一、基于MATLAB神经网络的复吹转炉终点氧含量的预报模型（论文文献综述）
江典蔚[1]（2020）在《基于机器学习的RH精炼炉模型开发与应用》文中指出随着科技的发展与时代的进步,真空精炼产品层出不穷。为了更好的迎接中德合作的工业4.0的到来,各种工业生产对当前材料的要求也是越来越高。为了控制成本,提升产品质量,人们相继生产出各式各样的真空精炼产品,其中RH以其处理效率高、处理量大以及精炼效果杰出的特性迅速成为真空精炼技术的主流,专程为现代化钢铁企业生产特殊钢,尤其是超纯净钢。本文基于武汉某钢厂多年的运行数据与经验,在印度比莱（Bilai）国家钢铁厂进行炼钢设备建设与参数辅导,并加入智慧炼钢精炼过程控制系统模型,主要包括温度预测模型、合金加料成本优化模型、碳含量预测模型,本文主要研究内容和结论如下:针对温度模型,先筛选出影响温度程度较高的因素,基于该因素采用多元线性回归法进行建模、处理和预报,分析出该方法没有将定量分析与定性分析相结合的缺点,又选用了案例推理法,但该方法平均化了影响因素的作用权值,在此基础上又考虑使用粒子群优化权值,终于将精度提高,并用于实际生产。对于合金加料模型,先建立合金元素收得率动态库,后根据钢水信息、料仓数据与实际生产要求,采用线性回归法进行处理,虽能满足钢种元素成分需求,但其运行环境较苛刻,还存在目标可控元素仅控制到元素目标下限值等缺陷,再采用非线性规划法来进一步优化建模方式,使元素更接近目标值,成本也得控制。对于脱碳处理模型,先分析脱碳热力学和各影响因素,再通过现有历史数据来训练BP神经网络模型,分析其层数对模型精度的影响筛选出最优结构,但考虑到脱碳反应在不同时间段的速率不同,因此使用遗传算法对该时段进行划分,最终得到脱碳曲线。
邓帅[2]（2020）在《首钢京唐“全三脱”炼钢过程铁素物质流调控的应用基础研究》文中研究说明为了建立“高效率、低成本的洁净钢生产平台”,首钢京唐设计和建设了“全三脱”这一“新一代可循环钢铁制造流程”。但是,首钢京唐“全三脱”工艺流程的实际生产过程中存在很多问题,一直为钢铁冶金界所关注,并亟待解决。本文基于首钢京唐“全三脱”炼钢过程铁水物质流调控现状,应用冶金流程工程学相关理论,对物质流运行的基本参数（时间、温度、物质量）进行了解析和仿真研究。在此基础上,研究了制约“三脱”比例提高的两个关键技术问题:废钢熔化以及转炉辅料成本。本文分析了“全三脱”炼钢过程物质流运行现状,研究表明,“三脱”比例、成本控制、成分控制以及时间和温度的控制,均未达到设计要求,控制水平与同类型钢厂也存在一定的差距,研究解决“全三脱”问题,应该站在整个钢铁制造流程整体优化的角度,以洁净钢生产平台全流程为着眼点,综合调控物质流的基本参数;通过对物质流运行时间进行解析得知,转炉生产率低、空炉等待时间长,脱磷炉、脱碳炉空炉等待时间平均为19.86分钟和15.91分钟,由于生产节奏慢,导致流程连续化程度不高,工序与工序间的运行,有很大一部分时间是在等待;通过对物质流运行温度进行解析得知,超低碳钢和低碳钢出钢钢水温度平均分别为1680℃和1666℃,与其他同类型钢厂相比出钢钢水温度偏高。原因就在于生产节奏慢,工序与工序之间等待时间长,导致运输过程温降大,需要更高的出钢钢水温度保证连铸中间包温度;利用Fluent软件对转炉空炉过程热状态进行模拟仿真,受空炉时间影响,转炉散热量变化范围为0.89～7.85× 107kJ;空炉时间增加30分钟,脱磷转炉、脱碳转炉散热量分别增加约2.34× 107kJ、4.13× 107kJ,在一定的冶炼周期内,脱磷转炉、脱碳转炉、常规转炉条件下的铁水温降分别增加约12.5℃、15℃、17℃,“三脱”工艺冶炼和常规冶炼对应的废钢加入量分别减少0.93%、0.75%;使用Plant Simulation软件,对物质流运行物质量建立仿真模型。结果表明,“三脱”比例从现有的33%提高到100%,流程连续化程度提高,转炉-连铸运输等待时间平均减少5-14分钟,对应出钢钢水温度可降低4.9～13.7℃。DeP-DeC的运输等待时间平均减少约10.14分钟,KR-DeP运输等待时间平均减少约11.62分钟,相当于入脱碳炉铁水升高1.93℃,入脱磷炉铁水升高2.21℃。由于流程生产节奏加快,转炉生产率从现有的50%左右提高到60%～70%,空炉时间的降低减少了散热,相当于脱磷炉铁水温度少降12.5℃,脱碳炉铁水温度少降15℃,可一进步降低生产成本;针对废钢熔化问题,对脱磷炉进行物料平衡与热平衡计算,可知废钢熔化热量不是其限制性环节,无论是铁水温度和成分来说,熔化现有比例的废钢都是足够的。废钢能否按时熔化,与废钢的熔化速率、转炉吹炼时间和废钢厚度有关;建立废钢熔化速率模型和熔化厚度模型,在京唐现有条件下,最多能熔化44mm厚度的废钢,在温度1360℃下,熔池碳含量从4.5%增加到5.0%时,废钢熔化速率增加43%到63mm,在碳含量4.5%下,熔池温度从1350℃增加到1400℃,废钢熔化速率增加60%到70mm。除此之外增加吹炼时间,能进一步增加废钢熔化厚度。但是,与常规转炉相比,脱磷转炉熔化的废钢尺寸还是有限;针对转炉辅料成本问题,利用C#编程语言开发辅料加入量计算模型界面,在现有物质流运行情况下,通过计算模型可知,辅料成本的高低与铁水硅含量、碳含量、温度有很大关系,本文给出了不同情况下的“全三脱”冶炼和常规冶炼辅料加入成本对比结果;当”三脱”比例增加到100%时,对于现有铁水条件和目标钢种条件,“全三脱”冶炼的辅料加入成本与常规冶炼相比,不仅没有增加,反倒降低了。以冶炼低碳钢种,铁水碳含量为4.1%、硅含量为0.1、温度为1330℃为例,与现有状态常规转炉相比,“全三脱”冶炼,平均吨钢辅料成本降低0.13～4.63元。
韩啸[3]（2017）在《转炉低成本炼钢相关技术研究及模型开发》文中研究指明论文针对企业100t转炉渣料消耗高、渣中（T.Fe）含量高等问题,通过转炉终渣返回利用技术、降低转炉终渣（T.Fe）技术、转炉适宜渣料技术研究及其炼钢成本控制模型的开发,对不同钢种磷含量要求,提出终渣多次利用及降低全铁含量的措施,建立适宜渣料量适时加入模型及成本控制模型,为企业降低转炉炼钢成本提供理论依据和实践指导。研究发现炉渣（P2O5）含量控制在3%以内,组分活度变化对钢液成分的影响不大,对脱磷影响较小。对实际生产炉次数据进行模拟计算,明确了终渣连续返回利用的极限条件。对于100 t转炉,留渣3 t以下,CaO/SiO2大于2.5、（P2O5）含量不超过3%的终渣可返回利用,能冶炼出钢磷含量≤0.020%钢种。终渣碱度提高到3.5以上、终点钢液溶解氧提高到0.05%以上、终渣（FeO）含量需提高到20%以上,有利于高（P2O5）含量的炉渣返回利用。