一、基于Intranet的高炉操作辅助决策系统的研究和实现（论文文献综述）
郝良元,刘福龙,牛佳星,刘川川,纪恒[1]（2021）在《提高高炉智能控制水平的分析与思考》文中认为从智能控制技术发展追溯,分析了国内外高炉智能控制的发展,阐述了实现智能控制的条件、关键技术和重点研究方向,为我国高炉炼铁实现真正意义的智能制造提供了参考。
周恒[2]（2021）在《高能耗过程智能操作优化方法研究》文中指出流程工业高能耗生产过程的操作优化,是其实现节能减排与提质增效的重要技术手段。然而,流程工业的复杂性导致高能耗生产过程操作优化面临诸多困难。例如,大型高炉炼铁高能耗过程中物理化学反应极其复杂,从布料到出铁存在大滞后,检测手段欠缺且工艺指标参数强耦合,这些特征严重制约着关键工艺质量指标建模预测与过程操作优化;在造纸制浆高能耗过程中多级磨浆产生的数据多源多采样率问题,给基于数据驱动的制浆过程实时操作优化带来了挑战;另外,流程工业中存在信息孤岛、管理分散、操作知识难以固化共享等难题,亟需研究构建工业云平台以实现高能耗生产过程操作优化知识的软件组件化与共享复用。针对以上问题,本文分别研究大型高炉炼铁高能耗过程关键工艺质量指标建模预测与过程操作优化方法、数据多源多采样率的造纸制浆高能耗过程操作优化方法,并研究构建工业云平台将这些高能耗过程操作优化方法以微服务的形式进行部署应用,为流程工业高能耗过程操作优化的知识分享探索新模式。具体研究工作和研究成果分为以下几个部分:1)针对高能耗工业过程建模预测难,以大型高炉炼铁过程铁水质量预报为研究对象,提出了基于滑动窗口的模糊神经网络方法。通过互信息方法选择与质量指标关系性最高的操作变量,并构建具有滑动窗口的T-S模糊神经网络用于建模,学习动态生产过程中铁水质量变化的特征。与传统基于机理建模的方法相比,该方法不用考虑高炉内部复杂的物理变化与化学反应,能够有效处理工况多变的炼铁过程铁水质量指标预测问题。2)针对高能耗工业过程操作优化难,以大型高炉炼铁过程多目标优化为研究对象,提出了基于进化算法与深度学习的多目标智能优化控制方法。首先通过门控循环神经网络描述过程变量与工艺指标间的映射关系,建立数据驱动的高炉铁水生产过程黑箱模型。其次在生产工况、质量守恒、操作限制等约束条件下,使用基于遗传算法的多目标优化算法对工艺指标和操作参数进行优化。通过将深度学习所建立的模型作为遗传算法适应度函数,实现高能耗过程建模优化一体化模型的构建。3)针对高能耗过程数据多源问题,以造纸工业多采样率过程作为研究对象,提出了基于智能协同优化框架的能耗优化模型。首先基于多采样率回归模型建立磨浆系统的多采样率模型,通过高采样率变量预测低采样率指标。然后基于所建立的多采样率回归模型,通过自适应种群遗传算法寻找最优的目标函数值以及所对应的输入参数。最终在不影响纸浆质量与产量的情况下,实现磨浆系统中高浓磨浆机能耗的优化。4)针对智能操作优化算法运行部署问题,以流程工业高能耗过程为研究对象,构建了基于工业互联网平台的智能操作优化微服务APP应用。首先在工厂搭建由多台服务器组成的本地云计算集群,其次通过Rancher和Harbor提供云平台服务,然后建立基于容器的流程工业互联网平台,最后将智能操作优化方法打包成容器镜像部署于工业互联网平台上,实现流程工业高能耗过程的智能操作优化。在文章的最后对本文的研究内容和研究结果进行了总结,并对未来高能耗工业过程的智能操作优化研究方向进行了展望。
张伟阳,郝良元,钟文达,邓勇,程相文,吕庆[3]（2020）在《基于大数据技术的炉缸侵蚀模型》文中提出针对高炉炉缸侵蚀的问题,介绍了高炉炉缸智能技术研究进展,分析了实现炉缸内衬可视化的技术。基于炉缸侵蚀模型的比较及大数据预测模型的发展,提出了融合大数据技术的炉缸侵蚀模型技术思想。模型基于决策树和遗传算法优化的BP神经网络,将铁水成分及温度、冷却参数、操作参数作为输入参数,采用融合大数据技术的方法,构建了炉缸侵蚀预测模型。大数据技术为钢铁行业的发展提供了新思路,进一步推动了高炉智能化炼铁。
张胜男[4]（2020）在《基于专家知识与数据相结合的高炉炉况综合评价》文中研究指明高炉是炼铁生产过程中最为复杂的、密闭的大型容器,从高炉上部到下部,该设备是一个自上而下具有滞后性、多尺度性、系统耦合性强、复杂的非线性,需要适时调节其稳态平衡。高炉冶炼过程是上部间断式地投入矿石,下部一直向风口喷入煤粉。高炉的指标参数具有动态参数分布和三维立体分布特性。炼铁过程中,由于高炉密闭和内部运行环境恶劣的条件,各过程参数难以实时在线准确检测。目前,在高炉冶炼过程中,外界因素难以实时准确测的,炉长也是仅仅凭借自身具有的专家经验,运用自身所积累的炼铁专业知识和人眼测得的实际高炉运行过程状态,人工的判断和决策会使得炼铁系统的各单元处于孤立的运行状态,缺少协调性。同时,这种人工的经验操作模式非常的盲目、粗糙、过度主观,虽能暂时确保高炉进入平稳运行状态,但要想使高炉实现产品优良、能耗低的冶炼目标还是十分困难的。