| 目录 | 第1-3页 |
| 中文摘要 | 第3页 |
| 英文摘要 | 第3-7页 |
| 第一章 绪论 | 第7-19页 |
| 1．1 研究背景及意义 | 第7-12页 |
| 1．1．1 受热面结渣积灰对锅炉运行的影响 | 第7-8页 |
| 1．1．2 我国大型火电厂热工检测和控制设备的现状 | 第8-9页 |
| 1．1．3 当前电站锅炉受热面结渣积灰监测技术的发展状况 | 第9-11页 |
| 1．1．4 锅炉设备故障诊断技术的发展 | 第11-12页 |
| 1．2 课题的目的和内容 | 第12-14页 |
| 1．2．1 课题研究的重点和难点 | 第12-14页 |
| 1．2．2 监测系统的主要功能 | 第14页 |
| 1．3 研究对象概况 | 第14-19页 |
| 1．3．1 锅炉本体介绍 | 第14-17页 |
| 1．3．2 锅炉受热面吹灰系统和运行介绍 | 第17-19页 |
| 第二章 基于神经网络的系统辨识 | 第19-32页 |
| 2．1 人工神经网络 | 第19-20页 |
| 2．2 系统辨识 | 第20-23页 |
| 2．2．1 系统辨识的定义 | 第20-21页 |
| 2．2．2 系统辨识的常用方法 | 第21-23页 |
| 2．3 神经网络用于系统辨识的一般结构 | 第23-28页 |
| 2．3．1 多层前向网络的一般结构 | 第23-24页 |
| 2．3．2 多层动态前向网络的学习算法 | 第24-26页 |
| 2．3．3 对象的非线形模型 | 第26-27页 |
| 2．3．4 用神经网络组成的动态系统表示非线形系统的可能性 | 第27-28页 |
| 2．4 基于BP网络的系统辨识 | 第28-32页 |
| 2．4．1 BP网络的结构设计及其辨识算法 | 第28-31页 |
| 2．4．2 辨识算法的收敛性 | 第31-32页 |
| 第三章 基于BP的网络系统辨识模型 | 第32-41页 |
| 3．1 对BP网络的分析和对BP算法的改进 | 第32-37页 |
| 3．1．1 BP网络分析 | 第32-33页 |
| 3．1．2 对BP算法的改进方案 | 第33-35页 |
| 3．1．3 对改进的BP算法的仿真检验 | 第35-37页 |
| 3．2 动态系统辨识器的构造 | 第37-41页 |
| 3．2．1 动态BP网络及动态系统辨识器的构造 | 第38-39页 |
| 3．2．2 辨识器仿真 | 第39-41页 |
| 第四章 受热面神经网络计算分析模型 | 第41-53页 |
| 4．1 现场运行数据的采集 | 第41-44页 |
| 4．2 炉膛神经网络计算模型 | 第44-47页 |
| 4．2．1 炉膛神经网络模型输入参数的选取 | 第44-45页 |
| 4．2．2 炉膛神经网络模型的建立 | 第45-46页 |
| 4．2．3 炉膛神经网络模型运行结果及分析 | 第46-47页 |
| 4．3 屏式过热器神经网络计算模型 | 第47-48页 |
| 4．3．1 屏过神经网络模型输入参数的选取 | 第47页 |
| 4．3．2 屏过神经网络模型的建立 | 第47页 |
| 4．3．3 屏过神经网络模型运行结果及分析 | 第47-48页 |
| 4．4 其它受热面神经网络计算模型 | 第48-51页 |
| 4．4．1 其它受热面神经网络模型的建立 | 第48-49页 |
| 4．4．2 其它受热面神经网络模型运行结果及分析 | 第49-51页 |
| 4．5 两种方法的比较 | 第51-53页 |
| 第五章 软件简介 | 第53-59页 |
| 5．1 软件的主要功能 | 第53-54页 |
| 5．1．1 受热面状态监测 | 第53-54页 |
| 5．1．2 神经网络的修改和维护 | 第54页 |
| 5．1．3 历史数据的查询 | 第54页 |
| 5．2 整体计算流程 | 第54-55页 |
| 5．3 程序的特点 | 第55-56页 |
| 5．4 软件的主要运行界面 | 第56-59页 |
| 第六章 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读工程硕士学位期间发表的学术论文 | 第66页 |