明确了终渣中粒铁含量高的原因,提出控制炉渣（Si02）含量、提高出钢温度等措施降低渣中的粒铁含量,转炉终渣的粒铁含量由平均8.1%降至0.5%,吨钢成本降低18.24元。揭示了转炉渣（T.Fe）含量与底吹强度、含铁冷料的加入量和加入时机、脱碳速度和终点碳含量的关系,提出（T.Fe）含量控制措施,实现终点[C]含量在0.06%以上,可将转炉终渣（T.Fe）含量稳定控制在15%以下;出钢碳含量控制在0.1%以上,可将炉渣（T.Fe）含量控制在12.5%以下;对于出钢磷含量≥0.025%的钢种,终渣（T.Fe）最低降至14%以下,吨钢成本减少3.5元。通过理论计算,分析渣料成分、转炉冶炼过程渣料消耗对脱磷的影响,开发了包括合理渣料消耗量的确定、渣料加入时机调整等的转炉适宜渣料控制技术,通过固体钢渣的使用、不同渣料的合理配比并采取促进钢渣平衡的措施,在同等情况下,实现新渣料加入量降低至40 kg/t以下,降低成本6.29元/t,出钢磷含量均满足所冶炼钢种的要求。通过建立适宜渣料适时加入控制,实现了吹炼过程即时优化渣料结构,降低渣料消耗,对100t转炉冶炼出钢磷含量≤0.015%钢种,造渣料消耗由81.85 kg/t降低至69.99 kg/t。建立了转炉冶炼过程钢液及炉渣成分预报模型,结合熔池温度计算,开发了实时钢液磷含量预报模型。出钢碳含量大于0.08%条件下,模型计算冶炼过程碳含量与实际相差0.014%,出钢碳含量±0.02%以内,模型预测的磷含量与实际相差30 ppm。基于转炉终渣返回技术、转炉适宜渣料控制技术及降低转炉终渣铁含量关键技术,开发了转炉炼钢低成本控制模型,实时对转炉炼钢渣料加入进行控制,模型预测吨钢成本和实际成本的最大实际偏差在20元左右,相对偏差小于0.6%,对转炉炼钢控制成本将起到很好的指导作用。
汪宙[4]（2016）在《转炉冶炼中高碳钢过程及终点控制研究》文中研究表明随着中国制造2025的发展,钢铁行业的智能制造正在探讨之中,炼钢过程的智能化是未来钢铁工业实现智能制造的一个重要内容,而转炉炼钢终点的稳定与准确控制是智能炼钢需解决的问题之一。由于国内炼钢工艺发展不均衡,缺乏动态检测设备的转炉占有相当比例,因此针对此类转炉研发炼钢过程及终点控制技术,对于国内炼钢工艺控制水平的整体提升具有重要作用。本文针对缺乏动态检测设备的转炉冶炼中高碳钢终点钢水成分和温度命中率偏低、吹炼过程控制难度偏大的难题,通过开展80吨转炉炼钢吹氧和造渣优化控制模型研究、基于熔池混匀度的冶炼过程模型研究、冶炼后期钢水磷和锰含量预报模型研究、冶炼末期补吹模型研究,研发转炉冶炼中高碳钢过程及终点控制技术,以实现中高碳钢冶炼终点钢水成分和温度的准确控制。采用氧平衡理论模型与统计模型相结合的方法构建了转炉吹氧量综合预报模型,该模型对于氧耗量预报的平均相对误差小于1%。通过转炉水力学模拟实验研究了主要工艺参数对转炉熔池搅拌混匀效果影响的显着性。构建了转炉炼钢过程造渣料加入量模型,制定了转炉炼钢过程造渣料的加入制度。重新定义了“熔池混匀度”的概念,并结合经典转炉脱碳三阶段理论和熔池热平衡原理,建立了基于熔池混匀度的转炉（无副枪）冶炼过程模型。该模型应用于中高碳钢冶炼过程,碳含量预报误差在±0.04%范围且温度预报误差在±15℃范围内时的概率是72%。通过分析转炉冶炼过程钢水磷和锰元素的氧化反应机理,采用数据挖掘结合反应机理分析的方法构建了基于多层递阶回归分析的冶炼后期磷含量预报模型和基于遗传算法优化的BP神经网络冶炼后期锰含量预报模型。其中,与磷含量预报模型的预报误差在±0.004%范围内时,模型的命中率为73%；当锰含量预报模型的预报误差在±0.025%范围内时,模型的命中率为84%。针对转炉冶炼中高碳钢接近吹炼终点阶段钢水成分和温度的变化规律进行研究,构建了冶炼末期补吹模型。现场应用表明,补吹方案实施后终点钢水成分和温度均达到出钢要求,且模型用于预报终点钢水温度、碳、锰、磷和硫含量时,模型预报误差相应分布在±10℃、±0.02%、±0.02%、±0.003%和±0.004%范围。构建了中高碳钢冶炼过程及终点控制模型集,初步形成中高碳钢冶炼过程及终点控制技术,实现中高碳钢冶炼过程及终点的准确控制。
王希政[5]（2015）在《基于RBF神经网络的转炉炼钢终点碳温预测模型》文中提出转炉炼钢终点碳温控制是转炉炼钢后期的重要环节。由于冶炼过程温度极高,很难进行准确及时的测量,无法形成通常意义下的反馈控制。国内大多数中小型转炉因受其结构尺寸限制、设备投资及维护等原因,并未装备副枪及炉气分析等设备,仍然处于相关检测设备不够完善,自动化控制水平普遍较低的状况。中小型转炉依靠人工经验或传统静态模型的终点控制仍是普遍现象。从鞍钢的中型转炉炼钢实际来看,其终点控制目前仍大部分采用倒炉取样的方式,终点命中率较低,这对提高钢水质量存在很大制约。转炉炼钢是一个极其复杂的物理化学反应过程,如何更加精准、实时、有效、经济地实现转炉炼钢的终点碳温预测,是一项具有现实意义的课题。本文将终点碳含量和终点温度作为研究对象,完成以下主要研究工作:（1）根据热力学、动力学等相关知识,依据物料平衡和热平衡原理,在一定的假设条件下,详细分析转炉冶炼过程,建立转炉炼钢终点预测机理模型,从配料阶段来提高冶炼模型的精度。（2）将RBF神经网络引入该转炉炼钢终点控制预测过程中,采用最近邻聚类算法与具有遗忘因子的递归最小二乘法对RBF神经网络进行改进,提出基于滑动窗口矩阵的样本选取方法,研究建立在中型转炉上利用现有数据资源实现经济性要求条件下的转炉炼钢终点预测模型。（3）考虑到冶炼机理、现场实际情况及该模型对数据的要求,对冶炼数据进行了相关数据处理,主要是对离群值的处理与数据的标准化处理。（4）在MATLAB环境下对该预测模型进行仿真;搜集鞍钢某转炉炼钢的历史数据,对仿真系统进行训练学习,并应用该模型对转炉炼钢终点含碳量和终点温度进行预测。仿真研究表明,在精度为±0.019%时,C终点命中率达到92%;在精度为±15℃下,终点温度命中率达到79%。碳温双命中率为71%。通过与当前鞍钢采用的经验预测法比较来看,该模型碳温预测结果均有显着提高,该模型被证明是有效的,可为工况条件下的冶炼操作提供指导。
