| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 课题背景及现状 | 第8-14页 |
| 1.1.1 课题背景 | 第8-9页 |
| 1.1.2 国内高炉热风炉燃烧优化控制发展概况 | 第9-13页 |
| 1.1.3 国外高炉热风炉燃烧优化控制发展概况 | 第13-14页 |
| 1.2 人工智能控制理论概述 | 第14-15页 |
| 1.3 数据挖掘概述 | 第15页 |
| 1.4 非线性时间序列分析与应用 | 第15-16页 |
| 1.5 本文主要研究内容 | 第16-17页 |
| 2 热风炉工艺流程与操作要求 | 第17-25页 |
| 2.1 热风炉在高炉生产中的作用 | 第17页 |
| 2.2 热风炉类型与结构 | 第17-20页 |
| 2.2.1 热风炉类型 | 第17-18页 |
| 2.2.2 热风炉结构 | 第18-20页 |
| 2.3 热风炉工作原理与工艺流程 | 第20-22页 |
| 2.3.1 单个热风炉工作原理 | 第20页 |
| 2.3.2 热风炉组工作流程 | 第20-21页 |
| 2.3.3 热风炉系统工作逻辑 | 第21-22页 |
| 2.4 高炉热风炉参数统计 | 第22-23页 |
| 2.5 高炉热风炉燃烧操作要求 | 第23-25页 |
| 3 高炉热风炉燃烧现状分析 | 第25-32页 |
| 3.1 高炉热风炉燃烧现状 | 第25-26页 |
| 3.2 高炉热风炉煤气消耗现状 | 第26-27页 |
| 3.3 高炉煤气热值分析 | 第27-30页 |
| 3.4 空燃比与燃烧效率分析 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 基于数据挖掘的空燃比离线寻优 | 第32-42页 |
| 4.1 基于数据挖掘的空燃比离线寻优框架 | 第32页 |
| 4.2 高炉热风炉数据预处理 | 第32-35页 |
| 4.2.1 数据剔除与填补 | 第33-35页 |
| 4.2.2 数据相关性分析 | 第35页 |
| 4.3 数学模型的建立 | 第35-39页 |
| 4.3.1 BP 神经网络 | 第35-37页 |
| 4.3.2 模型建立过程 | 第37-39页 |
| 4.4 空燃比离线寻优 | 第39-41页 |
| 4.4.1 遗传算法 | 第39-40页 |
| 4.4.2 空燃比极值寻优 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 5 基于非线性时间序列模型的空燃比在线寻优 | 第42-56页 |
| 5.1 基于非线性时间序列模型的空燃比在线寻优框架 | 第42-43页 |
| 5.2 相空间重构 | 第43-46页 |
| 5.2.1 滞后时间间隔的确定 | 第43-45页 |
| 5.2.2 嵌入维数的确定 | 第45-46页 |
| 5.3 高炉热风炉非线性时间序列噪声处理 | 第46-47页 |
| 5.4 优良数据筛选与不良数据优化 | 第47-51页 |
| 5.4.1 优良数据筛选 | 第47-50页 |
| 5.4.2 不良数据优化 | 第50-51页 |
| 5.5 多变量非线性时间序列模型的建立 | 第51-54页 |
| 5.5.1 径向基函数神经网络模型 | 第51-52页 |
| 5.5.2 径向基神经网络学习过程 | 第52-53页 |
| 5.5.3 基于RBF 神经网络空燃比非线性时间序列模型的建立 | 第53-54页 |
| 5.6 本章小结 | 第54-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 在学研究成果 | 第61-62页 |
| 致谢 | 第62页 |