一、锅炉诊断系统中专家网络权值训练误差的影响因素（论文文献综述）
高鹤元[1]（2020）在《基于神经网络的船舶辅锅炉燃烧故障诊断研究》文中研究说明船舶辅锅炉是船舶的重要组成部分,作为保证船舶正常运行的重要设备之一,其主要用于产生饱和水蒸气。船舶辅锅炉的安全、稳定、高效的运行对船舶安全,经济收益具有重要意义。随着人工智能和船舶自动化技术的不断发展,船舶装备的故障诊断和状态识别领域逐渐成为惹人关注的研究热点。但船舶系统结构复杂,故障特征多种多样,现阶段获取全面的故障样本的难度较大,所以船舶辅锅炉的燃烧故障诊断的研究应用尚处于不成熟的研究阶段。神经网络方法近几年在多个研究领域取得了重要成就,将其引入到船舶辅锅炉燃烧故障诊断中,有非常重要的研究价值。本文综合考虑船舶辅锅炉的运行特点,选取自组织特征映射（SOM）神经网络开展船舶辅锅炉燃烧故障诊断研究。并针对相应神经网络进行改进,提高诊断的准确率,从而提高船舶运营的安全性。本文选取大连海事大学研发的DMSVLCC大型油船轮机模拟器为试验平台,模拟D型水管辅锅炉正常运行,燃油供给泵磨损,燃油预热器脏堵,点火油泵故障,风机故障的工作过程。提取样本数据并使用主成分分析法（PCA）进行预处理,用作后续故障诊断方法的验证研究。利用获取的实验数据训练SOM神经网络进行初步诊断,由于神经网络的局限性和不足导致诊断结果不够理想。为了提高故障诊断的准确度,在神经网络的基础上,使用粒子群算法（PSO）优化其权值向量的更新过程,提高诊断的准确率。通过分析实验的诊断结果及优化算法的优势和缺陷,本文再结合学习向量量化神经网络（LVQ）弥补算法在竞争过程中存在的不足,进行更深一步的算法研究。最后,利用系统运行仿真出的样本数据,验证所构建的PSO-SOM-LVQ的混合神经网络算法故障诊断模型。依据3种实验结果对比表明,混合神经网络模型的故障诊断结果与实际状态一致,相比于前两种算法的准确率有了显着提高,充分验证了该算法在船舶辅锅炉燃烧故障诊断中的可靠性和准确性,为船舶辅锅炉燃烧故障智能诊断的发展提供一种新的思路。
曾诚[2]（2019）在《基于web的卷烟厂动力关键设备故障诊断专家系统设计》文中进行了进一步梳理随着工业自动化与智能化快速发展,生产过程中提供能源的动力设备发生故障概率增加,动力设备故障诊断过程复杂性增加。传统的故障诊断方式主要依靠维修人员的技术水平和工作经验,故障诊断精确度不高,维修效率低,难以满足现代企业要求。本文将时间序列预测方法和模糊综合评判方法引入到动力设备故障诊断中,通过研究BP神经网络技术与模糊综合评判的相关理论,设计并实现了基于web的卷烟厂动力关键设备故障诊断专家系统。本文主要研究内容如下:（1）开展时间序列预测算法分析。对移动平均法、指数平滑法、ARMA模型、BP神经网络和改进的BP神经网络等五种预测模型进行了研究分析,分析了各种预测模型的特点及实现方法。（2）对模糊综合评判方法进行研究。针对一级模糊综合评判模型的不完善之处,开展了基于二级综合模糊综合评判模型的研究并设计了基于模糊综合评判的故障诊断案例。（3）对动力系统关键设备——锅炉和空压机进行故障诊断研究。基于采集的设备故障数据和收集的维修经验,针对工况数据进行预测,挖掘数据的潜在规律,为故障诊断推理提供依据。（4）依托.NET开发平台,设计并实现基于web的故障诊断系统。基于.NET平台,根据系统的功能结构分析,设计故障诊断系统的用户系统和用户界面,并对系统进行测试。实验结果表明,本文所设计的动力设备故障诊断系统具有良好的准确性,能够满足实际需求。
刘炳含[3]（2019）在《基于大数据技术的电站机组节能优化研究》文中进行了进一步梳理随着我国经济持续发展,能源消费保持增长态势。燃煤发电作为能源供应的支柱产业,在我国独特的能源结构作用下,将继续占据主导地位,也是我国实现优能降耗减排目标的关键。大数据、人工智能的崛起及迅猛发展,推动着智能化、信息化与工业化的深度融合,为我国发电企业由高能耗、高排放、低效率的粗放型发展方式向低能耗、低排放、高效率的绿色发展方式转变带来新的方式和机遇。随着电力系统信息集成化的普及应用,电站机组积累了海量运行数据,如何挖掘数据中的潜在价值并加以利用,已成为当前发电行业的重要研究领域。推广大数据技术在电站机组的多角度、深层次、宽范围的挖掘与应用,对提高机组效率及深化优能降耗具有重要意义。首先,通过对电力大数据定义及特征的概括分析,阐述了电站机组大数据的定义及价值。针对电站机组大数据的挖掘过程,提出电站机组大数据的层级架构设计;同时,依据电站大数据处理关键技术,构建电站大数据生态系统应用框架,引入大数据存储与批处理技术,实现电站机组大数据的信息挖掘与获取。其次,深入分析电站机组海量运行数据特点及数据质量,阐明质量缺陷及原因,明确数据处理策略及方法。在电站机组数据检测中,采用多参数阈值判断法筛选稳态工况数据。在数据预处理中,利用双线性插值法及联合概率密度法分别处理数据空缺值及离散值;同时,针对电站机组大数据高维度、非线性的特点,引入模糊粗糙集理论,建立电站机组大数据特征参数选择方法,剔除冗余或无关参数,精简特征参数集,保证大数据挖掘处理的高效率性与高精度性。再次,开展基于大数据技术的电站机组能耗分析方法。以模糊粗糙集属性约简为基础,通过Canopy算法对K-means聚类算法改进,并将改进K-means聚类算法在Hadoop平台上实现并行化计算,实现全工况高效寻优确定电站机组运行目标基准值。同时,建立支持向量机能耗敏感性分析模型,依据供电煤耗与输入特征参数之间的依赖度及相关性,分析不同负荷工况下关键特征参数对供电煤耗的敏感性系数。然后,分析厂网两级负荷优化分配现状,针对电力发展清洁型、灵活型、智能型需求,提出基于大数据技术的考虑边界条件及污染物排放的多目标厂级负荷优化分配策略。基于电站机组的海量运行数据,引入大数据分析方法,通过粒子群算法对支持向量机进行改进,建立厂级快速性、经济性、环保性多目标负荷优化预测模型;并利用MapReduce并行编程模型实现对NSGA-Ⅱ优化算法的并行化处理,完成厂级多目标负荷优化分配计算。以此为基础开展的厂级负荷优化分配可有效降低电站机组供电煤耗及污染物排放,对电力系统节能发电调度具有参考意义。最后,开展燃气电站机组对标管理综合评估研究。在分析研究燃气电厂对标管理评估特点及表征参数的基础上,从安全环保、机组可靠、设备管理、经济运营、生产技术5个方面建立燃气电站机组对标管理综合评价指标体系:同时,基于大数据分析方法的粗糙集属性约简原理,结合向量夹角余弦与主成分分析法,建立燃气电站机组对标管理综合评估模型。针对模型赋权方案,建立基于指标权值的敏感性分析模型,检验结果表明所建立的燃气电站机组对标管理综合评价模型的权值分配敏感性较低,模型评价结果稳定,鲁棒性好,为燃气电厂企业对标管理及电厂机组间竞赛提供指导和帮助。