戴文娟[6]（2015）在《转炉精炼铬铁合金终点磷含量预报研究》文中指出磷是铬铁合金成品中含有的微量元素,是有害杂质之一,其含量的高低是影响产品质量的重要因素。近年来,在中低碳铬铁合金生产中使用的铬矿石和焦炭等原料纯度下降,含磷较高,导致铬铁合金成品中的实际磷含量检测值普遍增高。目前,中低碳铬铁合金冶炼终点磷含量的检测仍采用人工手段,效率滞后,不利于实时指导生产。因此,研究转炉精炼铬铁合金终点磷含量的预报方法,对改进生产工艺,提高生产效率具有重要意义。转炉冶炼铬铁是复杂的物理、化学过程,影响终点磷含量因素较多。本文通过研究转炉冶炼中低碳铬铁铁水脱磷预处理的反应特性及热动力学条件,分析影响中低碳铬铁合金终点磷含量的重要因素,确定神经网络的输入变量。根据中钢吉铁辽阳公司807#转炉冶炼中低碳铬铁的生产工艺及样本数据,建立基于RBF神经网络的预报模型,绝对误差±0.003%范围内命中率达到95%,精度较高,但是输入变量个数较多,涉及生产、计量、管理各部门统计参数较多,有必要改进模型结构。因此,本文在机理角度分析之外,采用灰色关联分析方法定量分析各因素影响程度的大小,根据灰色关联度序列确定重要影响因素,减少输入变量个数,简化神经网络结构,缩短生产周期。采用LM算法对BP神经网络训练改进,建立基于LMBP神经网络的终点磷含量预报模型,仿真结果表明,绝对误差±0.003%范围内命中率达到90%,也能够满足生产要求。在实际生产过程中可以根据企业生产管理及产品质量要求选择合理的预报系统平台。论文采用C#语言与MATLAB混合编程,开发了磷含量预报系统软件,建立了转炉精炼铬铁合金终点磷含量预报系统平台,实现了铬铁合金磷含量的在线预测,为企业进一步优化生产工艺,保证产品质量,提高生产的自动化程度提供了有效的理论依据,同时也有利于企业整合生产管理,促进节能增效,增强产品的竞争力。
李朝阳[7]（2014）在《50t转炉炉料结构优化与冶炼静态控制模型》文中提出转炉冶炼是高温、多相、多反应共存的复杂过程，如果操作不当，会使得转炉终点温度和终点碳含量的命中率降低、冶炼成本升高、钢水质量下降。因此，基于实际的生产工艺和技术条件，有针对性地开发适用于中小型转炉操作的炉料结构优化与冶炼静态控制模型具有重要的研究价值和现实意义。本研究结合某厂50t转炉现有工艺条件，构建了以机理模型为基础、以增量模型为校正的优化配料模型，构建了以BP神经网络为基础的静态预测模型、以操作经验为基础的过程控制模型以及相应的脱氧及合金化模型和成本核算模型，为实现中小转炉炼钢过程指导、提高静态模型预报命中率奠定了基础。在模型构建的基础上，本研究采用VB编程软件及SQL Server数据库进行软件开发，构建了50t转炉炉料结构优化与终点预报系统，终点预报模型与过程控制模型相结合，对供氧模式和加料模式进行实时指导，能更好地实现转炉炼钢过程指导，并提高终点预报命中率。离线运行结果表明，模型预测终点温度与实际值偏差15℃时的预测命中率达到75%，模型预测终点碳与实际值偏差0.02%时的预测命中率达到78%。此外，通过模型的运行，原料结构得到进一步优化，供氧模式和加料模式能够为过程控制提供指导，脱氧剂和合金料的加入能够保证目标钢种要求。
李帅[8]（2014）在《基于灰色RBF神经网络的转炉终点预测模型研究》文中研究指明转炉炼钢是当今世界上最主要的炼钢方法,我国一些先进的钢铁企业的转炉已采用动态控制技术。转炉炼钢是一种极其复杂的工业过程,影响终点温度和碳含量的因素很多,由于炉内的温度过高,对终点温度和碳的含量不能及时、准确地测量,因此建立精确的温度和碳的预报模型就显得十分重要。针对这个问题本文建立了转炉炼钢神经网络终点预测模型,根据预报结果可以对补吹氧气量及冷却剂加入量进行合理调整,从而提高终点命中率,以提高转炉炼钢产量和质量,减少能源消耗,降低炼钢成本。本文在鞍钢信息产业公司的冶金全流程仿真项目的基础上进行深入的理论研究和延伸。主要研究工作如下：由于转炉炼钢神经网络模型的核心是其终点预测模型,由于其工艺复杂,影响因素多,首先利用粗糙集属性约简的方法,对转炉输入属性进行约简,再结合实际的现场数据训练神经网络,从而得到更好的预测模型。RBF神经网络与BP神经网络相比学习时间短,具有很好的非线性预测效果。但是由于转炉炼钢工艺复杂,数据繁多,因此本文对传统的RBF神经网络模型进行了改进,利用蚁群聚类的算法确定基函数中心和隐含层节点数目。为了解决训练样本少、预测结果不准确的问题,引入灰色GM（1,N）预测模型改进RBF神经网络,将改进后的模型进行整合得到一种复合预测模型——灰色RBF神经网络预测模型。本文运用各神经网络预测模型和灰色RBF神经网络预测模型对钢厂的实际冶炼数据进行的仿真,改进的预测模型仿真效果结果明显要好于其它模型,说明本文所提出的方法具有可行性。
吴扬[9]（2014）在《RH真空精炼温度预报与控制模型的研究》文中指出RH真空精炼是目前生产超纯净钢最有效的手段之一，作为转炉和连铸间的连接工序，RH精炼过程的温度调节是实现炼钢生产流程良好匹配的关键。控制好RH精炼处理的终点温度，有利于连铸浇铸温度的稳定，能够显着改善钢坯的质量。本文以某厂250吨RH-MFB真空精炼工艺为研究对象，研究RH-MFB真空精炼过程中钢水温度的变化机理。研究结果表明：（1）真空处理过程中，碳氧反应产生的热量对钢水温度的影响较大，其影响程度与脱碳量呈正比；处理过程中废气带走的热量较少，仅能使钢水温度降低约0.5℃，可以忽略。（2）吹氧对钢水温度的影响主要表现在两个方面：一是吹入的氧气溶于钢液释放出热量；二是吹入氧气与铝反应放热提高钢液温度。（3）合金加入时，合金元素熔化吸热，同时合金元素氧化放热，其对钢液温度的影响程度与加入的合金元素种类和加入量有关。（4）真空室和钢包耐材的蓄热及其真空室外壳辐射放热影响钢水温度。同时本文以现场数据为样本，应用人工神经网络方法建立了基于动态神经网络的温度预报模型，并根据建立的预报模型结合现场RH-MFB操作工艺开发了精炼过程温度预报与控制模型。模型验证结果表明：（1）应用NARX神经网络建立的预报模型预测RH-MFB真空精炼钢液温度，预测值与目标值绝对误差在5℃内的达到了89.5%，能满足实际要求。（2）开发的温度预报与控制模型能够准确的预报处理终点温度，并且能准确地计算出合金加入量，指导现场工作。
王晓亮[10]（2014）在《承钢100t转炉半钢炼钢静态控制 ——基于神经网络的终点预报模型》文中研究说明承钢采用提钒操作后的半钢炼钢，因投产年份早，终点控制一直采用凭人工经验控制，这大大影响钢厂生产节奏。为满足生产需要，改变转炉终点控制现状，提高终点碳、温命中率，建立静态控制终点预报模型，实现从经验炼钢到科学炼钢的转变。承德钢铁公司半钢炼钢的现场条件，建立了“承钢100t转炉提钒—炼钢双联静态控制系统”。该系统是基于BP人工神经网络的转炉冶炼静态控制预报模型，模型以转炉冶炼理论为基准，在物料平衡和热量平衡的基础上建立以Visual Basic语言作为载体的BP人工神经网络为模型基础的误差反向传播网络。根据承德钢铁有限公司现场的冶炼情况，对转炉终点预报的影响因素进行分析，筛选后确定输入层参数，针对半钢炼钢分开建立碳含量、温度预报模型，确定输入层参数有37个，中间隐含层参数有30个，输出层参数有2个的三层BP神经网络。模型在300炉样本的基础上做数据训练，对权值、阈值进行修正，并保存100炉未训练过的学习样本作为模型网络训练依据，对转炉冶炼进行在线训练，通过训练的模型可以很好的适应转炉冶炼多变的生产条件。将转炉冶炼终点预报模型安装到转炉冶炼的生产现场，对炼钢终点碳含量、温度进行预报，得到很好的预报效果。半钢炼钢终点[%C]在目标值±0.02%范围内时，命中率为80%，[%T]在目标值±10℃范围内时，命中率为76.67%。模型很好的达到对转炉终点碳含量和温度的预报要求。
