一、烧结料加水混合过程的改进神经网络建模（论文文献综述）
聂慧远,李绍铭[1]（2022）在《粒子群优化算法优化BP神经网络联合PID模型的烧结自动加水控制》文中指出针对烧结混合料自动加水控制的难点,尤其是在烧结配料过程中自动加水系统的大滞后、非线性、低稳定性问题进行了加水控制算法研究。采用内环和外环方案分别控制两级混合机加水,设计基于粒子群优化（particle swarm optimization, PSO）算法优化BP（back propagation）神经网络联合模糊PID控制模型以解决时变、非线性系统的局限性问题。通过PSO算法对BP神经网络进行训练优化以获得最优控制参数,将预测的烧结料水分加入模型参与下一步控制。考虑系统存在较大延时,Simulink仿真中同步加入延时环节。仿真结果表明,相比BP神经网络模型,PSO-BP预测模型的拟合性能更加优越;相比PID、BP-PID控制算法,PSO-BP-PID控制算法在超调量、响应时间以及震荡周期等指标上均有显着提高。经梅钢4号烧结机实际应用数据表明,相比传统PID控制,PSO-BP-PID控制平均误差下降约45.75%,控制标准差下降约62.72%,可以明显提高混合料水分控制的精准度、稳定性、敏捷性,提高烧结过程的稳定性。
闫成忍[2]（2020）在《基于LM-GA算法的GA-PSO-BP神经网络烧结终点预测控制研究》文中提出烧结过程是钢铁冶金生产的一项基础环节,也是非常复杂的非线性动态时变的一个过程。烧结终点（BTP）是指烧结混合料完全烧透的位置,可用烧结机的风箱表示。烧结终点作为烧结状态的一个重要参数,可以直接展现出烧结过程的状态,并对烧结矿的质量、产量有重要影响。烧结终点具有多变量、非线性、强耦合、大滞后等特点,利用系统的机理建模和传统控制方法难以对其准确预测和控制。针对烧结终点难以预测和控制的问题,本文开展了烧结终点预测模型和烧结终点预测控制器的研究。具体研究如下:首先本文在分析烧结过程的特点特性以及影响烧结终点相关因素基础上,确定了五个较大的影响因素:烧结台车运行速度、BRP处（17号）风箱温度、点火温度、布入料层厚度、二混含水量。利用废气风箱温度建立了烧结终点的软测量模型。由于BP神经网络对非线性系统有很强的逼近能力,因此选用BP神经网络做烧结终点模型的辨识,为使BP性能更优,采用遗传-粒子群（GA-PSO）混合算法优化神经网络的权值和阈值,建立了GA-PSO-BP神经网络烧结终点预测模型,通过仿真表明该预测模型具有较高预测精度。然后对于L-M算法对初值较为依赖的缺点,使用遗传算法对L-M算法改进,利用GA算法的全局收敛能力强的优点为L-M算法提供优质初值,从而提高L-M算法的计算速度,克服L-M算法过于依赖初值的不足,经仿真测试表明LM-GA算法的寻优性能更优。最后针对烧结终点的预测控制器做了设计研究。利用GA-PSO-BP建立烧结终点预测模型,在BP神经网络预测控制器的滚动优化部分使用LM-GA算法获取最优初始控制量台车速度,控制器通过台车速度控制烧结终点。通过仿真结果分析,本文设计的烧结终点预测控制器比常规的预测控制器、PID控制器的性能更优,其响应速度更快,调节时间更短,抗干扰能力和鲁棒性更强。
汤超俊[3]（2020）在《基于OpenFOAM的铁矿粉烧结过程建模与优化》文中提出随着经济结构调整的深入、环保约束的加强,我国钢铁行业已全面步入高质量发展时代,绿色高效成为新时期钢铁企业共同追求的主旋律。铁矿粉烧结是一个涉及许多物理和化学反应的复杂过程,同时也是钢铁生产过程的关键上游工序。因此,对铁矿粉烧结过程的建模与优化对钢铁行业来说具有重大意义。目前过程建模与仿真的平台多采用商业软件,其优点是操作简便且技术文档丰富,其不足是:开发性较弱,其过强的封装性导致融合其他优化算法时拓宽性弱,难以满足对特定问题的开发需求。本文以烧结台车为研究对象,以开源计算流体力学类库OpenFOAM为平台,对铁矿粉烧结过程的建模与优化进行了研究。本文的主要内容如下:（1）对铁矿粉烧结过程进行了分析,建立数学模型。