张维[4]（2019）在《掺烧煤泥循环流化床机组运行督导与智能预警》文中研究表明国家鼓励推进与煤共伴生资源的综合开发利用,目前循环流化床（Circulating Fluidized Bed,CFB）技术是综合利用煤泥的最佳工业处理方式,掺烧低价煤泥也是提高CFB机组经济性的重要手段。但掺烧煤泥造成控制参数波动给机组运行带来挑战,如何保证运行安全稳定前提下调节控制参数实现经济性最优,具有重要研究意义。掺烧煤泥CFB机组的大惯性、大迟延、强耦合特点导致机理建模困难,很难形成具普适性的控制优化系统。大数据、人工智能与发电产业的深度融合是智能电厂应用推广的重要手段。目前较少出现基于过程数据的掺烧煤泥CFB机组整体建模优化成果,因此深入挖掘过程数据提出运行辅助信息系统,填补此类研究空白具有重要意义。本研究基于分布式控制系统中存储的过程数据,以掺烧煤泥CFB机组运行稳定性、经济性、安全性为目标,采用数据驱动建模、数据挖掘优化、专家系统指导以及状态智能预警等技术,创新性提出掺烧煤泥CFB机组整体运行督导与智能预警方案。基于以上研究内容与思路,课题从以下几个方面开展研究:（1）运行督导系统内综合经济性模型建立以全机组燃料成本、脱硫脱硝成本、厂用电成本总和为综合经济性指标。在数据预处理与偏互信息法特征选择基础上,利用Elman神经网络、支持向量机、最小二乘支持向量机为代表的传统数据驱动算法分别建立控制变量与综合经济性之间黑箱模型并综合比较分析。在性能较优的最小二乘支持向量机算法基础上,提出改进策略:采用改进网格搜索法及模型更新策略提升模型预测精度与自适应能力,进一步采用模糊信息粒化方法分析综合经济性变化趋势及范围。（2）运行督导系统搭建由运行数据库、模型算法库以及专家知识库组成掺烧煤泥CFB机组运行督导系统。以综合经济性模型为基础,遗传算法优化下的典型稳态工况组成离线专家知识库。改进模糊关联规则挖掘算法创新性引入“效用成本”关联规则复合型评价指标,对专家知识库数据进行模糊化与关联规则挖掘。筛选出最佳综合经济性稳态工况下变量间关联规则后,将其输入至模糊逻辑控制器。模糊逻辑控制器接收负荷指令后,在线输出最佳综合经济性稳态工况控制变量目标值,为机组运行提供操作指导与信息参考。（3）智能预警系统内状态预测模型建立状态预测模型是智能预警系统的模型基础,准确的正常状态预测模型与观测状态之间的差异信息蕴含了故障早期特征。多维时间序列预测、模糊推理预测、多元状态估计技术以及提出的改进多元状态估计技术用来进行设备正常状态参数预测和模型比较。在模型预测精度方面,利用概率密度构造过程记忆矩阵的改进多元状态估计技术与多维时间序列预测方法优于其他两种方法;在模型复杂度及运算快速性方面,以状态向量为操作单元的改进多元状态估计技术不需逐一参数建模,远优于其他三种方法。（4）智能预警系统搭建智能预警系统通过状态预测、状态判断、变量定位功能板块,最终实现智能预警功能。在状态判断研究中,综合比较基于可调平滑参数、K-means聚类以及滑动窗口相似度的状态判断方法,提出的滑动窗口相似度在预警准确性、及时性、简便性方面最具优势。滑动窗口相似度函数以状态预测模型输出为基础,采用状态间欧氏距离的反比函数描述正常状态与观测状态间相似性;将层次分析法得到的故障信息权重赋值相似度函数变量,利用滑动窗口法消除随机重复预警误报。预警后变量异常标记占比被用于故障变量定位与诊断,结合变量信息及现场检修得到故障原因。最后分析与讨论了滑动窗口参数对预警灵敏度的影响规律。
孟祥勇[5]（2017）在《基于灰色误差神经网络的热电厂燃炉系统故障预测应用研究》文中研究说明随着自动控制系统的普遍应用以及工业自动化规模的不断壮大,企业对系统运行的可靠性和稳定性提出了越来越高的要求。为了尽量减少甚至避免故障损失,提高各大型设备运行的安全性,对各种异常状态或故障状态做出及时准确的预测与诊断是非常有必要的。故障预测技术是随着维修理念的转变和维修方式的变革而逐步发展起来的新技术,其有效地实现了对故障的主动预防和实时监测,由基于智能系统的故障预测逐步替代了传统的事后诊断,一定程度上为实现设备的安全性和经济性运转提供了可行性。本文深入研究了热电厂锅炉的基本结构、工艺流程及主要安全性能指标,在此基础上建立了锅炉故障预测系统知识库。以4#炉高温过热器的壁温数值为研究样本,分别对T-S模糊神经网络结构模型和多参数灰色误差神经网络模型进行MATLAB仿真。实际验证结果表明了多变量灰色误差神经网络模型满足了较高的精度和速度的要求。为了深入研究该模型算法而设计了故障预测系统,简洁友好的界面和便捷的操作方式对于实现锅炉相关的故障预测具有一定的积极意义。某电厂的锅炉控制系统采用的是新华DCS的TisNet-OnXDC800,该系统本身集成了报警技术。本文深入研究了该套系统的运行机制与组态,为更好的实现对故障的识别与预测,运用OPC技术的通讯方式研究了预测模型和系统的结合。同时在XCU图形组态软件中研究了多参数灰色误差神经网络模型的合理运用,具有一定的实际意义。
