| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 转炉炼钢工艺流程 | 第9-10页 |
| 1.3 我国转炉炼钢发展过程 | 第10-12页 |
| 1.4 转炉炼钢终点控制方法 | 第12-14页 |
| 1.4.1 静态控制 | 第12-13页 |
| 1.4.2 动态控制 | 第13页 |
| 1.4.3 转炉全自动控制 | 第13-14页 |
| 1.5 智能控制的特点和发展 | 第14-16页 |
| 1.5.1 神经网络在转炉终点预测及控制中的应用 | 第14-15页 |
| 1.5.2 国内外发展情况 | 第15-16页 |
| 1.6 理论模型和智能控制相结合的意义 | 第16页 |
| 1.7 本文主要研究内容和所做的工作 | 第16-18页 |
| 第二章 转炉炼钢静态理论计算模型 | 第18-27页 |
| 2.1 转炉炼钢的物料平衡和热平衡 | 第18页 |
| 2.2 转炉炼钢的物料平衡 | 第18-23页 |
| 2.2.1 熔渣碱度 | 第18-19页 |
| 2.2.2 炉渣量及成分计算 | 第19-22页 |
| 2.2.3 烟尘中铁及含量 | 第22页 |
| 2.2.4 炉气成分和数量 | 第22页 |
| 2.2.5 实际氧气消耗量计算 | 第22-23页 |
| 2.2.6 炉渣带计算 | 第23页 |
| 2.2.7 钢水量计算 | 第23页 |
| 2.3 转炉炼钢的热平衡 | 第23-26页 |
| 2.3.1 热收入项 | 第23-25页 |
| 2.3.2 热支出项 | 第25-26页 |
| 2.4 转炉炼钢静态理论计算模型 | 第26页 |
| 2.5 小结 | 第26-27页 |
| 第三章 基于改进的GA-ELM的转炉终点碳温的预测模型 | 第27-38页 |
| 3.1 神经网络原理及结构 | 第27-29页 |
| 3.1.1 人工神经网络原理及结构 | 第27页 |
| 3.1.2 人工神经网络的特点 | 第27-28页 |
| 3.1.3 极限学习机原理和结构 | 第28-29页 |
| 3.2 遗传算法 | 第29-31页 |
| 3.3 改进的GA-ELM神经网络预测模型 | 第31-37页 |
| 3.3.1 GA-ELM算法 | 第31-33页 |
| 3.3.2 输入量选取 | 第33-34页 |
| 3.3.3 不同网络结构对网络预测性能的影响 | 第34-35页 |
| 3.3.4 不同激励函数对网络预测性能的影响 | 第35页 |
| 3.3.5 终点碳温预测 | 第35-37页 |
| 3.4 小结 | 第37-38页 |
| 第四章 基于改进的PSO的转炉优化控制模型 | 第38-46页 |
| 4.1 转炉终点优化控制原理 | 第38-39页 |
| 4.1.1 转炉终点控制系统原理 | 第38页 |
| 4.1.2 转炉终点控制模型 | 第38-39页 |
| 4.2 粒子群算法简介及改进 | 第39-42页 |
| 4.2.1 粒子群算法 | 第39页 |
| 4.2.2 粒子群算法基本原理 | 第39-40页 |
| 4.2.3 粒子群算法的改进 | 第40-42页 |
| 4.3 PSO求解最优值过程 | 第42-45页 |
| 4.4 小结 | 第45-46页 |
| 第五章 软件实现 | 第46-53页 |
| 5.1 软件的开发要求和功能实现 | 第46页 |
| 5.2 软件开发工具 | 第46-47页 |
| 5.3 软件结构 | 第47-48页 |
| 5.4 系统使用和管理 | 第48-52页 |
| 5.4.1 登陆模块 | 第48页 |
| 5.4.2 静态计算模块 | 第48-51页 |
| 5.4.3 静态预测模块 | 第51-52页 |
| 5.4.4 优化控制模块 | 第52页 |
| 5.5 小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-54页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 发表论文和科研情况说明 | 第58-59页 |
| 致谢 | 第59页 |