数的提出及在建模中的应用 | 第91-99页 |
6.3.1 全局核函数和局部核函数 | 第91-93页 |
6.3.2 混合核函数的提出 | 第93-96页 |
6.3.3 ρ值的调节作用 | 第96页 |
6.3.4 SVM及LS-SVM建模分析 | 第96-99页 |
6.3.5 结论 | 第99页 |
6.4 本章小结 | 第99-101页 |
第七章 过程多参量的MISO在线优化建模 | 第101-109页 |
7.1 LS-SVM的MISO建模 | 第101-102页 |
7.2 在线优化问题的提出 | 第102-104页 |
7.2.1 时间窗的概念 | 第102-104页 |
7.2.2 模型参数在线优化算法 | 第104页 |
7.3 过程的在线优化建模 | 第104-108页 |
7.3.1 LS-SVM预测建模 | 第104-106页 |
7.3.2 KKT判定条件 | 第106-107页 |
7.3.3 混合核函数的作用 | 第107页 |
7.3.4 LS-SVM与SVM | 第107-108页 |
7.4 本章小结 | 第108-109页 |
结论 | 第109-112页 |
参考文献 | 第112-122页 |
攻读博士学位期间发表的论文 | 第122-126页 |
致谢 | 第126-127页 |