重点研究了烧结过程中铁矿粉与空气的热交换,通过分析铁矿粉的烧结过程,本文将其简化为气-固传热模型,以内热源代替燃烧放热,并基于流体力学方程、湍流模型、多孔介质模型实现烧结过程的数学描述。（2）利用开源流体计算力学类库OpenFOAM建立仿真模型。分析了 OpenFOAM代码结构和算例,实现了烧结过程数学模型的自定义求解器开发。仿真模拟了烧结台车温度场分布,分析了风速、风温和含碳量对温度场的影响,开展了模型验证。（3）基于粒子群算法建立烧结温度场优化模型。通过高温下溶剂在颗粒中的扩散行为实验,提出了温度场的评价指标,并通过实验研究证明了该评价指标对烧结矿成品率的影响。根据温度场评价指标,采用粒子群算法提取仿真模型的温度场信息,对原料含碳量、入口风温以及入口风速进行了优化,结果表明烧结过程温度场得到了明显改善。本文运用开源流体计算力学类库建立了烧结过程模型和数值模拟求解器,融合粒子群算法构建了参数优化框架,实现了烧结过程温度场的参数优化。本研究建立的求解器和优化框架,有助于烧结生产过程的操作优化,是对钢铁智能制造和智慧烧结实现途径的一次有益探索。
胡杰,杜胜,吴敏,陈鑫,曹卫华[4]（2019）在《铁前炉料制备过程先进控制与智能优化》文中进行了进一步梳理铁前炉料制备过程主要包括炼焦过程和烧结过程,分别生产焦炭和烧结矿,为高炉炼铁提供燃料和原料.实现铁前炉料制备过程的先进控制与智能优化,有利于提高产品的质量和产量、降低生产能耗和成本.本文阐述了炼焦过程和烧结过程先进控制与智能优化的研究进展,包括炼焦配煤过程智能优化与控制、焦炉火道温度集成软测量、焦炉加热燃烧过程智能控制、炼焦生产全流程优化及烧结配料过程建模与优化、烧结热状态参数控制、烧结生产全流程优化与控制、烧结碳效建模与优化.最后总结分析了铁前炉料制备过程控制与优化的发展趋势.
邵慧君[5]（2019）在《基于组合模型的烧结矿质量预测系统研究与应用》文中指出烧结工艺是钢铁冶炼的重要工序之一,烧结矿占我国高炉入炉原料的70%以上,其质量的稳定性对高炉炉况和钢铁产品质量有重要的影响。烧结生产过程是一个具有大滞后性、高耦合性、强非线性的复杂动态系统,使得烧结矿检测结果不能实时指导烧结配矿操作,因此,建立烧结矿质量预测模型提前预测烧结矿质量,从而有针对性的调整烧结工艺参数,对减少烧结矿质量的波动具有十分重要的意义。本文针对烧结生产过程中,人工化验的方式造成数据检测的严重滞后,难以实时准确预测烧结矿质量问题,在对烧结工艺机理及其特性进行分析的基础上,总结得出影响烧结矿质量的主要因素,建立烧结矿质量预测模型,进行烧结矿质量预测,并结合以TFe和碱度为中心的区间优化控制策略,开发烧结矿质量预测控制系统。论文的主要内容如下:首先,对烧结生产工艺参数和烧结矿质量参数进行灰色关联度分析,确定影响烧结矿质量的关键参数,对确定的关键参数和质量参数检测数据进行限幅平均滤波处理。然后,基于烧结矿质量参数检测数据,建立烧结矿质量灰色GM（1,1）预测模型;基于影响烧结矿质量的关键参数和烧结矿质量参数检测数据,建立烧结矿质量BP神经网络预测模型;最后,采用基于信息熵、以最小预测误差平方和为目标的最优和非最优三类组合方法计算组合模型权系数,将上述两个单一模型进行加权组合,分别建立烧结矿质量组合预测模型,实现对烧结矿TFe含量、FeO含量、碱度和转鼓强度的准确预测,并采用预测误差平方和、均方误差、平均绝对误差、平均绝对百分比误差和精度五项评价指标,分别对三种组合模型和两种单项预测模型的预测结果进行比较分析,结果表明:组合模型可提高预测结果的准确性,以最小预测误差平方和为目标的烧结矿质量组合预测模型预测性能最好,相对其他方法具有明显优势。针对国内某钢铁企业烧结生产过程,开发烧结矿质量预测控制系统,用户可根据生产实际情况调用适宜的预测模型,模型预报准确率高。运行结果表明:该系统可实现烧结矿质量的准确预测,为烧结过程的优化提供准确的操作指导信息。