二、基于MATLAB神经网络的复吹转炉终点氧含量的预报模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于MATLAB神经网络的复吹转炉终点氧含量的预报模型（论文提纲范文）
（1）基于机器学习的RH精炼炉模型开发与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 背景 |
| 1.1.2 意义 |
| 1.1.3 RH简介 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的应用场景与研究内容 |
| 1.3.1 应用场景 |
| 1.3.2 研究内容 |
| 第2章 温度预测模型 |
| 2.1 系统模型的建立 |
| 2.1.1 影响因子筛选 |
| 2.1.2 影响因子分析 |
| 2.2 多元线性回归温度预测法 |
| 2.2.1 方法概述 |
| 2.2.2 方法使用与预测结果分析 |
| 2.3 案例推理温度预测法 |
| 2.3.1 方法概述 |
| 2.3.2 方法使用与预测结果分析 |
| 2.4 粒子群优化案例推理温度预测法 |
| 2.4.1 方法概述 |
| 2.4.2 方法使用与预测结果分析 |
| 2.5 模型实际应用情况 |
| 2.5.1 计算流程 |
| 2.5.2 模型运行状态 |
| 2.6 本章小结 |
| 第3章 合金加料成本优化模型 |
| 3.1 系统模型的建立 |
| 3.1.1 合金元素收得率动态库的建立 |
| 3.1.2 过程控制系统结构 |
| 3.2 线性规划合金加料法 |
| 3.2.1 方法概述 |
| 3.2.2 方法使用与预测结果分析 |
| 3.3 非线性规划合金加料法 |
| 3.3.1 方法概述 |
| 3.3.2 方法使用与预测结果分析 |
| 3.4 模型实际应用情况 |
| 3.4.1 计算流程 |
| 3.4.2 模型运行状态 |
| 3.5 本章小结 |
| 第4章 碳含量预测模型 |
| 4.1 系统模型的建立 |
| 4.1.1 脱碳反应热力学 |
| 4.1.2 脱碳的影响因素 |
| 4.2 BP神经网络预测碳含量 |
| 4.2.1 方法概述 |
| 4.2.2 方法使用与预测结果分析 |
| 4.3 遗传算法预测碳含量 |
| 4.3.1 方法概述 |
| 4.3.2 方法使用与预测结果分析 |
| 4.4 模型实际应用情况 |
| 4.4.1 计算流程 |
| 4.4.2 模型运行状态 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 特色与创新点 |
| 5.3 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（2）首钢京唐“全三脱”炼钢过程铁素物质流调控的应用基础研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 2 文献综述 |
| 2.1 洁净钢生产流程概述 |
| 2.1.1 常见的转炉炼钢流程 |
| 2.1.2 传统的洁净钢冶炼工艺 |
| 2.1.3 洁净钢冶炼新工艺 |
| 2.2 “全三脱”炼钢过程的发展及应用现状 |
| 2.2.1“全三脱”工艺及其特点 |
| 2.2.2 “全三脱”炼钢过程的工业应用现状 |
| 2.3 新一代大型钢厂动态精准设计和集成理论 |
| 2.3.1 新一代大型钢厂特征 |
| 2.3.2 钢铁制造流程的解析与集成 |
| 2.3.3 “全三脱”炼钢过程与洁净钢生产平台 |
| 2.4 炼钢成本控制方面的研究现状 |
| 2.4.1 炼钢成本控制方面计算机模型的研究 |
| 2.4.2 转炉炼钢成本控制模型涉及的算法及计算机理论 |
| 2.5 转炉废钢熔化研究现状 |
| 2.5.1 理论研究 |
| 2.5.2 实验研究 |
| 2.5.3 数值模拟研究 |
| 2.5.4 工业实验研究 |
| 2.6 选题背景和研究内容 |
| 2.6.1 选题背景 |
| 2.6.2 研究技术路线和内容 |
| 3 首钢京唐“全三脱”炼钢过程物质流运行概况 |
| 3.1 工艺流程及设备概况 |
| 3.2 “全三脱”工艺流程的应用情况 |
| 3.2.1 “三脱”比例 |
| 3.2.2 成本控制 |
| 3.2.3 成分控制 |
| 3.2.4 时间节奏控制 |
| 3.2.5 温度控制 |
| 3.3 物质流运行现状初步分析 |
| 3.4 小结 |
| 4 物质流运行时间和温度解析研究 |
| 4.1 钢铁制造流程中的基本参数 |
| 4.2 主体工序 |
| 4.2.1 时间解析 |
| 4.2.2 温度解析 |
| 4.3 物质流运行甘特图分析 |
| 4.4 空炉时间对转炉热量和铁水温降的影响规律研究 |
| 4.4.1 建立传热模型 |
| 4.4.2 计算方法及模型验证 |
| 4.4.3 计算结果与分析 |
| 4.5 工序与工序间物质流运行 |
| 4.5.1 时间解析 |
| 4.5.2 温度解析 |
| 4.6 小结 |
| 5 物质流运行集成与优化仿真研究 |
| 5.1 动态精准设计和集成理论 |
| 5.2 设计生产能力与实际产量 |
| 5.3 仿真模型的建立 |
| 5.3.1 Plant Simulation仿真软件及仿真语言简介 |
| 5.3.2 问题描述 |
| 5.3.3 仿真模型构建 |
| 5.3.4 参数设置 |
| 5.4 模型的运行与验证 |
| 5.4.1 模型的研究对象和运行结果 |
| 5.4.2 模型验证 |
| 5.5 不同比例“三脱”对物质流运行的影响 |
| 5.5.1 单体工序 |
| 5.5.2 工序与工序间 |
| 5.5.3 流程重构 |
| 5.5.4 炼钢-连铸全流程 |
| 5.6 小结 |
| 6 “全三脱”工艺条件下转炉废钢熔化影响规律研究 |
| 6.1 废钢熔化现状 |
| 6.2 废钢熔化与热量 |
| 6.2.1 脱磷炉物料平衡计算 |
| 6.2.2 脱磷炉热平衡计算 |
