| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-21页 |
| ·选题背景及意义 | 第11-12页 |
| ·钢铁生产过程能耗预测与调度优化研究 | 第12-19页 |
| ·钢铁生产过程中能耗预测研究 | 第12-14页 |
| ·钢铁生产过程调度优化研究 | 第14-16页 |
| ·钢铁生产过程检测研究 | 第16-19页 |
| ·论文的研究内容 | 第19-21页 |
| ·研究内容 | 第19页 |
| ·论文主要创新点 | 第19-21页 |
| 第二章 钢铁生产过程分析 | 第21-39页 |
| ·钢铁生产过程特点分析 | 第21-36页 |
| ·炼铁过程生产特点 | 第21-27页 |
| ·炼钢过程生产特点 | 第27-34页 |
| ·轧钢过程生产特点 | 第34-36页 |
| ·钢铁冶炼过程能耗预测及调度优化分析 | 第36-39页 |
| ·钢铁冶炼能耗预测 | 第36-37页 |
| ·炼钢生产过程连铸工序调度 | 第37-38页 |
| ·钢铁生产轧钢过程故障检测 | 第38-39页 |
| 第三章 钢铁生产过程能耗分析与预测方法研究 | 第39-63页 |
| ·引言 | 第39-40页 |
| ·钢铁生产能耗分析 | 第40-44页 |
| ·钢铁生产能耗特点与影响因素 | 第40-42页 |
| ·基于物质流和能量流的钢铁过程能耗分析 | 第42-44页 |
| ·基于蚁群算法优化的小波神经网络钢铁生产能耗预测 | 第44-57页 |
| ·小波理论 | 第45-51页 |
| ·小波神经网络 | 第51-53页 |
| ·基于蚁群算法优化的小波神经网络 | 第53-56页 |
| ·基于蚁群小波神经网络的钢铁生产过程能耗预测模型 | 第56-57页 |
| ·仿真试验与结果分析 | 第57-62页 |
| ·高炉炼铁过程能耗预测试验 | 第57-59页 |
| ·炼钢过程能耗预测试验 | 第59-60页 |
| ·轧钢过程能耗预测试验 | 第60-62页 |
| ·小结 | 第62-63页 |
| 第四章 基于遗传粒子群算法的炼钢-连铸生产调度优化模型 | 第63-77页 |
| ·引言 | 第63页 |
| ·炼钢-连铸生产工艺流程 | 第63-64页 |
| ·炼钢-连铸生产调度优化方法 | 第64-65页 |
| ·基于遗传粒子群算法的炼钢-连铸生产调度优化模型 | 第65-73页 |
| ·炼钢-连铸生产调度优化问题定义 | 第65-66页 |
| ·炼钢-连铸生产调度优化模型 | 第66-68页 |
| ·遗传算法 | 第68-69页 |
| ·粒子群优化算法 | 第69-71页 |
| ·遗传粒子群炼钢-连铸生产调度优化算法 | 第71-73页 |
| ·仿真实验结果与分析 | 第73-75页 |
| ·小结 | 第75-77页 |
| 第五章 基于多核学习算法的钢铁生产轧钢过程故障检测 | 第77-101页 |
| ·引言 | 第77-78页 |
| ·基于多分类多核支持向量机的轧钢过程在线监测 | 第78-89页 |
| ·基于核主元分析故障检测 | 第78-81页 |
| ·基于核数据域描述故障检测 | 第81-83页 |
| ·基于多分类多核支持向量机模型 | 第83-87页 |
| ·基于多分类多核支持向量机的轧钢过程在线监测模型 | 第87-89页 |
| ·轧钢过程典型故障检测方法 | 第89-92页 |
| ·多核学习算法 | 第92-93页 |
| ·实验结果与分析 | 第93-100页 |
| ·加热炉故障检测试验 | 第94-97页 |
| ·精轧机组故障检测试验 | 第97-100页 |
| ·小结 | 第100-101页 |
| 第六章 总结与展望 | 第101-103页 |
| ·全文总结 | 第101-102页 |
| ·未来工作展望 | 第102-103页 |
| 致谢 | 第103-105页 |
| 参考文献 | 第105-113页 |
| 附录A (攻读博士期间的科研成果) | 第113页 |