| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第12-28页 |
| 1.1 课题背景及研究意义 | 第12-13页 |
| 1.2 国内外研究现状与发展趋势 | 第13-22页 |
| 1.2.1 料面形状模型 | 第14-20页 |
| 1.2.2 料面形状预测模型 | 第20-21页 |
| 1.2.3 高炉故障诊断与预报的研究 | 第21-22页 |
| 1.3 存在的问题 | 第22-24页 |
| 1.4 研究目的及内容 | 第24-25页 |
| 1.5 研究思路与创新点 | 第25-27页 |
| 1.6 本章小结 | 第27-28页 |
| 2 满足关键点K-重覆盖的检测料面异类传感器优化策略 | 第28-50页 |
| 2.1 高炉无钟炉顶布料工艺 | 第28-31页 |
| 2.2 传感器优化策略的提出背景 | 第31-35页 |
| 2.2.1 料面检测传感器类别 | 第31页 |
| 2.2.2 关键点K-重覆盖定义和多环布料料面特征 | 第31-33页 |
| 2.2.3 料面的环形区域划分 | 第33-34页 |
| 2.2.4 现有传感器单一布置模型 | 第34-35页 |
| 2.3 满足关键点K-重覆盖的异类传感器布置优化模型 | 第35-40页 |
| 2.3.1 满足关键点K-重覆盖的异类传感器布置原则 | 第36页 |
| 2.3.2 传感器优化策略的数学模型 | 第36-39页 |
| 2.3.3 惩罚函数法求解约束问题 | 第39-40页 |
| 2.4 入工鱼群算法 | 第40-43页 |
| 2.4.1 基本人工鱼群算法 | 第40-41页 |
| 2.4.2 改进的人工鱼群算法 | 第41-43页 |
| 2.5 雷达传感器位置优化仿真结果 | 第43-49页 |
| 2.5.1 算法验证仿真 | 第43-45页 |
| 2.5.2 雷达位置优化仿真 | 第45-49页 |
| 2.6 小结 | 第49-50页 |
| 3 基于布料规律和多点雷达重构高炉料面模型 | 第50-71页 |
| 3.1 基于布料规律建立料面模型 | 第50-62页 |
| 3.1.1 料面形状描述方程 | 第50-52页 |
| 3.1.2 求解料面内外堆角 | 第52-55页 |
| 3.1.3 计算炉料堆尖位置 | 第55-58页 |
| 3.1.4 计算溜槽倾角 | 第58-60页 |
| 3.1.5 基于布料规律建立料面方程 | 第60-62页 |
| 3.2 基于雷达数据修正料面方程 | 第62-65页 |
| 3.2.1 雷达位置坐标与炉料堆尖的空间配准 | 第62-63页 |
| 3.2.2 体积约束原则 | 第63页 |
| 3.2.3 雷达修正料面方法 | 第63-64页 |
| 3.2.4 基于布料规律和多点雷达修正料面流程 | 第64-65页 |
| 3.3 重构高炉料面方程仿真实验 | 第65-70页 |
| 3.3.1 一次布料计算过程 | 第65-67页 |
| 3.3.2 连续布料仿真过程 | 第67-70页 |
| 3.4 小结 | 第70-71页 |
| 4 高炉料面下降速度预测模型 | 第71-94页 |
| 4.1 雷达时间序列的混沌性辨识 | 第71-81页 |
| 4.1.1 相空间重构原理 | 第72-73页 |
| 4.1.2 嵌入维数和时间延迟的确定 | 第73-76页 |
| 4.1.3 计算Lyapunov指数 | 第76-81页 |
| 4.2 基于极限学习机的料面下降速度预测模型 | 第81-87页 |
| 4.2.1 数据准备 | 第81-82页 |
| 4.2.2 料面下降速度预测模型 | 第82-83页 |
| 4.2.3 极限学习机 | 第83-85页 |
| 4.2.4 在线惯序极限学习机 | 第85-87页 |
| 4.3 料面下降速度预测仿真结果 | 第87-92页 |
| 4.3.1 ELM离线预测模型 | 第87-90页 |
| 4.3.2 OS-ELM在线预测模型 | 第90-92页 |
| 4.4 小结 | 第92-94页 |
| 5 高炉料面异常的不平衡数据分类模型 | 第94-111页 |
| 5.1 高炉常见异常炉况分析 | 第94-97页 |
| 5.1.1 高炉常见异常与冶炼工艺参数的关系 | 第94-95页 |
| 5.1.2 高炉料面的悬料和崩料异常 | 第95-96页 |
| 5.1.3 料面异常分类的特征选取 | 第96-97页 |
| 5.2 不平衡数据分类 | 第97-99页 |
| 5.2.1 不平衡数据分类方法 | 第97-98页 |
| 5.2.2 不平衡数据分类评价指标 | 第98-99页 |
| 5.3 改进的旋转森林集成学习算法 | 第99-104页 |
| 5.3.1 旋转森林集成算法 | 第99-101页 |
| 5.3.2 主成分分析方法 | 第101页 |
| 5.3.3 决策树分类算法 | 第101-102页 |
| 5.3.4 改进的旋转森林集成算法 | 第102-104页 |
| 5.4 高炉料面异常的不平衡数据分类仿真实验 | 第104-109页 |
| 5.4.1 IRFA算法性能验证 | 第104-107页 |
| 5.4.2 料面异常分类预测 | 第107-109页 |
| 5.5 小结 | 第109-111页 |
| 6 总结与展望 | 第111-114页 |
| 6.1 主要研究成果 | 第111-112页 |
| 6.2 进一步工作展望 | 第112-114页 |
| 参考文献 | 第114-122页 |
| 作者简历及在学研究成果 | 第122-125页 |
| 学位论文数据集 | 第125页 |
