| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·选题意义 | 第9-10页 |
| ·板带材厚控技术的发展 | 第10-12页 |
| ·人工神经网络及其在轧机领域的应用 | 第12-13页 |
| ·人工神经网络的发展历史 | 第12-13页 |
| ·神经网络在轧机中的应用 | 第13页 |
| ·本论文的主要研究内容 | 第13-15页 |
| 第2章 轧机板厚控制系统 | 第15-25页 |
| ·轧机系统的组成 | 第15-18页 |
| ·冷轧过程 | 第15-16页 |
| ·可逆冷轧机的驱动系统 | 第16页 |
| ·冷轧机上的传感器 | 第16-17页 |
| ·轧机调节装置 | 第17-18页 |
| ·板带材厚度控制 | 第18-24页 |
| ·辊缝仪控制 | 第19-20页 |
| ·厚度计式AGC | 第20-21页 |
| ·测厚仪监控AGC | 第21-22页 |
| ·前馈控制 | 第22-23页 |
| ·秒流量控制 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 电液伺服系统 | 第25-32页 |
| ·AGC 电液位置伺服系统模型 | 第25-29页 |
| ·基本方程 | 第25-29页 |
| ·电伺服放大器 | 第25页 |
| ·电液伺服阀 | 第25-27页 |
| ·液压缸基本方程 | 第27-28页 |
| ·位移传感器及二次仪表 | 第28-29页 |
| ·AGC 电液位置伺服系统特性分析 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第4章 基于神经网络的液压位置系统控制 | 第32-45页 |
| ·神经网络基础 | 第32-36页 |
| ·人工神经元模型 | 第32-33页 |
| ·神经网络模型分类 | 第33-34页 |
| ·神经网络学习方法 | 第34-35页 |
| ·BP 学习算法 | 第35-36页 |
| ·神经网络 PID 控制应用于内环位置系统 | 第36-43页 |
| ·PID 神经网络 | 第36-40页 |
| ·网络结构与输出计算 | 第37-38页 |
| ·学习算法 | 第38-40页 |
| ·位置内环神经PID 控制 | 第40-43页 |
| ·仿真研究 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第5章 采样控制应用于轧机AGC 系统 | 第45-52页 |
| ·测厚仪滞后分析 | 第45-46页 |
| ·采样控制原理 | 第46-47页 |
| ·采样控制在 AGC 系统中的应用及采样周期的选取方法 | 第47-49页 |
| ·采样控制在轧机AGC 系统应用分析 | 第47-48页 |
| ·冷轧机液压厚调系统的仿真及实现 | 第48-49页 |
| ·一般纯滞后系统采样周期寻优 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第6章 物理实验模拟 | 第52-59页 |
| ·惯性环节 | 第52-56页 |
| ·惯性环节的传递函数、方块图、模拟电路 | 第52-53页 |
| ·惯性环节的增广最小二乘辨识 | 第53-56页 |
| ·增广最小二乘辨识算法 | 第53-55页 |
| ·流程图 | 第55-56页 |
| ·纯滞后环节 | 第56-57页 |
| ·PI 控制器及采样开关 | 第57页 |
| ·采样控制的实现 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 攻读硕士学位期间所发表的论文 | 第63-64页 |
| 致谢 | 第64页 |