基于TDLAS煤自燃多组分指标气体的识别
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 课题研究意义 | 第9-10页 |
| 1.3 课题研究现状及发展趋势 | 第10-13页 |
| 1.3.1 国外研究现状及趋势 | 第10-11页 |
| 1.3.2 国内研究现状及趋势 | 第11-13页 |
| 1.4 论文主要研究内容 | 第13-15页 |
| 2 多组分气体检测技术原理及分析 | 第15-23页 |
| 2.1 TDLAS气体检测原理 | 第15-16页 |
| 2.2 波长调制与谐波检测技术 | 第16-19页 |
| 2.2.1 波长调制技术 | 第16-18页 |
| 2.2.2 谐波检测技术 | 第18-19页 |
| 2.3 光开关多组分检测技术 | 第19-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 煤自然多组分指标气体识别系统的设计与实验 | 第23-36页 |
| 3.1 系统总体结构设计 | 第23-24页 |
| 3.2 发射单元 | 第24-27页 |
| 3.3 长光程吸收池 | 第27-28页 |
| 3.4 接收单元与控制单元 | 第28-30页 |
| 3.5 指标气体识别系统实验 | 第30-35页 |
| 3.5.1 实验平台构建 | 第30-31页 |
| 3.5.2 实验方案与结果分析 | 第31-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 气体浓度修正模型 | 第36-57页 |
| 4.1 极限学习机(ELM)气体浓度修正模型 | 第36-42页 |
| 4.1.1 极限学习机概述 | 第36-39页 |
| 4.1.2 ELM气体浓度修正模型建立 | 第39-42页 |
| 4.2 GA-BP神经网络浓度修正模型 | 第42-50页 |
| 4.2.1 遗传算法(GA)优化原理 | 第42-46页 |
| 4.2.2 GA-BP神经网络修正模型建立 | 第46-50页 |
| 4.3 PSO优化BP神经网络浓度修正模型 | 第50-56页 |
| 4.3.1 粒子群优化算法(PSO)原理 | 第50-51页 |
| 4.3.2 PSO-BP神经网络浓度修正模型建立 | 第51-55页 |
| 4.3.3 三种算法气体浓度修正模型仿真对比 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 基于TDLAS的CO气体浓度在线监测软件 | 第57-67页 |
| 5.1 虚拟软件LabVIEW简介 | 第57-58页 |
| 5.2 系统模块划分 | 第58页 |
| 5.3 系统界面设计与制作 | 第58-65页 |
| 5.3.1 主界面设计 | 第58-60页 |
| 5.3.2 数据采集模块 | 第60-61页 |
| 5.3.3 基于PSO优化BP算法的浓度监测模块 | 第61-64页 |
| 5.3.4 数据查询模块 | 第64-65页 |
| 5.4 试验系统运行结果 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74-77页 |