高炉生产用于还原的主要用料是焦炭,炼铁过程中,高炉操作人员采取了一系列优化操作来降低生铁的成本,其中最为有效的措施是使用煤粉取代部分焦炭的作用,但在取代的量上具有严格的要求,再者就是所谓的置换比。由于高炉冶炼过程中炉况的复杂性、状态的多变性,高炉的生产条件极易波动,且优化的前提是先要确保炉况的稳定,在高炉平稳运行于工作点附近时,高炉操作人员模糊的主观经验通常会盲目地对物料进行控制,因此此时炉况稳定性的评估显得极为迫切。本课题以某钢铁厂实际冶炼高炉为主要研究对象,以实现产品优质、能耗低为控制目标,提出了基于专家知识与数据相结合的高炉炉况模糊综合评价模型,并结合专家经验和对实际炉况对高炉炼铁数据进行分析。主要研究内容包括以下三方面:现有高炉数据的监测具有三维分布式,但其应用不足,高炉冷却壁水温差数据即为典型,在此,本文选取了高炉主要冷却壁段的水温差,建立了基于时间序列的高炉冷却壁水温差模糊综合评判模型。建模过程中,通过计算相关系数依次分析了高炉上部冷却壁段水温差对高炉下部冷却壁段水温差产生的时滞性影响。所建立的评估模型中,指标参数权重的计算结合了专家经验和客观计算共同确定。同时,通过分析高炉冷却壁水温差所处的状态与当前炉温的关系,结合专家知识即可验证所建立模型的有效性。传统的炉缸热状态预测仅由单一参数表征或单一参数所建立的预测模型进行研究,由二维检测信息建立预测模型预测炉缸热状态具有局限性,据此,本文定义了高炉冷却壁立体水温差（Three Dimensional Water Temperature Differance,TDWD）概念,本文提出了一种新型的基于时间序列和高炉多维度的炉缸热状态趋势预测方法。文中创新点在于所建预测模型加入了高炉冷却壁立体水温差和考虑了历史炉温的影响。本文通过综合利用立体高炉各指标参数及其相关历史信息,分别建立了基于时间序列和高炉多维度的BP神经网络（BP-NN）、PSO-LSSVM炉缸热状态预测模型,同无水温差的预测模型结果比较,高炉冷却壁立体水温差的多维性变化可协助高炉操作者准确预测炉缸热状态变化趋势。本文结合了预测模型和评判模型最终建立了一个基于时间序列和高炉多维度的炉缸热状态模糊综合评判模型。建模过程中,指标参数的权重结合了专家经验和客观计算来确定,指标参数数据所处的等级区间应用专家经验和统计知识进行划分。评判模型的高匹配率表明所建评判模型可很好地协助炉长提前预判炉况的变化趋势,指导炉长调整高炉操作方向。本文结合预测模型和两级模糊综合评判模型,提出了一种新型的基于时间序列和高炉多维度的炉缸热状态的模糊综合评判模型。基于纵向物质流运动规律,BP-NN、PSO-LS SVM预测模型的命中率验证了TDWD的多维性变化对炉缸热状态响应存在滞后性,利用TDWD的多维性变化可准确预测炉缸热状态。本文所建评判模型对高炉炉缸热状态的评断具有实际意义,为高炉操作者对后续高炉的控制供控制方向。但是由于各高炉的操作条件、控制参数和高炉设备参数的差异较大,针对不同的高炉还需要特定的进行分析,本课题仅提供指导性的方法。
车玉满,郭天永,孙鹏,姜喆,姚硕,费静,刘炳南[5]（2019）在《大数据云平台技术在高炉工艺应用与发展》文中进行了进一步梳理阐述了我国高炉智能技术发展历程与存在问题,介绍了高炉大数据云平台的基本构成和高炉冶炼过程可视化技术,并对高炉大数据平台发展方向进行了探讨。
车玉满,郭天永,孙鹏,姜喆,姚硕,费静,刘炳南[6]（2019）在《高炉冶炼专家系统的现状与趋势》文中指出从20世纪90年代开始,专家系统在国外高炉得到推广应用。同时期,我国采用多种模式开发与应用高炉专家系统,但由于操作理念、检测数据、维护等原因,国内高炉专家系统没有达到预期效果。在新形势下,结合信息化技术、物联网技术,专家系统应该向高炉集约化、可视化管理模式发展。
姚艳清[7]（2019）在《基于火焰温度的高炉喷煤优化控制研究》文中研究说明高炉是工业生产中最大的密闭反应容器,其冶炼过程具有强耦合、非线性、大时滞、多相态、参数难测量等特点,其能源消耗与污染排放占钢铁总产业的70%。为实现高炉冶炼过程向节能、低耗、自动化方向发展,对高炉运行优化控制研究势在必行。目前,通过喷吹煤粉代替部分焦炭是实现高炉节能降耗的最为有效的途径,而增煤减焦的时机与量的控制仍由炉长人为调控,在操作上具有盲目性、粗糙性,且操作不当易带来巨大经济损失。针对上述问题,本文围绕基于火焰温度的高炉优化控制研究展开以下工作:⑴高炉冶炼过程视为“黑箱”操作,其内部反应过程及参数难以获取。风口是唯一可实时观测炉内状态的窥视孔,对回旋区的实时观测并判断煤粉消化率是提高喷煤比操作的必要条件;对回旋区温度的准确检测是保证高炉顺行的关键。针对采用CCD图像传感器对高炉风口回旋区进行非接触高温测量时,因工业现场的复杂干扰,采集的风口辐射图像往往带有大量噪声,本文提出一种基于小波变换与BM3D算法结合的滤波算法,在去除条纹噪声的同时有效抑制高斯噪声。