| 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 |