| 6.2.3 废钢比与转炉热量 |
| 6.3 脱磷转炉废钢熔化模型研究 |
| 6.3.1 脱磷转炉废钢熔化的特点 |
| 6.3.2 脱磷转炉废钢熔化数学模型建立 |
| 6.3.3 模型计算与验证 |
| 6.3.4 脱磷转炉废钢熔化模型的应用与结果分析 |
| 6.4 废钢熔化分析 |
| 6.5 小结 |
| 7 “全三脱”工艺条件下转炉冶炼辅料加入成本影响规律研究 |
| 7.1 转炉生产工艺现状 |
| 7.1.1 入炉铁水 |
| 7.1.2 终点控制 |
| 7.1.3 辅料加入 |
| 7.2 模型构建的理论基础 |
| 7.2.1 渣量计算模型 |
| 7.2.2 白云石加入量计算模型 |
| 7.2.3 铁矿石及加热剂加入量计算模型 |
| 7.2.4 石灰加入量计算模型 |
| 7.2.5 辅料成本计算模型 |
| 7.3 转炉冶炼成本控制模型及框架 |
| 7.3.1 模型界面 |
| 7.3.2 模型参数设置 |
| 7.3.3 模型计算结果 |
| 7.4 模型计算结果分析 |
| 7.5 小结 |
| 8 首钢京唐“全三脱”炼钢过程物质流运行评价及优化对策探究 |
| 8.1 “全三脱”炼钢过程物质流运行评价 |
| 8.2 物质流运行优化对策探究 |
| 9 结论和展望 |
| 9.1 结论 |
| 9.2 展望 |
| 10 附录 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（3）转炉低成本炼钢相关技术研究及模型开发（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 2 文献综述 |
| 2.1 转炉低成本炼钢概况 |
| 2.1.1 降低转炉成本的措施分析 |
| 2.1.2 转炉高效化生产 |
| 2.1.3 转炉底吹全程吹氮工艺探讨 |
| 2.2 转炉造渣工艺技术 |
| 2.2.1 转炉造渣工艺 |
| 2.2.2 转炉钢渣循环利用过程中成本控制现状分析 |
| 2.2.3 控制渣料消耗的措施 |
| 2.3 转炉炼钢控制模型研究 |
| 2.3.1 转炉模型静态控制的研究 |
| 2.3.2 转炉成本预测模型研究 |
| 2.3.3 转炉炼钢控制模型涉及的算法及理论 |
| 2.4 课题背景和研究内容 |
| 2.4.1 课题背景 |
| 2.4.2 课题意义 |
| 3 终渣返回利用工艺研究 |
| 3.1 终渣返回利用可行性的研究 |
| 3.1.1 (P_2O_5)含量对炉渣返回利用的影响研究 |
| 3.1.2 (T.Fe)含量对炉渣返回利用的影响研究 |
| 3.1.3 终渣返回利用对回磷影响的理论分析 |
| 3.2 终渣返回利用次数对脱磷影响的试验研究 |
| 3.2.1 终渣返回利用次数对脱磷的影响研究 |
| 3.2.2 终渣返回利用工业试验研究 |
| 3.2.3 不同返回利用次数终渣矿相结构分析研究 |
| 3.3 抑制高(P_2O_5)含量终渣回磷的措施研究 |
| 3.3.1 造渣料加入量对终渣脱磷能力影响的研究 |
| 3.3.2 降低熔池温度抑制高(P_2O_5)含量终渣回磷 |
| 3.3.3 提高氧化铁含量抑制高(P_2O_5)含量终渣回磷的研究 |
| 3.4 本章小结 |
| 4 降低转炉炉渣铁含量研究 |
| 4.1 影响转炉渣中粒铁形成的因素分析 |
| 4.1.1 转炉终渣中粒铁含量分析 |
| 4.1.2 影响转炉炉渣粒铁的因素分析 |
| 4.1.3 降低转炉终渣粒铁的措施研究 |
| 4.2 底吹对(T.Fe)含量的影响 |
| 4.2.1 底吹控制对炉渣(T.Fe)含量的影响 |
| 4.2.2 后搅对炉渣(T.Fe)含量的影响 |
| 4.3 转炉操作对炉渣(T.Fe)含量的影响 |
| 4.3.1 终点钢液碳含量对炉渣(T.Fe)含量的影响 |
| 4.3.2 补吹和过吹对炉渣(T.Fe)含量的影响 |
| 4.3.3 返矿加入时间对(T.Fe)的影响 |
| 4.4 本章小结 |
| 5 转炉适宜渣料控制技术研究 |
| 5.1 影响转炉渣量的因素分析 |
| 5.1.1 铁水条件对渣量的影响 |
| 5.1.2 转炉造渣料对渣量的影响 |
| 5.2 转炉适宜渣料加入量的控制分析与试验研究 |
| 5.2.1 转炉脱磷对渣量的需求分析 |
| 5.2.2 转炉工业生产渣量计算分析 |
| 5.2.3 转炉适宜渣料加入量分析 |
| 5.3 转炉适宜渣料控制方案设计 |
| 5.3.1 合理留渣量方案设计 |
| 5.3.2 转炉适宜渣料控制方案设计 |
| 5.4 本章小结 |
| 6 转炉炼钢低成本控制工艺模型研究与开发 |
| 6.1 转炉冶炼过程磷含量实时预报模型研究与开发 |
| 6.1.1 冶炼过程熔池碳温变化分析 |
| 6.1.2 转炉冶炼过程炉渣组分变化分析 |
| 6.1.3 冶炼过程钢液磷含量预报模型设计及预测效果分析 |
| 6.2 渣料适时加入控制模型研究与开发 |
| 6.2.1 主原料控制子模块设计 |
| 6.2.2 造渣料适时加入控制子模块设计 |
| 6.2.3 渣料适时加入控制模型应用效果分析 |
| 6.3 转炉炼钢成本控制模型研究与开发 |
| 6.3.1 炼钢成本控制模型建立的思路与方法 |
| 6.3.2 钢铁料成本子模块设计 |
| 6.3.3 造渣料成本子模块设计 |
| 6.3.4 炼钢制造成本模块设计与预测结果分析 |
| 6.4 本章小结 |
| 7 结论 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（4）转炉冶炼中高碳钢过程及终点控制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 2 文献综述 |
| 2.1 转炉炼钢技术的发展历程 |
| 2.1.1 世界转炉炼钢技术的发展演变 |
| 2.1.2 我国转炉炼钢技术的发展历史 |
| 2.2 转炉吹炼过程的冶金特征 |
| 2.2.1 转炉吹炼过程化学反应的基本特点 |
| 2.2.2 转炉吹炼过程氧气射流与熔池的相互作用 |
| 2.3 转炉炼钢控制模型的研究现状 |
| 2.3.1 转炉炼钢静态控制模型 |
| 2.3.2 转炉炼钢动态控制模型 |
| 2.3.3 转炉炼钢全自动吹炼控制模型 |
| 2.4 论文结构与研究内容 |
| 3 转炉炼钢过程吹氧和造渣优化控制模型 |
| 3.1 转炉炼钢过程吹氧优化控制模型 |
| 3.1.1 转炉炼钢过程吹氧量预报模型的构建 |
| 3.1.2 转炉吹炼主要工艺参数对熔池搅拌混匀效果的影响 |