刘英达[6]（2014）在《锅炉经济性运行指导系统研究》文中认为实现锅炉的高效经济运行，对降低能耗提高电厂的经济效益，提高我国能源利用率都具有重大意义。因此，有必要对锅炉的运行情况进行有效的经济性分析，使锅炉机组的整体运行情况得到及时、准确的反映。而人工神经网络和专家系统技术，可解决电力系统中一些难于求解的、复杂的问题。因此，建立基于经济性分析的专家系统，成为实现锅炉机组的安全、经济运行的有效手段。本文通过对国内外电站锅炉运行、管理的现状及其现有问题的研究，在提高锅炉运行经济性方面做了两部分工作：一部分运用神经网络建立了锅炉效率监测模型，以影响锅炉效率的因素为输入变量，以锅炉效率为输出变量，用电厂采集的数据样本进行训练，此模型不同于传统的锅炉效率的正平衡或反平衡计算方法，并不需要采集大量的参数信息即可得到锅炉效率；另一部分建立了分析锅炉一些重要可控参数——排烟温度、主蒸汽温度、再热蒸汽温度偏离正常值原因的诊断专家系统，该系统将模糊引入神经网络，其知识库知识采用神经网络知识表示和产生式规则知识表示方法，推理机由神经网络推理和专家规则推理两部分组成，推理机制采用正向推理机制。利用三种算法训练系统网络，通过测试样本测试对比，得到适合本系统的网络训练算法。通过实例测试，网络能准确地定位排烟温度偏高、主蒸汽温度和再热蒸汽温度偏低的原因。并通过用Delphi和Matlab两种语言开发锅炉经济性运行指导系统，不但具有良好的人机操作界面和可扩充性，并具有复杂算法的计算能力。
陈鹏[7]（2011）在《火电厂锅炉智能故障诊断系统研究》文中认为“四管”破裂是火电厂锅炉主要运行故障,影响着锅炉设备的安全运行,如何及时发现和防止“四管”破裂,智能故障诊断在火电厂运行中显得非常重要。本文主要研究了智能故障诊断的两种应用,它们分别是多维BP神经网络在锅炉故障诊断中的应用和结合数据挖掘与BP神经网络在锅炉故障诊断应用。其中多维BP神经网络在锅炉故障诊断中的应用是针对锅炉热工生产过程特点,采用多维BP神经网络方法进行锅炉故障诊断建模。BP神经网络采用多维结构,输入层采用模糊数学方法对运行参数进行量化,通过参数之间和参数与故障类之间的关联关系,建立多维BP神经网络模型,以锅炉“四管”泄漏为例,进行故障仿真实验,实验结果表明此方法能有效、快速和正确的诊断出结果;而结合数据挖掘与BP神经网络在锅炉故障诊断应用吸取两种方法的优点,把关联规则数据挖掘与BP神经网络方法有机的集成,建立一个智能故障诊断系统,更加准确的模拟人脑思维过程。也以火电厂锅炉“四管”破裂故障诊断为例,用数据挖掘方法从大量模糊和随机的历史数据中提取故障征兆与类型之间的关联关系数据,使目的数据有效的输入神经网络进行故障仿真实验。实验结果表明此方法也能有效、快速和正确的诊断出结果。两种方法各有千秋,在应用时要根据锅炉设备的特点对对象参数进行建模,选择最优诊断应用对故障进行预测诊断。
邓辉[8]（2009）在《基于神经网络的锅炉故障诊断研究》文中研究说明伴随着现代化大生产的科学技术的进步发展,生产生活中的锅炉应用日趋广泛且锅炉系统的结构越来越复杂,功能越来越完善,自动化程度越来越高,对故障诊断技术应用的迫切性也与日俱增。与此同时智能化的锅炉状态监视和故障诊断技术也得到了发展和应用,在保证设备的安全运行同时,可以提高设备的利用率,还可以有效降低检修成本,提高效益。因此开展锅炉过程监控和故障诊断的研究意义重大。本文研究一种模糊理论与BP神经网络相结合的锅炉故障诊断方法,构建了基于模糊神经网络的锅炉系统故障诊断专家系统的结构框架,论述了模糊逻辑和神经网络结合的重要性,并说明了二者的结合方式,基于VB程序实现了故障诊断软件。首先对标准BP神经网络的学习算法进行了详细的探讨,并对其局限性进行了深入的分析,然后在此基础上,重点研究了神经网络的改进方法。其次应用粗糙集理论对BP神经网络的输入数据进行预处理,消除冗余信息,提取关键成分,以达到减少输入神经元节点,简化网络结构的目的。同时还采用增加动量项和学习率动态自适应调整方法,仿真结果表明这些改进措施可以提高网络的收敛速度,从而较好的解决BP网络收敛缓慢,训练误差容易陷入局部极小值等问题。
周学伟[9]（2008）在《基于知识的锅炉智能监控专家系统的开发》文中研究说明随着现代化大生产的发展和科学技术的进步,我国锅炉应用的日趋广泛和技术难度的提高,锅炉系统的结构越来越复杂,功能越来越完善,自动化程度越来越高,对故障诊断技术应用的迫切性也与日俱增。保证锅炉设备的安全运行,不仅可以提高设备的利用率,还能有效降低检修成本,提高效益。因此开展锅炉过程监控和故障诊断的研究意义重大。基于专家系统的锅炉故障诊断技术是故障诊断领域的一个重要研究分支。本文根据国内外锅炉系统故障诊断技术的需求形势与研究现状,构建了基于模糊神经网络的锅炉系统故障诊断专家系统的结构框架,对神经网络的学习算法及其局限性进行了详细的探讨和深入的分析,在此基础上,重点研究了标准BP神经网络的改进方法,论述了模糊逻辑和神经网络结合的重要性,并说明了二者的结合方式,提出了基于模糊神经网络的锅炉专家系统诊断方法,实现知识的获取、表示,以及推理的一体化。同时通过采用增加动量项和学习率动态自适应调整方法对其配合,仿真结果表明它极大的改善了网络诊断性能,解决了BP网络收敛缓慢,训练误差容易陷入局部极小值等问题。将模糊网络模型有机的嵌入到专家系统中,开发了锅炉故障诊断专家系统软件。获得了比传统专家系统可信度更高的诊断结果。并且在诊断知识获取,不完全信息推理等方面较传统专家系统更有优势,稳定性有了一定程度的提高。
温志强[10]（2007）在《670T/h锅炉燃烧故障的在线分析》文中研究表明本文以电站锅炉燃烧系统为研究对象,主要围绕锅炉燃烧系统运行中可能出现的炉膛火焰中心偏斜、给粉机下粉脉动、一次风管道内堵粉、自燃、燃烧器喷口回火、灭火等故障展开研究。首先详细分析了锅炉燃烧系统故障的特点和产生这些故障的原因,并应用模糊神经网络,结合基于知识的专家系统等技术,建立了模糊模块化神经网络模型,并在其基础上开发了锅炉燃烧故障在线诊断系统。通过电厂运行数据测试证明该系统能实现符号推理与神经网络推理的有机结合和较好地模拟人类专家的逻辑思维和形象思维能力,可以诊断燃烧系统发生的故障,分析故障的原因,并为运行人员提供排除故障的操作指导。
二、锅炉诊断系统中专家网络权值训练误差的影响因素（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、锅炉诊断系统中专家网络权值训练误差的影响因素（论文提纲范文）
