转炉炼钢终点准动态控制系统研究
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-9页 |
| 1 绪论 | 第9-21页 |
| ·引言 | 第9-10页 |
| ·转炉控制技术 | 第10-11页 |
| ·转炉炼钢过程控制 | 第10-11页 |
| ·转炉炼钢终点控制 | 第11页 |
| ·转炉炼钢终点控制技术研究现状 | 第11-16页 |
| ·转炉静态控制 | 第11-13页 |
| ·转炉动态控制 | 第13-15页 |
| ·转炉全自动控制 | 第15-16页 |
| ·人工智能在转炉终点控制中的应用 | 第16-18页 |
| ·研究背景和研究内容 | 第18-21页 |
| ·研究背景 | 第18-19页 |
| ·研究内容 | 第19-21页 |
| 2 转炉终点预测的准动态控制模型 | 第21-29页 |
| ·准动态控制模型原理 | 第21-23页 |
| ·准动态控制模型建立的基础 | 第23-24页 |
| ·模型基本假设 | 第23-24页 |
| ·模型对数据的基本要求 | 第24页 |
| ·基于BP-GA 算法的转炉终点预测模型 | 第24-29页 |
| ·转炉终点预测模型 | 第24-26页 |
| ·基于转炉终点预测的过程优化控制的讨论 | 第26-29页 |
| 3 转炉终点预测的准动态控制模型算法研究 | 第29-49页 |
| ·数据建模要点 | 第29-30页 |
| ·数据预处理 | 第30-32页 |
| ·数据的收集与清理 | 第30页 |
| ·有效参数的评估与选择 | 第30-31页 |
| ·过程数据的模式量化与变换 | 第31-32页 |
| ·BP 神经网络原理及算法描述 | 第32-36页 |
| ·BP 神经网络特点 | 第32页 |
| ·BP 神经网络结构 | 第32-33页 |
| ·BP 神经网络学习过程 | 第33-34页 |
| ·BP 神经网络算法结构 | 第34-36页 |
| ·BP 神经网络的算法改进 | 第36-44页 |
| ·神经网络权值初始化 | 第36-37页 |
| ·改进激励函数 | 第37-38页 |
| ·学习策略的改进 | 第38-40页 |
| ·BP 算法与遗传算法的结合 | 第40-44页 |
| ·改进的BP 神经网络算法的测试 | 第44-49页 |
| ·实验设计 | 第45-46页 |
| ·实验数据 | 第46页 |
| ·测试结果及分析 | 第46-49页 |
| 4 转炉终点预测的准动态控制模型建模 | 第49-68页 |
| ·攀钢转炉炼钢生产过程控制现状 | 第49-53页 |
| ·攀钢转炉炼钢过程自动化现状 | 第49-50页 |
| ·攀钢转炉炼钢一次倒炉合格率 | 第50-51页 |
| ·攀钢转炉炼钢生产过程数据现状 | 第51-53页 |
| ·转炉终点准动态预测模型的实现 | 第53-63页 |
| ·准动态模型的架构 | 第53-54页 |
| ·影响转炉终点的因素 | 第54-56页 |
| ·转炉生产异常数据清理 | 第56-59页 |
| ·模型输入变量与输出变量的选取 | 第59-60页 |
| ·数据预处理 | 第60-62页 |
| ·数据样本的划分 | 第62页 |
| ·模型测试 | 第62-63页 |
| ·增量数据处理 | 第63页 |
| ·转炉终点预测的准动态控制模型检验 | 第63-68页 |
| ·试验设计 | 第63页 |
| ·试验数据 | 第63-65页 |
| ·试验结果与分析 | 第65-68页 |
| 5 转炉终点准动态控制系统的程序实现 | 第68-76页 |
| ·转炉终点准动态控制系统的流程设计 | 第68-72页 |
| ·转炉终点准动态控制系统架构 | 第68-69页 |
| ·转炉终点准动态控制系统流程设计 | 第69-72页 |
| ·实例运行界面 | 第72-76页 |
| 6 结论与展望 | 第76-78页 |
| ·结论 | 第76-77页 |
| ·展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 附录 | 第83页 |
