| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题的意义 | 第11-12页 |
| 1.2 LF炉精炼工艺过程 | 第12-13页 |
| 1.3 课题的国内外研究现状 | 第13-19页 |
| 1.3.1 合金加料模型的国内外研究现状 | 第13-16页 |
| 1.3.2 耗电预报模型的国内外研究现状 | 第16-19页 |
| 1.4 课题的研究内容 | 第19-21页 |
| 第2章 基于收得率的合金加料预报模型 | 第21-33页 |
| 2.1 合金加料概述 | 第21-24页 |
| 2.1.1 合金加料工艺过程 | 第21-22页 |
| 2.1.2 传统合金加料量经验公式 | 第22-24页 |
| 2.2 数据预处理 | 第24-27页 |
| 2.2.1 钢水量的校核 | 第24-25页 |
| 2.2.2 精炼过程数据筛选 | 第25-27页 |
| 2.3 基于收得率的合金加料模型 | 第27-30页 |
| 2.3.1 加入合金原则 | 第27页 |
| 2.3.2 合金加料种类的确定 | 第27-28页 |
| 2.3.3 合金收得率的计算 | 第28-30页 |
| 2.3.4 合金加料量计算 | 第30页 |
| 2.4 模型验证 | 第30-32页 |
| 2.5 小结 | 第32-33页 |
| 第3章 基于案例推理的参考炉次预报 | 第33-45页 |
| 3.1 耗电量预报原理框图 | 第33-34页 |
| 3.2 案例推理原理 | 第34-37页 |
| 3.3 案例推理输入输出参数的确定 | 第37-38页 |
| 3.4 样本数据分类与标准化 | 第38-39页 |
| 3.4.1 样本数据分类 | 第38页 |
| 3.4.2 样本数据标准化 | 第38-39页 |
| 3.5 基于案例推理的相似炉次预报方案的实施 | 第39-42页 |
| 3.6 参考炉次的预报 | 第42-43页 |
| 3.6.1 基于最大相似度的参考炉次预报 | 第42页 |
| 3.6.2 基于最邻近炉次的参考炉次预报 | 第42-43页 |
| 3.7 小结 | 第43-45页 |
| 第4章 基于BP神经网络的耗电量预报模型 | 第45-63页 |
| 4.1 基于BP神经网络的耗电量预报模型原理框图 | 第45-46页 |
| 4.2 耗电量预报模型输入向量的确定 | 第46-48页 |
| 4.2.1 影响耗电量预报模型的因素 | 第46页 |
| 4.2.2 LF精炼阶段影响因素的偏相关分析 | 第46-48页 |
| 4.3 基于BP神经网络的耗电量预报模型建立 | 第48-58页 |
| 4.3.1 BP神经网络基本原理 | 第48-52页 |
| 4.3.2 网络层数及每层神经元数的选择 | 第52-53页 |
| 4.3.3 神经元激活函数的选择 | 第53-54页 |
| 4.3.4 网络权值和学习速率及误差控制的选择 | 第54-55页 |
| 4.3.5 BP网络的建立 | 第55页 |
| 4.3.6 BP网络的训练 | 第55-56页 |
| 4.3.7 模型的建立步骤 | 第56-58页 |
| 4.4 模型验证 | 第58-61页 |
| 4.4.1 基于最大相似度的参考炉次耗电量预报 | 第58-59页 |
| 4.4.2 基于最邻近炉次的耗电量预报 | 第59-60页 |
| 4.4.3 结合最大相似度与最邻近炉次的综合耗电量预报模型 | 第60-61页 |
| 4.5 小结 | 第61-63页 |
| 第5章 系统平台的设计与实现 | 第63-75页 |
| 5.1 系统平台设计 | 第63-64页 |
| 5.2 系统平台实现 | 第64-68页 |
| 5.2.1 系统功能设计 | 第64页 |
| 5.2.2 主要操作窗口 | 第64-68页 |
| 5.3 合金加料量预报结果 | 第68-71页 |
| 5.4 耗电量预报结果 | 第71-74页 |
| 5.5 小结 | 第74-75页 |
| 第6章 结论与展望 | 第75-77页 |
| 6.1 结论 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81页 |