（1）基于神经网络的船舶辅锅炉燃烧故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题研究背景与意义 |
| 1.2 相关领域技术研究动态及方法 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 船舶辅锅炉故障诊断主要方法 |
| 1.3 船舶辅锅炉故障诊断存在的问题 |
| 1.4 本文研究内容及组织结构 |
| 1.4.1 本文主要研究内容 |
| 1.4.2 本文的组织结构 |
| 2 船舶辅锅炉燃烧故障分析 |
| 2.1 船舶辅锅炉组成结构 |
| 2.1.1 锅炉本体组成 |
| 2.1.2 锅炉辅助系统及设备 |
| 2.2 锅炉燃烧设备及系统 |
| 2.2.1 锅炉燃烧器及供应系统 |
| 2.2.2 MISSION~(TM) D型锅炉燃油供给系统 |
| 2.3 辅锅炉燃烧过程与故障分析 |
| 2.3.1 辅锅炉的燃烧过程 |
| 2.3.2 辅锅炉故障特点分析 |
| 2.3.3 辅锅炉燃烧故障可能原因 |
| 2.4 本章小结 |
| 3 船舶辅锅炉故障特征获取与数据处理 |
| 3.1 主成分分析法 |
| 3.1.1 主成分分析的几何意义 |
| 3.1.2 主成分分析法原理 |
| 3.2 锅炉燃烧故障特征获取方案 |
| 3.2.1 辅锅炉仿真模型验证 |
| 3.2.2 辅锅炉故障数据提取 |
| 3.3 数据预处理 |
| 3.4 本章小结 |
| 4 基于SOM神经网络的故障诊断 |
| 4.1 神经网络简介 |
| 4.1.1 人工神经元模型 |
| 4.1.2 神经网络的学习方式 |
| 4.2 SOM神经网络基本原理 |
| 4.2.1 SOM网络结构模型 |
| 4.2.2 SOM网络运行原理 |
| 4.2.3 SOM网络的学习算法 |
| 4.2.4 SOM的优势和局限性 |
| 4.3 应用SOM网络的船舶辅锅炉燃烧故障诊断 |
| 4.3.1 SOM网络参数的设定 |
| 4.3.2 训练SOM网络 |
| 4.3.3 测试SOM网络 |
| 4.3.4 BP神经网络结果对比 |
| 4.4 本章小结 |
| 5 基于粒子群优化SOM的故障诊断研究 |
| 5.1 粒子群优化算法 |
| 5.1.1 粒子群算法概述 |
| 5.1.2 粒子群算法原理 |
| 5.2 设计基于PSO-SOM的故障诊断模型 |
| 5.2.1 PSO-SOM组合算法思想 |
| 5.2.2 PSO-SOM算法流程 |
| 5.3 应用PSO-SOM算法的故障诊断研究 |
| 5.3.1 训练PSO-SOM网络 |
| 5.3.2 测试锅炉诊断模型 |
| 5.4 本章小结 |
| 6 基于混合神经网络的船舶辅锅炉燃烧故障诊断研究 |
| 6.1 LVQ神经网络基本原理 |
| 6.1.1 LVQ网络结构 |
| 6.1.2 LVQ网络的学习算法 |
| 6.2 设计混合神经网络的故障诊断模型 |
| 6.2.1 设计SOM-LVQ网络 |
| 6.2.2 故障诊断模型的整体设计 |
| 6.3 基于混合神经网络的故障诊断方法应用 |
| 6.4 神经网络诊断算法对比 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 可行性展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（2）基于web的卷烟厂动力关键设备故障诊断专家系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源与研究背景 |
| 1.2 研究目的与研究意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 故障诊断系统的国内外研究现状 |
| 1.3.2 专家系统的国内外研究现状 |
| 1.4 本文研究内容 |
| 1.5 本章小结 |
| 第二章 时间序列预测算法分析 |
| 2.1 时间序列的基本概念 |
| 2.2 趋势预测算法 |
| 2.2.1 移动平均法 |
| 2.2.2 指数平滑法 |
| 2.3 ARMA时间序列预测算法 |
| 2.4 神经网络时间序列预测算法 |
| 2.4.1 BP神经网络时间序列预测算法 |
| 2.4.2 改进的BP神经网络时间序列预测算法 |
| 2.5 时间序列的预测误差和残差分析 |
| 2.5.1 预测误差 |
| 2.5.2 残差分析 |
| 2.6 时间序列预测模型性能比较 |
| 2.6.1 预测模型性能 |
| 2.6.2 实验结论 |
| 2.7 本章小结 |
| 第三章 基于模糊综合评判的故障推理设计 |
| 3.1 一级模糊综合评判 |
| 3.1.1 模糊评判问题的特征 |
| 3.1.2 评判步骤 |
| 3.2 二级模糊综合评判 |
| 3.3 故障诊断设计 |
| 3.3.1 故障诊断对象 |
| 3.3.2 评价的性能指标 |
| 3.4 实验结果与分析 |
| 3.4.1 锅炉故障的推理模型性能评价 |
| 3.4.2 空压机故障的推理模型性能评价 |
| 3.4.3 实验结论 |
| 3.5 本章小结 |
| 第四章 动力系统关键设备故障诊断研究 |
| 4.1 故障诊断工艺流程简介 |
| 4.2 故障诊断对象 |
| 4.3 实验结果与分析 |
| 4.3.1 锅炉故障的诊断模型性能评价 |
| 4.3.2 空压机故障的诊断模型性能评价 |
| 4.3.3 实验结论 |
| 4.4 本章小结 |
| 第五章 基于web的故障诊断系统的实现 |
| 5.1 基于web的故障诊断系统 |
| 5.1.1 总体设计方案 |
| 5.1.2 系统整体框架 |
| 5.2 基于web的故障诊断系统功能结构 |
| 5.2.1 故障诊断系统的业务需求 |
| 5.2.2 故障诊断系统的数据库设计 |
| 5.2.3 故障诊断系统的公共类设计 |