曹海鹏[6]（2019）在《铁矿粉烧结过程粒度场与料层透气性数值模拟研究》文中提出铁矿粉烧结过程是一个复杂的多场态的耦合热工过程,不仅包含多种物理化学反应,还涉及多级工艺操作流程,是钢铁生产中的关键上游工序。在新时期经济战略转型的背景下,如何结合智能制造发展趋势提升智能化生产水平是钢铁行业的重要任务。广泛开展烧结生产过程建模与仿真等优化工作,是减少能耗与经济成本并提高智能生产水平的重要途径。本文选择烧结过程原料粒度场为分析对象,结合烧结过程机理,从宏观和微观角度,对烧结过程进行建模仿真研究。本研究采用数值建模构架过程模型,基于湍流模型、多孔介质模型、内热源模型、孔隙变化模型等模型刻画烧结过程。采用局部非热力平衡的双网格和用户自定义函数等方法,实现模型的细化。将烧结料层按高度分为5层,在燃料、熔剂和水分沿高度方向分布不变的前提下,研究了典型粒度场态下料层的温度、速度以及透气性,主要内容如下:（1）构建1组基准模型和5组对照模型进行对比分析。其中基准模型、模型Ⅰ和模型Ⅱ的热量逐层递增较明显,这表明连续的上细下粗粒度分布的粒度场更有利于料层维持高温状态,并产生明显的蓄热能力。而粒度场表观孔隙率的改变则明显地决定了料层内部流场的变化趋势。（2）结合拟合公式与Ergun方程设置流动阻力系数,对6组实验模型的不同孔隙率与粒度分布所形成的粒度场透气性进行探究。其中基准模型和模型Ⅰ负压中间发展过程较缓和,这表明连续的上细下粗粒度分布或者上下相同均匀分布的粒度场结构,其透气性的变化趋势更稳定。并结合实验数据分析了计算结果。（3）结合Fluent和EDEM开展耦合计算。设置4组仿真模型,模拟了冷态的烧结料层颗粒不同粒度场的流场分布,并分析了影响因素。本文从粒度场的颗粒尺度分析了烧结料层高度方向上不同粒度场态对烧结过程的影响,仿真研究与评价了几种典型的粒度场对应的温度、速度和透气性。可以对合理的分布结构以及研究方法提供思路,这对烧结生产实践具有一定的参考指导作用。
王丹丹[7]（2019）在《基于GA-FWA在烧结终点预测中的应用研究》文中认为钢铁行业作为中国发展最快并且占有重要社会地位的行业,其广泛应用于社会生活的各个方面,是支撑社会发展的重要产业。然而,由于钢铁产业的飞速发展,导致我国铁矿石被大量开采,富铁矿日渐减少,为了解决原料短缺问题,不影响钢铁工业的生产,烧结矿便应运而生,成为我国高炉生产过程的主要原料,烧结过程也成为了高炉炼铁中的一个重要的环节。烧结终点（BTP）的稳定与否是判断烧结过程是否正常的标志之一,其不仅影响烧结矿的质量和产量,而且对烧结成本有很大影响。由于烧结过程是一个复杂多变、非线性、大时滞的问题,采用传统的机理模型或控制理论很难实现对烧结终点的预测和控制,所以本文采用了一种新的方法:通过新提出的智能优化算法——基于遗传算法的烟花优化算法（GA-FWA）来优化支持向量机模型参数从而实现烧结终点的预测。基于遗传算法的烟花优化算法结合了烟花算法和遗传算法的优点,可以更迅速准确的找到全局最优值,并且支持向量机（SVM）方法是建立在统计学和结构风险最小原理基础上的,有严格的理论和数学基础,可以很好的解决算法复杂度与输入向量密切相关的问题,所以将GA-FWA算法与支持向量机相结合可以训练出一个精度较高的预测模型,从而实现烧结终点的精确预测。通过查阅了大量的国内外相关文献,本文首先介绍了烧结终点预测的国内外研究现状,然后具体分析了烧结工艺的基本原理以及智能优化算法的基本理论,采用GA-FWA算法对支持向量机中的参数进行优化,获取最优参数组合,并使用MATLAB软件编程实现支持向量机模型的训练和预测,得到预测结果。最后,本文将新算法的实验效果与粒子群算法,遗传算法,烟花算法的实验效果作对比,实验结果表明GA-FWA算法不论是在实验精度方面还是在运行时间方面都明显优于其他算法,可以准确的预测烧结终点,对烧结生产过程有良好的指导意义。
刘代飞,曹海鹏,史先菊,李军[8]（2018）在《铁矿粉烧结过程建模与仿真研究现状》文中进行了进一步梳理铁矿烧结是高炉炼铁生产的重要环节,开展烧结过程建模、仿真与优化对提升烧结自动化水平,实现智能制造具有重要意义。阐述了铁矿粉烧结生产自动化建模与仿真的发展状况,从信息建模和智慧优化层面归纳总结了过程机理与特征信息的表征、数据驱动的融合和数值模拟的场态分析3类模型。结合烧结流程自动化,分析比较了系列方法的优势与局限,并指出了建模和仿真模型的应用发展趋势。面向国家2025智能制造战略需求,开展烧结过程建模与仿真的生产实践,积极推进烧结领域的智能制造。
