基于现场数据的飞灰含碳量分析及建模
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 引言 | 第10-13页 |
| 1.1.1 课题研究背景 | 第10页 |
| 1.1.2 国内外发展现状 | 第10-13页 |
| 1.2 课题研究意义 | 第13页 |
| 1.3 论文主要内容 | 第13-15页 |
| 第2章 飞灰含碳量的影响因素 | 第15-20页 |
| 2.1 飞灰的形成与特点 | 第15页 |
| 2.2 飞灰含碳量的影响因素分析 | 第15-19页 |
| 2.2.1 煤质特性 | 第15-17页 |
| 2.2.2 总给煤量 | 第17页 |
| 2.2.3 锅炉负荷 | 第17页 |
| 2.2.4 过量空气系数 | 第17-18页 |
| 2.2.5 一、二次风总风压 | 第18页 |
| 2.2.6 炉膛与风箱差压 | 第18页 |
| 2.2.7 燃烧器摆角 | 第18-19页 |
| 2.2.8 燃尽风、燃料风挡板开度 | 第19页 |
| 2.3 本章小结 | 第19-20页 |
| 第3章 偏最小二乘回归法预测模型 | 第20-28页 |
| 3.1 偏最小二乘回归法的研究现状 | 第20-21页 |
| 3.2 偏最小二乘回归法的特点 | 第21-22页 |
| 3.3 偏最小二乘回归 | 第22-25页 |
| 3.3.1 偏最小二乘回归基本思想 | 第22页 |
| 3.3.2 偏最小二乘回归算法推导 | 第22-24页 |
| 3.3.3 模型成分个数的确定 | 第24-25页 |
| 3.4 偏最小二乘回归简化及改进 | 第25-27页 |
| 3.4.1 偏最小二乘回归简化 | 第25页 |
| 3.4.2 偏最小二乘回归改进 | 第25-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第4章 神经网络模型 | 第28-37页 |
| 4.1 神经网络简介 | 第28-31页 |
| 4.1.1 神经网络的发展 | 第28-29页 |
| 4.1.2 神经网络模型 | 第29-30页 |
| 4.1.3 神经网络的特点及应用 | 第30-31页 |
| 4.2 BP神经网络 | 第31-34页 |
| 4.2.1 BP神经网络概述 | 第31-32页 |
| 4.2.2 BP神经网络算法 | 第32-34页 |
| 4.3 BP神经网络的局限性及算法改进 | 第34-36页 |
| 4.3.1 BP神经网络的局限性 | 第34-35页 |
| 4.3.2 BP神经网络的改进 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第5章 飞灰含碳量预测模型 | 第37-51页 |
| 5.1 数据采集和预处理 | 第37-38页 |
| 5.1.1 数据采集 | 第37页 |
| 5.1.2 数据预处理 | 第37-38页 |
| 5.2 PLSR预测模型 | 第38-41页 |
| 5.3 BP神经网络预测模型 | 第41-45页 |
| 5.4 基于改进PLSR的BP神经网络预测模型 | 第45-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-52页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第55-56页 |
| 致谢 | 第56页 |