| 5.3 故障诊断系统设计原则 |
| 5.4 基于web的故障诊断系统实现与测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（3）基于大数据技术的电站机组节能优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 能源行业大数据技术发展需求 |
| 1.1.2 电力行业迈进大数据时代 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 电力大数据研究现状及发展趋势 |
| 1.2.2 电站机组节能降耗研究现状 |
| 1.3 论文的研究内容 |
| 第2章 电站大数据架构及理论基础 |
| 2.1 引言 |
| 2.2 电站大数据概念及特性 |
| 2.3 电站大数据架构体系 |
| 2.3.1 电站大数据架构 |
| 2.3.2 电站大数据关键技术 |
| 2.4 电站大数据平台 |
| 2.4.1 电站大数据平台架构 |
| 2.4.2 电站大数据平台搭建与配置 |
| 2.5 电站大数据理论基础 |
| 2.5.1 大数据存储 |
| 2.5.2 大数据计算技术 |
| 2.5.3 数据挖掘技术 |
| 2.6 本章小结 |
| 第3章 电厂实时大数据预处理及特征参数选择研究 |
| 3.1 引言 |
| 3.2 电站大数据预处理 |
| 3.2.1 数据稳态检测 |
| 3.2.2 大数据清理 |
| 3.3 电站机组关键能耗特征参数选择 |
| 3.3.1 特征参数选择方法概述 |
| 3.3.2 模糊粗糙集理论与方法 |
| 3.3.3 关键能耗特征参数选择实例分析 |
| 3.4 本章小结 |
| 第4章 基于大数据技术的电站机组能耗分析 |
| 4.1 引言 |
| 4.2 电站机组能耗分析策略 |
| 4.2.1 电站机组关键能耗特征参数分析 |
| 4.2.2 大数据技术新算法确定基准值策略 |
| 4.2.3 K-means聚类 |
| 4.2.4 Canopy算法 |
| 4.2.5 基于MapReduce架构的新算法实现 |
| 4.2.6 基于支持向量机的能耗敏感性分析模型 |
| 4.3 电站机组应用实例 |
| 4.3.1 确定研究对象及目标 |
| 4.3.2 算法应用及计算结果 |
| 4.3.3 算法性能测试 |
| 4.3.4 不同负荷下能耗敏感性分析实例 |
| 4.4 本章小结 |
| 第5章 大数据技术的电站机组节能环保多目标负荷优化分配 |
| 5.1 引言 |
| 5.2 厂级负荷分配 |
| 5.2.1 厂级负荷分配策略 |
| 5.2.2 负荷优化分配方法 |
| 5.2.3 大数据技术的厂级多目标负荷优化分配策略 |
| 5.3 大数据技术的厂级多目标负荷优化分配 |
| 5.3.1 PSO-SVM预测模型 |
| 5.3.2 NSGA-Ⅱ算法 |
| 5.3.3 并行NSGA-Ⅱ多目标优化方法 |
| 5.3.4 染色体表达 |
| 5.3.5 电厂负荷分配的物理模型 |
| 5.3.6 基于大数据技术的节能环保多目标负荷优化分配模型 |
| 5.4 实例分析 |
| 5.4.1 确定研究对象及目标 |
| 5.4.2 电站机组能耗特性分析 |
| 5.4.3 基于PSO-SVM预测模型计算 |
| 5.4.4 多目标负荷优化及计算结果 |
| 5.4.5 大数据方法效率验证 |
| 5.5 本章小结 |
| 第6章 燃气电站机组对标管理综合评价研究 |
| 6.1 引言 |
| 6.2 对标管理综合评价 |
| 6.2.1 对标管理基本概念 |
| 6.2.2 对标管理综合评价方法 |
| 6.3 燃气电站机组对标管理综合评价指标体系 |
| 6.3.1 指标体系构建的基本原则 |
| 6.3.2 评价指标体系建立 |
| 6.4 燃气电站机组对标管理综合评价模型搭建 |
| 6.4.1 粗糙集指标筛选 |
| 6.4.2 基于向量夹角余弦二级指标评价模型 |
| 6.4.3 主成分分析一级指标综合评价模型 |
| 6.5 实例分析 |
| 6.5.1 燃气电站机组样本概况 |
| 6.5.2 电站机组样本数据选取 |
| 6.5.3 基于粗糙集的指标筛选 |
| 6.5.4 基于向量夹角余弦法二级指标评价结果 |
| 6.5.5 基于主成分分析的一级指标评价结果 |
| 6.6 燃气电站机组评价体系指标权值敏感性分析 |
| 6.6.1 指标权值的敏感性分析模型 |
| 6.6.2 评价体系指标权值敏感性分析 |
| 6.7 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要研究成果 |
| 7.2 论文主要创新点 |
| 7.3 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（4）掺烧煤泥循环流化床机组运行督导与智能预警（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.1.1 煤炭市场发展现状 |
| 1.1.2 循环流化床掺烧煤泥技术意义及难点 |
| 1.1.3 大数据应用下的智慧电厂推进 |
| 1.2 掺烧煤泥循环流化床机组运行优化研究现状 |
| 1.2.1 现有研究局限性 |
| 1.2.2 基于过程数据的建模优化综述 |
| 1.3 智能监测与故障预警研究现状 |
| 1.4 论文主要研究内容 |
| 第2章 建模准备与过程数据处理 |
| 2.1 引言 |
| 2.2 综合经济性 |
| 2.2.1 燃料成本 |
| 2.2.2 脱硫脱硝成本 |
| 2.2.3 厂用电耗成本 |
| 2.3 数据预处理 |
| 2.3.1 离群点剔除 |
| 2.3.2 稳态工况筛选 |
| 2.3.3 数据标准化 |
| 2.4 特征选择 |
| 2.4.1 BP神经网络法 |
| 2.4.2 偏互信息法 |
| 2.4.3 实例分析 |
| 2.5 本章小结 |
