唐钢1700加热炉模型开发与优化
| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1.绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 加热炉与建模综述 | 第10-15页 |
| 1.2.1 加热炉的发展与分类 | 第10-12页 |
| 1.2.2 热跟踪模型 | 第12-13页 |
| 1.2.3 钢坯出炉温度预测模型 | 第13-14页 |
| 1.2.4 炉温度优化设定模型 | 第14-15页 |
| 1.3 唐钢1700生产线生产工艺流程 | 第15-17页 |
| 1.4 本文主要内容 | 第17-18页 |
| 2.加热炉建模算法基础 | 第18-34页 |
| 2.1 人工神经网络 | 第18-22页 |
| 2.1.1 BP神经网络的结构及学习过程 | 第19-22页 |
| 2.1.2 BP神经网络结点个数 | 第22页 |
| 2.2 支持向量机 | 第22-26页 |
| 2.2.1 支持向量机算法原理 | 第23-25页 |
| 2.2.2 参数选定 | 第25-26页 |
| 2.3 遗传算法 | 第26-29页 |
| 2.3.1 遗传算法原理及基本操作 | 第26-27页 |
| 2.3.2 遗传算法的实现 | 第27-28页 |
| 2.3.3 遗传算法参数设定 | 第28页 |
| 2.3.4 遗传算法操作流程 | 第28-29页 |
| 2.4 烟花算法 | 第29-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3.钢坯出炉温度预测模型 | 第34-51页 |
| 3.1 数据预处理 | 第34-36页 |
| 3.1.1 误差数据的剔除 | 第34-35页 |
| 3.1.2 数据归一化处理 | 第35-36页 |
| 3.2 模型的建立 | 第36-43页 |
| 3.2.1 BP神经网络建模 | 第36-37页 |
| 3.2.2 训练精度的选择 | 第37-39页 |
| 3.2.3 隐含层结点个数的选择 | 第39-42页 |
| 3.2.4 支持向量机建模 | 第42-43页 |
| 3.3 模型的选定 | 第43-47页 |
| 3.4 GUI界面设计 | 第47-50页 |
| 3.5 本章小结 | 第50-51页 |
| 4.炉温优化设定模型 | 第51-56页 |
| 4.1 遗传算法优化加热炉炉温 | 第51-52页 |
| 4.2 烟花算法优化加热炉炉温 | 第52-53页 |
| 4.3 优化方法的仿真研究 | 第53-54页 |
| 4.4 GUI界面设计 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5.结论与期望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 加热炉实际数据 | 第61-65页 |
| 攻读硕士学位期间发表学术论文情况 | 第65-66页 |
| 致谢 | 第66-67页 |
| 作者简介 | 第67-68页 |