对于高温辐射图像中存在的大体积的光斑和光晕,采用分水岭算法来对辐射图像进行分割,准确识别待测辐射体目标。最后采用比色测温法求取回旋区温度。⑵针对喷煤增减量大小和时机上存在盲目性、粗糙性、滞后性难题,本文通过建立风口回旋区煤粉消化率评价模型实时判断回旋区煤粉燃烧状态,为增煤减焦的决策与提高喷煤比提供依据。首创性提出一种集成回旋区理论燃烧温度、回旋区煤粉燃烧率、燃烧带活跃性与均匀性、温度及其变化梯度的主客观证据融合的模糊综合评价模型。利用多层次模糊综合评价法,自上而下、逐级地对回旋区煤粉消化率进行评价。对该评价模型进行实际高炉离线数据应用分析,评价结果符合实际运行数据分析。⑶对于高炉冶炼中的非线性、强耦合、大时滞等特点。在保证回旋区煤粉高消化率的同时,通过专家决策与预测控制实现喷煤前馈补偿,并为保证能量流与物质流的平衡,通过置换比规则置换焦炭,解决高炉的大时滞问题,实现高炉运行的优化控制研究,达到节能降耗的目的。实验研究与专家分析证明该方案可以保证高炉炼铁过程中能量流与物质流平衡,保证高炉整体平稳运行。本文的工作可有效实现高炉冶炼过程的运行优化,节约冶炼成本与能源消耗,提高资源的利用率,指导生产达到最佳效果。有助于促进高炉冶炼过程向节能、低耗、自动化方向发展。
李艳姣[8]（2019）在《面向生产指标的高炉料面优化研究》文中提出钢铁产业是国民经济的重要支柱产业,是衡量一个国家工业水平和综合国力的重要指标,对国民经济的可持续发展有着不可忽视的影响。高炉炼铁过程作为钢铁流程中的重要环节,其能耗和排放量占整个流程的主要部分。“中国制造2025”倡导以“信息化与工业化深度融合”为主线,强化工业基础能力,提高工业技术和产品质量,加快推进和发展节能减排和技术创新。因此,实现高炉炼铁的信息化与智能化,符合国家发展的需求。在高炉炼铁生产的四大制度中,高炉的上部调节制度（布料制度）是操控高炉最频繁和最有效的手段,它直接影响炉料在炉喉处的分布。合理的炉料分布能够形成更加合理的煤气流分布,使得炉内的化学反应更加充分,对高炉长期稳顺运行和节能减排具有重要作用。由于高炉运行机理复杂、关键参数检测困难,料面形状的调整目前仍以操作人员的经验为主,难以实现高炉生产指标的优化。本文针对高炉炼铁过程的非线性、多约束等特点,以高炉指标优化为目标,开展面向生产指标的高炉料面优化决策的研究。主要从高炉生产指标体系构建、生产指标预测模型、料面优化决策及调整四个方面进行了深入研究,为高炉布料操作提供了指导,保证了高炉的稳顺运行。本文的主要研究工作和创新性成果如下:（1）构建了高炉生产指标体系并提出了面向生产指标的料面优化框架。根据高炉生产宗旨和实践经验,从质量指标、经济成本指标、能源利用指标、顺行指标以及运行参数指标五个方面来考虑,构建了一个科学可行的高炉生产指标体系,为高炉生产管理提供了依据。同时,根据高炉生产工艺特点,对生产指标进行了多尺度定义与刻画,以描述指标之间的时间与空间的相互关系,为后续指标优化指引了方向。在此基础上,针对面向指标的高炉料面优化的难点,将数据与知识相结合,提出了料面初值优化设定、生产指标预测模型与反馈补偿修正的多层次料面优化决策流程和方法。（2）建立了高炉生产指标预测模型。基于超限学习机理论建立了高炉生产指标与料面参数、过程参数之间的非线性关系模型。针对高炉数据的特点,提出了多种改进的超限学习机算法,以提高算法处理工业数据的应用能力和模型的准确性。并利用实际的高炉生产数据,进行了仿真实验,验证了所提出算法的可行性和有效性。（3）建立了面向生产指标的高炉料而多目标优化模型.为达到高效低耗的生产优化目标,建立了以煤气利用率、优比为优化目标,生产顺行与产品质量为约束条件,料面特征参数为决策变量的料面初值多目标优化模型。然后,根据该优化问题的特点以及获得更综合的Pareto最优解,提出了集成的多目标优化求解框架,用于发现可行解,提高优化的效率和准确性。（4）提出了基于关联规则挖掘的反馈补偿策略。首先,根据高炉炼铁过程的生产数据特征,构建了煤气利用率和焦比偏差与料面增量间的规则形式,然后利用改进的关联规则挖掘方法从大量实际生产数据中挖掘出补偿规则。当优化的目标值与实际值发生偏差时,利用挖掘得到的增量规则对料面设定值进行补偿修正。通过仿真实验验证了所提方法的可行性与有效性。该优化决策能在保证高炉生产稳定运行的前提下,实现优化运行,达到高效、优质、低耗的生产目标,并为布料控制提供精准控制目标。
