| 摘要 | 第1-4页 |
| ABSTRACT | 第4-11页 |
| 第一章 绪论 | 第11-19页 |
| ·研究背景和意义 | 第11-12页 |
| ·退火炉控制的国内外研究现状 | 第12-15页 |
| ·国外退火炉控制的研究现状 | 第12-13页 |
| ·国内退火炉控制的研究现状 | 第13-14页 |
| ·退火炉控制存在的主要问题 | 第14-15页 |
| ·预测控制 | 第15-17页 |
| ·预测控制的发展 | 第15页 |
| ·传统预测控制存在的主要问题 | 第15-17页 |
| ·本论文研究的内容 | 第17-18页 |
| ·论文的创新点 | 第18页 |
| ·本章小结 | 第18-19页 |
| 第二章 全氢罩式退火炉退火工艺及其计算机控制系统 | 第19-42页 |
| ·带钢的退火 | 第19-20页 |
| ·带钢退火的目的 | 第19页 |
| ·带钢退火的特点和要求 | 第19-20页 |
| ·带钢的退火方法 | 第20-23页 |
| ·带钢的连续退火 | 第20页 |
| ·带钢的罩式退火 | 第20-21页 |
| ·罩式退火炉与连续退火炉的比较 | 第21-23页 |
| ·全氢罩式退火炉 | 第23-28页 |
| ·罩式退火炉的发展历史 | 第23-24页 |
| ·全氢罩式炉与传统氮氢罩式炉的比较 | 第24-25页 |
| ·全氢罩式炉特点 | 第25-26页 |
| ·对传统罩式炉的改进状况 | 第26页 |
| ·罩式炉的冷却方式 | 第26-28页 |
| ·全氢罩式炉基本设备及结构 | 第28-32页 |
| ·退火工艺过程 | 第32-35页 |
| ·全氢罩式炉控制系统 | 第35-41页 |
| ·流程控制 | 第36-38页 |
| ·过程量监测 | 第38-40页 |
| ·循环风机转速监测 | 第40页 |
| ·安全连锁控制 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 BP 神经网络的研究及其学习算法的改进 | 第42-57页 |
| ·人工神经网络 | 第42-45页 |
| ·神经网络理论的发展 | 第42-43页 |
| ·人工神经网络的特点 | 第43-44页 |
| ·当前神经网络的研究热点 | 第44-45页 |
| ·BP 神经网络 | 第45-50页 |
| ·基本BP 算法公式推导 | 第46-49页 |
| ·基本BP 算法的缺陷 | 第49-50页 |
| ·BP 改进算法 | 第50-53页 |
| ·引入动量项系数 | 第50-51页 |
| ·自适应调整学习速率 | 第51页 |
| ·新的改进算法 | 第51-53页 |
| ·BP 神经网络参数的选择 | 第53-54页 |
| ·隐含层层数的选择 | 第53页 |
| ·输入数据预处理方法 | 第53页 |
| ·隐含层节点数的选择 | 第53-54页 |
| ·仿真研究 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第四章 基于BP 神经网络的罩式炉炉温PID 预测控制策略 | 第57-84页 |
| ·神经网络预测控制原理 | 第57-61页 |
| ·预测控制的基本特征 | 第57-58页 |
| ·预测控制的基本类型 | 第58-60页 |
| ·神经网络的预测控制原理 | 第60-61页 |
| ·基于BP 神经网络的PID 参数整定 | 第61-67页 |
| ·基本PID 控制原理 | 第61-63页 |
| ·数字PID 控制 | 第63-65页 |
| ·基于BP 神经网络的PID 整定原理 | 第65-67页 |
| ·基于BP 神经网络的罩式炉炉温PID 预测控制策略 | 第67-72页 |
| ·罩式炉炉温预测模型设计 | 第67-69页 |
| ·滚动优化设计 | 第69-72页 |
| ·反馈校正设计 | 第72页 |
| ·仿真研究 | 第72-83页 |
| ·本章小结 | 第83-84页 |
| 第五章 结论与展望 | 第84-86页 |
| 参考文献 | 第86-91页 |
| 致谢 | 第91-92页 |
| 攻读研究生学位期间发表的学术论文 | 第92页 |