| 第3章 掺烧煤泥循环流化床机组综合经济性模型 |
| 3.1 引言 |
| 3.2 传统数据驱动建模算法 |
| 3.2.1 ELMAN神经网络模型 |
| 3.2.2 支持向量机模型 |
| 3.2.3 最小二乘支持向量机模型 |
| 3.3 改进最小二乘支持向量机模型 |
| 3.2.1 改进网格搜索法与交叉验证 |
| 3.3.2 模型更新策略 |
| 3.4 模糊信息粒化 |
| 3.5 实验应用及模型比较分析 |
| 3.5.1 研究对象介绍及数据准备 |
| 3.5.2 传统数据驱动建模与改进LS-SVM建模 |
| 3.5.3 模型比较及结果分析 |
| 3.5.4 模糊信息粒化应用 |
| 3.6 本章小结 |
| 第4章 掺烧煤泥循环流化床机组运行督导系统 |
| 4.1 整体设计方案与系统结构 |
| 4.1.1 离线系统介绍 |
| 4.1.2 在线系统介绍 |
| 4.2 遗传算法构建专家知识库 |
| 4.3 改进模糊关联规则挖掘 |
| 4.3.1 改进模糊关联规则挖掘标准 |
| 4.3.2 模糊关联规则筛选步骤 |
| 4.4 模糊逻辑控制器设计 |
| 4.5 应用验证及方法比较 |
| 4.6 本章小结 |
| 第5章 循环流化床辅机正常状态预测模型 |
| 5.1 引言 |
| 5.2 传统状态预测模型 |
| 5.2.1 多维时间序列预测模型 |
| 5.2.2 模糊推理预测模型 |
| 5.2.3 多元状态估计技术模型 |
| 5.3 改进多元状态估计技术模型 |
| 5.4 实验应用及模型比较分析 |
| 5.4.1 建模准备及数据预处理 |
| 5.4.2 建立多维时间序列预测模型 |
| 5.4.3 建立模糊推理预测模型 |
| 5.4.4 建立多元状态估计技术模型 |
| 5.4.5 建立改进多元状态估计技术模型 |
| 5.4.6 模型比较与分析 |
| 5.5 本章小结 |
| 第6章 循环流化床机组辅机智能预警系统 |
| 6.1 系统整体设计结构 |
| 6.2 基于可调平滑参数的状态判断 |
| 6.3 基于K-means聚类的状态判断 |
| 6.4 基于滑动窗口相似度的状态判断 |
| 6.4.1 相似度函数 |
| 6.4.2 层次分析法故障信息权重计算 |
| 6.4.3 滑动窗口法消除随机误差 |
| 6.4.4 阈值系数与故障变量标记 |
| 6.5 应用验证及性能比较 |
| 6.5.1 基于可调平滑参数的预警应用 |
| 6.5.2 基于K-means聚类的预警应用 |
| 6.5.3 基于滑动窗口相似度的预警应用 |
| 6.5.4 方法对比及整体设计方案确定 |
| 6.6 故障变量诊断及分析 |
| 6.7 故障预警灵敏度分析 |
| 6.8 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（5）基于灰色误差神经网络的热电厂燃炉系统故障预测应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及其意义 |
| 1.2 故障预测的国内外研究及应用现状 |
| 1.2.1 故障预测技术的发展概述 |
| 1.2.2 故障预测方法的基本介绍 |
| 1.2.3 专家系统与神经网络发展概述 |
| 1.3 本文的主要研究内容 |
| 1.4 本章小结 |
| 2 锅炉系统及其故障分析 |
| 2.1 锅炉系统介绍 |
| 2.1.1 锅炉结构及工艺流程 |
| 2.1.2 锅炉性能指标与故障类型 |
| 2.2 锅炉系统的主要故障及相关故障预测技术 |
| 2.2.1 锅炉的主要故障 |
| 2.2.2 锅炉的相关故障预测技术 |
| 2.3 本章小结 |
| 3 故障预测功能模块与组建知识库 |
| 3.1 锅炉故障预测系统的框架 |
| 3.2 知识表示与获取 |
| 3.2.1 知识分类与表示 |
| 3.2.2 知识表示与获取的结合 |
| 3.3 锅炉故障预测系统知识库的组建 |
| 3.4 本章小结 |
| 4 锅炉故障预测的多变量灰色误差神经网络模型 |
| 4.1 灰色系统与神经网络的理论基础 |
| 4.1.1 灰色系统的理论基础 |
| 4.1.2 神经网络的理论基础 |
| 4.2 灰色模型预测法与BP算法的实现 |
| 4.2.1 MGM(1,N)预测模型的建立 |
| 4.2.2 修正预测值的改进BP神经网络 |
| 4.2.3 算法步骤 |
| 4.3 锅炉故障预测模型的建立 |
| 4.3.1 T-S模糊神经网络故障预测模型 |
| 4.3.2 多变量灰色误差神经网络模型 |
| 4.4 小结 |
| 5 锅炉故障预测系统开发及结果分析 |
| 5.1 故障预测系统软件设计 |
| 5.2 系统的界面与操作 |
| 5.3 系统的仿真实验及结果分析 |
| 5.4 本章小结 |
| 6 基于新华DCS的故障预测系统应用 |
| 6.1 新华DCS系统XDC800概述 |
| 6.2 故障预测系统的设计 |
| 6.2.1 知识获取与数据库建立 |
| 6.2.2 基于OPC技术的数据通信 |
| 6.3 故障预测系统的实现 |
| 6.4 故障预测模型直接在XDC-800 中的实现探索 |
| 6.4.1 功能块与算法模块的简介 |
| 6.4.2 多变量灰色误差神经网络模型的功能实现 |
| 6.5 小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（6）锅炉经济性运行指导系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.0 课题研究背景 |
| 1.1 火电厂优化运行系统研究现状 |
| 1.1.1 国外相关研究情况 |
| 1.1.2 国内相关研究情况 |
| 1.2 人工神经网络的应用 |
| 1.3 本文的主要工作 |
| 第二章 锅炉经济性运行分析 |
| 2.1 影响锅炉效率主要因素 |
| 2.1.1 煤质对锅炉效率的影响 |
