| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-24页 |
| 1.1 连铸坯质量控制研究现状 | 第10-13页 |
| 1.1.1 基于物理手段的连铸坯质量预报 | 第10-11页 |
| 1.1.2 基于智能技术的连铸坯质量预报现状 | 第11-13页 |
| 1.2 连铸坯质量缺陷机理概述 | 第13-18页 |
| 1.2.1 力的作用 | 第14-15页 |
| 1.2.2 钢的高温延展性 | 第15-17页 |
| 1.2.3 包晶钢的裂纹敏感性 | 第17-18页 |
| 1.3 BP神经网络的研究现状 | 第18-21页 |
| 1.3.1 人工神经网络发展 | 第18-19页 |
| 1.3.2 基于优化激活函数的BP神经网络研究 | 第19-20页 |
| 1.3.3 基于优化结构参数设计的BP神经网络研究 | 第20页 |
| 1.3.4 基于改进算法缺陷的BP神经网络研究 | 第20-21页 |
| 1.4 研究的背景及意义 | 第21页 |
| 1.5 主要研究内容及技术路线 | 第21-24页 |
| 第二章 连铸板坯质量分析 | 第24-38页 |
| 2.1 板坯表面缺陷及影响因素 | 第24-25页 |
| 2.2 连铸板坯纵裂影的响因素分析 | 第25-28页 |
| 2.2.1 碳含量的影响 | 第26页 |
| 2.2.2 硅含量的影响 | 第26-27页 |
| 2.2.3 硫含量的影响 | 第27-28页 |
| 2.2.4 Mn/S的影响 | 第28页 |
| 2.2.5 铜含量的影响 | 第28页 |
| 2.3 工艺因素的影响 | 第28-36页 |
| 2.3.1 板坯断面尺寸的影响 | 第29页 |
| 2.3.2 拉坯速度的影响 | 第29-31页 |
| 2.3.3 钢水过热度的影响 | 第31页 |
| 2.3.4 结晶器的影响 | 第31-34页 |
| 2.3.5 浸入式水口设计与插入深度的影响 | 第34-35页 |
| 2.3.6 结晶器保护渣的影响 | 第35-36页 |
| 2.3.7 二次冷却的影响 | 第36页 |
| 2.4 本章小结 | 第36-38页 |
| 第三章 板坯表面纵裂影响因素的统计分析 | 第38-48页 |
| 3.1 SPSS数据预处理 | 第38页 |
| 3.2 影响连铸板坯纵裂各因素的数理统计分析 | 第38-39页 |
| 3.3 纵裂样本描述 | 第39-41页 |
| 3.4 纵裂样本数据相关因素的相关性分析 | 第41-42页 |
| 3.5 板坯纵裂因素回归分析 | 第42-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 板坯表面纵裂模型 | 第48-64页 |
| 4.1 神经网络简介 | 第48-51页 |
| 4.1.1 信息的处理方式 | 第48页 |
| 4.1.2 自适应性 | 第48-51页 |
| 4.2 板坯表面纵裂纹的BP网络要素确定 | 第51-56页 |
| 4.2.1 表面纵裂模型输入输出节点确定 | 第51-53页 |
| 4.2.2 表面纵裂模型隐藏层层数及节点数选择 | 第53-54页 |
| 4.2.3 表面纵裂模型初始权值设定 | 第54-55页 |
| 4.2.4 表面纵裂模型学习速率选择 | 第55页 |
| 4.2.5 神经网络权重解释 | 第55-56页 |
| 4.3 板坯表面纵裂纹的BP网络模型预测 | 第56-62页 |
| 4.3.1 数据采集要求 | 第56页 |
| 4.3.2 样本筛选 | 第56-57页 |
| 4.3.3 样本标准化 | 第57-58页 |
| 4.3.4 BP网络模型的预测结果 | 第58-62页 |
| 4.4 本章小结 | 第62-64页 |
| 第五章 板坯表面纵裂模型应用 | 第64-70页 |
| 5.1 系统登陆界面 | 第64页 |
| 5.2 模型管理界面 | 第64-65页 |
| 5.3 模型参数结构管理 | 第65-67页 |
| 5.4 模型预测结果 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 结论及展望 | 第70-72页 |
| 6.1 结论 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 附录 攻读硕士学位期间发表论文 | 第80页 |