首页--工业技术论文--冶金工业论文--冶金机械、冶金生产自动化论文--有色冶金机械与生产自动化论文--有色冶金生产自动化论文

人工智能与混沌理论在铜锍吹炼炉实时仿真与优化决策中的应用研究

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

论文共109页,点击 下载论文
上一篇:高温熔盐泵设计及可靠性分析
下一篇:超低比转速自平衡多级离心泵水力优化与结构分析