基于SVM-RBF的高炉炉况诊断方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文主要研究内容和论文构成 | 第13-15页 |
| 第2章 高炉炼铁工艺及异常炉况分析 | 第15-23页 |
| 2.1 高炉炼铁原理 | 第15页 |
| 2.2 高炉本体结构 | 第15-17页 |
| 2.3 高炉异常炉况分析 | 第17-22页 |
| 2.3.1 向凉向热 | 第18-19页 |
| 2.3.2 塌料 | 第19-20页 |
| 2.3.3 悬料 | 第20页 |
| 2.3.4 炉墙结厚、结瘤 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于SVM-RBF的故障诊断方法研究 | 第23-53页 |
| 3.1 支持向量机理论基础 | 第23-30页 |
| 3.1.1 VC维理论基础 | 第23页 |
| 3.1.2 经验风险最小化与结构风险最小化 | 第23-25页 |
| 3.1.3 最优分类面与线性分类器 | 第25-28页 |
| 3.1.4 分类支持向量机 | 第28-30页 |
| 3.2 RBF神经网络理论基础 | 第30-35页 |
| 3.2.1 神经元模型 | 第30-31页 |
| 3.2.2 RBF神经网络 | 第31-32页 |
| 3.2.3 RBF神经网络结构与学习算法 | 第32-33页 |
| 3.2.4 RBF神经网络的网络中心确定方法 | 第33-35页 |
| 3.3 基于SVM-RBF的双层诊断模型设计 | 第35-45页 |
| 3.3.1 SVM层 | 第36-41页 |
| 3.3.2 RBF层 | 第41-44页 |
| 3.3.3 SVM-RBF双层结构诊断原理 | 第44-45页 |
| 3.4 仿真验证 | 第45-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 高炉向凉向热异常炉况诊断 | 第53-67页 |
| 4.1 数据预处理 | 第53-55页 |
| 4.2 SVM层诊断仿真 | 第55-63页 |
| 4.2.1 粒子群算法参数寻优 | 第55-57页 |
| 4.2.2 惩罚因子C空间搜索寻优 | 第57-63页 |
| 4.3 RBF神经网络层诊断仿真 | 第63-65页 |
| 4.4 仿真结果分析 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