胡杰,杜胜,吴敏,陈鑫,曹卫华[9]（2018）在《铁前炉料制备过程先进控制与智能优化》文中研究指明铁前炉料制备过程主要包括炼焦过程和烧结过程,分别生产焦炭和烧结矿,为高炉炼铁提供燃料和原料.实现铁前炉料制备过程的先进控制与智能优化,有利于提高产品的质量和产量、降低生产能耗和成本.本文阐述了炼焦过程和烧结过程先进控制与智能优化的研究进展,包括炼焦配煤过程智能优化与控制、焦炉火道温度集成软测量、焦炉加热燃烧过程智能控制、炼焦生产全流程优化及烧结配料过程建模与优化、烧结热状态参数控制、烧结生产全流程优化与控制、烧结碳效建模与优化.最后总结分析了铁前炉料制备过程控制与优化的发展趋势.
高茜茜[10]（2015）在《烧结混合料水分控制系统的设计与建模研究》文中提出烧结生产为高炉炼铁提供原料,是炼铁工业的重要环节。烧结矿的产质量与烧结混合料的透气性关系密切,而适宜的水分含量才能保证混合料的透气性。为使混合料中水分得到准确控制,本文结合天津钢铁集团有限公司第二烧结厂实际情况,进行了混合料水分控制方案的研究以及水分控制系统的设计,并对所设计的控制系统进行建模与仿真。文中首先简述了烧结料水分检测和控制的研究现状及其可行性,然后介绍了烧结生产的工艺流程,着重介绍了烧结料配混过程的工艺以及水分对烧结生产的影响;最后确定了水分控制的方案,并按照该方案设计了烧结混合料水分控制系统。水分控制系统由一混水分控制系统和二混水分控制系统组成。针对一混水分控制系统,文中设计并建立了前馈加污泥计算模型、模糊PID控制模型和内环加污泥控制模型。由于二混水分控制系统与一混控制系统类似,本文简述了其中前馈与反馈的控制模型。为提高水分控制系统中控制准确度,本文进一步建立了真实加水量模型和生石灰消化模型,详细的介绍和说明了模型的建立过程和最终模型确定。同时文中也对一混控制对象进行了建模。这些模型的建立,是对烧结混合料水分控制系统的修正补足。本文最后通过simulink对控制系统进行仿真分析,对比了常规PID和模糊PID的控制效果,证明了本控制方案的可行与优越性,以此为实际生产提供了有力的参考。
二、烧结料加水混合过程的改进神经网络建模（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、烧结料加水混合过程的改进神经网络建模（论文提纲范文）
（1）粒子群优化算法优化BP神经网络联合PID模型的烧结自动加水控制（论文提纲范文）
| 0 引言 |
| 1 烧结加水控制系统的方案设计 |
| 1.1 PID控制模型 |
| 1.2 PSO-BP神经网络预测模型 |
| 1.2.1 BP神经网络预测模型 |
| 1.2.2 PSO算法 |
| 1.2.3 PSO-BP神经网络预测模型仿真研究 |
| 2 烧结加水控制系统的运行与结果对比分析 |
| 2.1 PSO-BP-PID水分控制综合优化方案 |
| 2.2 PSO-BP-PID控制模型仿真效果 |
| 2.3 PSO-BP-PID与PID控制模型的实验结果 |
| 3 结论 |
（2）基于LM-GA算法的GA-PSO-BP神经网络烧结终点预测控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及目的意义 |
| 1.2 研究现状 |
| 1.2.1 烧结终点检测研究现状 |
| 1.2.2 烧结终点模型研究现状 |
| 1.2.3 烧结终点控制研究现状 |
| 1.3 本文主要内容 |
| 第二章 烧结基本工艺流程及特点分析 |
| 2.1 烧结基本工艺流程 |
| 2.2 烧结过程的特点分析 |
| 2.3 烧结终点控制及影响因素分析 |
| 2.3.1 烧结终点控制 |
| 2.3.2 主要控制问题 |
