电弧炉钢水终点温度预报研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 选题的背景及意义 | 第10-11页 |
| 1.2 电弧炉炼钢发展概况 | 第11-13页 |
| 1.3 各种预报方法分析 | 第13-15页 |
| 1.4 案例推理技术简介 | 第15-16页 |
| 1.5 论文的研究内容及结构安排 | 第16-18页 |
| 第2章 电弧炉炼钢工艺过程及终点温度的机理分析 | 第18-36页 |
| 2.1 电弧炉炼钢设备介绍 | 第18-21页 |
| 2.1.1 机械设备 | 第18-20页 |
| 2.1.2 电气设备 | 第20-21页 |
| 2.2 电弧炉炼钢工艺过程 | 第21-28页 |
| 2.2.1 熔化期阶段 | 第22-24页 |
| 2.2.2 氧化期阶段 | 第24-27页 |
| 2.2.3 出钢阶段 | 第27-28页 |
| 2.3 终点温度的机理分析 | 第28-34页 |
| 2.3.1 预报模型起点、终点的认定 | 第28-29页 |
| 2.3.2 能量平衡分析 | 第29-33页 |
| 2.3.3 影响终点温度的主要因素 | 第33-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第3章 基于CBR的终点温度预报 | 第36-46页 |
| 3.1 基于CBR的终点温度预报模型 | 第36-41页 |
| 3.1.1 案例库的构造 | 第36-38页 |
| 3.1.2 案例的检索 | 第38-40页 |
| 3.1.3 案例的重用 | 第40页 |
| 3.1.4 仿真研究及结果分析 | 第40-41页 |
| 3.2 基于改进CBR的终点温度预报模型 | 第41-45页 |
| 3.2.1 匹配案例权值系数确定方式的改进 | 第42-43页 |
| 3.2.2 指数r最佳值的确定 | 第43-44页 |
| 3.2.3 仿真研究及结果分析 | 第44-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第4章 基于案例补偿的CBR的终点温度预报 | 第46-64页 |
| 4.1 增量补偿模型 | 第46-48页 |
| 4.1.1 增量补偿模型的建立 | 第46-47页 |
| 4.1.2 仿真研究与结果分析 | 第47-48页 |
| 4.2 BP神经网络补偿模型 | 第48-56页 |
| 4.2.1 BP神经网络的结构设计 | 第48-52页 |
| 4.2.2 L-M算法对BP神经网络的优化 | 第52-55页 |
| 4.2.3 仿真研究与结果分析 | 第55-56页 |
| 4.3 PSO算法优化的BP神经网络补偿模型 | 第56-62页 |
| 4.3.1 粒子群算法基本原理 | 第56-58页 |
| 4.3.2 粒子群算法优化BP神经网络 | 第58-60页 |
| 4.3.3 仿真研究与结果分析 | 第60-62页 |
| 4.4 本章小结 | 第62-64页 |
| 第5章 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