| 3.1.3 转炉炼钢过程吹氧枪位和氧流量的优化 |
| 3.2 转炉炼钢过程造渣优化控制模型 |
| 3.2.1 造渣料加入量模型 |
| 3.2.2 冷却剂加入量模型 |
| 3.3 本章小结 |
| 4 基于熔池混匀度的转炉(无副枪)冶炼过程模型 |
| 4.1 转炉冶炼过程脱碳模型 |
| 4.1.1 经典脱碳三阶段理论 |
| 4.1.2 转炉熔池混匀度 |
| 4.1.3 冶炼过程脱碳模型的建立 |
| 4.2 转炉冶炼过程温度变化模型 |
| 4.2.1 冶炼过程热效应分析 |
| 4.2.2 冶炼过程温度变化模型的建立 |
| 4.3 基于熔池混匀度的转炉(无副枪)冶炼过程模型的构建与验证 |
| 4.3.1 转炉(无副枪)冶炼过程模型的构建 |
| 4.3.2 转炉(无副枪)冶炼过程模型的验证 |
| 4.4 本章小结 |
| 5 转炉冶炼后期钢水磷和锰含量预报模型 |
| 5.1 转炉冶炼后期钢水磷含量预报模型 |
| 5.1.1 炼钢过程脱磷的热力学分析 |
| 5.1.2 多层递阶回归分析方法简介 |
| 5.1.3 基于多层递阶回归分析的冶炼后期钢水磷含量预报模型 |
| 5.2 转炉冶炼后期钢水锰含量预报模型 |
| 5.2.1 基于多元线性回归分析的冶炼后期钢水锰含量预报模型 |
| 5.2.2 基于BP神经网络的冶炼后期钢水锰含量预报模型 |
| 5.2.3 基于遗传算法优化的BP神经网络冶炼后期锰含量预报模型 |
| 5.3 本章小结 |
| 6 转炉冶炼末期补吹模型 |
| 6.1 转炉补吹阶段钢水脱碳升温规律 |
| 6.1.1 补吹阶段钢水的脱碳规律 |
| 6.1.2 补吹阶段钢水的升温规律 |
| 6.2 转炉补吹阶段钢水锰、磷和硫含量变化规律 |
| 6.2.1 补吹阶段钢水锰含量的变化规律 |
| 6.2.2 补吹阶段钢水磷含量的变化规律 |
| 6.2.3 补吹阶段钢水硫含量的变化规律 |
| 6.3 转炉冶炼末期补吹模型的建立与应用 |
| 6.3.1 补吹模型的构建 |
| 6.3.2 补吹模型的应用 |
| 6.4 本章小结 |
| 7 转炉冶炼中高碳钢过程及终点控制技术 |
| 7.1 转炉冶炼中高碳过程及终点控制模型集的构建 |
| 7.1.1 模型集的架构 |
| 7.1.2 模型集的建立 |
| 7.2 转炉冶炼中高碳钢过程及终点控制技术的提出 |
| 7.2.1 技术的主要内容 |
| 7.2.2 技术的实施情况 |
| 7.3 转炉冶炼中高碳钢在线模拟与辅助控制系统的研发 |
| 7.3.1 系统的设计 |
| 7.3.2 系统的运行 |
| 7.4 本章小结 |
| 8 结论及展望 |
| 8.1 论文结论 |
| 8.2 论文创新点 |
| 8.3 展望 |
| 参考文献 |
| 附录A |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（5）基于RBF神经网络的转炉炼钢终点碳温预测模型（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景 |
| 1.2 转炉炼钢的发展 |
| 1.3 转炉炼钢终点控制技术发展 |
| 1.4 人工神经网络及其在转炉炼钢中的应用 |
| 1.5 本文主要研究内容 |
| 第2章 转炉炼钢工艺 |
| 2.1 转炉炼钢工艺 |
| 2.1.1 概述 |
| 2.1.2 转炉炼钢主要设备 |
| 2.1.3 转炉炼钢炉内主要反应 |
| 2.1.4 脱碳反应原理 |
| 2.2 顶吹转炉的冶炼工艺 |
| 2.2.1 顶吹转炉的冶金特点 |
| 2.2.2 吹炼工艺流程 |
| 2.2.3 吹炼过程中金属成分的变化规律 |
| 2.2.4 吹炼过程中熔渣成分的变化规律 |
| 2.2.5 吹炼过程中熔池温度的变化规律 |
| 2.2.6 顶吹转炉炼钢制度 |
| 2.2.7 温度控制 |
| 2.2.8 终点控制 |
| 2.3 本章小结 |
| 第3章 物料平衡及热平衡机理模型 |
| 3.1 物料平衡分析 |
| 3.2 物料平衡计算 |
| 3.2.1 物料平衡计算准备及假设 |
| 3.2.2 炉渣量及各成分计算 |
| 3.2.3 烟尘中的铁及氧含量计算 |
| 3.2.4 炉气成分及重量计算 |
| 3.2.5 氧气消耗量计算 |
| 3.2.6 钢水量计算 |
| 3.2.7 物料平衡终算 |
| 3.3 热平衡分析 |
| 3.3.1 热量收入 |
| 3.3.2 热量支出 |
| 3.3.3 富裕热量 |
| 3.4 热平衡计算 |
| 3.5 加入废钢后原料加入量的确定 |
| 3.6 鞍钢某转炉目前采用的终点控制方法 |
| 3.7 本章小结 |
| 第4章 基于RBF神经网络的终点碳温预测模型 |
| 4.1 人工神经网络 |
| 4.1.1 生物神经元 |
| 4.1.2 人工神经元模型 |
| 4.1.3 神经网络的结构 |
| 4.2 RBF神经网络 |
| 4.2.1 径向基函数 |
| 4.2.2 RBF神经网络结构 |
| 4.2.3 RBF网络的优缺点 |
| 4.3 RBF神经网络预测模型 |
| 4.3.1 RBF神经网络结构确定 |
| 4.3.2 神经元个数的选取 |
| 4.3.3 基函数的选取 |
| 4.3.4 基于最近邻聚类算法的RBF基函数中心选取 |
| 4.3.5 基于带遗忘因子递推最小二乘法的权值调整 |
| 4.3.6 滑动窗口矩阵选取样本方法 |
| 4.4 相关数据处理 |
| 4.4.1 离群值的处理 |
| 4.4.2 数据标准化处理 |
| 4.5 本章小结 |
| 第5章 预测模型的仿真研究 |
| 5.1 仿真软件工具的选择 |
| 5.2 仿真流程 |
| 5.3 模型中关键算法的数据流程图及MATLAB实现 |
| 5.3.1 最近邻聚类算法流程 |
| 5.3.2 带遗忘因子的递归最小二乘法流程 |
| 5.4 仿真结果分析 |
| 5.4.1 采用RBF神经网络模型得出的终点含C量预测结果 |
| 5.4.2 采用RBF神经网络模型得出的终点温度预测结果 |
| 5.4.3 采用RBF神经网络模型得出的终点碳温双命中率预测结果 |
| 5.4.4 与目前鞍钢转炉现场终点控制预测结果的对比 |
| 5.5 本章小结 |
| 第6章 总结及展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（6）转炉精炼铬铁合金终点磷含量预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的来源和研究意义 |