| 2.3.3 影响因素分析 |
| 2.4 本章小结 |
| 第三章 烧结终点GA-PSO-BP神经网络预测模型建立 |
| 3.1 烧结终点预测基本思想 |
| 3.2 烧结终点软测量模型 |
| 3.3 烧结现场数据处理 |
| 3.3.1 数据滤波处理 |
| 3.3.2 数据平滑处理 |
| 3.3.3 数据归一化处理 |
| 3.4 神经网络建模方法 |
| 3.4.1 神经网络基本原理概述 |
| 3.4.2 BP神经网络 |
| 3.4.3 BP神经网络预测模型 |
| 3.5 基于GA-PSO-BP神经网络预测模型 |
| 3.5.1 遗传算法(GA) |
| 3.5.2 粒子群(PSO)算法 |
| 3.5.3 GA-PSO混合优化算法 |
| 3.5.4 GA-PSO-BP混合优化算法 |
| 3.5.5 算法仿真 |
| 3.6 烧结终点预测模型的实验仿真与分析 |
| 3.7 本章小结 |
| 第四章 预测控制及改进的L-M算法 |
| 4.1 预测控制 |
| 4.1.1 预测控制基本原理 |
| 4.1.2 BP神经网络预测控制 |
| 4.2 L-M算法 |
| 4.3 LM-GA混合算法 |
| 4.4 仿真分析 |
| 4.5 本章小结 |
| 第五章 烧结终点预测控制的仿真研究 |
| 5.1 烧结终点预测控制 |
| 5.2 烧结终点预测控制模型 |
| 5.3 烧结终点预测控制器 |
| 5.3.1 控制器结构 |
| 5.3.2 基于GA改进L-M算法的滚动优化 |
| 5.3.3 控制器算法 |
| 5.4 烧结终点预测控制系统仿真实验及结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 插图列表 |
| 附录2 表格列表 |
| 附录3 部分数据 |
| 在学研究成果 |
| 致谢 |
（3）基于OpenFOAM的铁矿粉烧结过程建模与优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 铁矿粉烧结过程建模与优化研究现状 |
| 1.2.1 数值计算研究现状 |
| 1.2.2 参数优化研究现状 |
| 1.3 OpenFOAM简述 |
| 1.4 课题提出及本文的研究内容 |
| 第二章 铁矿粉烧结过程数学建模 |
| 2.1 烧结过程简述 |
| 2.2 模型基本假设 |
| 2.3 流场及其数学描述 |
| 2.3.1 有限体积法 |
| 2.3.2 连续方程 |
| 2.3.3 动量方程 |
| 2.3.4 能量方程 |
| 2.3.5 湍流模型 |
| 2.4 多孔介质模型 |
| 2.4.1 多孔介质参数 |
| 2.4.2 多孔介质中的流体动量方程 |
| 2.4.3 多孔介质中的能量方程 |
| 2.5 本章小结 |
| 第三章 基于OpenFOAM的烧结过程数值模拟 |
| 3.1 OpenFOAM算例结构 |
| 3.2 烧结过程参数选定 |
| 3.3 网格划分 |
| 3.3.1 polyMesh |
| 3.3.2 blockMesh网格生成程序 |
| 3.4 边界条件 |
| 3.5 自定义求解器 |
| 3.5.1 场文件 |
| 3.5.2 求解器主程序 |
| 3.5.3 多孔介质设定 |
| 3.5.4 湍流设置 |
| 3.6 结果分析与验证 |
| 3.6.1 仿真温度场分析 |
| 3.6.2 仿真结果验证 |
| 3.7 烧结工作参数对温度场的影响 |
| 3.7.1 入口风速 |
| 3.7.2 含碳量 |
| 3.7.3 入口风温 |
| 3.8 本章小结 |
| 第四章 烧结过程温度场优化 |
| 4.1 温度场评价指标 |
| 4.1.1 建立评价指标 |
| 4.1.2 验证评价指标 |
| 4.2 优化算法的选择 |
| 4.2.1 粒子群算法 |
| 4.2.2 算法参数选择 |
| 4.3 烧结温度场的优化计算 |
| 4.4 本章小节 |
| 结论与展望 |
