| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题的来源和研究意义 | 第8-10页 |
| 1.2 相关技术的国内外研究现状 | 第10-12页 |
| 1.3 主要研究内容和结构安排 | 第12-14页 |
| 1.3.1 主要研究内容 | 第12页 |
| 1.3.2 本文的结构安排 | 第12-14页 |
| 第2章 AOD法冶炼低碳铬铁工艺研究 | 第14-28页 |
| 2.1 AOD法概述 | 第14页 |
| 2.2 AOD法冶炼低碳铬铁机理 | 第14-16页 |
| 2.3 AOD法冶炼低碳铬铁工艺 | 第16-18页 |
| 2.4 影响低碳铬铁的主要质量指标 | 第18-26页 |
| 2.4.1 铁水中碳含量 | 第18-20页 |
| 2.4.2 铁水中磷含量 | 第20-24页 |
| 2.4.3 铁水中硫含量 | 第24-25页 |
| 2.4.4 炉渣碱度 | 第25-26页 |
| 2.5 分步建模思想的提出 | 第26-27页 |
| 2.6 小结 | 第27-28页 |
| 第3章 炉渣碱度预测模型的研究 | 第28-41页 |
| 3.1 影响炉渣碱度的因素 | 第28-30页 |
| 3.2 人工神经网络概述 | 第30-33页 |
| 3.2.1 人工神经网络模型 | 第30-31页 |
| 3.2.2 RBF神经网络基本原理 | 第31-32页 |
| 3.2.3 RBF神经网络学习算法 | 第32-33页 |
| 3.2.4 与BP网络比较 | 第33页 |
| 3.3 基于RBF神经网络预测模型的建立 | 第33-34页 |
| 3.3.1 预测模型的建立 | 第33-34页 |
| 3.3.2 基于RBF网络模型的流程 | 第34页 |
| 3.4 炉渣碱度预测模型的建立 | 第34-36页 |
| 3.4.1 模型输入参数的选取 | 第34-35页 |
| 3.4.2 炉渣碱度预测模型的确定 | 第35页 |
| 3.4.3 样本数据的筛选与标准化处理 | 第35-36页 |
| 3.4.4 确定RBF神经网络参数及输出 | 第36页 |
| 3.5 炉渣碱度预测模型训练及仿真 | 第36-40页 |
| 3.6 小结 | 第40-41页 |
| 第4章 AOD冶炼低碳铬铁质量控制 | 第41-55页 |
| 4.1 铁水预处理 | 第41-42页 |
| 4.2 影响AOD炉磷含量、硫含量的工艺参数 | 第42页 |
| 4.3 AOD炉磷含量、硫含量影响因素的灰色关联分析 | 第42-45页 |
| 4.3.1 灰色关联分析法 | 第43页 |
| 4.3.2 灰色关联分析的步骤 | 第43-44页 |
| 4.3.3 冶炼中磷、硫的关联度优势分析 | 第44-45页 |
| 4.4 质量控制模型的建立 | 第45-46页 |
| 4.5 粒子群优化算法 | 第46-50页 |
| 4.5.1 基本粒子群优化算法 | 第46-48页 |
| 4.5.2 改进的PSO算法 | 第48-49页 |
| 4.5.3 改进的PSO-RBF网络优化策略 | 第49-50页 |
| 4.6 质量控制仿真结果 | 第50-54页 |
| 4.6.1 磷含量、硫含量质量预测仿真 | 第50-52页 |
| 4.6.2 碳含量质量预测仿真 | 第52-54页 |
| 4.7 小结 | 第54-55页 |
| 第5章 冶炼低碳铬铁质量控制模型的设计与实现 | 第55-63页 |
| 5.1 系统概述 | 第55-56页 |
| 5.1.1 系统总体设计 | 第55页 |
| 5.1.2 系统配置及结构 | 第55-56页 |
| 5.2 控制系统硬件设计 | 第56-58页 |
| 5.2.1 PLC概述 | 第56-58页 |
| 5.2.2 基于PLC的DCS系统 | 第58页 |
| 5.3 AOD法冶炼过程DCS系统实现 | 第58-62页 |
| 5.3.1 系统组态 | 第58-60页 |
| 5.3.2 系统界面设计 | 第60-62页 |
| 5.4 小结 | 第62-63页 |
| 第6章 结论 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 作者简介 | 第70页 |
| 攻读硕士学位期间研究成果 | 第70页 |