| 1.1.1 课题的来源 |
| 1.1.2 研究意义 |
| 1.2 课题国内外研究现状 |
| 1.2.1 转炉精炼铬铁脱磷技术国内研究现状 |
| 1.2.2 转炉精炼铬铁脱磷技术国外研究现状 |
| 1.2.3 转炉精炼铬铁脱磷预报模型国内外研究现状 |
| 1.3 本文主要研究内容及章节安排 |
| 第二章 转炉精炼铬铁合金工艺分析 |
| 2.1 转炉精炼铬铁合金工艺 |
| 2.1.1 吹炼原理 |
| 2.1.2 吹炼操作 |
| 2.1.3 转炉冶炼中低碳铬铁工艺路线 |
| 2.2 转炉精炼中低碳铬铁脱磷热力学与动力学分析 |
| 2.2.1 转炉精炼铬铁合金脱磷热力学分析 |
| 2.2.2 转炉精炼铬铁合金脱磷动力学分析 |
| 2.3 含铬铁水脱磷因素分析 |
| 2.4 本章小结 |
| 第三章 冶炼终点磷含量预报模型的建立 |
| 3.1 基于神经网络终点磷含量预报模型的建立 |
| 3.1.1 神经网络的基本原理 |
| 3.1.2 RBF神经网络的基本原理 |
| 3.2 基于RBF神经网络终点磷含量预报模型的建立 |
| 3.2.1 预报模型输入变量确定 |
| 3.2.2 预报模型的确定 |
| 3.2.3 样本数据的筛选及标准化处理 |
| 3.2.4 RBF神经网络参数的确定 |
| 3.3 RBF神经网络模型训练及预报结果 |
| 3.4 本章小结 |
| 第四章 冶炼终点磷含量预报模型的改进 |
| 4.1 脱磷影响因素的灰色关联分析 |
| 4.1.1 灰色关联分析原理 |
| 4.1.2 终点磷含量影响因素灰色关联度计算 |
| 4.1.3 终点磷含量影响因素灰色关联结果分析 |
| 4.2 LMBP算法原理 |
| 4.2.1 LM(Levenberg-Marquardt)算法 |
| 4.2.2 LMBP算法的改进 |
| 4.3 基于LMBP算法转炉冶炼终点磷含量预报模型的建立 |
| 4.4 本章小结 |
| 第五章 终点磷含量预报模型的软件实现 |
| 5.1 C#语言和.NET框架特点 |
| 5.2 预报模型的软件实现 |
| 5.3 本章小结 |
| 第六章 结论 |
| 6.1 两种预报模型的论证与分析 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（7）50t转炉炉料结构优化与冶炼静态控制模型（论文提纲范文）
| 摘要 |
| Abstract |
| 目次 |
| 引言 |
| 第1章 文献综述 |
| 1.1 现代转炉炼钢技术的发展 |
| 1.1.1 顶底复吹转炉技术的开发与完善 |
| 1.1.2 高效、高自动化、高洁净度炼钢技术的发展 |
| 1.2 转炉冶炼过程控制模型研究 |
| 1.2.1 转炉冶炼过程静态控制模型 |
| 1.2.2 转炉冶炼过程动态控制模型 |
| 1.2.3 转炉全自动控制模型 |
| 1.2.4 转炉冶炼过程控制模型的发展趋势 |
| 1.3 自动化炼钢技术的应用 |
| 1.3.1 自动化炼钢技术概况 |
| 1.3.2 转炉冶炼过程信息检测技术 |
| 1.4 本课题研究意义 |
| 第2章 转炉炉料结构优化与冶炼静态控制模型的建立 |
| 2.1 优化配料与冶炼静态控制模型的结构 |
| 2.1.1 优化配料模块 |
| 2.1.2 转炉冶炼终点碳及温度神经网络预测模型的建立 |
| 2.1.3 模型学习过程中遇到的问题 |
| 2.2 过程控制模块 |
| 2.3 脱氧及合金化模块 |
| 2.4 成本核算模块 |
| 2.5 小结 |
| 第3章 转炉冶炼静态控制系统的软件开发 |
| 3.1 软件介绍 |
| 3.2 主界面介绍 |
| 3.3 炉料结构优化模块 |
| 3.4 静态预测模块 |
| 3.4.1 BP 神经网络模型的预测 |
| 3.5 过程控制模块 |
| 3.6 脱氧及合金化模块 |
| 3.7 成本核算模块 |
| 3.8 信息维护模块和历史数据查询模块 |
| 3.9 小结 |
| 第4章 转炉冶炼静态控制系统的离线应用 |
| 4.1 炉料结构优化模型的应用 |
| 4.2 静态预测模型的应用 |
| 4.2.1 终点温度和终点碳预报 |
| 4.2.2 终点预报碳含量、温度准确率数据分析 |
| 4.3 过程控制模型的应用 |
| 4.4 脱氧及合金化模型的应用 |
| 4.5 成本核算模型的应用 |
| 4.6 小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 作者简介及在学成果 |
| 学位论文数据集 |
（8）基于灰色RBF神经网络的转炉终点预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及研究意义 |
| 1.2 转炉终点控制方法国内外研究现状 |
| 1.2.1 人工经验控制 |
| 1.2.2 静态控制 |
| 1.2.3 动态控制 |
| 1.2.4 神经网络方法 |
| 1.3 课题实际背景 |
| 1.4 本文主要研究内容 |
| 第2章 转炉炼钢工艺 |
| 2.1 转炉炼钢原理 |
| 2.2 转炉炼钢工艺介绍 |
| 2.2.1 转炉炼钢工艺 |
| 2.2.2 鞍钢100t复吹转炉介绍 |
| 2.3 转炉炼钢机理模型 |
| 2.3.1 静态模型 |
| 2.3.2 动态模型 |
| 2.4 本章小结 |
| 第3章 转炉终点预测影响因素分析 |
| 3.1 转炉终点预测相关因素 |
| 3.1.1 转炉终点预测的属性分析 |
| 3.1.2 影响转炉终点预测的因素 |
| 3.2 粗糙集属性约简 |
| 3.2.1 信息系统 |
| 3.2.2 不可分辨关系 |
| 3.2.3 近似集与边界区 |
| 3.2.4 属性依赖度及属性重要性 |
| 3.2.5 属性约简与约简核 |
| 3.3 基于粗糙集的转炉终点预测影响因素约简 |
| 3.3.1 数据预处理 |
| 3.3.2 基于粗糙集的属性约简 |
| 3.4 本章小结 |
| 第4章 灰色RBF神经网络 |
| 4.1 RBF径向基函数神经网络 |
| 4.1.1 RBF神经网络结构 |
| 4.1.2 RBF神经网络的映射关系 |
| 4.1.3 RBF神经网络的准则和常用算法 |
| 4.1.4 RBF神经网络和BP神经网络的对比 |
| 4.2 灰色预测模型 |
| 4.3 灰色RBF神经网络 |
| 4.3.1 基于蚁群聚类确定聚类中心及单元数 |
| 4.3.2 灰色预测与RBF神经网络的结合方式 |
| 4.3.3 灰色预测与RBF神经网络融合 |
