| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 连铸技术的发展现状 | 第11页 |
| 1.2 宽厚板生产技术现状 | 第11-12页 |
| 1.3 宽厚板连铸关键技术 | 第12页 |
| 1.4 结晶器漏钢预报技术研究现状 | 第12-20页 |
| 1.4.1 结晶器漏钢预报检测方法 | 第13-17页 |
| 1.4.2 结晶器漏钢预报模型 | 第17-20页 |
| 1.5 本文研究的意义、背景及主要内容 | 第20-23页 |
| 第2章 连铸结晶器黏结漏钢研究 | 第23-35页 |
| 2.1 板坯连铸结晶器黏结漏钢影响因素 | 第23-24页 |
| 2.2 结晶器内黏结热点传播研究 | 第24-29页 |
| 2.2.1 黏结漏钢形成过程 | 第24-25页 |
| 2.2.2 新生黏壳的生长 | 第25-26页 |
| 2.2.3 黏结热点传播速度 | 第26-28页 |
| 2.2.4 黏结热点在热电偶间的传播 | 第28-29页 |
| 2.2.5 单偶时序-组偶空间网络的优化 | 第29页 |
| 2.3 结晶器内黏结漏钢温度变化模式 | 第29-30页 |
| 2.4 结晶器内黏结漏钢摩擦力变化模式 | 第30-35页 |
| 2.4.1 结晶器漏钢时的摩擦力异常特征 | 第30-31页 |
| 2.4.2 黏结条件下结晶器受力分析 | 第31-32页 |
| 2.4.3 黏结条件下摩擦力的变化特征 | 第32-35页 |
| 第3章 基于模糊聚类的自适应遗传算法 | 第35-47页 |
| 3.1 遗传算法的基本原理与思想 | 第35页 |
| 3.2 模糊聚类方法 | 第35-38页 |
| 3.2.1 FCM算法原理及推导 | 第36-38页 |
| 3.2.2 计算步骤 | 第38页 |
| 3.3 FCM-AGA算法在RBF网络学习过程中的实现 | 第38-43页 |
| 3.3.1 RBF神经网络结构 | 第38-39页 |
| 3.3.2 FCM-AGA算法的实现 | 第39-43页 |
| 3.3.3 算法的总体流程 | 第43页 |
| 3.4 FCM-AGA算法的应用与讨论 | 第43-47页 |
| 第4章 基于FCM-AGA算法的多耦合结晶器漏钢预报模型 | 第47-59页 |
| 4.1 基于热电偶温度监控的漏钢预报模型 | 第47-50页 |
| 4.1.1 数据预处理 | 第47-48页 |
| 4.1.2 单偶时序网络 | 第48页 |
| 4.1.3 组偶空间网络 | 第48页 |
| 4.1.4 预报流程 | 第48-50页 |
| 4.2 摩擦力监控网络 | 第50-53页 |
| 4.2.1 摩擦力偏离系数 | 第50页 |
| 4.2.2 数据预处理 | 第50页 |
| 4.2.3 网络结构 | 第50-51页 |
| 4.2.4 摩擦力偏离系数的计算 | 第51-52页 |
| 4.2.5 摩擦力监控的应用措施 | 第52-53页 |
| 4.3 漏钢概率调节网络 | 第53-56页 |
| 4.3.1 漏钢概率系数 | 第53页 |
| 4.3.2 数据预处理 | 第53-55页 |
| 4.3.3 延时等待序列 | 第55页 |
| 4.3.4 网络结构 | 第55-56页 |
| 4.3.5 漏钢概率调节原理 | 第56页 |
| 4.4 多耦合漏钢预报模型的建立 | 第56-59页 |
| 4.4.1 模型建立原则 | 第56-57页 |
| 4.4.2 预报模型网络结构 | 第57-58页 |
| 4.4.3 预报流程 | 第58-59页 |
| 第5章 结晶器漏钢预报模型仿真与测试 | 第59-67页 |
| 5.1 单偶时序网络的训练 | 第59-62页 |
| 5.1.1 训练样本的选取 | 第59页 |
| 5.1.2 初始聚类中心的选取 | 第59-61页 |
| 5.1.3 训练过程与结果 | 第61-62页 |
| 5.2 其它网络的训练 | 第62-63页 |
| 5.3 漏钢预报模型的测试 | 第63-67页 |
| 5.3.1 模型测试结果 | 第63-65页 |
| 5.3.2 测试结果的讨论 | 第65页 |
| 5.3.3 模型存在的问题 | 第65-67页 |
| 第6章 结论与展望 | 第67-69页 |
| 6.1 研究结论 | 第67-68页 |
| 6.2 未来展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 攻读学位期间获得成果 | 第75-77页 |
| 作者简介 | 第77-79页 |
| 论文包含图、表、公式及文献 | 第79页 |