声明
摘要
第一章 绪论
1.1 课题的研究背景
1.2 软测量技术的国内外研究现状
1.3 锅炉烟气氧含量检测意义及方法
1.3.1 监测锅炉烟气氧含量的意义
1.3.2 锅炉烟气氧含量检测方法
1.4 本文主要研究的内容
第二章 锅炉燃烧控制系统的搭建
2.1 控制系统搭建的目的
2.2 仿真实验平台硬件与软件
2.2.1 西门子SIMATIC PCS7简介
2.2.2 PCS7功能及特点
2.3 仿真平台的组态与通信
2.4 锅炉燃烧系统控制方案设计及控制效果
2.4.1 锅炉燃烧系统工艺流程分析
2.4.2 控制方案设计原则
2.4.3 烟气氧含量-过热蒸汽出口压力控制系统
2.4.4 汽包液位控制系统
2.4.5 炉膛负压控制系统
2.4.6 过热蒸汽出口温度控制系统
2.4.7 锅炉燃烧控制系统搭建及控制效果
2.5 本章小结
第三章 软测量技术
3.1 软测量技术概述
3.1.1 软测量原理
3.1.2 软测量建模方法
3.1.3 软测量技术的意义
3.3 烟气氧含量软测量数据的选择与处理
3.3.1 辅助变量的选择
3.3.2 数据的采集
3.3.3 采集数据的误差处理
3.3.4 氧含量软测量模型使用数据及处理
3.3.5 数据标准化
3.4 软测量模型的在线校正
3.5 本章小结
第四章 基于神经网络的蔗渣锅炉烟气氧含量软测量模型
4.1 人工神经网络模型及特点
4.1.1 人工神经网络模型
4.1.2 人工神经网络特点
4.2 BP神经网络
4.2.1 BP神经网络结构
4.2.2 BP神经网络算法
4.2.3 BP算法实现流程图
4.2.4 基于BP神经网络氧含量软测量模型的建立及结果分析
4.3 Elman神经网络
4.3.1 Elman神经网络简述
4.3.2 Elman神经网络基本结构及改进
4.3.3 改进型Elman神经网络学习算法
4.3.4 基于改进型Elman神经网络氧含量软测量模型的建立及结果分析
4.4 本章小结
第五章 基于支持向量机的蔗渣锅炉烟气氧含量软测量模型
5.1 支持向量机理论基础
5.1.1 机器学习问题
5.1.2 统计学习理论
5.1.3 支持向量机结构及使用原因
5.2 回归支持向量机
5.2.1 回归支持向量机算法
5.2.2 基于SVR氧含量软测量模型的建立及结果分析
5.3 最小二乘支持向量机
5.3.1 最小二乘支持向量机算法
5.3.2 基于LS-SVM氧含量软测量模型的建立及结果分析
5.4 粒子群算法优化最小二乘支持向量机
5.4.1 基本粒子群算法
5.4.2 PSO算法参数优化过程
5.4.3 基于PSO-LSSVM氧含量软测量模型的建立及结果分析
5.5 本章小结
第六章 结论与展望
参考文献
附录
致谢