张可鑫[9]（2019）在《面向能耗指标优化的高炉布料参数决策方法》文中进行了进一步梳理高炉布料是高炉生产过程中炉长常用的炉况调节方式,是维持高炉稳顺运行的重要手段。由于高炉是个关键检测信息少、机理复杂的复杂“黑箱”系统,导致布料操作与高炉炉况的关系不明,难以通过调整布料参数来有效的调整高炉炉况,实现生产指标的优化。因此深入分析高炉生产过程特征,提取生产数据特征,明确高炉布料参数与生产指标之间的定量关系,实现布料操作的优化设定,对于钢铁冶炼具有重要意义。本文首先分析高炉炼铁原理,确定煤气利用率为高炉能耗性能指标,基于互信息方法确定与煤气利用率相关性大的高炉重要状态参数。接着分析高炉布料过程及其特点,提出一种基于矿焦比计算的高炉布料矩阵简约方法,实现布料矩阵参数的有效降维。然后制定高炉炉况划分标准,采用模糊聚类的方法对高炉炉况进行了划分。基于以上分析,设计面向能耗指标优化的高炉布料参数决策方案。其次,针对高炉布料参数与煤气利用率关系不明确的问题,根据确定的高炉状态参数,基于支持向量回归以及案例匹配的思想,从数据驱动的角度分别建立布料参数与煤气利用率变化趋势关系模型以及布料参数与冷却壁温度关系模型。基于预测模型,设计一种基于矿焦比的布料参数决策方法。该方法通过两步来确定待决策的布料参数是否合理。首先对边缘矿焦比进行决策,判断是否能实现渣皮的稳定。再引入中心矿焦比,计算待决策的布料参数是否能提高煤气利用率。结合现场数据进行仿真实验,结果表明模型能够较好地预测煤气利用率与冷却壁温度,实现参数的有效决策,验证本文所提策略的有效性。最后,开发基于工业现场运行数据的高炉仿真实验系统,构建高炉生产过程监视组态环境,设计布料参数决策软件。针对的系统的软件实现,完成了人机交互界面模块、通讯接口模块、数据管理以及算法的设计。该系统在工业现场进了应用,通过实时读取现场运行数据实现过程监控与布料过程控制,运行结果表明该系统可以对布料参数进行有效地决策,为进一步高炉操作优化奠定了基础。
许畅[10]（2019）在《基于数据与机理的高炉配料与操作的多目标优化》文中认为钢铁行业的能耗和二氧化碳排放均占到全国各行业能耗和排放总和的一成以上。高炉炼铁过程作为钢铁行业中最耗能的工艺环节,合理的优化控制对钢铁企业的“节能减排”和降低成本具有重要的意义。在当前的高炉炼铁工艺流程中,主要的控制操作分为上部间歇式的炉顶布料控制和下部连续式的煤粉喷吹和鼓风等控制。高炉中主要的燃烧和放热反应发生在风口回旋区,自炉顶进入的焦炭经过漫长的下降过程,在高炉下部的风口处,与鼓入的富氧热风及喷入的煤粉相遇,进行剧烈的燃烧反应并形成煤气流。由于炉料对高炉主要反应影响的滞后较长,且配料时发生的偏差较难通过高炉操作进行调节,因此,在对于炉况进行调节的过程中主要将下部的煤粉喷吹,鼓风,富氧作为及时调节手段。而在布料中则预先通过机理公式根据原料成分进行配料计算,仅当高炉炉况发生稳态偏差时才进行焦炭或者矿石比例的调整。二者的调整优化是独立开来的,而且为了避免“炉凉”等重大事故的发生,配料方案往往难以避免的造成了额外的燃料损失和污染排放。高炉的配料和下部操作参数进行精细地协同优化具有重要意义。为了克服高炉的大时滞多耦合特性带来的建模困难,以及高炉内部高温高压高粉尘的恶劣环境带来的直接观测困难,本文综合考虑高炉炼铁整体过程,提出了一种综合数据驱动建模与机理模型的多目标优化建模框架,以高炉典型的中间观测参数（即中Si,P,S等元素的含量）为桥梁,分步进行高炉多目标优化模型的建模,先使用神经网络及PCA方法,建立包括高炉配料及下部喷煤、鼓风等操作参数的决策变量到典型中间观测参数的预测模型,再根据元素、物质平衡和冶炼机理,对高炉的燃料比、二氧化碳排放和吨铁成本进行数学描述,并确定严格的约束条件,将机理较难描述的部分采用神经网络,将机理较为清晰的部分继续采用严格的公式进行描述,兼顾了准确性和可行性。将原本独立开来的高炉上部间歇式布料控制和下部的连续式的喷煤鼓风等控制统一考虑,实现了高炉的上下部协调优化调整。对上述多目标优化模型,考虑模型的复杂性、非线性和多目标特点,选用快速非支配排序算法Ⅱ（NSGA-Ⅱ算法）,并对约束处理的方法进行优化,求解得到优化的配料和操作参数的帕累托（Pareto）前沿,并与高炉实际的运行数据进行比较,在高炉现场的使用中初步验证了模型的有效性,能够为高炉炉长的决策和操作提供有效的参考。
二、基于Intranet的高炉操作辅助决策系统的研究和实现（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Intranet的高炉操作辅助决策系统的研究和实现（论文提纲范文）
（1）提高高炉智能控制水平的分析与思考（论文提纲范文）
| 1 高炉炼铁智能化技术进展 |
| 2 智能控制的必备条件 |
| 3 智能控制系统的关键技术 |
| 3.1 大数据技术和云计算 |
| 3.2 智能控制技术 |
| (1)模糊控制 |
| (2)神经网络控制 |
| (3)混沌控制 |
| 4 智能控制系统的主要功能 |
| (1)铁前管控大数据云平台 |
| (2)高炉运行情况监控与优化系统 |
| ①智能布料模型 |
| ②炉型变化跟踪模型 |
| ③参数控制模型 |
| ④炉缸工作评价模型 |
| 5 结语 |
