板帶材智能化制備關(guān)鍵技術(shù)

1 智能制造概述
1.1 智能制造的本質(zhì)
1.2 信息物理系統(tǒng)
1.3 智能制造發(fā)展戰(zhàn)略
2 鋼鐵行業(yè)的現(xiàn)狀與發(fā)展趨勢
2.1 鋼鐵行業(yè)的現(xiàn)狀與總體運行水平
2.2 鋼鐵行業(yè)的需求和政策引導(dǎo)
2.3 國內(nèi)外智能化現(xiàn)狀與趨勢
2.3.1 SAP公司
2.3.2 西門子公司
2.3.3 坤帝科公司
2.3.4 普銳特公司
2.4 鋼鐵智能化CPS系統(tǒng)
2.4.1 CPS架構(gòu)
2.4.2 CPS總體設(shè)計
2.5 數(shù)字孿生
2.5.1 虛擬制造
2.5.2 數(shù)字化工廠
3 高爐大數(shù)據(jù)建模及智能優(yōu)化
3.1 高爐煉鐵特點及操作復(fù)雜*分析
3.1.1 高爐煉鐵的生產(chǎn)特點分析
3.1.2 高爐煉鐵的*作手段 3.2 高爐生產(chǎn)指標(biāo)
3.3 基于機理的高爐生產(chǎn)過程建模及分析
3.3.1 基于動力學(xué)的建模及分析
3.3.2 多流體高爐數(shù)學(xué)模型
3.3.3 高爐冶煉過程多目標(biāo)系統(tǒng)優(yōu)化模型
3.3.4 高爐冶煉過程智能控制數(shù)學(xué)模型
3.3.5 高爐冶煉過程控制的數(shù)學(xué)模型流程
3.3.6 高爐生產(chǎn)過程機理建模存在的問題
3.4 基于專家系統(tǒng)的高爐生產(chǎn)過程優(yōu)化及分析
3.4.1 高爐專家系統(tǒng)的構(gòu)成及特征
3.4.2 高爐專家系統(tǒng)存在的問題
3.5 高爐大數(shù)據(jù)建模與智能優(yōu)化
3.5.1 高爐大數(shù)據(jù)建模與智能優(yōu)化系統(tǒng)設(shè)計
3.5.2 基于關(guān)聯(lián)分析的高爐大數(shù)據(jù)建模方法
3.5.3 基于高爐大數(shù)據(jù)的生產(chǎn)指標(biāo)智能預(yù)測方法
4 煉鋼過程智能模型與優(yōu)化
4.1 鐵水預(yù)處理脫硫智能模型
4.1.1 鐵水單噴金屬鎂脫硫機理模型
4.1.2 脫硫機理模型參數(shù)多元線*回歸預(yù)測
4.1.3 脫硫機理模型參數(shù)ELM神經(jīng)網(wǎng)絡(luò)預(yù)測
4.1.4 鐵水預(yù)處理KR法脫硫
4.2 轉(zhuǎn)爐煉鋼終點預(yù)報智能模型
4.2.1 基于大數(shù)據(jù)的轉(zhuǎn)爐吹煉終點碳含量和溫度預(yù)測模型
4.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐吹煉終點Mn和P含量預(yù)報模型
5 連鑄智*優(yōu)化控制*過程監(jiān)控
5.1 連鑄坯凝固特點分析
5.2 鑄坯表面溫度測量
5.2.1 鑄坯表面溫度測量現(xiàn)狀
5.2.2 窄光譜CCD輻射測溫儀工作原理
5.2.3 鑄坯表面溫度場測量穩(wěn)定*
5.2.4 現(xiàn)場實際測量結(jié)果
5.3 基于機理的連鑄凝固建模
5.3.1 連鑄凝固過程多物理場耦合分析
5.3.2 連鑄凝固過程數(shù)學(xué)模型
5.4 連鑄坯智能優(yōu)化控制
5.4.1 多質(zhì)量目標(biāo)的協(xié)調(diào)優(yōu)化
