中文摘要 | 第3-4页 |
英文摘要 | 第4页 |
前言 | 第5-10页 |
第一章 文献综述 | 第10-25页 |
1.1 铜工业的发展与现状 | 第10-14页 |
1.1.1 铜冶金的现代生产方法 | 第10-11页 |
1.1.2 现代铜锍吹炼方法 | 第11-12页 |
1.1.3 铜冶炼技术展望 | 第12-14页 |
1.2 人工智能与遗传算法简述 | 第14-19页 |
1.2.1 模式识别 | 第14-15页 |
1.2.2 神经网络 | 第15页 |
1.2.3 自适应小波神经网络 | 第15-16页 |
1.2.4 遗传算法 | 第16-17页 |
1.2.5 智能决策支持系统 | 第17-19页 |
1.3 混沌理论简述 | 第19-22页 |
1.3.1 混沌理论简介 | 第19-20页 |
1.3.2 混沌理论在优化计算中的应用 | 第20-21页 |
1.3.3 混沌理论在过程控制中的应用 | 第21-22页 |
1.4 人工智能和混沌理论在有色金属冶炼中的应用 | 第22-25页 |
第二章 铜锍吹炼过程优化的理论基础 | 第25-41页 |
2.1 铜锍吹炼过程热力学 | 第25-26页 |
2.2 铜锍吹炼过程的特征 | 第26-27页 |
2.3 铜锍吹炼过程热化学 | 第27-28页 |
2.4 炉衬温度场仿真 | 第28-33页 |
2.4.1 炉衬温度场模型 | 第28-30页 |
2.4.2 有关参数和边界条件的确定 | 第30-31页 |
2.4.3 温度场计算分析 | 第31-33页 |
2.5 气体喷射现象解析 | 第33-36页 |
2.5.1 卧式转炉中的气体侧吹喷射现象 | 第33-35页 |
2.5.2 特尼恩特转炉中的气体侧吹喷射现象和风口堵塞问题 | 第35-36页 |
2.6 造渣制度的优化 | 第36-39页 |
2.6.1 高品位铜锍吹炼 | 第36页 |
2.6.2 富氧鼓风作业 | 第36页 |
2.6.3 控制Fe_3O_4量 | 第36-37页 |
2.6.4 渣系的选择 | 第37-39页 |
2.7 铜锍吹炼过程的控制目标及影响因素分析 | 第39-41页 |
2.7.1 合理渣型的选择 | 第39页 |
2.7.2 渣含铜 | 第39-40页 |
2.7.3 熔体温度 | 第40页 |
2.7.4 鼓风强度 | 第40-41页 |
第三章 铜锍吹炼过程优化策略研究 | 第41-44页 |
3.1 风口区温度优化策略 | 第41-42页 |
3.1.1 控制目标 | 第41页 |
3.1.2 优化策略 | 第41页 |
3.1.3 优化模型 | 第41-42页 |
3.2 物料加入制度优化策略 | 第42-43页 |
3.2.1 熔剂加入制度优化策略 | 第43页 |
3.2.2 冷料加入制度优化策略 | 第43页 |
3.3 鼓风制度优化策略 | 第43-44页 |
第四章 人工智能建模技术 | 第44-52页 |
4.1 吹炼过程数据样本预处理技术 | 第44-45页 |
4.1.1 样本自标准化 | 第44页 |
4.1.2 噪音样本过滤方法 | 第44-45页 |
4.1.3 建模变量选择 | 第45页 |
4.2 吹炼模式识别技术 | 第45-48页 |
4.2.1 主成分分析法(PCA) | 第45-46页 |
4.2.2 最优判别平面(ODP) | 第46-47页 |
4.2.3 偏最小二乘法(PLS) | 第47-48页 |
4.3 小波神经网络建模方法 | 第48-52页 |
第五章 混沌遗传优化算法及其寻优效率评价 | 第52-58页 |
5.1 混沌遗传优化算法原理 | 第52-55页 |
5.1.1 编码方案及交换方案的确定 | 第52页 |
5.1.2 随机扰动的确定 | 第52-53页 |
5.1.3 混沌遗传算法 | 第53-55页 |
5.2 混沌遗传算法实例 | 第55页 |
5.3 混沌遗传算法寻优效率评价 | 第55-58页 |
5.3.1 排序选择 | 第57页 |
5.3.2 简单杂交 | 第57-58页 |
第六章 铜锍吹炼炉优化操作数学模型 | 第58-83页 |
6.1 优化操作模型建模方法 | 第58页 |
6.2 造渣期操作参数优化模型 | 第58-64页 |