（2）高能耗过程智能操作优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写术语表 |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 流程工业典型高能耗过程分析 |
| 1.2.1 高炉炼铁过程分析 |
| 1.2.2 造纸制浆过程分析 |
| 1.3 流程工业高能耗过程建模研究现状 |
| 1.3.1 高炉炼铁过程建模研究现状 |
| 1.3.2 造纸制浆过程建模研究现状 |
| 1.4 流程工业高能耗过程操作优化研究现状 |
| 1.5 本文研究内容与创新点 |
| 1.5.1 本文主要研究内容 |
| 1.5.2 各个章节创新点 |
| 1.6 本章小结 |
| 2 基于模糊神经网络的高炉铁水质量建模与预测 |
| 2.1 引言 |
| 2.2 互信息法特征选择 |
| 2.2.1 特征选择 |
| 2.2.2 熵增定义 |
| 2.2.3 互信息法 |
| 2.3 滑动窗口模型 |
| 2.4 模糊神经网络 |
| 2.5 实例研究 |
| 2.6 本章小结 |
| 3 基于混合模型的大型高炉操作优化 |
| 3.1 引言 |
| 3.2 协同混合优化模型 |
| 3.3 处置门门控循环神经网络 |
| 3.3.1 简单循环神经网络 |
| 3.3.2 门控循环神经网络 |
| 3.3.3 改进门控循环神经网络 |
| 3.4 自适应种群遗传算法 |
| 3.5 实例研究 |
| 3.5.1 dGRU-RNN硅含量测试 |
| 3.5.2 SAPGA数值仿真测试 |
| 3.5.3 混合模型数值仿真测试 |
| 3.5.4 焦比能耗单目标优化 |
| 3.5.5 高炉炼铁多目标优化 |
| 3.6 本章小结 |
| 4 基于多采样率回归的造纸制浆能耗优化 |
| 4.1 引言 |
| 4.2 协同混合优化模型 |
| 4.3 实例研究 |
| 4.3.1 F-MIDAS数值仿真 |
| 4.3.2 F-MIDAS焦比测试 |
| 4.3.3 SAPGA数值仿真 |
| 4.3.4 混合模型工业实际测试 |
| 4.3.5 混合模型工业应用验证 |
| 4.4 本章小结 |
| 5 基于工业互联网平台的智能操作优化应用 |
| 5.1 引言 |
| 5.2 工业互联网平台体系架构 |
| 5.3 工业互联网平台解决方案 |
| 5.3.1 工业互联网平台技术路线 |
| 5.3.2 工业互联网平台开发过程 |
| 5.3.3 工业互联网平台应用实例 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 论文已有研究内容总结 |
| 6.2 论文未来研究方向展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| Acknowledgement |
| 博士期间学术成果及科研奖励 |
（3）基于大数据技术的炉缸侵蚀模型（论文提纲范文）
| 1 高炉炉缸智能技术研究进展 |
| 2 实现炉缸内衬可视化的技术 |
| 2.1 炉缸监测参数可视化 |
| 2.1.1 热电偶温度监测 |
| 2.1.2 炉缸热流强度监测 |
| 2.2 炉缸内衬截面可视化 |
| 2.3 三维数字化炉缸侵蚀可视化系统 |
| 3 融合大数据技术的炉缸侵蚀模型 |
| 3.1 炉缸侵蚀模型的比较 |
| 3.2 大数据预测模型的发展 |
| 3.3 模型参数的确定 |
| 3.4 炉缸侵蚀预测模型的构建 |
| 3.4.1 基于信息增益的决策树特征选择 |
| 3.4.2 遗传算法对神经网络的优化 |
| 3.4.3 基于决策树和遗传算法的BP神经网络 |
| 4 结论 |
（4）基于专家知识与数据相结合的高炉炉况综合评价（论文提纲范文）
| 摘要 |
| Abstract |
| 1 文献综述 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 高炉炉况评价研究现状 |
| 1.2.2 高炉本体热状态研究现状 |
| 1.3 文章结构与研究内容的安排 |
| 2 高炉冶炼系统过程描述及炉况稳定评判方案 |
| 2.1 高炉炼铁背景工艺简述 |
| 2.2 喷吹煤粉对高炉冶炼的影响 |
| 2.3 高炉本体冷却特征描述 |
| 2.4 高炉炼铁的过程控制 |
| 2.5 高炉冶炼过程炉况稳定评判方案 |
| 2.5.1 思路分析 |
| 2.5.2 创新点 |
| 2.6 本章小结 |
| 3 数据预处理 |
| 3.1 异常数据的处理 |
| 3.1.1 3σ准则检测异常值 |
| 3.1.2 插值法修补异常数据 |
| 3.1.3 数据的归一化处理 |
| 3.2 数据降维 |
| 3.3 参数等级区间确定 |
| 3.4 本章小结 |
| 4 基于时间序列的高炉水温差多维度模糊综合评判 |
| 4.1 模糊综合评判机理 |
