基于神经网络的高炉炉况诊断与预报研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 数学模型 | 第10-11页 |
| 1.2.2 专家系统 | 第11-14页 |
| 1.2.3 人工神经网络 | 第14-15页 |
| 1.3 本文主要研究内容和结构组成 | 第15-16页 |
| 第2章 高炉生产工艺 | 第16-32页 |
| 2.1 高炉冶炼过程 | 第16页 |
| 2.2 高炉冶炼的工艺特点 | 第16-17页 |
| 2.3 天钢2 | 第17-18页 |
| 2.4 高炉运行参数 | 第18-19页 |
| 2.5 高炉操作制度 | 第19-29页 |
| 2.5.1 装料制度 | 第20-23页 |
| 2.5.2 送风制度 | 第23-26页 |
| 2.5.3 造渣制度 | 第26-27页 |
| 2.5.4 炉缸热制度 | 第27-28页 |
| 2.5.5 基本制度之间的关系 | 第28页 |
| 2.5.6 冶炼制度的调整 | 第28-29页 |
| 2.6 专家系统运行概况 | 第29-30页 |
| 2.7 本章小结 | 第30-32页 |
| 第3章 高炉炉况的诊断分析 | 第32-52页 |
| 3.1 常见炉况诊断方法 | 第32-36页 |
| 3.1.1 直接观测法 | 第32-34页 |
| 3.1.2 仪器仪表监测 | 第34-36页 |
| 3.2 正常炉况标志 | 第36页 |
| 3.3 异常炉况 | 第36-47页 |
| 3.3.1 炉热 | 第37-38页 |
| 3.3.2 炉凉 | 第38-40页 |
| 3.3.3 管道行程 | 第40-42页 |
| 3.3.4 悬料 | 第42-44页 |
| 3.3.5 崩料 | 第44-46页 |
| 3.3.6 炉缸堆积 | 第46-47页 |
| 3.4 高炉异常炉况参数相关分析 | 第47-50页 |
| 3.4.1 相关分析 | 第47-48页 |
| 3.4.2 炉况相关系数 | 第48-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第4章 炉况预报模型的建立 | 第52-68页 |
| 4.1 BP神经网络 | 第52-54页 |
| 4.1.1 BP神经网络的不足 | 第52-53页 |
| 4.1.2 BP神经网络算法改进 | 第53-54页 |
| 4.2 炉况预报模型结构 | 第54页 |
| 4.3 炉热预报BP神经网络 | 第54-64页 |
| 4.3.1 输入输出变量的确定 | 第54-55页 |
| 4.3.2 激励函数的确定 | 第55-56页 |
| 4.3.3 隐含层数的确定 | 第56-57页 |
| 4.3.4 隐含层节点的确定 | 第57-59页 |
| 4.3.5 初始权值的确定 | 第59页 |
| 4.3.6 学习率η和动量因子α | 第59-60页 |
| 4.3.7 数据预处理 | 第60-61页 |
| 4.3.8 网络训练 | 第61-63页 |
| 4.3.9 MATLAB中的BP网络训练与仿真 | 第63-64页 |
| 4.4 其它异常炉况预报BP神经网络 | 第64-65页 |
| 4.5 模型运行概况 | 第65-66页 |
| 4.6 本章小结 | 第66-68页 |
| 第5章 结论与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