| 4.3.4 测试函数仿真验证 |
| 4.4 本章小结 |
| 第5章 基于灰色RBF神经网络的转炉终点预测 |
| 5.1 灰色预测模型的应用 |
| 5.1.1 灰色GM(1,N)模型分析 |
| 5.1.2 应用GM(1,N)灰色预测模型进行转炉终点预测 |
| 5.1.3 GM(1,N)转炉终点预测仿真 |
| 5.1.4 预测效果分析 |
| 5.2 基于蚁群聚类的RBF神经网络预测模型应用 |
| 5.2.1 蚁群聚类RBF转炉终点预测仿真 |
| 5.2.2 预测效果分析 |
| 5.3 基于灰色RBF神经网络预测模型应用 |
| 5.3.1 基于灰色RBF神经网络预测模型 |
| 5.3.2 灰色RBF转炉终点预测仿真 |
| 5.3.3 预测效果分析 |
| 5.3.4 预测命中率对比分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
（9）RH真空精炼温度预报与控制模型的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 文献综述 |
| 1.1 前言 |
| 1.2 RH 精炼处理工艺 |
| 1.2.1 RH 精炼技术的发展 |
| 1.2.2 RH 精炼过程控制的自动化 |
| 1.3 RH 精炼过程的温度模型 |
| 1.3.1 RH 精炼过程温度模型的研究现状 |
| 1.3.2 神经网络在温度预报模型中的应用 |
| 1.4 本课题的研究目的和内容 |
| 第二章 RH-MFB 精炼过程中钢水温度变化研究 |
| 2.1 RH-MFB 精炼处理工艺 |
| 2.2 钢水温度的影响因素分析 |
| 2.2.1 脱碳过程对钢水温度的影响 |
| 2.2.2 吹氩对钢水温度的影响 |
| 2.2.3 吹氧加铝对钢水温度的影响 |
| 2.2.4 合金成分调整对钢水温度的影响 |
| 2.2.5 非操作因素对钢水温度的影响 |
| 2.3 RH 精炼温度机理计算模型的建立 |
| 2.4 本章小结 |
| 第三章 基于人工神经网络建立温度预报模型 |
| 3.1 人工神经网络 |
| 3.1.1 人工神经网络的概述 |
| 3.1.2 动态神经网络 |
| 3.1.3 NARX 算法原理 |
| 3.2 基于 MATLAB 的神经网络温度预报模型 |
| 3.2.1 神经网络模型的预测步骤 |
| 3.2.2 神经网络模型训练数据准备 |
| 3.2.3 神经网络模型的建立 |
| 3.3 模型的测试结果分析 |
| 3.4 本章小结 |
| 第四章 温度预报与自动控制模型的开发 |
| 4.1 温度预报与控制模型的开发 |
| 4.2 模型图形用户界面 |
| 4.3 离线模拟结果与分析 |
| 第五章 结论 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（10）承钢100t转炉半钢炼钢静态控制 ——基于神经网络的终点预报模型（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 第1章 文献综述 |
| 1.1 转炉冶炼静态预报控制模型 |
| 1.1.1 静态控制模型概述 |
| 1.1.2 静态控制模型分类 |
| 1.2 转炉冶炼动态预报控制模型 |
| 1.3 转炉冶炼智能全自动预报模型 |
| 1.4 人工神经网络的控制 |
| 1.4.1 人工神经网络概述 |
| 1.4.2 人工神经网络的网络类型 |
| 1.4.3 人工神经网络在冶金中的应用 |
| 1.4.4 BP 神经网络 |
| 第2章 半钢炼钢 |
| 2.1 半钢炼钢 |
| 2.1.1 半钢炼钢概述 |
| 2.1.2 半钢钢水特点 |
| 2.1.3 半钢炼钢炼钢过程存在的问题 |
| 2.2 半钢炼钢常用原料 |
| 2.3 半钢炼钢的物料平衡和热平衡 |
| 2.4 半钢炼钢冶炼过程 |
| 2.5 半钢炼钢反应机理 |
| 2.6 半钢炼钢工艺制度特点 |
| 2.6.1 供氧制度特点 |
| 2.6.2 造渣制度特点 |
| 2.7 终点控制技术 |
| 第3章 转炉半钢冶炼终点控制影响因素分析 |
| 3.1 转炉冶炼过程熔池温度的变化和碳含量的变化 |
| 3.2 影响终点温度和终点碳含量因素分析 |
| 3.2.1 影响终点温度的因素分析 |
| 3.2.2 影响终点碳含量的因素分析 |
| 第4章 预报模型的建立 |
| 4.1 预报模型的确定 |
| 4.1.1 模型层数的确定 |
| 4.1.2 传递函数的确定 |
| 4.1.3 输入层参数的确定 |
| 4.1.4 中间隐含层节点的确定 |
| 4.1.5 输出层参数的确定 |
| 4.1.6 初始加权值选取与重置 |
| 4.2 冶炼终点预报模型的建立 |
| 4.2.1 模型数据处理 |
| 4.2.2 数据的归一化与反归一化 |
| 4.2.3 动量因子和学习速率 |
| 第5章 终点预报模型功能的实现 |
| 5.1 模型的结构和功能 |
| 5.1.1 模型介绍 |
| 5.1.2 模型功能 |
| 5.2 系统的应用效果 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 作者简介及在学成果 |
| 学位论文数据集 |
四、基于MATLAB神经网络的复吹转炉终点氧含量的预报模型（论文参考文献）
- [1]基于机器学习的RH精炼炉模型开发与应用[D]. 江典蔚. 武汉科技大学, 2020(04)
- [2]首钢京唐“全三脱”炼钢过程铁素物质流调控的应用基础研究[D]. 邓帅. 北京科技大学, 2020(06)
- [3]转炉低成本炼钢相关技术研究及模型开发[D]. 韩啸. 北京科技大学, 2017(07)
- [4]转炉冶炼中高碳钢过程及终点控制研究[D]. 汪宙. 北京科技大学, 2016(05)
- [5]基于RBF神经网络的转炉炼钢终点碳温预测模型[D]. 王希政. 东北大学, 2015(06)
- [6]转炉精炼铬铁合金终点磷含量预报研究[D]. 戴文娟. 长春工业大学, 2015(12)
- [7]50t转炉炉料结构优化与冶炼静态控制模型[D]. 李朝阳. 河北联合大学, 2014(01)
- [8]基于灰色RBF神经网络的转炉终点预测模型研究[D]. 李帅. 东北大学, 2014(08)
- [9]RH真空精炼温度预报与控制模型的研究[D]. 吴扬. 武汉科技大学, 2014(03)
- [10]承钢100t转炉半钢炼钢静态控制 ——基于神经网络的终点预报模型[D]. 王晓亮. 河北联合大学, 2014(01)