在鍋爐的實時運行中,灰渣含碳量直接反映了煤的利用率也是鍋爐熱效率的一個重要參考指標。大多數中小型鍋爐運行中,由于受測量手段的限制,只能通過離線燃燒失重法測量灰渣含碳量的值,該方法耗時長、滯后大。難以應用這個參數對鍋爐的燃燒進行及時的優(yōu)化調節(jié)。軟測量技術以其實時性強和建模方法多樣化等優(yōu)點成為解決這一問題的有效手段之一。鍋爐的燃燒是一個復雜的過程,灰渣含碳量與鍋爐的熱工參數和各個操作變量之間存在著非線性、強耦合的關系。本文首先應用了較常用的建模方法—多元逐步回歸法對灰渣含碳量進行軟測量建模,以此方法得到的灰渣含碳量模型是一種線性數學表達式,可以確定進入表達式的輔助變量及具體模型參數。回歸模型把各個變量與灰渣含碳量之間的關系線性化,在特定的區(qū)段基本能反映灰渣含碳量的變化趨勢。當灰渣含碳量超過該區(qū)間范圍時,該模型的泛化能力較差并無法較吻合的反應灰渣含碳量的實際值。因此把灰渣含碳量與輔助變量之間的關系線性化是不合適的。神經網絡具有良好的非線性問題處理能力、強大的自學習能力,可以利用不同的權重值表述各個工藝參數的權重,但是對于建模過程人不可參與;模糊系統可以充分利用經驗與知識,建模過程不再是一個"... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 選題背景及研究意義
    1.2 國內外研究現狀
    1.3 本文主要研究內容
第2章 軟測量理論
    2.1 軟測量相關概念
        2.1.1 輔助變量的選取
        2.1.2 數據的分析與預處理
        2.1.3 輔助變量與主導變量的時序對應
        2.1.4 軟測量模型的迭代修正
        2.1.5 軟測量的工程設計
    2.2 軟測量建模方法
        2.2.1 基于機理分析的建模
        2.2.2 基于數據驅動的建模
    2.3 軟測量技術的優(yōu)缺點
        2.3.1 軟測量技術優(yōu)點
        2.3.2 軟測量技術缺點
    2.4 本章總結
第3章 基于數據驅動的軟測量建模方法
    3.1 回歸分析
        3.1.1 多元線性回歸分析
        3.1.2 多元逐步回歸分析
    3.2 模糊理論
        3.2.1 模糊系統概述
        3.2.2 模糊化
        3.2.3 模糊推理
        3.2.4 反模糊化
    3.3 神經網絡基本理論
        3.3.1 人工神經網絡
        3.3.2 神經元的結構
        3.3.3 神經網絡的網絡算法
    3.4 自適應神經模糊推理系統
        3.4.1 常規(guī)模糊系統的不足
        3.4.2 模糊系統與神經網絡的比較
        3.4.3 模糊系統與神經網絡的結合
        3.4.4 自適應神經模糊推理產生背景
        3.4.5 自適應神經模糊推理系統概述
    3.5 本章小結
第4章 灰渣含碳量模型的構建與研究
    4.1 鍋爐燃燒工藝與灰渣含碳量的檢測
        4.1.1 鍋爐的燃燒工藝
        4.1.2 樣本的選取
        4.1.3 樣本的測量
    4.2 基于多元逐步回歸建模
        4.2.1 多元逐步回歸輔助變量篩選
        4.2.2 多元逐步回歸建模
        4.2.3 多元逐步回歸模型的驗證
    4.3 BP神經網絡建模
        4.3.1 網絡輸入層變量的確定
        4.3.2 隱含層神經元的確定
        4.3.3 神經網絡的建模
    4.4 基于ANFIS建模
        4.4.1 ANFIS結構
        4.4.2 數據的歸一化
        4.4.3 基于ANFIS建模
        4.4.4 ANFIS模型的驗證
    4.5 不同模型的對比
    4.6 本章小結
第5章 灰渣含碳量軟測量模型在線應用
    5.1 灰渣含碳量的分析
    5.2 ANFIS模型的應用
        5.2.1 MATLAB與上位機WINCC的連接
        5.2.2 軟件的設計
    5.3 灰渣含碳量指導燃燒
        5.3.1 煤層厚度的調節(jié)
        5.3.2 風量的調節(jié)
    5.4 經濟效益分析
    5.5 本章小結
第6章 總結與展望
    6.1 總結
    6.2 展望
致謝
參考文獻



本文編號：3351218