冶金過程數(shù)學模型與人工智能應用

1 概述
1.1 冶金生產過程簡述
1.1.1 煉鐵
1.1.2 煉鋼
1.2 冶金過程的特點與控制方法
1.2.1 冶金過程的特點
1.2.2 冶金過程的控制方法
1.3 冶金過程數(shù)學模型與人工智能的研究進展
2 冶金過程檢測和自動控制基礎
2.1 冶金過程信息檢測
2.1.1 冶金過程自動化體系結構
2.1.2 冶金過程檢測
2.2 冶金過程基礎自動化
2.2.1 可編程控制器(PLC)
2.2.2 基礎自動化級通信
2.2.3 人機界面技術
2.2.4 分布式計算機控制系統(tǒng)
3 過程控制數(shù)學模型與人工智能基礎
3.1 數(shù)學模型基礎
3.1.1 數(shù)學模型及其特點
3.1.2 數(shù)學模型在冶金中的作用
3.1.3 數(shù)學模型的建立方法及步驟
3.2 人工智能基礎
3.2.1 人工智能概述
3.2.2 專家系統(tǒng)
3.2.3 人工神經網絡
3.2.4 模糊控制
3.3 過程控制常用模型及其算法
3.3.1 基于時間序列的預報模型
3.3.2 基于BP算法的預報模型
3.3.3 基于遺傳算法的最優(yōu)化模型
4 冶金過程數(shù)學模型
4.1 燒結過程數(shù)學模型
4.1.1 燒結配料模型
4.1.2 燒結工藝參數(shù)優(yōu)化模型
4.1.3 燒結過程熱狀態(tài)模型
4.1.4 燒結礦性能預報模型
4.2 高爐數(shù)學模型
4.2.1 高爐無料鐘布料模型
4.2.2 軟熔帶模型
4.2.3 高爐爐缸爐底侵蝕模型
4.2.4 鐵水硅含量預報模型
4.2.5 熱風爐蓄熱室內溫度場模型
4.3 轉爐數(shù)學模型
4.3.1 靜態(tài)控制模型
4.3.2 動態(tài)控制模型
4.3.3 合金模型
4.4 電爐數(shù)學模型
4.4.1 電弧爐煉鋼合金成分控制模型
4.4.2 電弧爐冶煉能量結構模型
4.5 爐外精煉數(shù)學模型
4.5.1 LF爐鋼包精煉合金加料與鋼水成分預報模型
4.5.2 LF爐鋼包精煉能量損耗預報模型
4.6 連鑄數(shù)學模型
4.6.1 中間包鋼液溫度模型
4.6.2 結晶器溫度場模型
4.6.3 板坯連鑄二冷仿真模型
5 冶金過程人工智能控制系統(tǒng)
5.1 燒結人工智能控制系統(tǒng)
5.1.1 燒結配礦專家系統(tǒng)
5.1.2 燒結過程操作優(yōu)化指導系統(tǒng)
5.1.3 燒結礦化學成分控制專家系統(tǒng)
5.2 高爐人工智能控制系統(tǒng)
5.2.1 高爐爐況診斷與報警專家系統(tǒng)
5.2.2 高爐綜合智能控制專家系統(tǒng)
5.2.3 熱風爐燃燒智能控制系統(tǒng)
5.3 轉爐人工智能控制系統(tǒng)
5.3.1 基于輻射信息分析的轉爐終點預測
5.3.2 轉爐煉鋼智能控制系統(tǒng)
5.4 電爐人工智能控制系統(tǒng)
5.4.1 交流電弧爐智能集成計算機控制系統(tǒng)
5.4.2 電爐煉鋼專家系統(tǒng)
5.5 爐外精煉人工智能控制系統(tǒng)
5.5.1 基于故障樹的RH-KTB大型真空系統(tǒng)智能故障診斷系統(tǒng)
5.5.2 智能LF控制系統(tǒng)
5.6 連鑄人工智能控制系統(tǒng)
5.6.1 結晶器液位智能控制系統(tǒng)
5.6.2 連鑄二次冷卻動態(tài)智能優(yōu)化控制系統(tǒng)
參考文獻