基于数据驱动的高炉冶炼喷煤规则挖掘
| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 1 绪论 | 第11-19页 |
| 1.1 课题背景及现状 | 第11-13页 |
| 1.1.1 课题背景 | 第11-12页 |
| 1.1.2 国内外高炉喷煤发展概况 | 第12-13页 |
| 1.2 高炉冶炼过程优化与决策现状 | 第13-15页 |
| 1.3 数据驱动概述 | 第15-17页 |
| 1.4 复杂工业过程优化决策 | 第17-18页 |
| 1.5 本文主要研究内容 | 第18-19页 |
| 2 高炉冶炼过程机理分析及优化框架 | 第19-33页 |
| 2.1 高炉的结构及控制参数 | 第19-25页 |
| 2.1.1 高炉结构 | 第19-22页 |
| 2.1.2 高炉冶炼过程中的参数 | 第22-25页 |
| 2.2 高炉冶炼工艺过程 | 第25-26页 |
| 2.3 高炉喷吹煤粉 | 第26-28页 |
| 2.4 高炉喷煤优化描述 | 第28-29页 |
| 2.4.1 操作模式的定义 | 第28页 |
| 2.4.2 高炉喷煤操作模式问题描述 | 第28-29页 |
| 2.5 高炉喷煤操作优化框架 | 第29-32页 |
| 2.5.1 基于粗糙集理论的数据挖掘框架 | 第29-30页 |
| 2.5.2 基于智能模型的操作模式优化框架 | 第30-31页 |
| 2.5.3 基于模式匹配与演化的操作模式优化框架 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 3 高炉数据分析及优良操作样本筛选 | 第33-37页 |
| 3.1 高炉数据的预处理 | 第33-35页 |
| 3.1.1 数据的标准化处理 | 第33-34页 |
| 3.1.2 数据的相关性分析 | 第34-35页 |
| 3.2 滞后性分析 | 第35页 |
| 3.3 筛选优良操作样本集 | 第35页 |
| 3.4 子模式个数的确定 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于粗糙集理论的规则挖掘方法 | 第37-46页 |
| 4.1 属性值域缩减 | 第37-38页 |
| 4.2 决策表建立及属性约简 | 第38-41页 |
| 4.3 决策规则优化 | 第41-44页 |
| 4.4 规则评价 | 第44页 |
| 4.5 本章小结 | 第44-46页 |
| 5 基于智能模型的操作模式优化方法 | 第46-65页 |
| 5.1 T-S模糊模型 | 第46-47页 |
| 5.2 T-S模糊模型的结构及参数辨识 | 第47-50页 |
| 5.2.1 前件结构及参数的辨识 | 第47-49页 |
| 5.2.2 后件结构及参数的辨识 | 第49-50页 |
| 5.3 基于T-S模糊模型的喷煤规则挖掘 | 第50-54页 |
| 5.4 支持向量机 | 第54-58页 |
| 5.4.1 支持向量机模型 | 第54-57页 |
| 5.4.2 支持向量机回归 | 第57-58页 |
| 5.5 支持向量机核函数 | 第58-60页 |
| 5.6 模型参数优化 | 第60-61页 |
| 5.7 多支持向量机的规则挖掘方法 | 第61-62页 |
| 5.8 模型的综合评价 | 第62-63页 |
| 5.9 本章小结 | 第63-65页 |
| 6 高炉冶炼喷煤操作模式匹配与演化 | 第65-73页 |
| 6.1 喷煤操作模式匹配 | 第65-68页 |
| 6.2 基于粒子群算法的操作模式演化 | 第68-72页 |
| 6.2.1 综合工况预测模型 | 第68-70页 |
| 6.2.2 粒子群算法 | 第70页 |
| 6.2.3 喷煤操作模式演化 | 第70-72页 |
| 6.3 本章小结 | 第72-73页 |
| 7 结论与建议 | 第73-75页 |
| 7.1 结论 | 第73-74页 |
| 7.2 建议 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 附录A 硕士论文顶层逻辑结构图 | 第80-81页 |
| 附录B 硕士论文重点章节分层逻辑结构图 | 第81-85页 |
| 附录C 部分建模数据 | 第85-87页 |
| 在学研究成果 | 第87-88页 |
| 致谢 | 第88页 |