| 4.1.1 构建高炉水温差多维度综合评价指标体系 |
| 4.1.2 确定模糊权向量 |
| 4.1.3 评估指标相对劣化度分析 |
| 4.1.4 因子隶属度矩阵计算 |
| 4.1.5 等级评价原则 |
| 4.2 基于时间序列的高炉水温差多维度模糊综合评判 |
| 4.2.1 模型参数选择 |
| 4.2.2 参数区间等级划分 |
| 4.2.3 评判模型建立 |
| 4.2.4 模型精度综合评价 |
| 4.3 本章小结 |
| 5 基于高炉水温差时间序列的炉缸热状态趋势预测建模仿真分析 |
| 5.1 数据预处理 |
| 5.1.1 模型输入参数选择 |
| 5.1.2 概率密度法分析参数工作区间 |
| 5.2 模型精度综合评价 |
| 5.3 预测模型建立 |
| 5.3.1 BP-NN算法在炉缸热状态预测中的应用 |
| 5.3.2 PSO-LSSVM算法在炉缸热状态预测中的应用 |
| 5.4 炉缸热状态预测模型仿真 |
| 5.4.1 BP-NN炉缸热状态预测模型仿真 |
| 5.4.2 PSO-LSSVM炉缸热状态预测模型仿真 |
| 5.5 本章小结 |
| 6 基于高炉水温差时间序列的高炉本体热状态的模糊综合评判 |
| 6.1 模糊综合评价指标体系建立 |
| 6.2 建立高炉本体热状态模糊综合评判模型 |
| 6.2.1 指标权向量计算 |
| 6.2.2 区域划分与隶属度分析 |
| 6.2.3 二级模糊综合评判 |
| 6.2.4 一级模糊综合评判 |
| 6.2.5 模型精度评判 |
| 6.3 本章小结 |
| 参考文献 |
| 致谢 |
（5）大数据云平台技术在高炉工艺应用与发展（论文提纲范文）
| 1 我国高炉智能技术发展历程与存在问题 |
| 1.1 高炉智能技术发展历程 |
| 1.2 国内高炉专家系统存在问题 |
| 2 高炉大数据云平台基本构成 |
| 2.1 建立以高炉为核心大数据处理中心 |
| 2.2 建立高炉机理模型与生产管理结合数学模型 |
| 2.3 高炉大数据全流程挖掘与云计算 |
| 3 实现高炉冶炼过程可视化技术 |
| 3.1 炉顶料面三维可视化监控系统 |
| 3.2 高炉操作炉型可视化监控系统 |
| 3.3 高炉风口回旋区三维可视化监控系统 |
| 3.4 三维数字化炉缸内衬侵蚀可视化诊断系统[13] |
| 4 高炉大数据云平台发展方向 |
| 4.1 高炉大数据云平台设计与研发 |
| 4.2 在大数据云平台上开发与应用生产过程数学模型 |
| 4.3 在大数据云平台基础上开发与应用高炉专家系统 |
| 4.4 在大数据云平台基础上开发与应用高炉冶炼全过程3D可视化监控系统 |
| 4.5 在大数据云平台基础上开发与应用高炉智能配料和上料系统 |
| 4.6 在大数据云平台基础上开发与应用设备智能化点检 |
| 5 结语 |
（6）高炉冶炼专家系统的现状与趋势（论文提纲范文）
| 1 国外高炉专家系统 |
| 1.1 高炉数学模型 |
| 1.2 高炉专家系统 |
| 1.2.1 日本高炉专家系统 |
| 1.2.2 欧洲典型高炉专家系统 |
| 1.3 其它类型高炉专家系统 |
| 2 国内高炉专家系统 |
| 2.1 高炉数学模型开发过程 |
| 2.2 高炉专家系统开发过程 |
| 2.3 高炉专家系统存在问题 |
| 3 高炉专家系统发展方向 |
| 3.1 推动高炉生产向智慧化和集约化发展 |
| 3.2 推动高炉冶炼过程向可视化技术发展 |
| 4 结论 |
（7）基于火焰温度的高炉喷煤优化控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高炉冶炼过程优化与决策 |
| 1.2.2 高炉喷煤技术现状 |
| 1.2.3 风口回旋区煤粉燃烧率研究现状 |
| 1.2.4 预测控制应用领域研究现状 |
| 1.3 研究目的与研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 2 高炉冶炼过程机理分析及优化框架 |
| 2.1 高炉炼铁过程工艺描述 |
| 2.1.1 高炉结构 |
| 2.1.2 高炉风口回旋区 |
| 2.2 高炉操作模式 |
| 2.3 高炉运行优化框架及方案 |
| 2.4 本章小结 |
| 3 风口回旋区火焰温度计算 |
| 3.1 风口辐射图像预处理 |
| 3.1.1 图像滤波算法 |
| 3.1.2 图像分割算法 |
| 3.2 风口辐射图像温度场建立的算法研究 |
| 3.2.1 比色测温原理 |
| 3.2.2 彩色CCD比色测温原理 |
| 3.3 仿真实验及实验效果 |
| 3.3.1 图像滤波试验 |
| 3.3.2 目标提取实验 |
| 3.3.3 温度检测 |
| 3.4 本章小结 |
| 4 基于模糊层次分析法的风口回旋区煤粉消化率评价模型 |