| 2.1.2 过量空气系数的影响 |
| 2.1.3 排烟温度的影响 |
| 2.1.4 锅炉负荷的影响 |
| 2.1.5 排烟处过量空气系数的影响 |
| 2.2 排烟温度偏高的原因分析 |
| 2.2.1 漏风 |
| 2.2.2 掺冷风量多 |
| 2.2.3 受热面积灰、堵灰 |
| 2.2.4 受热面结构问题 |
| 2.2.5 折算水分高 |
| 2.2.6 冷风温度高 |
| 2.2.7 测量元件故障 |
| 2.2.8 设计计算有误 |
| 2.2.9 影响排烟温度偏高各原因的程度比较研究 |
| 2.3 主蒸汽温度和再热蒸汽温偏低原因分析 |
| 2.3.1 主蒸汽温度偏低原因分析 |
| 2.3.2 再热蒸汽温度偏低原因分析 |
| 第三章 锅炉效率监测模型实现 |
| 3.1 径向基函数(RBF)网络 |
| 3.1.1 RBF 网络拓扑结构 |
| 3.1.2 RBF 网络拓扑结构 |
| 3.1.3 本文所用的 RBF 算法 |
| 3.2 运用 RBF 网络监测锅炉效率 |
| 3.2.1 锅炉效率模型的建立 |
| 3.2.2 软件实现结果 |
| 第四章 分析可控参数变化原因的诊断系统 |
| 4.1 误差反向传播(BP)神经网络的数学描述 |
| 4.1.1 BP 网络数学模型的建立 |
| 4.1.2 标准 BP 算法 |
| 4.2 误差反向传播(BP)神经网络的数学描述 |
| 4.3 改进的 BP 算法 |
| 4.3.1 分层调节及可变学习率综合算法 |
| 4.3.2 分层调节及可变学习率综合算法 |
| 4.4 BP 算法中值得注意的几个问题 |
| 4.5 运用模糊神经网络专家系统分析可控参数 |
| 4.5.1 网络算法的选择 |
| 4.5.2 网络算法的选择 |
| 4.5.3 LMBP 的软件实现 |
| 4.6 诊断推理 |
| 4.6.1 神经网络诊断推理实现 |
| 4.6.2 专家规则诊断实现 |
| 4.7 诊断结果比较 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录 |
| 个人简介 |
（7）火电厂锅炉智能故障诊断系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及其意义 |
| 1.2 国内外研究动态 |
| 1.3 课题研究内容 |
| 第2章 锅炉智能故障诊断系统实现算法介绍 |
| 2.1 多维BP 神经网络 |
| 2.1.2 多维BP 学习算法及过程 |
| 2.1.3 多维BP 算法的程序实现 |
| 2.1.4 多维BP 算法的主要能力 |
| 2.2 关联规则数据挖掘 |
| 2.2.1 关联规则数据挖掘的概念 |
| 2.2.2 关联规则数据挖掘的过程 |
| 2.2.3 火电厂锅炉关联规则 |
| 2.2.4 基于关联规则算法 |
| 2.3 本章结论 |
| 第3章 系统故障分析及数据库的组建 |
| 3.1 锅炉“四管”破裂原因分析 |
| 3.2 诊断系统数据库的组建 |
| 3.2.1 故障类型表 |
| 3.2.2 故障征兆明细表 |
| 3.2.3 样本存储表 |
| 3.2.4 锅炉“四管”破裂样本组织表 |
| 3.3 本章结论 |
| 第4章 锅炉故障诊断两种应用的实现 |
| 4.1 多维BP 神经网络方法的应用 |
| 4.1.1 锅炉故障诊断系统 |
| 4.1.2 故障征兆机理 |
| 4.1.3 锅炉“四管”泄漏故障和征兆 |
| 4.1.4 多维BP 神经网络学习训练 |
| 4.1.5 故障诊断仿真 |
| 4.2 数据挖掘和BP 神经网络相结合的应用 |
| 4.2.1 系统结构 |
| 4.2.2 数据挖掘 |
| 4.2.3 BP 神经网络 |
| 4.3 本章小结 |
| 第5章 锅炉智能故障诊断软件系统介绍 |
| 5.1 软件系统结构 |
| 5.2 软件通讯协议 |
| 5.3 本章小结 |
| 第6章 锅炉智能故障诊断软件设计 |
| 6.1 软件系统整体模块设计 |
| 6.2 软件系统模块设计 |
| 6.2.1 数据采集模块 |
| 6.2.2 通讯模块 |
| 6.2.3 BP 神经网络模块 |
| 6.2.4 图元模块 |
| 6.2.5 数据挖掘模块 |
| 6.2.6 复位模块 |
| 6.2.7 其它模块 |
| 6.3 本章小结 |
| 第7章 总结 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
| 详细摘要 |
（8）基于神经网络的锅炉故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 锅炉的故障诊断目的和意义 |
| 1.2 锅炉监控方法的分类 |
| 1.3 神经网络系统的研究现状 |
| 1.3.1 神经网络系统概述 |
| 1.3.2 神经网络系统在故障诊断领域的应用历史与现状 |
| 1.4 本文主要工作和结构 |
| 第2章 锅炉故障诊断系统结构设计 |
| 2.1 燃煤锅炉原理流程简介 |
| 2.2 锅炉故障诊断系统结构框架 |
| 2.3 基于神经网络的知识获取和知识表示 |
| 2.3.1 知识的获取过程 |
| 2.3.2 知识的表示过程 |
| 2.3.3 知识的推理技术 |
| 2.3.4 数据库化的知识库存储 |
| 2.4 推理机控制策略 |
| 2.4.1 推理方法 |
| 2.4.2 搜索策略 |
| 2.5 锅炉传统专家系统的建立 |
| 2.5.1 基于案例专家系统的设计 |
| 2.5.2 基于规则专家系统设计 |
| 2.6 本章小结 |
| 第3章 神经网络故障诊断方法研究 |
| 3.1 神经网络基本原理 |
| 3.1.1 拓扑结构 |
| 3.1.2 转移函数 |
| 3.1.3 学习算法 |
| 3.2 基于BP 神经网络算法及其改进 |
| 3.2.1 BP 神经网络介绍 |
| 3.2.2 BP 网络标准算法改进 |