| 全文总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（5）基于组合模型的烧结矿质量预测系统研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 烧结工艺研究现状 |
| 1.2.2 烧结矿质量预测研究现状 |
| 1.3 主要研究内容 |
| 第2章 烧结生产过程机理及预测方法分析 |
| 2.1 烧结生产过程机理分析 |
| 2.1.1 烧结生产流程介绍 |
| 2.1.2 烧结生产过程特征分析 |
| 2.2 烧结矿质量预测模型参数的确定 |
| 2.2.1 烧结矿质量参数的确定 |
| 2.2.2 影响烧结矿质量的关键参数 |
| 2.3 预测方法分析 |
| 2.3.1 单项预测算法 |
| 2.3.2 组合预测算法 |
| 2.4 本章小结 |
| 第3章 烧结矿质量预测模型的建立 |
| 3.1 数据处理 |
| 3.1.1 数据滤波及异常处理 |
| 3.1.2 灰色关联度分析 |
| 3.2 基于灰色GM(1,1)的烧结矿质量预测模型 |
| 3.2.1 灰色GM(1,1)模型的建立 |
| 3.2.2 灰色GM(1,1)模型仿真结果 |
| 3.2.3 模型的验证及误差分析 |
| 3.3 基于BP神经网络的烧结矿质量预测模型 |
| 3.3.1 BP神经网络模型的建立 |
| 3.3.2 BP神经网络模型的预测结构 |
| 3.3.3 仿真结果及误差分析 |
| 3.4 本章小结 |
| 第4章 基于组合模型的烧结矿质量预测模型 |
| 4.1 灰色-神经网络组合预测模型 |
| 4.2 基于信息熵的烧结矿质量组合预测模型 |
| 4.2.1 熵值法权系数的确定 |
| 4.2.2 模型仿真与误差计算 |
| 4.3 以最小预测误差平方和为目标的最优组合预测模型 |
| 4.3.1 权系数的确定 |
| 4.3.2 模型仿真结果与误差分析 |
| 4.4 基于非最优组合的烧结矿质量预测模型 |
| 4.4.1 非最优组合预测模型权系数的确定 |
| 4.4.2 模型的仿真与误差计算 |
| 4.5 本章小结 |
| 第5章 烧结矿质量预测系统实现及功能 |
| 5.1 烧结矿质量参数控制的特点 |
| 5.2 烧结矿质量优化控制策略 |
| 5.2.1 区间优化控制策略 |
| 5.2.2 烧结矿质量参数的优化策略 |
| 5.3 软件组成及功能 |
| 5.4 本章小结 |
| 第6章 结论和展望 |
| 6.1 结论 |
| 6.2 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 |
（6）铁矿粉烧结过程粒度场与料层透气性数值模拟研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 铁矿粉烧结工艺简述 |
| 1.2.1 烧结前期准备阶段 |
| 1.2.2 高温烧结阶段 |
| 1.2.3 烧结后期处理阶段 |
| 1.3 铁矿粉烧结过程建模与仿真研究现状 |
| 1.3.1 烧结过程模型的分类描述 |
| 1.3.2 烧结过程信息优化的模型架构 |
| 1.4 烧结透气性研究现状 |
| 1.5 课题的提出及研究的主要问题 |
| 第二章 烧结过程粒度场解析与烧结建模 |
| 2.1 烧结粒度场解析 |
| 2.2 烧结粒度场几何模型 |
| 2.3 基本理论与基础模型 |
| 2.3.1 控制方程 |
| 2.3.2 湍流模型 |
| 2.3.3 多孔介质模型 |
| 2.3.4 EDEM的颗粒模型 |
| 2.4 本章小结 |
| 第三章 烧结过程温度场的数值模拟 |
| 3.1 数值模拟准备基础 |
| 3.1.1 Gambit建模简述 |
| 3.1.2 Fluent平台简述及方案选取 |
| 3.1.3 过程描述与参数的选定 |
| 3.2 基准模型温度场计算与分析 |
| 3.3 基准模型速度场计算与分析 |
