连铸过程漏钢预报方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 项目背景 | 第10-11页 |
| 1.1.1 连铸工艺发展简介 | 第10页 |
| 1.1.2 天管特钢公司连铸设备简介 | 第10-11页 |
| 1.2 国内外漏钢预报技术发展历史及趋势 | 第11-15页 |
| 1.3 本文研究的目的和意义 | 第15页 |
| 1.4 本文的主要工作 | 第15-18页 |
| 第2章 漏钢机理分析 | 第18-34页 |
| 2.1 连铸工艺生产流程 | 第18-19页 |
| 2.2 漏钢的种类 | 第19-21页 |
| 2.3 影响漏钢的因素 | 第21-26页 |
| 2.3.1 结晶器 | 第22-23页 |
| 2.3.2 保护渣 | 第23-24页 |
| 2.3.3 钢液 | 第24页 |
| 2.3.4 拉坯速度 | 第24页 |
| 2.3.5 中包浸入式水口 | 第24-25页 |
| 2.3.6 结晶器冷却 | 第25-26页 |
| 2.3.7 异常情况 | 第26页 |
| 2.4 弯月面的作用与性质 | 第26-30页 |
| 2.4.1 弯月面的作用 | 第27-28页 |
| 2.4.2 弯月面的表面性质 | 第28-30页 |
| 2.5 粘结漏钢分析 | 第30-32页 |
| 2.6 避免漏钢的方法 | 第32-34页 |
| 第3章 漏钢预报方法研究 | 第34-62页 |
| 3.1 引言 | 第34-36页 |
| 3.1.1 结晶器热传递测量分析法 | 第34-35页 |
| 3.1.2 铸坯短边凹度测量法 | 第35页 |
| 3.1.3 热电偶测量法 | 第35页 |
| 3.1.4 摩擦力测量法 | 第35-36页 |
| 3.2 人工神经网络 | 第36-45页 |
| 3.2.1 神经网络概述 | 第36-37页 |
| 3.2.2 几种典型的神经网络模型 | 第37-38页 |
| 3.2.3 BP网络结构及其学习算法 | 第38-42页 |
| 3.2.4 BP算法的缺点及改进方法 | 第42-45页 |
| 3.3 热电偶测量法漏钢预报研究 | 第45-54页 |
| 3.3.1 埋设热电偶间距优化模型 | 第45-46页 |
| 3.3.2 逻辑判断预报模型 | 第46-49页 |
| 3.3.3 神经网络预报模型 | 第49-54页 |
| 3.4 摩擦力测量法漏钢预报研究 | 第54-62页 |
| 3.4.1 振动电机下的摩擦力测量——功率法 | 第55-57页 |
| 3.4.2 液压振动下的摩擦力测量——压力法 | 第57-59页 |
| 3.4.3 摩擦力漏钢预报神经网络模型 | 第59-62页 |
| 第4章 漏钢预报的仿真研究 | 第62-74页 |
| 4.1 Matlab简介 | 第62页 |
| 4.2 基于温度测量的漏钢预报方法仿真研究 | 第62-64页 |
| 4.2.1 确定时间网络参数 | 第62-63页 |
| 4.2.2 选取样本 | 第63页 |
| 4.2.3 测试结果 | 第63-64页 |
| 4.3 基于摩擦力测量的漏钢预报方法仿真研究 | 第64-73页 |
| 4.3.1 研究思路 | 第65页 |
| 4.3.2 确定神经网络参数 | 第65-66页 |
| 4.3.3 仿真数据生成 | 第66-68页 |
| 4.3.4 训练网络并预测当前值 | 第68-70页 |
| 4.3.5 网络预测 | 第70页 |
| 4.3.6 计算闽值 | 第70-71页 |
| 4.3.7 改变网络训练函数后的仿真结果及比较 | 第71-73页 |
| 4.4 本章小结 | 第73-74页 |
| 第5章 总结与展望 | 第74-76页 |
| 5.1 本文总结 | 第74页 |
| 5.2 漏钢预报方法的展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第80-82页 |
| 致谢 | 第82页 |