5.4.2 連鑄坯動態(tài)控制
5.4.3 電磁攪拌動態(tài)控制
5.5 連鑄大數(shù)據(jù)建模及過程監(jiān)控
5.5.1 連鑄坯質(zhì)量分析預(yù)報模型
5.5.2 基于多元統(tǒng)計的連鑄過程監(jiān)控模型
6 軋制過程智能優(yōu)化
6.1 軋制自動化控制系統(tǒng)概述
6.1.1 軋制過程數(shù)學(xué)模型和算法的發(fā)展
6.1.2 人工智能技術(shù)在軋制中應(yīng)用的進(jìn)展
6.2 軋制過程智能供應(yīng)鏈相關(guān)決策優(yōu)化技術(shù)
6.2.1 生產(chǎn)計劃的智能化管理技術(shù)
6.2.2 新一代煉鋼-連鑄智能排程與優(yōu)化技術(shù)
6.2.3 產(chǎn)銷智能決策技術(shù)
6.3 加熱爐燃燒過程智能優(yōu)化控制策略
6.3.1 加熱爐在線溫度預(yù)報模型的建立
6.3.2 加熱爐空燃比自尋優(yōu)策略
6.3.3 煤氣流量智能集成優(yōu)化設(shè)定策略
6.3.4 加熱爐爐溫智能優(yōu)化模型
6.4 中厚板軋制智能化控制技術(shù)
6.4.1 基于多變量強耦合非穩(wěn)態(tài)高精細(xì)的厚向尺寸瞬態(tài)控制
6.4.2 基于多智能體技術(shù)的軋制過程控制
6.4.3 智能化平面形狀控制技術(shù)
6.4.4 LP板軋制控制技術(shù)
6.5 熱連軋智能化控制技術(shù)
6.5.1 熱連軋厚度-活套協(xié)調(diào)優(yōu)化控制
6.5.2 熱連軋帶鋼出口板形智能預(yù)測
6.5.3 熱軋全流程負(fù)荷分配優(yōu)化設(shè)計
6.6 冷連軋智能化控制技術(shù)
6.6.1 基于穩(wěn)健回歸M估計的酸液濃度預(yù)測模型
6.6.2 基于案例推理的溫度設(shè)定策略
6.6.3 酸洗冷連軋速度優(yōu)化控制策略
6.6.4 基于模型預(yù)測控制的厚度-張力策略
6.6.5 冷軋板形多目標(biāo)優(yōu)化控制
7 工藝設(shè)備智能維護(hù)
7.1 異源數(shù)據(jù)綜合采集與分類存儲
7.1.1 工藝設(shè)備級數(shù)據(jù)采集
7.1.2 流程級數(shù)據(jù)采集
7.1.3 大數(shù)據(jù)采集
7.1.4 實時數(shù)據(jù)庫技術(shù)
7.1.5 數(shù)據(jù)管理
7.2 多元統(tǒng)計故障診斷方法
7.2.1 數(shù)據(jù)的標(biāo)準(zhǔn)化處理
7.2.2 基于主成分分析的故障診斷方法
7.2.3 基于**二乘的故障診斷方法
7.2.4 基于Fisher判別分析的方法
7.2.5 基于ICA的方法
7.2.6 非線*PCA與PLS
7.2.7 非線*ICA
7.3 智能故障診斷方法
7.3.1 基于案例的推理方法
7.3.2 基于專家系統(tǒng)的方法
7.3.3 基于模糊推理的方法
7.3.4 基于神經(jīng)網(wǎng)絡(luò)的方法
7.3.5 基于模式識別的方法
7.3.6 基于智能計算的方法
7.3.7 基于Bayes的故障診斷
7.3.8 人工免疫算法
7.3.9 支持向量機
7.3.10 混沌分形理論方法
7.3.11 故障樹故障診斷方法
7.3.12 深度學(xué)習(xí)故障診斷方法
7.4 遠(yuǎn)程故障診斷系統(tǒng)