智能预测控制在磨机自动控制系统中的应用
| 摘要 | 第8-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 选题的背景及意义 | 第11页 |
| 1.2 磨机自动控制系统的分类 | 第11-13页 |
| 1.3 磨机自动控制系统研究现状 | 第13页 |
| 1.4 智能预测控制研究现状 | 第13-14页 |
| 1.5 本文主要工作 | 第14-15页 |
| 1.6 本章小结 | 第15-17页 |
| 第二章 水泥粉磨工艺及理论基础 | 第17-31页 |
| 2.1 水泥粉磨系统工艺 | 第17-18页 |
| 2.2 预测控制理论 | 第18-20页 |
| 2.2.1 预测控制的主要特点 | 第18页 |
| 2.2.2 预测控制的系统结构 | 第18-20页 |
| 2.3 BP神经网络 | 第20-27页 |
| 2.3.1 神经网络概述 | 第20-21页 |
| 2.3.2 BP神经网络学习过程 | 第21-22页 |
| 2.3.3 BP算法的计算机实现流程 | 第22-24页 |
| 2.3.4 BP算法的不足及改进 | 第24-25页 |
| 2.3.5 BP神经网络参数选取的规则 | 第25-27页 |
| 2.4 神经网络预测控制 | 第27-29页 |
| 2.4.1 BP神经网络预测控制 | 第27页 |
| 2.4.2 BP神经网络建模 | 第27-28页 |
| 2.4.3 参考信号的跟踪输出 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 磨机负荷的模型辨识 | 第31-43页 |
| 3.1 磨机负荷控制 | 第31-33页 |
| 3.1.1 磨机负荷控制的重要性 | 第31-32页 |
| 3.1.2 影响磨机负荷的主要因素 | 第32-33页 |
| 3.2 神经网络辨识系统模型 | 第33-35页 |
| 3.2.1 非线性系统的参数模型 | 第33-34页 |
| 3.2.2 神经网络辨识模型的步骤 | 第34-35页 |
| 3.2.3 神经网络辨识模型的难点 | 第35页 |
| 3.3 数据预处理 | 第35-37页 |
| 3.4 基于BP神经网络磨机负荷模型的辨识 | 第37-42页 |
| 3.4.1 磨机负荷模型辨识的基本原理 | 第37页 |
| 3.4.2 BP神经网络辨识磨机负荷模型 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 水泥磨机负荷预测控制系统设计 | 第43-57页 |
| 4.1 磨机负荷神经网络预测控制器设计 | 第43-44页 |
| 4.1.1 控制策略的提出 | 第43页 |
| 4.1.2 控制方案的设计 | 第43-44页 |
| 4.2 磨机负荷神经网络预测模型的建立 | 第44-48页 |
| 4.2.1 BP神经网络一步预测模型 | 第44-46页 |
| 4.2.2 BP神经网络多步预测模型 | 第46-48页 |
| 4.3 磨机负荷优化控制器的设计 | 第48-52页 |
| 4.3.1 优化控制器的设计方法 | 第48-49页 |
| 4.3.2 磨机负荷N-R滚动优化控制器设计 | 第49-52页 |
| 4.4 反馈校正设计 | 第52页 |
| 4.5 磨机负荷预测控制系统仿真 | 第52-54页 |
| 4.6 本章小结 | 第54-57页 |
| 第五章 磨机自动控制系统上位机软件开发 | 第57-73页 |
| 5.1 软件开发的流程和理论基础 | 第57-58页 |
| 5.1.1 上位机软件开发流程 | 第57页 |
| 5.1.2 OPC理论基础 | 第57-58页 |
| 5.2 数据采集模块的实现 | 第58-62页 |
| 5.2.1 数据采集模块的开发流程 | 第58-59页 |
| 5.2.2 数据采集模块的程序和界面设计 | 第59-62页 |
| 5.3 算法模块设计 | 第62-67页 |
| 5.3.1 算法模块的工作流程 | 第62-63页 |
| 5.3.2 VC++和Matlab的混合编程 | 第63-67页 |
| 5.4 用户界面设计 | 第67-70页 |
| 5.5 优化控制软件的工程实现 | 第70-71页 |
| 5.6 本章小结 | 第71-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 论文总结 | 第73-74页 |
| 6.2 研究展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 附录 | 第81页 |
