| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题的研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状及待解决的问题 | 第9-11页 |
| 1.2.1 高炉铁水温度的研究现状 | 第9页 |
| 1.2.2 高炉炉况预测的研究现状 | 第9-10页 |
| 1.2.3 深度学习的研究现状 | 第10-11页 |
| 1.2.4 待解决的的问题 | 第11页 |
| 1.3 本文主要研究内容和组织结构 | 第11-13页 |
| 1.3.1 研究内容 | 第11页 |
| 1.3.2 本文组织结构 | 第11-13页 |
| 第二章 髙炉冶炼的复杂性及其工艺分析 | 第13-18页 |
| 2.1 高炉炼铁概述 | 第13-15页 |
| 2.1.1 高炉生产的工艺流程 | 第13-14页 |
| 2.1.2 高炉炼铁的生产特点 | 第14-15页 |
| 2.2 高炉炼铁过程的复杂性 | 第15-16页 |
| 2.3 高炉异常炉况及征兆分析 | 第16-17页 |
| 2.3.1 炉温故障及征兆 | 第16页 |
| 2.3.2 炉料顺行故障及征兆 | 第16-17页 |
| 2.3.3 炉缸堆积故障及征兆 | 第17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 髙炉铁水温度预测模形的建立 | 第18-30页 |
| 3.1 高炉铁水温度预测特点 | 第18页 |
| 3.2 高炉铁水温度预测原理 | 第18-19页 |
| 3.3 输入变量的选择及其滞后时间的确定 | 第19-21页 |
| 3.3.1 灰色关联度分析 | 第19-20页 |
| 3.3.2 输入变量的确定 | 第20页 |
| 3.3.3 输入变量滞后时间分析 | 第20-21页 |
| 3.4 预测模型主体的建立 | 第21-23页 |
| 3.4.1 支持向量机 | 第21-22页 |
| 3.4.2 最小二乘支持向量机 | 第22-23页 |
| 3.5 预测模型参数寻优 | 第23-25页 |
| 3.5.1 寻优算法原理 | 第23页 |
| 3.5.2 粒子群算法及其改进 | 第23-25页 |
| 3.6 基于改进CPSO-LSSVM高炉铁水温度预测模型 | 第25-29页 |
| 3.6.1 预测模型建模过程 | 第25-26页 |
| 3.6.2 预测模型仿真验证及结果分析 | 第26-29页 |
| 3.7 本章小结 | 第29-30页 |
| 第四章 高炉炉况分类预测模型的建立 | 第30-40页 |
| 4.1 炉况影响要素分析及输入变量的选择 | 第30-31页 |
| 4.2 深度学习算法 | 第31-35页 |
| 4.2.1 深度信念网络 | 第31页 |
| 4.2.2 限制玻尔兹曼机模型参数分析 | 第31-33页 |
| 4.2.3 深度信念网络的结构及训练方法 | 第33-35页 |
| 4.2.4 深度置信网络关键参数分析 | 第35页 |
| 4.3 分类预测模型建立及参数寻优 | 第35-36页 |
| 4.3.1 分类预测模型的建立 | 第35页 |
| 4.3.2 分类预测模型参数的优化 | 第35-36页 |
| 4.4 基于改进CPSO-DBN高炉炉况分类预测模型 | 第36-39页 |
| 4.4.1 分类预测模型建模过程 | 第36-37页 |
| 4.4.2 分类预测模型仿真验证及结果分析 | 第37-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第五章 髙炉运行状态监测及炉况预估系统的设计 | 第40-48页 |
| 5.1 系统开发环境 | 第40页 |
| 5.2 系统总体结构及功能实现 | 第40-42页 |
| 5.2.1 系统设计 | 第41页 |
| 5.2.2 数据库总体设计 | 第41-42页 |
| 5.3 软件结构 | 第42-43页 |
| 5.4 系统使用与管理 | 第43-47页 |
| 5.4.1 登陆模块 | 第43页 |
| 5.4.2 运行状态监测模块 | 第43-44页 |
| 5.4.3 历史数据模块 | 第44-45页 |
| 5.4.4 历史曲线模块 | 第45页 |
| 5.4.5 报警模块 | 第45-46页 |
| 5.4.6 炉况预测功能模块 | 第46-47页 |
| 5.5 本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 发表论文和科研情况说明 | 第53-54页 |
| 致谢 | 第54页 |