| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 水泥熟料f-CaO含量测量方法的国内外研究现状 | 第14-18页 |
| 1.2.1 f-CaO含量的人工检测现状 | 第14-16页 |
| 1.2.2 f-CaO含量的软测量现状 | 第16-18页 |
| 1.3 课题来源以及本文主要内容 | 第18-20页 |
| 第2章 水泥生产工艺简介及f-CaO含量影响因素分析 | 第20-32页 |
| 2.1 新型干法水泥的生产工艺流程 | 第20-21页 |
| 2.2 水泥熟料煅烧过程机理分析 | 第21-26页 |
| 2.3 f-CaO含量的影响因素分析 | 第26-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 水泥生产过程数据的采集与预处理 | 第32-44页 |
| 3.1 过程数据的采集与分析 | 第32-35页 |
| 3.2 数据预处理 | 第35-43页 |
| 3.2.1 数据滤波 | 第36-38页 |
| 3.2.2 异常数据的处理 | 第38-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 基于时序分析与SVM的f-CaO软测量模型的设计与实现 | 第44-60页 |
| 4.1 过程参数时序分析 | 第44-50页 |
| 4.1.1 过程参数的时序匹配 | 第44-48页 |
| 4.1.2 过程参数的时序加权 | 第48-50页 |
| 4.2 基于时序分析与SVM的f-CaO含量预测模型的设计与实现 | 第50-56页 |
| 4.2.1 SVM算法简介 | 第51-53页 |
| 4.2.2 时序分析与SVM的软测量模型结构设计与实现 | 第53-56页 |
| 4.3 模型的训练与预测 | 第56-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第5章 软测量模型的预测结果及性能分析 | 第60-69页 |
| 5.1 模型参数选择对结果的影响 | 第60-64页 |
| 5.1.1 涵括长度对预测结果的影响分析 | 第61-63页 |
| 5.1.2 中心带宽对预测结果的影响分析 | 第63-64页 |
| 5.2 与现有预测模型结果的对比分析 | 第64-68页 |
| 5.2.1 与极限学习机模型的预测结果对比分析 | 第65-66页 |
| 5.2.2 与BP神经网络模型的预测结果对比分析 | 第66-68页 |
| 5.3 本章小结 | 第68-69页 |
| 总结与展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第77-78页 |
| 附录B 本文主要程序代码 | 第78-81页 |