| 3.4 对比模型计算与影响参数分析 |
| 3.5 本章小结 |
| 第四章 烧结过程透气性数值模拟 |
| 4.1 烧结透气性模型的构建 |
| 4.2 基准模型的透气性计算分析 |
| 4.3 对比模型计算分析 |
| 4.4 实验数据对比 |
| 4.5 CFD-EDEM耦合冷态流场模拟 |
| 4.5.1 耦合场的几何边界模型 |
| 4.5.2 耦合对比方案与参数设定 |
| 4.5.3 耦合计算结果与分析 |
| 4.6 本章小结 |
| 结论与展望 |
| 全文总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（7）基于GA-FWA在烧结终点预测中的应用研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 课题的背景及意义 |
| 1.2 国内外研究状况 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 本文创新点 |
| 1.5 论文的构成 |
| 2.烧结过程分析及影响因素选择 |
| 2.1 烧结生产的基本工艺流程 |
| 2.2 烧结过程特点 |
| 2.3 烧结终点判断及计算 |
| 2.3.1 烧结终点判断 |
| 2.3.2 烧结终点软测量模型 |
| 2.4 影响因素的选择 |
| 2.4.1 主成分分析 |
| 2.4.2 影响因素分析 |
| 2.5 本章小结 |
| 3.支持向量机原理 |
| 3.1 支持向量机概述 |
| 3.1.1 支持向量机研究 |
| 3.1.2 支持向量机分类 |
| 3.1.3 支持向量机回归 |
| 3.1.4 支持向量机参数选择 |
| 3.2 数据预处理 |
| 3.2.1 收集整理数据 |
| 3.2.2 数据归一化 |
| 3.3 SVM预测烧结终点 |
| 3.4 智能算法优化SVM预测烧结终点流程 |
| 3.5 本章小结 |
| 4.传统智能计算方法优化SVM预测烧结终点 |
| 4.1 粒子群算法 |
| 4.1.1 粒子群算法原理及组成 |
| 4.1.2 PSO-SVM预测烧结终点 |
| 4.1.3 粒子群算法的优点及不足 |
| 4.2 遗传算法 |
| 4.2.1 遗传算法原理及组成 |
| 4.2.2 GA-SVM预测烧结终点 |
| 4.2.3 遗传算法的优点及不足 |
| 4.3 烟花算法 |
| 4.3.1 烟花算法原理 |
| 4.3.2 烟花算法组成部分 |
| 4.3.3 FWA-SVM预测烧结终点 |
| 4.3.4 烟花算法的优点及不足 |
| 4.4 本章小结 |
| 5.GA-FWA优化SVM预测烧结终点 |
| 5.1 基于遗传算法的烟花优化算法(GA-FWA)原理 |
| 5.1.1 GA-FWA提出 |
| 5.1.2 GA-FWA改进 |
| 5.1.3 GA-FWA实现 |
| 5.2 基于遗传算法的烟花优化算法预测烧结终点 |
| 5.2.1 GA-FWA寻优效果 |
| 5.2.2 GA-FWA-SVM预测烧结终点 |
| 5.3 GA-FWA与传统算法的实验仿真结果对比 |
| 5.4 本章小结 |
| 6.总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（8）铁矿粉烧结过程建模与仿真研究现状（论文提纲范文）
| 1 烧结过程模型的分类描述 |
| 2 烧结过程信息优化的模型架构 |
| 2.1 基于过程机理与特征信息的表征模型 |
| 2.1.1 过程解析模型 |
| 2.1.2 过程综合模型 |
| 2.2 基于数据驱动的融合模型 |
| 2.2.1 烧结参数预测 |
| 2.2.2 烧结工艺优化 |
| 2.3 基于数值模拟的场态模型 |
| 2.3.1 原料准备 |
| 2.3.2 高温烧结 |
| (1) 焦炭热源。 |
| (2) 生物质热源。 |
| 2.3.3 冷却与整粒 |
| 2.4 过程建模与仿真信息优化的应用举例 |