| 3.3 人工神经网络与模糊逻辑的结 |
| 3.3.1 隶属度函数的确定 |
| 3.3.2 各层输入输出关系 |
| 3.3.3 初始权值的确定 |
| 3.4 本章小结 |
| 第4章 神经网络系统模型的仿真实验 |
| 4.1 模糊锅炉神经网络知识获取与表示 |
| 4.2 样本集设计原则与数据的预处理 |
| 4.3 网络训练与测试 |
| 4.4 误差分析 |
| 4.5 本章小结 |
| 第5章 锅炉诊断系统软件的设计与实现 |
| 5.1 系统软件的设计与实现 |
| 5.1.1 知识存储、维护及更新 |
| 5.1.2 神经网络专家系统的推理机制实现 |
| 5.1.3 现场数据的模拟采集方法 |
| 5.1.4 COM 组件的生成与实现 |
| 5.2 系统软件界面的设计 |
| 5.2.1 热力参数监测界面 |
| 5.2.2 参数特征值维护界面 |
| 5.2.3 故障类型维护界面 |
| 5.2.4 故障征兆维护界面 |
| 5.2.5 样本编辑与训练界面 |
| 5.2.6 故障诊断界面 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（9）基于知识的锅炉智能监控专家系统的开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 锅炉故障诊断及过程监控的意义 |
| 1.2 过程监控方法的分类 |
| 1.3 专家系统的研究现状 |
| 1.3.1 专家系统概述 |
| 1.3.2 专家系统在故障诊断领域的应用历史与现状 |
| 1.4 本文主要工作和结构 |
| 第2章 锅炉故障诊断专家系统结构设计 |
| 2.1 锅炉工艺流程简介 |
| 2.2 锅炉故障诊断系统结构框架 |
| 2.3 知识的获取和知识表示 |
| 2.3.1 知识的获取过程 |
| 2.3.2 知识的表示过程 |
| 2.3.3 数据库化的知识库存储 |
| 2.4 推理机控制策略 |
| 2.4.1 推理方法 |
| 2.4.2 搜索策略 |
| 2.5 传统专家系统的建立 |
| 2.5.1 基于案例专家系统的设计 |
| 2.5.2 基于规则专家系统设计 |
| 2.6 本章小结 |
| 第3章 锅炉故障诊断的神经网络模型 |
| 3.1 神经网络基本原理 |
| 3.2 标准BP 算法及其改进 |
| 3.2.1 BP 神经网络介绍 |
| 3.2.2 标准BP 算法改进 |
| 3.3 模糊逻辑与人工神经网络的结 |
| 3.3.1 隶属度函数的确定 |
| 3.3.2 各层输入输出关系 |
| 3.3.3 初始权值的确定 |
| 3.4 本章小结 |
| 第4章 系统神经网络模型的仿真实验 |
| 4.1 模糊锅炉神经网络知识获取与表示 |
| 4.2 样本集设计原则与数据的预处理 |
| 4.3 网络训练与测试 |
| 4.4 误差分析 |
| 4.5 本章小结 |
| 第5章 锅炉诊断系统软件的设计与实现 |
| 5.1 系统软件的设计与实现 |
| 5.1.1 知识存储、维护及更新 |
| 5.1.2 神经网络专家系统的推理机制实现 |
| 5.1.3 现场数据的模拟采集方法 |
| 5.1.4 COM 组件的生成与实现 |
| 5.2 系统软件界面的设计 |
| 5.2.1 系统主界面 |
| 5.2.2 热力参数监测界面 |
| 5.2.3 参数特征值维护界面 |
| 5.2.4 故障类型维护界面 |
| 5.2.5 故障征兆维护界面 |
| 5.2.6 样本编辑与训练界面 |
| 5.2.7 故障诊断界面 |
| 5.3 本章小结 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（10）670T/h锅炉燃烧故障的在线分析（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 课题背景及其意义 |
| 1.2 课题国内外的研究现状 |
| 1.3 课题研究方法和工作内容 |
| 1.4 研究对象 |
| 第二章 锅炉燃烧故障原因分析 |
| 2.1 概述 |
| 2.2 燃烧故障原因分析 |
| 第三章 锅炉燃烧故障在线分析的模糊模块化神经网络模型 |
| 3.1 神经网络概述 |
| 3.2 模糊模块化神经网络 |
| 第四章 锅炉燃烧故障诊断系统开发及结果分析 |
| 4.1 概述 |
| 4.2 故障诊断系统构建及其软件设计 |
| 4.3 系统的结构 |
| 4.4 燃烧故障诊断结果分析 |
| 第五章 结论 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文和参加科研情况 |
| 详细摘要 |
四、锅炉诊断系统中专家网络权值训练误差的影响因素（论文参考文献）
- [1]基于神经网络的船舶辅锅炉燃烧故障诊断研究[D]. 高鹤元. 大连海事大学, 2020(01)
- [2]基于web的卷烟厂动力关键设备故障诊断专家系统设计[D]. 曾诚. 西南科技大学, 2019(08)
- [3]基于大数据技术的电站机组节能优化研究[D]. 刘炳含. 华北电力大学(北京), 2019(01)
- [4]掺烧煤泥循环流化床机组运行督导与智能预警[D]. 张维. 华北电力大学(北京), 2019(01)
- [5]基于灰色误差神经网络的热电厂燃炉系统故障预测应用研究[D]. 孟祥勇. 青岛科技大学, 2017(01)
- [6]锅炉经济性运行指导系统研究[D]. 刘英达. 华北电力大学, 2014(03)
- [7]火电厂锅炉智能故障诊断系统研究[D]. 陈鹏. 华北电力大学, 2011(04)
- [8]基于神经网络的锅炉故障诊断研究[D]. 邓辉. 沈阳理工大学, 2009(06)
- [9]基于知识的锅炉智能监控专家系统的开发[D]. 周学伟. 沈阳理工大学, 2008(04)
- [10]670T/h锅炉燃烧故障的在线分析[D]. 温志强. 华北电力大学（河北）, 2007(01)