| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-19页 |
| 1.1 钕铁硼氢粉碎工艺研究 | 第9页 |
| 1.2 氢碎炉装置的发展现状 | 第9-11页 |
| 1.2.1 国外氢碎炉装置 | 第9-10页 |
| 1.2.2 国内氢碎炉装置 | 第10-11页 |
| 1.3 氢粉碎工艺过程及优点 | 第11-13页 |
| 1.4 氢粉碎工艺过程控制的研究现状 | 第13-16页 |
| 1.4.1 国外 HD 法控制研究现状 | 第14-15页 |
| 1.4.2 国内 HD 法控制研究现状 | 第15-16页 |
| 1.5 机理模型应用方法概述 | 第16页 |
| 1.6 预测控制方法概述 | 第16-17页 |
| 1.7 课题目的及意义 | 第17页 |
| 1.8 论文研究内容及结构安排 | 第17-19页 |
| 1.8.1 论文研究内容 | 第17-18页 |
| 1.8.2 论文结构安排 | 第18-19页 |
| 2 氢粉碎动态机理模型优化 | 第19-31页 |
| 2.1 吸氢过程机理模型 | 第19-21页 |
| 2.1.1 机理模型分析 | 第19-21页 |
| 2.2 基于增强学习的神经网络优化机理模型 | 第21-24页 |
| 2.2.1 SGA-RL 算法介绍 | 第21-22页 |
| 2.2.2 基于增强学习的神经网络介绍 | 第22-24页 |
| 2.3 基于 Volterra 级数的自适应优化预测模型 | 第24-25页 |
| 2.3.1 Volterra 级数模型介绍 | 第24-25页 |
| 2.3.2 归一化最小均方误差算法 | 第25页 |
| 2.4 氢粉碎吸氢过程机理模型优化实验 | 第25-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 预测控制算法研究 | 第31-41页 |
| 3.1 预测控制理论 | 第31-33页 |
| 3.1.1 预测控制理论应用难点 | 第31-32页 |
| 3.1.2 预测控制理论应用研究 | 第32-33页 |
| 3.2 人工神经网络理论 | 第33-35页 |
| 3.2.1 神经网络控制 | 第33-34页 |
| 3.2.2 RBF 神经网络数学模型 | 第34-35页 |
| 3.3 多步预测模型 | 第35-37页 |
| 3.3.1 神经网络模型的建立 | 第36-37页 |
| 3.4 目标性能函数及优化 | 第37-39页 |
| 3.4.1 LM 优化算法 | 第37-39页 |
| 3.4.2 滚动优化 | 第39页 |
| 3.5 反馈校正 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 4 钕铁硼氢粉碎自适应控制策略 | 第41-45页 |
| 4.1 炉况诊断问题研究 | 第41-42页 |
| 4.1.1 改进目标性能函数 | 第41页 |
| 4.1.2 多模型的协调策略 | 第41-42页 |
| 4.2 基于优化预测的自适应控制策略 | 第42-44页 |
| 4.3 实际吸氢量计算方法 | 第44页 |
| 4.4 本章小结 | 第44-45页 |
| 5 氢粉碎实时控制系统的设计与实现 | 第45-56页 |
| 5.1 监控系统的设计与实现 | 第45-47页 |
| 5.1.1 控制系统软件设计 | 第45-46页 |
| 5.1.2 监控系统的开发步骤 | 第46-47页 |
| 5.2 数据通信模块 | 第47-52页 |
| 5.2.1 串口通信介绍 | 第48-49页 |
| 5.2.2 PLC 与计算机之间通信协议 | 第49-52页 |
| 5.3 数据库模块设计 | 第52-53页 |
| 5.4 报表模块设计 | 第53页 |
| 5.5 实时曲线模块 | 第53-54页 |
| 5.6 实时数据存储 | 第54-55页 |
| 5.7 自适应控制模块设计 | 第55页 |
| 5.8 本章小结 | 第55-56页 |
| 6 实验验证 | 第56-58页 |
| 6.1 自适应控制策略算法的实现 | 第56-57页 |
| 6.2 自适应控制系统的实时性 | 第57页 |
| 6.3 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 在学研究成果 | 第63-64页 |
| 致谢 | 第64页 |