摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 绪论 | 第10-16页 |
1.1 课题研究背景与意义 | 第10-12页 |
1.2 连铸二次冷却水国内外控制现状 | 第12-14页 |
1.2.1 连铸二次冷却水静态控制 | 第12-13页 |
1.2.2 连铸二次冷却水动态控制 | 第13-14页 |
1.3 智能控制方法及其在连铸二次冷却水控制中的应用 | 第14-15页 |
1.4 本文研究内容 | 第15-16页 |
第2章 连铸二次冷却水基本理论 | 第16-34页 |
2.1 连铸二次冷却水概述 | 第16-20页 |
2.1.1 连铸二次冷却水的装置 | 第16-17页 |
2.1.2 连铸二次冷却区传热 | 第17-18页 |
2.1.3 连铸二次冷却区影响传热因素 | 第18-19页 |
2.1.4 连铸二次冷却水冷却制度 | 第19-20页 |
2.2 铸坯凝固传热模型 | 第20-30页 |
2.2.1 传热微分方程的假设件 | 第20-21页 |
2.2.2 坐标系建立 | 第21页 |
2.2.3 传热微分方程建立 | 第21-22页 |
2.2.4 传热微分方程的求解 | 第22-25页 |
2.2.5 微分方程的求解 | 第25-28页 |
2.2.6 物性参数的选取 | 第28-30页 |
2.3 影响铸坯表面温度变量分析 | 第30-32页 |
2.3.1 流量对铸坯表面的温度影响 | 第30-31页 |
2.3.2 拉速对铸坯表面温度的影响 | 第31页 |
2.3.3 上段温度对铸坯表面温度影响 | 第31-32页 |
2.4 本章小结 | 第32-34页 |
第3章 一类基于量子行为的粒子群算法 | 第34-50页 |
3.1 传统粒子群算法(PSO) | 第34-38页 |
3.1.1 基本粒子群算法 | 第34-35页 |
3.1.2 带惯性权重的PSO | 第35页 |
3.1.3 带压缩因子的PSO | 第35-36页 |
3.1.4 传统粒子群算法流程 | 第36-37页 |
3.1.5 传统粒子群缺点 | 第37-38页 |
3.2 基于量子行为的粒子群算法 | 第38-48页 |
3.2.1 量子行为粒子群算法思想来源 | 第38页 |
3.2.2 基于量子行为的粒子群算法 | 第38-41页 |
3.2.3 量子粒子群算法全局收敛性的概率分析 | 第41-43页 |
3.2.4 量子粒子群的改进 | 第43-45页 |
3.2.5 改进的量子粒子群的仿真研究 | 第45-48页 |
3.3 本章小结 | 第48-50页 |
第4章 QPSO-BP神经网络研究 | 第50-60页 |
4.1 BP神经网络 | 第50-55页 |
4.1.1 神经元结构 | 第50-51页 |
4.1.2 神经网络的分类 | 第51-52页 |
4.1.3 BP神经网络 | 第52-54页 |
4.1.4 BP神经网络的缺陷 | 第54-55页 |
4.2 QPSO优化BP神经网络 | 第55-57页 |
4.2.1 QPSO优化BP神经网络的初始权值和阈值 | 第55-57页 |
4.2.2 QPSO优化BP神经网络的学习方法 | 第57页 |
4.3 QPSO优化BP神经网络方案的可行性仿真验证 | 第57-59页 |
4.4 本章小结 | 第59-60页 |
第5章 连铸二次冷却水建模及控制 | 第60-78页 |
5.1 基于QPSO-BP神经网络建立连铸二冷水温度预报模型 | 第60-71页 |
5.1.1 连铸二次冷却水温度预报模型中输入量的选取 | 第60页 |
5.1.2 连铸二次冷却水温度预报模型中BP神经网络的设计 | 第60-62页 |
5.1.3 连铸二次冷却水温度预报模型中优化BP神经网络的QPSO设计 | 第62页 |
5.1.4 基于QPSO-BP连铸二冷水温度预报模型的建立 | 第62-63页 |
5.1.5 连铸二次冷却水温度预报模型仿真与分析 | 第63-71页 |
5.2 连铸二次冷却水控制系统的设计 | 第71-76页 |
5.2.1 连铸二次冷却水控制系统控制方案设计 | 第71-72页 |
5.2.2 基于单神经元自适应PID的控制器设计 | 第72-74页 |
5.2.3 连铸二次冷却水控制系统仿真 | 第74-76页 |
5.3 本章小结 | 第76-78页 |
第6章 总结与展望 | 第78-80页 |
参考文献 | 第80-84页 |
致谢 | 第84页 |