| 4.1 回旋区煤粉消化率评价体系 |
| 4.1.1 计算回旋区理论燃烧温度 |
| 4.1.2 回旋区煤粉燃烧模型 |
| 4.1.3 风口燃烧带活跃性、均匀性定义 |
| 4.2 模糊层次分析法概述 |
| 4.3 回旋区煤粉消化率模糊评价模型建立 |
| 4.3.1 煤粉消化率评价指标体系建立 |
| 4.3.2 煤粉消化率评价指标计算 |
| 4.3.3 模糊层次分析法建模 |
| 4.3.4 煤粉消化率评价结果与分析 |
| 4.4 本章小结 |
| 5 基于模糊理论与专家经验的喷煤补偿决策器 |
| 5.1 模糊理论 |
| 5.2 专家决策器 |
| 5.2.1 喷煤设定值补偿量模糊规则的设计 |
| 5.2.2 喷煤设定值补偿决策仿真实验 |
| 5.3 本章小结 |
| 6 基于火焰温度的高炉喷煤运行优化控制研究 |
| 6.1 控制目标 |
| 6.2 高炉喷煤运行优化控制策略 |
| 6.3 基于预测控制算法的运行优化控制研究 |
| 6.3.1 预测控制基本原理 |
| 6.3.2 基于T-S模糊神经网络的预测控制 |
| 6.4 高炉喷煤优化控制系统仿真 |
| 6.4.1 T-S模糊神经网络预测模型建立 |
| 6.4.2 高炉煤焦置换比规则 |
| 6.4.3 大滞后煤粉补偿预测控制 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（8）面向生产指标的高炉料面优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 课题来源 |
| 1.2 课题研究背景及意义 |
| 1.3 论文的研究工作 |
| 1.4 论文的组织结构 |
| 2 文献综述 |
| 2.1 高炉料面分布模型研究现状 |
| 2.1.1 料面形状描述 |
| 2.1.2 高炉期望料面形状 |
| 2.2 高炉生产指标智能建模技术研究现状 |
| 2.3 高炉优化决策方面研究现状 |
| 2.3.1 高炉专家系统应用 |
| 2.3.2 高炉冶炼优化问题研究 |
| 2.4 多目标优化问题 |
| 2.4.1 多目标优化问题概述 |
| 2.4.2 多目标优化问题求解 |
| 2.5 研究现状分析 |
| 3 高炉生产指标体系的建立与优化框架 |
| 3.1 高炉炼铁过程简介 |
| 3.1.1 高炉炼铁工艺流程 |
| 3.1.2 高炉生产操作制度 |
| 3.2 高炉生产指标优化的意义 |
| 3.3 高炉生产指标体系的建立 |
| 3.3.1 指标体系的建立过程 |
| 3.3.2 构建指标体系的基本原则 |
| 3.3.3 高炉生产指标体系设计 |
| 3.3.4 指标多尺度特征定义 |
| 3.4 面向生产指标的料面优化框架 |
| 3.5 本章小结 |
| 4 高炉生产指标模型的建立 |
| 4.1 超限学习机理论 |
| 4.2 改进的超限学习机算法 |
| 4.2.1 GR-ELM算法 |
| 4.2.2 DU-OS-ELM算法 |
| 4.2.3 ME-ELM算法 |
| 4.3 仿真实验及结果分析 |
| 4.3.1 影响因素分析 |
| 4.3.2 实验结果与相关分析 |
| 4.4 本章小结 |
| 5 面向指标的高炉料面多目标优化研究 |
| 5.1 料面初值优化框架 |
| 5.2 料面初值优化问题的数学描述 |
| 5.2.1 目标函数的确定 |
| 5.2.2 约束条件的建立 |
| 5.2.3 决策变量的确定 |
| 5.2.4 多目标优化问题描述 |
| 5.3 问题特征分析 |
| 5.4 多目标优化决策 |
| 5.4.1 NSGA-Ⅱ算法 |
| 5.4.2 MOPSO算法 |
| 5.4.3 TOPSIS算法 |
| 5.4.4 集成的多目标优化框架 |
| 5.5 仿真验证与结果分析 |
| 5.6 本章小结 |
| 6 基于关联规则挖掘的料面特征反馈补偿 |
| 6.1 反馈补偿策略 |
| 6.2 关联规则挖掘基本概念及经典算法 |
| 6.2.1 关联规则挖掘的基本概念 |
| 6.2.2 关联规则挖掘的经典算法 |
| 6.3 改进的Apriori算法 |
| 6.4 高炉生产数据的关联规则分析过程 |
| 6.5 实验验证 |
| 6.5.1 修正料面特征的选择 |
| 6.5.2 修正关联规则挖掘 |
| 6.5.3 仿真结果与分析 |
| 6.6 本章小结 |
| 7 结论 |
| 7.1 本文总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（9）面向能耗指标优化的高炉布料参数决策方法（论文提纲范文）
| 作者简历 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高炉生产指标优化问题 |