6.2.1 最佳铜锍入炉量 | 第58-61页 |
6.2.2 最佳熔剂加入制度 | 第61-62页 |
6.2.3 最佳冷料加入制度 | 第62-63页 |
6.2.4 最佳鼓风制度 | 第63页 |
6.2.5 渣量及成分预测模型 | 第63-64页 |
6.3 造铜期操作参数优化模型 | 第64-67页 |
6.3.1 造渣期末残渣量和白铍量预测模型 | 第64-65页 |
6.3.2 最佳冷料加入制度 | 第65-66页 |
6.3.3 最佳鼓风制度 | 第66页 |
6.3.4 粗铜量及残渣量预报模型 | 第66-67页 |
6.4 优化操作模型的自学习与自适应 | 第67页 |
6.4.1 造渣期鼓风制度优化模型的自学习与自适应 | 第67页 |
6.4.2 造铜期鼓风制度优化模型的自学习与自适应 | 第67页 |
6.4.3 最佳熔剂量优化模型的自学习与自适应 | 第67页 |
6.4.4 渣量及成分预测模型的自学习与自适应 | 第67页 |
6.5 冷料熔化动力学模型 | 第67-70页 |
6.5.1 冷料熔化模型描述 | 第68页 |
6.5.2 熔化速率模型 | 第68-69页 |
6.5.3 熔化时间模型 | 第69页 |
6.5.4 熔化参数的确定 | 第69-70页 |
6.6 基于神经网络与机理分析方法的在线仿真检测模型 | 第70-76页 |
6.6.1 铜锍吹炼过程机理模型 | 第70-72页 |
6.6.2 基于神经网络的在线仿真检测模型 | 第72-73页 |
6.6.3 基于机理模型的神经网络在线仿真检测建模 | 第73-75页 |
6.6.4 在线仿真检测模型的自校正与维护 | 第75-76页 |
6.6.4.1 在线自校正 | 第75-76页 |
6.6.4.2 模型更新 | 第76页 |
6.7 铜锍品位动态预测——AR(p)指数平滑组合模型 | 第76-79页 |
6.7.1 时序分析AR(p)预测模型 | 第76-77页 |
6.7.2 三次指数平滑模型 | 第77页 |
6.7.3 铜锍品位的动态预测——AR(p)-指数平滑组合模型 | 第77-79页 |
6.8 铜连吹炉造铜期终点判断 | 第79-83页 |
6.8.1 造铜期烟气温度的数学模型 | 第80-81页 |
6.8.2 模型在生产实践中的应用 | 第81-83页 |
第七章 铜锍吹炼炉优化操作智能决策支持系统 | 第83-95页 |
7.1 系统开发步骤 | 第83页 |
7.2 系统结构与功能 | 第83-84页 |
7.3 系统主要模块 | 第84-95页 |
7.3.1 数据在线采集模块 | 第84-85页 |
7.3.2 炉衬温度场计算模块 | 第85页 |
7.3.3 操作制度优化决策子系统 | 第85-88页 |
7.3.4 实时炉况在线仿真子系统 | 第88-90页 |
7.3.4.1 造渣期工艺操作参数与生产状态在线仿真 | 第88-89页 |
7.3.4.2 造铜期工艺操作参数与生产状态在线仿真 | 第89-90页 |
7.3.5 成分、物相预测模块 | 第90-91页 |
7.3.6 自学习模块 | 第91-92页 |
7.3.7 造铜期终点预报模块 | 第92页 |
7.3.8 生产管理模块 | 第92-94页 |
7.3.9 故障诊断模块 | 第94页 |
7.3.10 操作规程培训模块 | 第94-95页 |
第八章 铜锍吹炼炉操作优化智能决策系统工业应用实践 | 第95-98页 |
8.1 应用概况 | 第95页 |
8.2 预报准确度 | 第95页 |
8.3 实际效果 | 第95-97页 |
8.3.1 产量提高 | 第96页 |
8.3.2 冷料处理量增加 | 第96页 |
8.3.3 炉衬使用寿命延长 | 第96-97页 |
8.3.4 工序操作整体水平提高 | 第97页 |
8.4 经济效益初步预测 | 第97-98页 |
第九章 结论与建议 | 第98-100页 |
9.1 结论 | 第98-99页 |
9.2 建议 | 第99-100页 |
参考文献 | 第100-107页 |
攻读博士学位期间发表论文 | 第107-108页 |
攻读博士学位期间参加研究工作 | 第108-109页 |
致谢 | 第109页 |