| 3 总结与展望 |
（9）铁前炉料制备过程先进控制与智能优化（论文提纲范文）
| 0 引言 |
| 1 炼焦过程控制与优化 |
| 1.1 炼焦配煤过程智能优化与控制 |
| 1.2 焦炉火道温度集成软测量方法 |
| 1.3 焦炉加热燃烧过程智能控制 |
| 1.4 炼焦生产全流程优化 |
| 2 烧结过程优化与控制 |
| 2.1 烧结配料过程建模与优化 |
| 2.2 烧结过程热状态控制 |
| 2.2.1 烧结点火控制 |
| 2.2.2 烧结终点控制 |
| 2.3 烧结生产全流程优化与控制 |
| 2.4 烧结碳效建模与优化 |
| 3 结论与展望 |
（10）烧结混合料水分控制系统的设计与建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景与其意义 |
| 1.2 烧结料水分控制的可行性分析 |
| 1.3 本文的主要工作 |
| 第2章 烧结配混过程的工艺分析 |
| 2.1 烧结对高炉炼铁的意义 |
| 2.2 烧结生产的工艺流程 |
| 2.3 配混过程的工艺分析 |
| 2.3.1 配混过程工艺 |
| 2.3.2 烧结料配混的特征 |
| 2.3.3 烧结生产中水分的来源和作用 |
| 2.4 本章小结 |
| 第3章 烧结混合料水分控制系统设计 |
| 3.1 控制系统总体结构 |
| 3.2 烧结料水分控制方案 |
| 3.2.1 烧结料的水分检测方法及其特点 |
| 3.2.2 烧结料的水分控制 |
| 3.3 一混水分控制系统设计 |
| 3.3.1 一混水分控制方案 |
| 3.3.2 前馈计算模型 |
| 3.3.3 参数自整定PID控制 |
| 3.4 二混水分控制系统设计 |
| 3.5 本章小结 |
| 第4章 烧结混合料水分控制系统的建模 |
| 4.1 系统建模方法及步骤 |
| 4.1.1 建模的方法 |
| 4.1.2 建模的步骤 |
| 4.2 真实加水量模型 |
| 4.3 生石灰消化模型 |
| 4.4 一混水分控制对象模型 |
| 4.4.1 内环流量控制对象的数学模型 |
| 4.4.2 外环水分控制对象的数学模型 |
| 4.5 本章小结 |
| 第5章 控制系统的仿真 |
| 5.1 系统仿真简述 |
| 5.1.1 仿真的分类 |
| 5.1.2 仿真的特点 |
| 5.1.3 仿真的过程 |
| 5.2 控制系统的Simulink仿真 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
四、烧结料加水混合过程的改进神经网络建模（论文参考文献）
- [1]粒子群优化算法优化BP神经网络联合PID模型的烧结自动加水控制[J]. 聂慧远,李绍铭. 冶金自动化, 2022(01)
- [2]基于LM-GA算法的GA-PSO-BP神经网络烧结终点预测控制研究[D]. 闫成忍. 安徽工业大学, 2020(07)
- [3]基于OpenFOAM的铁矿粉烧结过程建模与优化[D]. 汤超俊. 长沙理工大学, 2020(07)
- [4]铁前炉料制备过程先进控制与智能优化[A]. 胡杰,杜胜,吴敏,陈鑫,曹卫华. 智能技术在炼铁上的应用研讨会论文集, 2019
- [5]基于组合模型的烧结矿质量预测系统研究与应用[D]. 邵慧君. 武汉科技大学, 2019(09)
- [6]铁矿粉烧结过程粒度场与料层透气性数值模拟研究[D]. 曹海鹏. 长沙理工大学, 2019(06)
- [7]基于GA-FWA在烧结终点预测中的应用研究[D]. 王丹丹. 辽宁科技大学, 2019(01)
- [8]铁矿粉烧结过程建模与仿真研究现状[J]. 刘代飞,曹海鹏,史先菊,李军. 钢铁研究学报, 2018(08)
- [9]铁前炉料制备过程先进控制与智能优化[J]. 胡杰,杜胜,吴敏,陈鑫,曹卫华. 信息与控制, 2018(04)
- [10]烧结混合料水分控制系统的设计与建模研究[D]. 高茜茜. 东北大学, 2015(06)