| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目的和意义 | 第12-13页 |
| 1.3 本文研究路线 | 第13-14页 |
| 1.4 主要研究内容和章节安排 | 第14-17页 |
| 第2章 炼钢-连铸流程能耗分析与本文相关理论基础 | 第17-33页 |
| 2.1 炼钢过程能耗分析 | 第17-21页 |
| 2.1.1 炼钢-精炼-连铸工艺简介 | 第17-19页 |
| 2.1.2 炼钢-精炼-连铸过程中能耗表现形式 | 第19-20页 |
| 2.1.3 国内外研究现状 | 第20-21页 |
| 2.2 多重共线性问题 | 第21-26页 |
| 2.2.1 多重共线性简介与判定 | 第22-23页 |
| 2.2.2 处理多重共线性常用的方法 | 第23-26页 |
| 2.3 Lasso回归的基本概念 | 第26-29页 |
| 2.4 RBF神经网络原理与预测 | 第29-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 数据驱动与机理模型混合的炼钢-连铸能耗模型 | 第33-59页 |
| 3.1 炼钢过程物质消耗与回收建模 | 第33-46页 |
| 3.1.1 氧气消耗量混合模型 | 第33-38页 |
| 3.1.2 氩气消耗量混合模型 | 第38-41页 |
| 3.1.3 煤气回收量混合模型 | 第41-43页 |
| 3.1.4 蒸汽回收量混合模型 | 第43-46页 |
| 3.2 物质消耗与回收的RBF模型预测 | 第46-49页 |
| 3.2.1 耗氧量RBF神经网络预测 | 第47页 |
| 3.2.2 耗氩量RBF神经网络预测 | 第47-48页 |
| 3.2.3 煤气回收量RBF神经网络预测 | 第48-49页 |
| 3.2.4 水蒸气回收量RBF神经网络预测 | 第49页 |
| 3.3 模型实验结果分析 | 第49-52页 |
| 3.4 炼钢过程中温度降低量模型 | 第52-53页 |
| 3.5 连铸过程拉速相关模型 | 第53-55页 |
| 3.5.1 连铸过程中拉速与温度模型 | 第53-55页 |
| 3.5.2 连铸过程中物料守恒模型 | 第55页 |
| 3.6 炼钢过程中数据统计与分析 | 第55-56页 |
| 3.7 本章小结 | 第56-59页 |
| 第4章 炼钢-连铸能耗协同优化模型 | 第59-71页 |
| 4.1 问题分析与描述 | 第59-61页 |
| 4.1.1 目标函数的建立 | 第59页 |
| 4.1.2 决策变量的确定 | 第59-60页 |
| 4.1.3 约束条件的确定 | 第60-61页 |
| 4.2 最小能耗优化模型的建立 | 第61-65页 |
| 4.2.1 符号说明 | 第61-62页 |
| 4.2.2 数学模型建立与解析 | 第62-65页 |
| 4.3 模型求解与实验对比 | 第65-68页 |
| 4.3.1 模型解析和参数取值 | 第65-66页 |
| 4.3.2 模型求解 | 第66-67页 |
| 4.3.3 实验对比 | 第67-68页 |
| 4.4 本章小结 | 第68-71页 |
| 第5章 炼钢-连铸生产流程能耗分析系统 | 第71-79页 |
| 5.1 系统框架简介 | 第71-72页 |
| 5.2 系统软件实现 | 第72-74页 |
| 5.2.1 系统数据层 | 第72页 |
| 5.2.2 系统逻辑层 | 第72-73页 |
| 5.2.3 系统视图层 | 第73-74页 |
| 5.3 系统相关模块展示 | 第74-79页 |
| 5.3.1 模型预测界面展示 | 第74-76页 |
| 5.3.2 模型误差计算结果展示 | 第76-79页 |
| 第6章 总结展望 | 第79-81页 |
| 6.1 总结 | 第79页 |
| 6.2 展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 攻读硕士期间参加科研项目 | 第87页 |