基于神经元网络技术的铸坯质量分析算法研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题的研究背景 | 第8页 |
| 1.2 铸坯质量控制与发展 | 第8-13页 |
| 1.2.1 国外铸坯质量控制发展情况 | 第9-12页 |
| 1.2.2 国内铸坯质量控制发展情况 | 第12-13页 |
| 1.3 神经网络技术发展及应用概述 | 第13页 |
| 1.4 神经网络技术在钢铁企业的实际应用 | 第13-14页 |
| 1.5 课题研究的意义及主要内容 | 第14-15页 |
| 1.5.1 课题研究的意义 | 第14-15页 |
| 1.5.2 课题研究主要内容 | 第15页 |
| 1.6 本章小结 | 第15-16页 |
| 2 铸坯质量缺陷的机理分析 | 第16-26页 |
| 2.1 炼钢—连铸工艺流程分析 | 第16-17页 |
| 2.2 铸坯缺陷分类 | 第17-20页 |
| 2.2.1 铸坯纯净度缺陷 | 第18页 |
| 2.2.2 铸坯外观形状缺陷 | 第18-19页 |
| 2.2.3 铸坯表面质量缺陷 | 第19-20页 |
| 2.2.4 铸坯内部质量缺陷 | 第20页 |
| 2.3 铸坯缺陷形成机理 | 第20-25页 |
| 2.3.1 形成纯净度缺陷机理及影响因素 | 第21-22页 |
| 2.3.2 形成外观形状缺陷机理及影响因素 | 第22页 |
| 2.3.3 形成表面质量缺陷机理及影响因素 | 第22-23页 |
| 2.3.4 形成内部质量缺陷机理及影响因素 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 BP神经网络改进算法的研究 | 第26-35页 |
| 3.1 人工神经网络的形成 | 第26页 |
| 3.2 BP神经网络结构 | 第26-27页 |
| 3.3 BP神经网络学习算法 | 第27-30页 |
| 3.4 BP网络神经元的激励函数 | 第30-31页 |
| 3.5 BP网络算法的不足 | 第31页 |
| 3.6 BP网络算法的改进 | 第31-32页 |
| 3.7 神经网络的学习过程 | 第32-34页 |
| 3.8 本章小结 | 第34-35页 |
| 4 铸坯质量判定模型设计 | 第35-62页 |
| 4.1 神经元网络技术应用原理 | 第35页 |
| 4.2 模型设计流程 | 第35-36页 |
| 4.3 硬件及网络架构 | 第36页 |
| 4.4 软件平台 | 第36-37页 |
| 4.5 模型设计 | 第37-61页 |
| 4.5.1 梳理铸坯质量相关影响因素 | 第37-39页 |
| 4.5.2 落实数据来源 | 第39-41页 |
| 4.5.3 落实数据质量 | 第41页 |
| 4.5.4 数据采集整体方案设计 | 第41-42页 |
| 4.5.5 ERP数据采集 | 第42页 |
| 4.5.6 MES数据采集 | 第42-43页 |
| 4.5.7 PLC数据采集 | 第43页 |
| 4.5.8 数据清洗 | 第43-44页 |
| 4.5.9 数据标准化、归一化 | 第44-47页 |
| 4.5.10 影响铸坯质量因素的相关性分析 | 第47-52页 |
| 4.5.11 构建模型 | 第52-53页 |
| 4.5.12 初始权值和阈值的设置 | 第53-54页 |
| 4.5.13 学习速率和动量因子的选取 | 第54页 |
| 4.5.14 网络训练误差的选取 | 第54-55页 |
| 4.5.15 BP网络模型的结构 | 第55页 |
| 4.5.16 BP网络模型的训练 | 第55-56页 |
| 4.5.17 传统算法与改进算法实际对比 | 第56-58页 |
| 4.5.18 BP网络模型变量重要性分析 | 第58-59页 |
| 4.5.19 BP网络模型的预测结果分析 | 第59-61页 |
| 4.6 铸坯质量预测模型的应用展望 | 第61页 |
| 4.7 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