| 1.2.2 布料过程建模与控制 |
| 1.2.3 存在的问题与分析 |
| 1.3 研究目标与研究内容 |
| 1.4 论文结构及章节安排 |
| 第二章 高炉生产过程机理分析与布料决策方案设计 |
| 2.1 高炉生产过程及工艺 |
| 2.2 高炉布料过程及特征分析 |
| 2.2.1 布料过程与布料参数 |
| 2.2.2 布料过程特征分析 |
| 2.2.3 布料矩阵简约表达 |
| 2.3 高炉能耗指标及影响因素分析 |
| 2.3.1 高炉能耗指标与重要炉况参数 |
| 2.3.2 基于互信息法的能耗指标与炉况参数相关性分析 |
| 2.4 高炉炉况识别 |
| 2.4.1 高炉炉况的衡量标准 |
| 2.4.2 基于模糊聚类的高炉炉况识别 |
| 2.5 高炉布料参数决策方案设计 |
| 2.6 本章小结 |
| 第三章 高炉布料参数建模与决策方法 |
| 3.1 冷却壁温度预测模型 |
| 3.2 煤气利用率变化趋势预测模型 |
| 3.2.1 基于SVR的高炉状态参数趋发展势预测模型 |
| 3.2.2 基于案例匹配的高炉煤气利用率发展趋势预测模型 |
| 3.3 布料参数决策方法 |
| 3.3.1 布料参数决策流程 |
| 3.3.2 布料参数更新方法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 高炉布料仿真实验系统及工业应用 |
| 4.1 仿真实验系统结构与功能设计 |
| 4.1.1 系统结构与实现 |
| 4.1.2 软件设计与功能 |
| 4.2 工业现场应用与结果分析 |
| 4.2.1 工业现场调试过程 |
| 4.2.2 现场运行结果与分析 |
| 4.3 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（10）基于数据与机理的高炉配料与操作的多目标优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与结构安排 |
| 1.4 特色与创新 |
| 第二章 高炉典型中间观测参数预测模型 |
| 2.1 高炉多目标优化框架 |
| 2.2 输入参数的选取 |
| 2.3 BP神经网络建模 |
| 2.4 本章小结 |
| 第三章 高炉上下部协同多目标优化模型的建立 |
| 3.1 基于高炉炼铁机理的影响因素分析 |
| 3.2 高炉上下部协同多目标优化模型的建立 |
| 3.2.1 决策变量的确定 |
| 3.2.2 高炉产出估计 |
| 3.2.3 目标函数 |
| 3.2.4 约束条件 |
| 3.3 本章小结 |
| 第四章 基于NSGA-Ⅱ算法对多目标问题进行求解 |
| 4.1 多目标优化问题基本概念 |
| 4.1.1 多目标优化问题 |
| 4.1.2 Pareto最优和Pareto前沿 |
| 4.2 遗传算法与快速非支配排序算法 |
| 4.2.1 遗传算法 |
| 4.2.2 快速非支配排序算法 |
| 4.3 通过NSGA-Ⅱ对高炉多目标优化模型求解 |
| 4.4 本章小结 |
| 第五章 高炉多目标优化软件实现 |
| 5.1 软件主要功能 |
| 5.2 软件使用步骤 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 今后研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
四、基于Intranet的高炉操作辅助决策系统的研究和实现（论文参考文献）
- [1]提高高炉智能控制水平的分析与思考[J]. 郝良元,刘福龙,牛佳星,刘川川,纪恒. 冶金能源, 2021(05)
- [2]高能耗过程智能操作优化方法研究[D]. 周恒. 浙江大学, 2021(01)
- [3]基于大数据技术的炉缸侵蚀模型[J]. 张伟阳,郝良元,钟文达,邓勇,程相文,吕庆. 钢铁, 2020(08)
- [4]基于专家知识与数据相结合的高炉炉况综合评价[D]. 张胜男. 内蒙古科技大学, 2020(01)
- [5]大数据云平台技术在高炉工艺应用与发展[J]. 车玉满,郭天永,孙鹏,姜喆,姚硕,费静,刘炳南. 鞍钢技术, 2019(04)
- [6]高炉冶炼专家系统的现状与趋势[J]. 车玉满,郭天永,孙鹏,姜喆,姚硕,费静,刘炳南. 辽宁科技大学学报, 2019(04)
- [7]基于火焰温度的高炉喷煤优化控制研究[D]. 姚艳清. 内蒙古科技大学, 2019(03)
- [8]面向生产指标的高炉料面优化研究[D]. 李艳姣. 北京科技大学, 2019(07)
- [9]面向能耗指标优化的高炉布料参数决策方法[D]. 张可鑫. 中国地质大学, 2019(02)
- [10]基于数据与机理的高炉配料与操作的多目标优化[D]. 许畅. 上海交通大学, 2019(06)